Förekomsten av etiska och sociala problem i relation till AI är både komplex och mångfacetterad. Det handlar inte bara om ekonomisk eller miljömässig skada utan också om immateriell skada som kan vara indirekt, som när obehöriga får tillgång till konfidentiell information eller när så kallade ”brott utan offer” inträffar. Dessa kan påverka samhället eller miljön utan att specifikt skada en individ. Ett centralt mål med standarder för AI är att ge utvecklare en ram för att både granska och, vid behov, designa funktioner som gör systemen mer transparenta. Internationella standarder, som ISO/IEC TR 24027:2021, har utvecklats för att ta itu med partiskhet i AI, särskilt där AI används för att hjälpa människor att fatta beslut. Målet är att ge utvecklare verktyg för att förstå och hantera partiskhet genom hela AI:s utvecklingscykel.

Inom fältet AI och etik dyker det snabbt upp nya teman. Ett sådant tema är "ethics washing" – en ytlig och ibland vilseledande användning av etiska termer för att skapa ett intryck av moralisk handling utan att vidta några verkliga åtgärder. Företag och aktörer inom tekniksektorn använder uttryck som ”ansvarsfull AI” eller ”etik vid design” som marknadsföringsknep för att undanröja behovet av verklig och meningsfull reglering av AI och maskininlärning. Det här kan i sin tur leda till en förvrängd bild av vad etisk reflektion och moralfilosofi egentligen innebär. När etik används som ett buzzword för att avleda uppmärksamhet från den faktiska bristen på reglering och ansvarstagande, är risken stor att människor slutar förstå skillnaden mellan riktiga etiska överväganden och tomma slagord.

Ethics washing handlar om att förvandla etiska begrepp till en produkt, vilket riskerar att urholka den moraliska grunden för de etiska överväganden som borde ligga till grund för AI-utvecklingen. Denna tendens att använda etik som ett marknadsföringsverktyg leder till att begreppet etik förlorar sin ursprungliga betydelse, och kan också bidra till en förnekelse av den viktiga etiska diskussion som måste ske för att adressera de verkliga konsekvenserna av AI:s användning. Sådana situationer leder inte bara till att människor blir cyniska inför etikens potential, utan också till att genuina moraliska filosofier förlorar sin plats i utvecklingen av AI-teknologier.

Ett annat problem är ”extractivism” – processen att extrahera resurser för vinst. Traditionellt har fokus legat på extraktion av naturresurser, men den etiska diskussionen kring AI har breddats till att även omfatta utvinning av data, arbetskraft och sociala resurser som identiteter och kulturella symboler. AI är djupt beroende av dessa resurser för att kunna fungera, men de etiska kostnaderna för dessa extraktioner tas sällan upp på ett adekvat sätt. Ta till exempel de enorma mängder naturresurser som krävs för att tillverka de batterier som driver dagens enheter, eller de gigantiska koldioxidutsläppen från datacenter som underhåller AI-systemen. Dessa frågor rör sig långt bortom de sci-fi-inspirerade bilderna av AI som en ren och eterisk teknik.

AI:s infrastrukturer är inte bara beroende av naturresurser, utan även av de människor som producerar och skapar data. Fall som ImageNet, där personliga bilder används utan samtycke för att träna AI-system, belyser den ojämlikhet och exploatering som finns bakom dessa teknologier. När AI:s funktioner bygger på data som tas från individer eller samhällen utan ersättning eller medgivande, riskerar dessa system att fördjupa sociala och ekonomiska klyftor. Det handlar inte bara om att förstå den tekniska utvecklingen av AI, utan också om att överväga de etiska och samhälleliga konsekvenserna av att använda människor och deras data som resurser för företag och staters vinning.

För att förstå den fulla omfattningen av AI:s etiska implikationer krävs ett bredare perspektiv på de sociala, kulturella och politiska sammanhang där dessa teknologier utvecklas och används. Det handlar om att inte bara bedöma tekniken i sig utan också att förstå de maktstrukturer som ligger bakom dess utveckling och implementering.

Hur påverkar gradationsgrafer och träd modellens precision och flexibilitet?

När vi arbetar med en uppsättning atomiska propositioner, som t.ex. p, q och r, definierar vi en mängd tolkningar över dessa atomära element. Varje tolkning kan representeras som en modell som uppfyller vissa logiska formler. Dessa formler kan vara sammansatta av olika logiska operatorer som konjunktion (∧), disjunktion (∨) och negation (¬), och de definieras genom en uppsättning regler eller villkor som alla tolkningar måste uppfylla. Genom att förstå hur dessa tolkningar interagerar kan vi bättre förstå strukturen och mekanismen bakom Ripple Down Rules (RDR), särskilt i kontexten av gradationsgrafer och träd.

I exemplet där vi har tre atomer, p, q och r, och en mängd tolkningar M som omfattar alla möjliga kombinationer av dessa atomiska propositioner, kan vi definiera en uppsättning formler (ϕ0, ϕ1, ..., ϕ8). Varje formel representerar ett logiskt villkor, och varje modell (Mi) är en uppsättning av tolkningar som uppfyller ett specifikt logiskt krav. Modeller som tillhör vissa formler kan grupperas i två olika mängder, C1 och C2, där C1 representerar modeller från formlerna ϕ0 till ϕ7 och C2 innehåller modeller från ϕ0, ϕ8, ϕ6 och ϕ7. Dessa mängder C1 och C2 ger oss olika sätt att förstå och klassificera modeller.

I denna ram är det särskilt intressant att titta på hur vi kan identifiera den mest specifika modellen inom en kedja av modeller, vilket gör att vi kan förstå hur de olika modellerna relaterar till varandra. Notationen "minC(M)" används för att referera till den mest specifika modellen som finns i C och som är kompatibel med en given modell M. Genom att studera dessa modeller och deras förhållanden får vi en djupare förståelse för hur informationen i en kedja av tolkningar kan organiseras och behandlas.

Vidare kan vi också använda M-embedding, en matematisk struktur som möjliggör både semantisk och syntaktisk representation av dessa modeller. Ett M-embedding definieras som ett par (h, A), där h är en homomorfism från en boolesk algebra in i en mängd av modeller och A är en delmängd av denna algebra. Genom att använda M-embedding kan vi kartlägga en formel eller en uppsättning av formler till en mängd modeller, vilket gör det möjligt att analysera och manipulera dessa modeller på ett strukturerat sätt.

En ytterligare aspekt att överväga är gradationsträd och hur de relaterar till RDR. I en RDR-modell används träd för att representera beslutsprocesser, där varje nod representerar ett villkor som måste uppfyllas för att röra sig vidare längs trädet. Träd kan vara deterministiska eller icke-deterministiska beroende på hur alternativen utvärderas. I ett icke-deterministiskt RDR-träd kan vi utvärdera alla alternativa villkor parallellt och röra oss till den nod som först uppfyller ett villkor. Detta ger oss en större flexibilitet i hur vi hanterar beslut och gör det möjligt att arbeta med mer komplexa beslutsträd.

Det är också värt att notera att vissa gradationsträd kan innehålla redundans, där subträd är identiska. För att undvika detta kan vi använda gradationsgrafer istället för träd, vilket ger en mer kompakt representation. En gradationsgraf är en struktur som gör det möjligt att representera modeller och deras relationer på ett sätt som eliminerar redundans och ger en effektivare modell.

Genom att använda dessa koncept och tekniker, såsom gradationsgrafer och M-embedding, kan vi skapa mer precisa och flexibla RDR-modeller som inte bara är deterministiska utan också kan hantera osäkerhet och alternativa vägar i beslutsprocesser. Denna flexibilitet är särskilt användbar i tillämpningar där beslutsfattande måste göras under osäkra eller komplexa förhållanden, som i maskininlärning eller artificiell intelligens.

För att fullt förstå dessa tekniker är det viktigt att tänka på hur varje komponent interagerar och påverkar varandra. Det är inte bara frågan om att definiera formler och modeller, utan också om hur vi effektivt kan kombinera och manipulera dessa strukturer för att uppnå mer sofistikerade och effektiva lösningar. Att förstå och hantera redundans, optimera utvärderingsordningen och skapa flexibla modeller är centrala delar av denna process.

Hvordan løse komplekse integraler med teknikker som delvis integrasjon og variabelskifte