УДК 004.8
СОВРЕМЕННЫЕ ИССЛЕДОВАНИЯ В ОБЛАСТИ СОЦИОЛОГИИ ИСКУССТВЕННОГО ИНТЕЛЛЕКТА: БАЗОВЫЕ ПОДХОДЫ. ЧАСТЬ 6.2
Наталья Петровна Копцева1, Юлия Сергеевна Замараева2
1 КРОО «Содружество просветителей Красноярья», Красноярск, Россия.
nkoptseva@sfu-kras.ru, orcid.org/0000-0003-3910-7991
2 Сибирский федеральный университет, Красноярск, Россия.
yzamaraeva@sfu-kras.ru, orcid.org/0000-0003-1299-6741
Аннотация. В шестой части научного обзора анализируются базовые подходы к социологическим исследованиям искусственного интеллекта. Рассматривается специфика современных социальных исследований искусственного интеллекта, связанная с лонгитюдным исследованием «Столетнее исследование искусственного интеллекта». В настоящее время опубликовано два базовых отчета по данному проекту, который имеет кодовое название AI100. Данной научной статьей начато подробное рассмотрение наиболее современный отчета 2021 года. Отчет составлен в виде ответов на ключевые вопросы, которым предшествовали два интерактивных исследовательских семинара по важнейшим проблемам внедрения технологий ИИ в социальные сферы, прежде всего, в здравоохранение, образование, социальную сферу, кредитование людей, прием на работу и другие. Представлены аналитические материалы по 2 и 3 вопросам отчета 2021 года, связанные с изображениями, демонстрирующими текущее состояние и прогресс развития технологий ИИ в сфере распознавания лиц, текстов, аналитики больших данных и ряда других. В дальнейшем анализ материалов отчета 2021 будет продолжен.
Ключевые слова: искусственный интеллект, социальные исследования, методы исследования, новая социальная реальность, система «человек-техника», «Столетнее исследование искусственного интеллекта», AI100.
Благодарности: исследование выполнено за счет гранта Российского научного фонда № 23-28-00255, rscf.ru/project/23-28-00255/
Для цитирования: Копцева, Н. П. Современные исследования в области социологии искусственного интеллекта: базовые подходы. часть 6.1 / Н. П. Копцева, Ю. С. Замараева // Социология искусственного интеллекта. – 2023. – Т. 4. – № 2. – С. 8-25. – EDN: UMNJSO
Список цитируемой литературы
1. Allen-Zhu Z., Li Y., Song Z. A Convergence Theory for Deep Learning via Over-Parameterization,» June 2019 https://arxiv.org/abs/1811.03962v5.
2. Antoniou A, Storkey A., Edwards H. Data Augmentation Generative Adversarial Networks. March 2018 https://arxiv.org/abs/1711.04340v3.
3. Brennan G., Goodin R., Southwood N. Explaining Norms, 2016.
4. Buolamwini J., Gebru T. Gender Shades: Intersectional Accuracy Disparities in Commercial Gender Classification // Proceedings of Machine Learning Research. — 2018. — № 8. — P. 1-15, 2018, http://proceedings.mlr.press/v81/buolamwini18a/buolamwini18a.pdf.
5. Campbell M., et al. Deep Blue // Artificial Intelligence. — V. 134 (1-2) — P. 57-83.
6. Cohen P. If Not Turing’s Test, Then What? // AI Magazine — 2006. — V. 26 (4) https://ojs.aaai.org/index.php/aimagazine/article/view/1849/1747.
7. Cristina Bichierri, The Grammar of Society, 2005.
8. Cunningham A., et al. MPDM: Multi-policy decision-making from autonomous driving to social robot navigation. http://robots.engin.umich.edu/publications/acunningham-2019a.pdf.
9. Deng J., et al. ImageNet: A large-scale hierarchical image database //IEEE. https://ieeexplore.ieee.org/document/5206848.
10. Devlin J., et al. BERT: Pre-training of Deep Bidirectional Transformers for Language Understanding. May 2019 https://arxiv.org/abs/1810.04805v2.
11. Dynamics of Krasnoyarsk Urban Space in the Early 21st Century / Yu. N. Avdeeva, K. A. Degtyarenko, S. V. Metlyaeva [et al.] // Journal of Siberian Federal University. Humanities and Social Sciences. — 2019. — Vol. 12. — No 6. — P. 953-974. DOI: 10.17516/1997-1370-0434 EDN: OYMWLO
12. Grosz B. What Question Would Turing Pose Today? // AI Magazine. — 2012. — V. 33 (4) Winter 2012, https://ojs.aaai.org//index.php/aimagazine/article/view/2441.
13. Hadfield G., Weingast B.R. Microfoundations of the Rule of Law // Annual Review of Political Science. — 2014. -Vol. 17. — P. 21-42.
14. Hendrycks D., et al. Measuring Massive Multitask Language Understanding,» https://arxiv.org/abs/2009.03300v3.
15. Hestness J., et al. Deep Learning Scaling is Predictable, Empirically https://arxiv.org/abs/1712.00409.
16. https://ai.stanford.edu/~nilsson/QAI/qai.pdf. Note that Nilsson’s definition was also featured in the first AI100 report.
17. https://ash.harvard.edu/files/ash/files/disciplining_of_a_society_social_disciplining_and_civilizing_processes_in_contemporary_china.pdf.
18. https://developer.spotify.com/discover.
19. https://developer.squareup.com/blog/a-peek-into-machine-learning-at-squ….
20. https://digital-strategy.ec.europa.eu/en/policies/european-approach-artificial-intelligence.
21. https://en.qxfoodom.com/show-31-199.html.
22. https://facctrec.github.io/facctrec2020/program.
23. https://fintechnews.hk/12261/fintechchina/how-wechat-pay-determines-if-you-are-trustworthy-with-their-credit-score.
24. https://github.com/IMO-grand-challenge/IMO-grand-challenge.github.io.
25. https://nips.cc/Conferences/2017/CompetitionTrack.
26. https://research.atspotify.com/algorithmic-effects-on-the-diversity-of-consumption-on-spotify.
27. https://response.jp/article/2019/03/14/320121.html, https://www.youtube.com/watch?v=P_zRwq9c8LY, https://www.youtube.com/watch?v=AI0l3ySnAiA.
28. https://techcrunch.com/2018/05/10/duplex-shows-google-failing-at-ethical-and-creative-ai-design.
29. https://twitter.com/pjreddie/status/1230524770350817280.
30. https://www.cnbc.com/2020/11/12/boston-dynamics-robot-gathering-data-at-construction-site-in-london.html, https://www.youtube.com/watch?v=wND9goxDVrY.
31. https://www.cnet.com/tech/services-and-software/google-apologizes-for-a….
32. https://www.consumerreports.org/car-safety/cadillac-super-cruise-outperforms-other-active-driving-assistance-systems.
33. https://www.cs.toronto.edu/~mvolkovs/recsys2020_challenge.pdf for their use in the 2020 Recommender Systems (RecSys) challenge.
34. https://www.darpa.mil/news-events/2020-08-07.
35. https://www.forbes.com/sites/bradtempleton/2021/04/29/baidu-launches-robotaxi-service-outside-beijing-how-fully-driverless-is-it-vs-autox.
36. https://www.gpif.go.jp/en/investment/ai_report_summary_en.pdf.
37. https://www.gpif.go.jp/en/investment/research_2017_1_en.pdf.
38. https://www.ibm.com/downloads/cas/DLJ28XP7.
39. https://www.nerdwallet.com/best/investing/robo-advisors.
40. https://www.nytimes.com/2018/11/06/technology/myanmar-facebook.html.
41. https://www.nytimes.com/2021/05/24/technology/self-driving-cars-wait.html.
42. https://www.quantamagazine.org/how-close-are-computers-to-automating-mathematical-reasoning-20200827.
43. https://www.sfchronicle.com/projects/2021/jessica-simulation-artificial-intelligence.
44. https://www.theverge.com/2019/5/9/18538194/google-duplex-ai-restaurants-experiences-review-robocalls.
45. https://www.turing.ac.uk/sites/default/files/2021-02/summary_of_discussion_workshop_2020_ai_scientist_grand_challenge_clean.pdf.
46. https://www.washingtonpost.com/health/2019/10/24/racial-bias-medical-algorithm-favors-white-patients-over-sicker-black-patients.
47. https://www.washingtonpost.com/science/2019/07/11/ruthless-superhuman-poker-playing-computer-program-makes-elite-players-fold.
48. https://www.washingtonpost.com/world/facial-recognition-china-tech-data/2021/07/30/404c2e96-f049-11eb-81b2-9b7061a582d8_story.html.
49. https://www.weforum.org/agenda/2021/08/cassie-the-bipedal-robot-runs-a-5k.
50. https://www.wired.com/story/efforts-make-text-ai-less-racist-terrible.
51. https://www.wired.com/story/google-assistant-can-now-translate-on-your-phone.
52. Jaderberg M., et al. Human-level performance in 3D multiplayer games with population-based reinforcement learning // Science. — May 2019 https://science.sciencemag.org/content/364/6443/859.full.
53. Joshi M., et al. SpanBERT: Improving Pre-training by Representing and Predicting Spans. Transactions of the Association for Computational Linguistics.January 2020 https://direct.mit.edu/tacl/article/doi//SpanBERT-Improving-Pre-training-by-Representing. DOI: 10.1162/tacl_a_00300/43539
54. Kaplan J., et al. Scaling Laws for Neural Language Models https://arxiv.org/abs/2001.08361.
55. Kitano H. Artificial Intelligence to Win the Nobel Prize and Beyond: Creating the Engine for Scientific Discovery // AI Magazine. — 2016. — V. 37 (1). DOI: 10.1609/aimag.v37i1.2642
56. Kolt N. Predicting Consumer Contracts //Berkeley Technology Law Journal. — V. 37.
57. Levesque H., et al. The Winograd Schema Challenge //Proceedings of the Thirteenth International Conference on Principles of Knowledge Representation and Reasoning, https://www.aaai.org/ocs/index.php/KR/KR12/paper/download/4492/4924.
58. Littman M., et al. Gathering Strength, Gathering Storms: The One Hundred Year Study on Artificial Intelligence (AI100) 2021 Study Panel Report // Stanford University, Stanford, CA, September 2021. http://ai100.stanford.edu/2021-report.
59. Mihdi Afnan M., et al. Ethical Implementation of Artificial Intelligence to Select Embryos // In Vitro Fertilization. — April 2021 https://arxiv.org/abs/2105.00060v1.
60. Oriol Vinyals O., et al. Grandmaster level in StarCraft II using multi-agent reinforcement learning // Nature. — V. 575, October 2019 https://www.nature.com/articles/s41586-019-1724-z.
61. Pearl J., Mackenzie D. The Book of Why: The New Science of Cause-and-Effect http://bayes.cs.ucla.edu/WHY.
62. Peters M., et al. Deep contextualized word representations. March 2018 https://arxiv.org/abs/1802.05365v2.
63. Radford A., et al. Improving Language Understanding by Generative Pre-Training. https://www.cs.ubc.ca/~amuham01/LING530/papers/radford2018improving.pdf.
64. Rai A. Explainable AI: from black box to glass box // J. of the Acad. Mark. Sci. — 2020. -№ 48. — P. 137-141. EDN: MNBEIB
65. Reddy R. Foundations and Grand Challenges of Artificial Intelligence 1988 // AAAI Presidential Address, https://ojs.aaai.org/index.php/aimagazine/article/download/950/868.
66. Rudin C. Stop explaining black box machine learning models for high stakes decisions and use interpretable models instead // Nature Machine Intelligence. — 2019. — V 1. — P. 206-215.
67. Silver D., et al. A general reinforcement learning algorithm that master’s chess, shogi, and Go through self-play // Science. — December 2018 https://science.sciencemag.org/content/362/6419/1140.
68. Silver D., et al. Mastering the game of Go without human knowledge // Nature. — V. 550, October 2017 https://www.nature.com/articles/nature24270.
69. Turing A. Computing Machinery and Intelligence //Mind. — 1950ю — V. LIX. — № 236, October 1950. — P. 433-460.
70. Zhang D., et al. The AI Index 2021 Annual Report. AI Index Steering Committee // Human-Centered AI Institute, Stanford University, Stanford, CA, March 2021 p. 49 https://aiindex.stanford.edu/wp-content/uploads/2021/03/2021-AI-Index-Report_Master.pdf.
71. Zhang S., Bengio S., Hardt M., Recht B., Vinyals O. Understanding deep learning requires rethinking generalization. February 2017 https://arxiv.org/abs/1611.03530v2.
72. Zhao Z., et al. Recommending what video to watch next: a multitask ranking system //Proceedings of the 13th ACM Conference on Recommender Systems (RecSys ’19) https://dl.acm.org/doi/. DOI: 10.1145/3298689.3346997
73. Дегтяренко, К. А. Теоретико-методологические основания современных исследований этничности / К. А. Дегтяренко // Сибирский антропологический журнал. — 2021. — Т. 5. — № 4. — С. 11-24. DOI: 10.31804/2542-1816-2021-5-4-11-24 EDN: NAXVBF
74. Ермаков, Т. К. Восприятие молодёжью символов современного цифрового искусства (на примере работ направления pixel art) / Т. К. Ермаков // Цифровизация. — 2021. — Т. 2. — № 1. — С. 7-14. DOI: 10.37993/2712-8733-2021-2-1-7-14 EDN: WCWOQC
75. Ермаков, Т. К. Гуманитарные исследования техники: перспективы развития научного направления / Т. К. Ермаков // Специфика этнических миграционных процессов на территории Центральной Сибири в XX-XXI веках: опыт и перспективы: Материалы Международной научно-практической конференции, Красноярск, 25-27 ноября 2021 года. — Красноярск: Сибирский федеральный университет, 2022. — С. 207-214. EDN: OFKRCC
76. Ермаков, Т. К. Некоторые особенности организации игрового пространства игр с 2D-графикой жанра платформер с точки зрения взаимодействия между игроком и пространством / Т. К. Ермаков // Журнал Сибирского федерального университета. Серия: Гуманитарные науки. — 2022. — Т. 15. — № 2. — С. 234-243. DOI: 10.17516/1997-1370-0906 EDN: DRLVSP
77. Ермаков, Т. К. Особенности первых видеоигр: анализ платформы Magnavox Odyssey / Т. К. Ермаков // Сибирский антропологический журнал. — 2022. — Т. 6. — № 2. — С. 39-52. DOI: 10.31804/2542-1816-2022-6-2-39-52 EDN: KVEYNW
78. Замараева, Ю. С. Анализ понятия «глобальные трансформации». Воздействие глобальных трансформаций на культуру и этническую идентичность (теоретическое исследование) / Ю. С. Замараева // Цифровизация. — 2021. — Т. 2. — № 1. — С. 27-40. DOI: 10.37993/2712-8733-2021-2-1-27-40 EDN: XEAVNH
79. Замараева, Ю. С. Формирование понятия «сложная идентичность» в современных гуманитарных науках / Ю. С. Замараева // Сибирский антропологический журнал. — 2020. — Т. 4. — № 2. — С. 89-102. DOI: 10.31804/2542-1816-2020-4-2-87-100 EDN: YBRGNW
80. Итоги научного семинара «теории и практики прикладных культурных исследований» 23 сентября 2022 года (Сибирский Федеральный университет, Красноярск) / Н. П. Копцева, А. А. Ситникова, А. Омелик [и др.] // Сибирский искусствоведческий журнал. — 2022. — Т. 1. — № 3. — С. 37-57. DOI: 10.31804/2782-4926-2022-1-3-37-57 EDN: DIEXSH
81. Итоги научного семинара «теории и практики прикладных культурных исследований» 17 июня 2022 года (Сибирский Федеральный университет, Красноярск) / Н. П. Копцева, А. А. Ситникова, М. В. Тарасова [и др.] // Сибирский искусствоведческий журнал. — 2022. — Т. 1. — № 2. — С. 55-74. DOI: 10.31804/2782-4926-2022-1-2-55-74 EDN: ZCHGIZ
82. Кистова, А. В. Методологическое значение «понимающей герменевтики» Вильгельма Дильтея для социально-философского исследования современных социокультурных феноменов / А. В. Кистова // Современные проблемы науки и образования. — 2013. — № 3. — С. 450. EDN: RPOPPX
83. Кистова, А. В. Синтетическая модель культуры и культурные практики / А. В. Кистова // Сибирский антропологический журнал. — 2020. — Т. 4. — № 2. — С. 111-121. DOI: 10.31804/2542-1816-2020-4-2-109-119 EDN: KLMBSN
84. Козлова, М. В. К вопросу о поддержке социальной адаптации студентов из числа КМНС и Дальнего Востока РФ в условиях цифровизации / М. В. Козлова, Ю. С. Замараева // Северные Архивы и Экспедиции. — 2022. — Т. 6. — № 1. — С. 147-153. DOI: 10.31806/2542-1158-2022-6-1-147-153 EDN: NWUBKM
85. Колесник, М. А. Дайджест новостей в сфере развития искусственного интеллекта / М. А. Колесник, Н. М. Лещинская, Н. А. Сергеева // Социология искусственного интеллекта. — 2022. — Т. 3, № 1. — С. 18-28. DOI: 10.31804/2712-939X-2022-3-1-18-28 EDN: AKUVFE
86. Колесник, М. А. Особенности восприятия русского этноса в молодежной среде города Красноярска по результатам ассоциативного эксперимента со словом «русское» / М. А. Колесник // Социодинамика. — 2016. — № 4. — С. 59-67. DOI: 10.7256/2409-7144.2016.4.18270 EDN: VPBKJX
87. Копцева, Н. П. Культурные трансформации: возможности изучения / Н. П. Копцева, Н. Н. Пименова // Сибирский антропологический журнал. — 2020. — Т. 4. — № 3. — С. 36-44. DOI: 10.31804/2542-1816-2020-4-3-36-44 EDN: ENUIWR
88. Копцева, Н. П. Современные исследования в области социологии искусственного интеллекта: базовые подходы. Часть 5 / Н. П. Копцева // Социология искусственного интеллекта. — 2022. — Т. 3. — № 4. — С. 9-22. DOI: 10.31804/2712-939X-2022-3-4-9-22 EDN: AAVWZH
89. Копцева, Н. П. Социокультурное пространство современного российского города: (на материале анализа города Красноярска) / Н. П. Копцева, Е. А. Сертакова. — Красноярск: Сибирский федеральный университет, 2015. — 128 с. ISBN: 978-5-7638-3345-4 EDN: VNUWFD
90. Копцева, Н. П. Сумма методов современной урбанистической антропологии: постановка проблемы / Н. П. Копцева, Е. А. Сертакова // Урбанистика. — 2015. — № 2. — С. 40-53. DOI: 10.7256/2310-8673.2015.2.16354 EDN: UHXSRJ
91. Либакова, Н. М. Культурная апроприация как форма взаимодействия культур / Н. М. Либакова, А. Е. Худоногова // Специфика этнических миграционных процессов на территории Центральной Сибири в XX-XXI веках: опыт и перспективы, Красноярск, 30 ноября — 02 декабря 2017 года. — Красноярск: Сибирский федеральный университет, 2018. — С. 75-78. EDN: XVKSCL
92. Лузан, В. С. Роль цифрового образовательного контента в деятельности художественных музеев России / В. С. Лузан, О. А. Темникова // Цифровизация. — 2021. — Т. 2. — № 3. — С. 19-28. DOI: 10.37993/2712-8733-2021-2-3-19-28 EDN: AOLMST
93. Методы изучения культуры / Н. П. Копцева, Ю. Н. Авдеева, К. А. Крупкина [и др.]; Сибирский федеральный университет, Гуманитарный институт. — Красноярск: Сибирский федеральный университет, 2020. — 184 с. ISBN: 978-5-7638-4350-7 EDN: GEDBOV
94. Образование и здравоохранение как практики строительства нации (по материалам Эвенкийского архива) / Н. Н. Середкина, К. В. Резникова, Ю. Н. Менжуренко, Н. А. Сергеева // Журнал Сибирского федерального университета. Серия: Гуманитарные науки. — 2022. — Т. 15. — № 10. — С. 1480-1491. DOI: 10.17516/1997-1370-0914 EDN: VXLTIF
95. Омелик, А. А. Возможности использования невзаимозаменяемых токенов (NFT) в художественной и институциональной практике в Красноярске / А. А. Омелик // Цифровизация. — 2022. — Т. 3. — № 2. — С. 96-108. DOI: 10.37993/2712-8733-2022-3-2-96-108 EDN: RMXVLW
96. Пашова, Э. В. Актуальные художественные практики в комиксах / Э. В. Пашова // Сибирский антропологический журнал. — 2020. — Т. 4. — № 1. — С. 217-225. DOI: 10.31804/2542-1816-2020-4-1-217-225 EDN: OFTALE
97. Пименова, Н. Н. Современная философская позиция по вопросу механизмов социокультурных изменений / Н. Н. Пименова // Сибирский антропологический журнал. — 2018. — Т. 2. — № 2. — С. 47-69. EDN: XVLYIP
98. Резникова, К. В. Искусственный интеллект в американском кинематографе конца XX — начала XXI веков / К. В. Резникова, Е. А. Сертакова, А. А. Ситникова // Социология искусственного интеллекта. — 2022. — Т. 3. — № 1. — С. 42-49. DOI: 10.31804/2712-939X-2022-3-1-42-49 EDN: HZKFIC
99. Середкина, Н. Н. Антропологические и этнологические подходы к изучению общероссийской гражданской идентичности / Н. Н. Середкина // Сибирский антропологический журнал. — 2022. — Т. 6. — № 1. — С. 111-121. DOI: 10.31804/2542-1816-2022-6-1-111-121 EDN: AHNUED
100. Сертакова, Е. А. «Символический менеджмент» как механизм создания позитивного социального и культурного пространства города / Е. А. Сертакова // Современные проблемы науки и образования. — 2015. — № 1-1. — С. 1880. EDN: VIFGDL
101. Сертакова, Е. А. Исследования «города» в классических концепциях зарубежных ученых / Е. А. Сертакова // Современные проблемы науки и образования. — 2013. — № 4. — С. 381. EDN: ROFXUF
102. Сертакова, Е. А. Социологическое исследование культурных потребностей жителей города Красноярска / Е. А. Сертакова, Ю. С. Замараева, А. А. Ситникова // Урбанистика. — 2015. — № 3. — С. 16-42. DOI: 10.7256/2310-8673.2015.3.16495 EDN: UIYGZV
103. Шпак, Б. А. Методы машинного обучения в гуманитарных науках / Б. А. Шпак, К. А. Дегтяренко, А. А. Шпак // Социология искусственного интеллекта. — 2021. — Т. 2, № 3. — С. 21-24. DOI: 10.31804/2687-0606-2021-2-3-21-24 EDN: GJIBTC