Jak to się robi w nauce (4)

Zmień dokładnie to, co chcę

Dr hab. Marek Śmieja prowadzi badania nad nowymi metodami sterowania procesem generowania danych w modelach sztucznej inteligencji. Jego projekt koncentruje się na rozwijaniu głębokich warunkowych modeli generatywnych, które pozwalają na precyzyjne kształtowanie wyników tworzonych przez algorytmy, takich jak GAN-y i VAE. Modele te znajdują zastosowanie w wielu dziedzinach, od wyjaśniania decyzji AI, poprzez generowanie kontrfaktycznych przykładów, aż po tworzenie cząsteczek chemicznych o określonych właściwościach czy realistyczne uzupełnianie brakujących fragmentów obrazów.

Jednym z kluczowych wyzwań w tym obszarze jest wysoka złożoność obliczeniowa i konieczność dostosowywania modeli do nowych danych, co często wymaga zasobów porównywalnych do tych, jakimi dysponują globalne firmy technologiczne. Aby temu zaradzić, zespół dr. Śmieji pracuje nad przenośnymi sieciami (plugin networks), które będą mogły modyfikować dane w oparciu o istniejące modele, redukując tym samym koszty obliczeniowe.

Projekt ma szerokie konsekwencje praktyczne – nie tylko w obszarze uczenia maszynowego, ale także w takich dziedzinach jak farmakologia, grafika komputerowa i interpretowalność AI. Wyniki badań mogą pomóc w tworzeniu bardziej przejrzy- stych systemów sztucznej inteligencji, wspomagać projektowanie nowych leków oraz usprawniać technologie generatywne w wielu branżach. Dodatkowo, aby ułatwić adaptację swoich rozwiązań, badacze planują udostępniać implementacje swoich algorytmów na platformach open-source.

Na tropie bakterii – w przyśpieszonym tempie

Zespół naukowców z Uniwersytetu Jagiellońskiego, kierowany przez prof. dr hab. Monikę Brzychczy-Włoch i dr. hab. Bartosza Zielińskiego, opracował przełomową metodę wykorzystującą sztuczną inteligencję do szybkiej diagnostyki mikrobiologicznej. Dzięki zastosowaniu głębokich sieci neuronowych system potrafi błyskawicznie rozpoznawać bakterie i grzyby na podstawie obrazów mikroskopowych – cały proces trwa zaledwie minutę. To ogromna zmiana w po- równaniu z tradycyjnymi metodami, takimi jak hodowle fenotypowe czy testy molekularne, które wymagają kosztownej aparatury i zajmują wiele

godzin, a nawet dni. Nowa technologia nie tylko przyśpiesza diagnozę, ale również zwiększa jej dokładność, co ma ogromne znaczenie w szybkim leczeniu infekcji, zwłaszcza w przypadkach takich jak sepsa, gdzie czas odgrywa kluczową rolę. Dzięki tej metodzie lekarze mogą szybciej wdrożyć odpowiednie leczenie, co może uratować życie pacjentów. Rozwiązanie to ma także potencjał zastosowania poza medycyną, np. w przemyśle farmaceutycznym, monitorowaniu bezpieczeństwa żywności czy badaniach naukowych, co czyni je niezwykle obiecującą innowacją w dziedzinie diagnostyki mikrobiologicznej.

Skanowanie mroku

Siódma rano, poniedziałek. Kolejka zgłoszeń do przejrzenia – 273 przypadki. Kuba wie, że nie zdąży przeanalizować ich wszystkich, zanim kolejne dołączą do listy. Za każdą sprawą może kryć się dziecko, które potrzebuje pomocy. System działa tylko w godzinach pracy zespołu, ale przestępcy nigdy nie śpią. Czas to największy wróg.

Na całym świecie codziennie pojawiają się miliony nowych zdjęć i filmów przedstawiających seksualne wykorzystywanie dzieci. W 2023 r. internetowe platformy zgłosiły niemal 55 mln takich materiałów. Walka z tym procederem to nieustanny wyścig z czasem, w którym każda sekunda może zaważyć na losie ofiary. Problemem jest skala – analiza zgłoszeń wymaga ogromnej pracy ludzi, którzy muszą ręcznie przeglądać setki tysięcy plików. Szacuje się, że nawet 20% z nich to treści, które już wcześniej zostały zidentyfikowane, ale wciąż krążą po sieci.

Rozwiązaniem może być sztuczna inteligencja. Od 2020 r. zespół Dyżurnet.pl, działający w ramach NASK, rozwija narzędzia AI wspierające klasyfikację materiałów CSAM (Child Sexual Abuse Material). Systemy oparte na widzeniu komputerowym mogą automatycznie identyfikować treści wizualne i klasyfikować je jako nielegalne. Dzięki temu analitycy mogą skupić się na nowych przypadkach, a algorytm zajmie się wykrywaniem duplikatów. To pozwala skrócić czas reakcji i szybciej dotrzeć do dzieci, które mogą potrzebować pomocy.

Kolejnym krokiem będzie rozwój modeli multimodalnych, które połączą analizę obrazu z przetwarzaniem języka naturalnego. Dzięki temu system nie tylko wykryje materiały CSAM, ale również dostarczy informacji istotnych dla śledztwa. Docelowo AI ma działać 24/7, analizując zgłoszenia w momencie ich wpłynięcia.

Gdy Kuba zaloguje się do systemu w poniedziałek rano, AI podpowie mu, które zgłoszenia wymagają natychmiastowej uwagi. Dzięki temu będzie mógł skoncentrować się na tym, co najważniejsze – ratowaniu dzieci przed dalszą krzywdą.

AI, prawo i inwigilacja: kto kogo kontroluje?

Dr hab. Marcin Rojszczak z Politechniki Warszawskiej prowadzi badania nad wykorzystaniem sztucznej inteligencji w nieukierunkowanej inwigilacji elektronicznej i jej zgodnością z europejskimi standardami ochrony praw człowieka. Nieukierunkowana inwigilacja, nazywana także masową, polega na szerokim gromadzeniu danych o dużej liczbie osób, bez wcześniejszego wskazania konkretnych podejrzanych. Tego rodzaju działania mają na celu wykrycie potencjalnych zagrożeń dla bezpieczeństwa państwa, ale budzą kontrowersje ze względu na zakres ingerencji w prywatność obywateli.

Celem projektu jest opracowanie ram prawnych dla systemów wykorzystujących AI w tego typu inwigilacji, tak aby ich działanie było zgodne z zasadami ochrony praw człowieka w Unii Europejskiej. Badania obejmują analizę regulacji i praktyk w takich krajach, jak Niemcy, Francja, Belgia, Wielka Brytania i Stany Zjednoczone. Uwzględniają również przepisy i orzeczenia europejskich instytucji prawnych, takich jak Trybunał Sprawiedliwości Unii Europejskiej i Europejski Trybunał Praw Człowieka.

Projekt łączy metody prawne i techniczne – oprócz analizy przepisów obejmuje także badania eksperymentalne nad działaniem technologii AI w inwigilacji. Wpisuje się w aktualną debatę o tzw. inwigilacji algorytmicznej, czyli wykorzystaniu sztucznej inteligencji do przetwarzania ogromnych zbiorów danych. Wyniki tych badań mogą pomóc w lepszej ochronie prywatności obywateli oraz przyczynić się do tworzenia nowych regulacji prawnych na poziomie krajowym i unijnym.