5 статей
Статья представляет систему CB-GFL, объединяющую федеративное обучение (FL) с учетом углеродного следа и блокчейн-аудитом для защиты данных и устойчивости в здравоохранении. Модель использует ансамбль алгоритмов (LightGBM, XGBoost) и достигает высокой точности (AUC 0.91) на медицинских данных, обеспечивая при этом 100% соблюдение углеродного бюджета.
Статья рассматривает пересечение двух критически важных тем: внедрения искусственного интеллекта в медицину и экологической устойчивости системы здравоохранения. Автор цитирует Симу Вадхву, основательницу некоммерческой организации Health in Climate и бывшего исполнительного директора по экологической ответственности в Kaiser Permanente, которая подчеркивает, что ИИ играет важную роль в оказании помощи, управлении лечением и операционной деятельности. В материале отмечается позиция Всемирной организации здравоохранения, называющей изменение климата главной угрозой для здоровья человека. Ключевой тезис статьи заключается в том, что вычислительные мощности и ИТ-инфраструктура, необходимые для работы алгоритмов ИИ, имеют значительные энергозатраты. Таким образом, обсуждение применения ИИ в медицине невозможно без учета его углеродного следа и экологического воздействия. Материал затрагивает вопросы регулирования и организации процессов, связанных с «зеленым» ИИ, что относится к сфере управления здравоохранением и исследований. Статья не содержит конкретных медицинских результатов или клинических данных, фокусируясь на этических и инфраструктурных аспектах.
Организация Health Care Without Harm (HCWH) опубликовала руководство по закупкам искусственного интеллекта для американских медицинских учреждений и страховых компаний. Основной целью документа является помощь организациям в выборе поставщиков ИИ-решений, которые демонстрируют высокую экологическую ответственность. Руководство призвано стимулировать вендоров становиться более ответственными хранителями окружающей среды в процессе разработки и развертывания своих технологий. Это важный шаг в сторону устойчивого развития здравоохранения, так как обучение и эксплуатация больших языковых моделей и нейросетей требуют значительных энергозатрат. Документ предоставляет критерии для оценки углеродного следа ИИ-продуктов, что позволяет больницам и плательщикам принимать более осознанные решения при выборе технологических партнеров. Внедрение таких стандартов может существенно снизить негативное воздействие цифровой трансформации медицины на климат. Это первый системный подход к интеграции экологических требований в процесс технологического обеспечения медицинских организаций.
В статье, опубликованной в журнале Nature Machine Intelligence, авторы (Song et al.) представляют концепцию «Sustainability Robotics» как новую междисциплинарную область. Исследование направлено на преодоление текущей фрагментации в области робототехнических разработок и усиление их положительного воздействия на общество и окружающую среду. Авторы выделяют три основополагающих принципа развития дисциплины и определяют две ключевые размерности: устойчивое проектирование самих роботов (sustainable design) и использование робототехники для обеспечения устойчивого развития (robotics for sustainability). Работа закладывает теоретический фундамент для создания экологически ответственных интеллектуальных систем. Данный подход критически важен для интеграции передовых методов машинного обучения и робототехники в глобальную повестку устойчивого развития.
Статья в журнале Nature Machine Intelligence исследует стратегические пути интеграции технологий искусственного интеллекта в глобальную повестку Целей устойчивого развития (ЦУР) ООН. Авторы анализируют текущий разрыв между стремительным развитием алгоритмов машинного обучения и их реальным вкладом в решение глобальных проблем, таких как борьба с бедностью, обеспечение качественного образования и развитие здравоохранения. В работе предлагается методология пересмотра приоритетов разработки ИИ, смещая фокус с чисто коммерческих задач на социально значимые проекты. Особое внимание уделяется вопросам этики, доступности технологий для развивающихся стран и минимизации цифрового неравенства. Исследование подчеркивает, что без целенаправленного регулирования и изменения парадигмы обучения моделей, ИИ может усугубить существующие социальные диспропорции вместо их устранения. Работа представляет высокую значимость для исследователей и регуляторов, формирующих политику использования ИИ в глобальном масштабе.
