在过去几年中，除了许多令人兴奋的人工智能创新之外，我们还发现了许多已知和新兴的风险：算法偏见、隐私问题和版权侵权等问题都涌现出来。这还没有涉及到宏观层面的社会问题，比如数百万个工作岗位在不久的将来可能会变得过时。
数据和机器学习专业人士一直在努力提高人们对这些问题的意识，并提出可行的解决方案，旨在在技术进步和公平负责的实践之间取得平衡。现在可能还为时过早，无法判断他们和我们所有人在解决这个特别棘手的问题上会有多大的成功。然而，要想在我们的专业社区（以及其他领域）实现积极变革，了解这些讨论的轮廓是至关重要的。
本周的重点是围绕人工智能的棘手问题，从监管到技术防范，都以明晰和务实的方式进行探讨。无论你对这个话题是新手还是老手，我们认为这些文章都值得花时间阅读。
- 生成型人工智能的法律和伦理观点对于与生成型人工智能工具相关的相互关联的问题的易懂入门介绍，Olivia Tanuwidjaja最近的概述是一个很好的选择：它提供了足够的细节来使你了解这个复杂的主题，并为你扩展你对自己最关心的领域的知识提供了有用的资源。
- 反对人工智能监管的理由是站不住脚的欧洲联盟的人工智能法案通常被吹捧为迄今为止最严肃的尝试，旨在监管人工智能产品的开发和实施。Adrien Book解析了其最重要的特点，反思了它可能还缺少的东西，并主张更多的司法管辖区认真思考和主动考虑类似的立法倡议。
- 下一步是负责任的人工智能。我们如何实现？对于负责任和伦理人工智能的实际方法，Erdogan Taskesen提出了一个六步路线图，团队和组织可以根据自己的需求进行调整。它提醒我们，个体从业者有主动权，并可以利用这个权力来塑造在构建基于机器学习的产品过程中的实践和选择。
- OpenAI的网络爬虫和FTC的失误围绕版权、艺术家作品以及LLM和图像生成模型的训练方式的辩论从未如此激烈。Viggy Balagopalakrishnan通过关注OpenAI的最新消息和FTC在试图监管资金充裕的科技公司时面临的挑战，提供了当前僵局的有用快照。
- 通过防护栏保护LLM控制人工智能工具的范围、影响是在微观局部水平上也很重要的：例如，如果你正在开发一个大型语言模型集成，你肯定不希望它涌现出冒犯性语言或坚持认为幻觉是事实。Aparna Dhinakaran和Hakan Tekgul分享了一份实用指南，介绍了开源工具，使开发人员能够对模型输出设置严格的参数。
寻找其他主题的优秀阅读材料？以下任何一篇都不会错：
- 如果您正在初步了解环境数据科学，Caroline Arnold的易懂介绍是一个很好的起点。
- 机器学习是如何从编码发展到嵌入的？Mina Ghashami的解释既全面又适合初学者。
- 如果您想要一个有趣且富有启发性的教程，介绍变压器的策略能力，请不要错过Charlie O’Neill构建井字棋模拟器的解说。
- 为了帮助您解读工作描述以及它们在现实生活中的真正含义，Stephanie Kirmer概述了几个数据科学角色的关键原型。
- 如果您对数学深入探究感兴趣，您绝对会想要收藏Gabriel de Longeaux对“双封信”悖论的详细探索。
- 以实用性的笔记结束，我们强烈推荐Mariya Mansurova最近的逐步指南，教您如何使用BERTopic进行高级主题建模。
感谢您支持我们作者的工作！如果您喜欢在TDS上阅读的文章，请考虑成为VoAGI会员——它可以解锁我们的整个存档（以及VoAGI上的所有其他文章）。