Udanganyifu wa AI 'Open Source': Wazo Tukufu Lilivyotekwa

Istilahi ‘open source’ hapo awali ilikuwa na maana iliyo wazi, ahadi ya maarifa yaliyoshirikiwa na maendeleo ya ushirikiano yaliyochochea maendeleo mengi ya kisayansi na kiteknolojia. Iliibua picha za jamii zinazojenga pamoja, kuchunguza kazi za wenzao, na kusimama kwenye mabega ya majitu kwa sababu michoro ilikuwa inapatikana kwa uhuru. Sasa, tunapopitia mazingira ya Akili Bandia (Artificial Intelligence), istilahi hiyo inahisiwa kuwa… telezi zaidi. Kama ilivyoangaziwa katika kurasa za Nature na kunong’onezwa katika maabara na vyumba vya mikutano, idadi kubwa ya wachezaji katika mbio za dhahabu za AI wanaficha ubunifu wao chini ya kivuli cha ‘open source’ huku wakiweka vipengele muhimu zaidi chini ya ulinzi mkali. Hili si suala dogo la maneno tu; ni tabia inayotafuna misingi yenyewe ya uadilifu wa kisayansi na kutishia kuficha njia ya uvumbuzi wa baadaye. Jamii ya utafiti, kundi ambalo linaweza kufaidika au kupoteza zaidi, inahitaji kutambua udanganyifu huu kwa jinsi ulivyo na kutetea kwa nguvu mifumo ya AI ambayo inajumuisha kweli kanuni za uwazi na uwezo wa kurudiwa ambazo tumezitegemea kwa muda mrefu.

Enzi ya Dhahabu ya Uwazi: Urithi Ulio Hatarini

Kwa miongo kadhaa, harakati za open-source zimekuwa shujaa asiyeimbwa wa maendeleo ya kisayansi. Fikiria zaidi ya zana zinazojulikana kama R Studio kwa uchawi wa takwimu au OpenFOAM kwa kuiga mienendo ya majimaji. Fikiria mifumo ya msingi kama Linux, inayoendesha sehemu kubwa za mtandao na makundi ya kompyuta za kisayansi, au seva ya wavuti ya Apache, ushuhuda wa maendeleo ya programu shirikishi. Falsafa ilikuwa wazi: toa ufikiaji wa msimbo wa chanzo (source code), ruhusu urekebishaji na usambazaji upya chini ya leseni ruhusu, na kukuza mfumo ikolojia wa kimataifa ambapo maboresho yananufaisha kila mtu.

Huu haukuwa tu ukarimu; ilikuwa ni busara ya kimatendo. Uwazi uliharakisha ugunduzi. Watafiti wangeweza kurudia majaribio, kuthibitisha matokeo, na kujenga juu ya kazi iliyopo bila kuanza upya au kupitia mifumo fiche ya umiliki. Ilikuza uaminifu, kwani utendakazi wa ndani ulikuwa wazi kwa ukaguzi, kuruhusu hitilafu kupatikana na kurekebishwa kwa pamoja. Ilidemokrasisha ufikiaji, ikiwawezesha wanasayansi na watengenezaji programu duniani kote, bila kujali taasisi au bajeti, kushiriki katika kazi za kisasa. Roho hii ya ushirikiano, iliyojengwa juu ya ufikiaji wa pamoja na uchunguzi wa pande zote, ilijikita sana katika mbinu ya kisayansi yenyewe, ikihakikisha uimara na kukuza maendeleo ya haraka katika nyanja mbalimbali. Uwezo wenyewe wa kuchambua, kuelewa, na kurekebisha zana zinazotumiwa ulikuwa muhimu sana. Haikuwa tu kuhusu kutumia programu; ilikuwa kuhusu kuelewa jinsi ilivyofanya kazi, kuhakikisha kufaa kwake kwa kazi maalum ya kisayansi, na kuchangia tena kwenye dimbwi la maarifa ya pamoja. Mzunguko huu mzuri ulichochea uvumbuzi kwa kasi isiyo na kifani.

Utegemezi wa Data wa AI: Kwa Nini ‘Msimbo ni Mfalme’ Haitoshi

Ingia katika enzi ya Akili Bandia (Artificial Intelligence) kwa kiwango kikubwa, haswa mifumo ya msingi inayovutia umakini na uwekezaji mwingi. Hapa, dhana ya jadi ya open-source, inayozingatia zaidi msimbo wa chanzo, inakumbana na kutolingana kwa kimsingi. Ingawa algoriti namsimbo unaotumiwa kujenga mfumo wa AI ni sehemu ya picha, ziko mbali na kuwa hadithi nzima. AI ya kisasa, haswa mifumo ya kujifunza kwa kina (deep learning models), ni walaji wakubwa wa data. Data ya mafunzo si tu ingizo; kwa hakika ndiyo kigezo kikuu cha uwezo, upendeleo, na mapungufu ya mfumo.

Kutoa msimbo wa mfumo, au hata vigezo vyake vya mwisho vilivyofunzwa (‘weights’), bila kutoa ufikiaji wa maana au taarifa za kina kuhusu hifadhidata kubwa zilizotumika kwa mafunzo ni kama kumpa mtu funguo za gari lakini kukataa kumwambia ni aina gani ya mafuta inatumia, imeendeshwa wapi, au jinsi injini ilivyoundwa haswa. Unaweza kuwa na uwezo wa kuiendesha, lakini una uwezo mdogo wa kuelewa utendakazi wake wa kipekee, kugundua matatizo yanayoweza kutokea, au kuirekebisha kwa uhakika kwa safari mpya.

Zaidi ya hayo, rasilimali za kompyuta zinazohitajika kufunza mifumo hii kutoka mwanzo ni kubwa mno, mara nyingi zikigharimu mamilioni ya dola kwa mzunguko mmoja wa mafunzo. Hii inaunda kizuizi kingine. Hata kama msimbo na data vingekuwa vinapatikana kikamilifu, ni mashirika machache tu yenye miundombinu ya kurudia mchakato wa mafunzo. Ukweli huu kimsingi hubadilisha mienendo ikilinganishwa na programu za jadi, ambapo kuunda msimbo (compiling code) kwa kawaida huwa ndani ya uwezo wa watengenezaji programu au watafiti wengi. Kwa AI, uwezo halisi wa kurudiwa na uwezo wa kufanya majaribio kwa kufunza upya mara nyingi hubaki kuwa mgumu, hata wakati vipengele vimeitwa ‘open’. Kwa hivyo, kutumia tu ufafanuzi wa zamani wa open-source ulioundwa kwa ajili ya msimbo hakukamata mahitaji ya kikoa hiki kipya, kinachozingatia data na kinachohitaji nguvu kubwa ya kompyuta.

‘Openwashing’: Mbwa Mwitu Katika Ngozi ya Kondoo

Pengo hili kati ya dhana za jadi za open-source na hali halisi ya maendeleo ya AI limeunda mazingira mazuri kwa jambo linalojulikana kama ‘openwashing’. Makampuni kwa hamu huweka lebo ya ‘open source’ kwenye mifumo yao ya AI, yakivuna faida za uhusiano wa umma na nia njema inayohusishwa na istilahi hiyo, huku yakitumia leseni au vizuizi vya ufikiaji vinavyosaliti roho, ikiwa si herufi kali (na pengine zilizopitwa na wakati) za uwazi halisi.

Hii inaonekanaje katika vitendo?

• Kutoa Msimbo Bila Data: Kampuni inaweza kutoa msimbo wa usanifu wa mfumo na labda hata vizito (weights) vilivyofunzwa awali, kuruhusu wengine kutumia mfumo “kama ulivyo” au kuuboresha (fine-tune) kwenye hifadhidata ndogo. Hata hivyo, hifadhidata kubwa ya msingi ya mafunzo – siri kuu inayofafanua uwezo wa msingi wa mfumo – inabaki kuwa ya umiliki na iliyofichwa.
• Leseni Zenye Vizuizi: Mifumo inaweza kutolewa chini ya leseni zinazoonekana kuwa wazi mwanzoni lakini zina vifungu vinavyozuia matumizi ya kibiashara, kuzuia uwekaji katika hali fulani, au kupiga marufuku aina maalum za urekebishaji au uchambuzi. Vizuizi hivi vinakwenda kinyume na uhuru unaohusishwa kwa kawaida na programu za open-source.
• Ufichuzi wa Data Usio wazi: Badala ya taarifa za kina kuhusu vyanzo vya data, mbinu za ukusanyaji, michakato ya kusafisha, na upendeleo unaowezekana, makampuni yanaweza kutoa maelezo yasiyoeleweka au kuacha maelezo muhimu kabisa. Ukosefu huu wa ‘uwazi wa data’ hufanya iwe vigumu kutathmini kikamilifu uaminifu wa mfumo au athari zake za kimaadili.

Kwa nini kujihusisha na vitendo kama hivyo? Sababu zinaweza kuwa tofauti. Maana chanya ya ‘open source’ bila shaka ni ya thamani kwa kuvutia vipaji, kujenga jamii za watengenezaji programu (hata kama zimezuiliwa), na kuzalisha habari nzuri kwa vyombo vya habari. Kwa mtazamo wa kijinga zaidi, kama Nature inavyopendekeza, kunaweza kuwa na vivutio vya kisheria. Sheria kamili ya AI ya Umoja wa Ulaya ya 2024 (EU AI Act), kwa mfano, inajumuisha uwezekano wa misamaha au mahitaji mepesi kwa mifumo iliyoainishwa kama open source. Kwa kutumia lebo kimkakati, baadhi ya makampuni yanaweza kutumaini kupita mazingira magumu ya udhibiti kwa urahisi zaidi, ikiwezekana kukwepa uchunguzi uliokusudiwa kwa mifumo yenye nguvu, ya matumizi ya jumla ya AI. Zoezi hili la kimkakati la chapa linatumia vibaya nia njema ya kihistoria ya harakati za open-source huku likiweza kudhoofisha juhudi za kuhakikisha uwekaji wa AI unaowajibika.

Wigo wa Uwazi: Kuchunguza Vielelezo

Ni muhimu kutambua kwamba uwazi katika AI si lazima uwe hali ya pande mbili; upo kwenye wigo. Hata hivyo, mazoea ya sasa ya kuweka lebo mara nyingi huficha mahali ambapo mfumo fulani upo hasa kwenye wigo huo.

Fikiria baadhi ya mifano maarufu inayojadiliwa mara kwa mara katika muktadha huu:

• Mfululizo wa Llama wa Meta: Ingawa Meta ilitoa vizito (weights) na msimbo wa mifumo ya Llama, ufikiaji awali ulihitaji maombi, na leseni ilijumuisha vizuizi, haswa kuhusu matumizi na makampuni makubwa sana na matumizi maalum. Muhimu zaidi, data ya msingi ya mafunzo haikutolewa, ikizuia uwezo kamili wa kurudiwa na uchambuzi wa kina wa sifa zake. Ingawa matoleo yaliyofuata yamerekebisha masharti, suala kuu la usiri wa data mara nyingi hubaki.
• Phi-2 ya Microsoft: Microsoft iliwasilisha Phi-2 kama mfumo mdogo wa lugha wa ‘open-source’. Ingawa vizito vya mfumo vinapatikana, leseni ina mapungufu maalum ya matumizi, na taarifa za kina kuhusu hifadhidata yake ya mafunzo, muhimu kwa kuelewa uwezo wake na upendeleo unaowezekana (haswa kutokana na mafunzo yake kwenye data “bandia”), si wazi kikamilifu.
• Mixtral ya Mistral AI: Mfumo huu, uliotolewa na kampuni maarufu ya Uropa ya AI, ulipata umakini kwa utendaji wake. Ingawa vipengele vilitolewa chini ya leseni ruhusu ya Apache 2.0 (leseni halisi ya wazi kwa msimbo/vizito), uwazi kamili kuhusu muundo wa data ya mafunzo na mchakato wa uteuzi bado ni mdogo, ukizuia uchunguzi wa kina wa kisayansi.

Linganisha hizi na mipango inayojitahidi kuoana zaidi na kanuni za jadi za open-source:

• OLMo ya Allen Institute for AI: Mradi huu ulilenga wazi kujenga mfumo wa lugha kweli wazi, ukiweka kipaumbele katika kutoa si tu vizito vya mfumo na msimbo bali pia data ya mafunzo (hifadhidata ya Dolma) na kumbukumbu za kina za mafunzo. Ahadi hii inaruhusu viwango visivyo na kifani vya uwezo wa kurudiwa na uchambuzi na jamii pana ya utafiti.
• CrystalCoder ya LLM360: Juhudi hii inayoendeshwa na jamii vivyo hivyo inasisitiza kutoa vipengele vyote vya mzunguko wa maisha ya maendeleo ya mfumo, ikiwa ni pamoja na vituo vya ukaguzi vya kati na nyaraka za kina kuhusu data na mchakato wa mafunzo, ikikuza kiwango cha uwazi ambacho mara nyingi hukosekana katika matoleo ya kampuni.

Mifano hii tofauti inaangazia kwamba uwazi halisi katika AI unawezekana, lakini unahitaji ahadi ya makusudi zaidi ya kutoa tu msimbo au vizito. Inadai uwazi kuhusu data na mchakato, ikikumbatia uchunguzi unaokuja nayo. Utata wa sasa unaokuzwa na ‘openwashing’ hufanya iwe vigumu zaidi kwa watafiti kutambua ni zana zipi zinazounga mkono kweli uchunguzi wa kisayansi ulio wazi.

Mmomonyoko wa Uaminifu: Uadilifu wa Kisayansi Uko Hatarini

Madhara ya ‘openwashing’ hii iliyoenea yanaenda mbali zaidi ya chapa tu. Watafiti wanapotegemea mifumo ya AI ambayo utendakazi wake wa ndani, haswa data iliyofunzwa nayo, hauko wazi, inapiga kiini cha mbinu za kisayansi.

• Uwezo wa Kurudiwa Unadhoofishwa: Jiwe la msingi la uhalali wa kisayansi ni uwezo wa watafiti huru kurudia matokeo. Ikiwa data ya mafunzo na mbinu halisi za mafunzo hazijulikani, urudiaji wa kweli unakuwa hauwezekani. Watafiti wanaweza kutumia mfumo uliofunzwa awali, lakini hawawezi kuthibitisha ujenzi wake au kuchunguza sifa zake za kimsingi zinazotokana na data iliyofichwa.
• Uthibitishaji Unazuiwa: Wanasayansi wanawezaje kuamini matokeo ya mfumo ikiwa hawawezi kukagua data iliyojifunza kutoka kwayo? Upendeleo uliofichwa, dosari, au masuala ya kimaadili yaliyopachikwa kwenye data ya mafunzo bila shaka yatajidhihirisha katika tabia ya mfumo, lakini bila uwazi, dosari hizi ni ngumu kugundua, kutambua, au kupunguza. Kutumia masanduku meusi kama hayo kwa ugunduzi wa kisayansi kunaanzisha kiwango kisichokubalika cha kutokuwa na uhakika.
• Uvumbuzi Unakandamizwa: Sayansi inaendelea kwa kujenga juu ya kazi ya awali. Ikiwa mifumo ya msingi itatolewa na vizuizi au bila uwazi unaohitajika (haswa kuhusu data), inazuia uwezo wa wengine kuvumbua, kujaribu mifumo mbadala ya mafunzo, au kurekebisha mifumo kwa matumizi mapya ya kisayansi kwa njia ambazo waundaji wa asili hawangeweza kufikiria. Maendeleo yanadhibitiwa na watoa huduma wa mifumo hii isiyo wazi kikamilifu.

Kutegemea mifumo ya kampuni iliyofungwa au iliyofungwa kiasi kunawalazimisha watafiti kuwa katika jukumu la watumiaji tu badala ya washiriki hai na wavumbuzi. Kuna hatari ya kuunda mustakabali ambapo miundombinu muhimu ya kisayansi inadhibitiwa na taasisi chache kubwa, ikiwezekana kuweka kipaumbele maslahi ya kibiashara juu ya mahitaji ya uchunguzi wa kisayansi ulio wazi. Mmomonyoko huu wa uwazi unatafsiriwa moja kwa moja kuwa mmomonyoko wa uaminifu katika zana zinazotegemeza utafiti wa kisasa.

Mkusanyiko wa Soko na Athari ya Kupooza kwa Uvumbuzi

Zaidi ya athari ya moja kwa moja kwenye mazoea ya kisayansi, kuenea kwa open source bandia katika AI kuna athari kubwa za kiuchumi na soko. Maendeleo ya mifumo mikubwa ya msingi yanahitaji si tu utaalamu mkubwa bali pia ufikiaji wa hifadhidata kubwa na nguvu kubwa ya kompyuta – rasilimali zinazoshikiliwa kwa kiasi kikubwa na mashirika makubwa ya teknolojia.

Wakati mashirika haya yanapotoa mifumo chini ya bendera ya ‘open source’ lakini yanabaki na udhibiti juu ya data muhimu ya mafunzo au kuweka leseni zenye vizuizi, inaunda uwanja usio sawa.

• Vizuizi vya Kuingia: Kampuni changa na maabara ndogo za utafiti hazina rasilimali za kuunda mifumo ya msingi inayolingana kutoka mwanzo. Ikiwa mifumo inayoitwa ‘open’ iliyotolewa na wachezaji wakubwa inakuja na masharti (kama vizuizi vya matumizi ya kibiashara au usiri wa data unaozuia urekebishaji wa kina), inapunguza uwezo wa wachezaji hawa wadogo kushindana kwa ufanisi au kujenga matumizi ya kweli ya kibunifu juu yake.
• Kuimarisha Waliopo: ‘Openwashing’ inaweza kutumika kama kingo ya kimkakati. Kwa kutoa mifumo ambayo ni muhimu lakini si wazi kweli, makampuni makubwa yanaweza kukuza mifumo ikolojia inayotegemea teknolojia yao huku yakizuia washindani kurudia kikamilifu au kuboresha kwa kiasi kikubwa mali zao kuu (data na michakato iliyoboreshwa ya mafunzo). Inaonekana kama uwazi lakini inafanya kazi karibu zaidi na mkakati wa jukwaa linalodhibitiwa.
• Kupungua kwa Utofauti wa Mbinu: Ikiwa uvumbuzi utategemea sana mifumo michache mikuu, isiyo wazi kikamilifu, inaweza kusababisha usawa wa maendeleo ya AI, ikiwezekana kupuuza usanifu mbadala, dhana za mafunzo, au mikakati ya data ambayo vikundi vidogo, huru vinaweza kuchunguza ikiwa uwanja ungekuwa wazi kweli.

Open source halisi kihistoria imekuwa injini yenye nguvu kwa ushindani na uvumbuzi uliosambazwa. Mwenendo wa sasa katika AI una hatari ya kukusanya nguvu na kukandamiza mabadiliko yale yale ambayo ushirikiano wazi unakusudiwa kukuza, ikiwezekana kusababisha mazingira ya AI yasiyo na uchangamfu na yanayodhibitiwa zaidi katikati.

Mapengo ya Udhibiti na Kamba Ngumu ya Maadili

Uwezekano wa ‘openwashing’ kutumia mianya ya udhibiti, haswa kuhusu mifumo kama EU AI Act, unastahili uchunguzi wa karibu zaidi. Sheria hii inalenga kuanzisha kanuni zinazotegemea hatari kwa mifumo ya AI, ikiweka mahitaji magumu zaidi kwenye matumizi yenye hatari kubwa. Misamaha au majukumu mepesi kwa AI ya open-source yanakusudiwa kukuza uvumbuzi na kuepuka kulemea kupita kiasi jamii ya open-source.

Hata hivyo, ikiwa makampuni yanaweza kufanikiwa kudai vazi la ‘open source’ kwa mifumo isiyo na uwazi halisi (haswa kuhusu data na mafunzo), yanaweza kukwepa ulinzi muhimu. Hii inazua maswali muhimu:

• Uchunguzi Wenye Maana: Je, wadhibiti wanaweza kutathmini vya kutosha hatari za mfumo wenye nguvu wa AI ikiwa data yake ya mafunzo – kigezo muhimu cha tabia yake na upendeleo unaowezekana – imefichwa? Kuweka lebo kimakosa kunaweza kuruhusu mifumo yenye hatari kubwa kufanya kazi na uangalizi mdogo kuliko ilivyokusudiwa.
• Mapengo ya Uwajibikaji: Mambo yanapoharibika – ikiwa mfumo unaonyesha upendeleo hatariau kutoa matokeo hatari – nani anawajibika ikiwa data ya msingi na mchakato wa mafunzo hauko wazi? Uwazi wa kweli unawezesha uchunguzi na uwajibikaji; ‘openwashing’ inauficha.
• Utawala wa Kimaadili: Kuweka AI kwa uwajibikaji kunahitaji kuelewa mapungufu yake na athari zinazowezekana kwa jamii. Uelewa huu unahujumiwa kimsingi wakati vipengele vya msingi kama data ya mafunzo vinawekwa siri. Hufanya ukaguzi huru, tathmini za upendeleo, na mapitio ya kimaadili kuwa magumu zaidi, ikiwa si vigumu kabisa.

Matumizi ya kimkakati ya lebo ya ‘open source’ kupita udhibiti si tu mbinu ya kisheria; ina athari kubwa za kimaadili. Ina hatari ya kudhoofisha imani ya umma na kuzuia juhudi za kuhakikisha kuwa maendeleo ya AI yanaendelea kwa njia salama, ya haki, na inayowajibika. Kuhakikisha kuwa ufafanuzi wa udhibiti wa ‘open source AI’ unalingana na kanuni za uwazi halisi kwa hivyo ni muhimu sana.

Kupanga Njia Kuelekea Uwazi Halisi wa AI

Kwa bahati nzuri, kengele za hatari zinalia, na juhudi zinaendelea kurejesha maana ya ‘open source’ katika enzi ya AI. Open Source Initiative (OSI), msimamizi wa muda mrefu wa ufafanuzi wa open-source, imeongoza mchakato wa mashauriano ya kimataifa ili kuanzisha viwango wazi vya Open Source AI (kusababisha ufafanuzi wa OSAID 1.0).

Ubunifu muhimu katika juhudi hii ni dhana ya ‘taarifa za data’ (data information). Kwa kutambua kwamba kutoa hifadhidata kubwa ghafi kunaweza kuwa vigumu kisheria au kimantiki katika baadhi ya matukio (kwa sababu ya faragha, hakimiliki, au ukubwa tu), mfumo wa OSAID unasisitiza haja ya ufichuzi wa kina kuhusu data. Hii inajumuisha maelezo kuhusu:

• Vyanzo: Data ilitoka wapi?
• Sifa: Ni aina gani ya data (maandishi, picha, msimbo)? Sifa zake za kitakwimu ni zipi?
• Maandalizi: Data ilikusanywaje, kuchujwa, kusafishwa, na kuchakatwa awali? Ni hatua gani zilichukuliwa kupunguza upendeleo?

Kiwango hiki cha uwazi, hata bila data ghafi yenyewe, hutoa muktadha muhimu kwa watafiti kuelewa uwezo unaowezekana wa mfumo, mapungufu, na upendeleo unaowezekana. Inawakilisha maelewano ya kimatendo, ikisukuma uwazi wa juu zaidi ndani ya vikwazo vilivyopo. Pamoja na OSI, mashirika kama Open Future yanatetea mabadiliko mapana kuelekea mfumo wa ‘data-commons’, yakichunguza njia za kuunda hifadhidata zilizoshirikiwa, zilizopatikana kimaadili, na zinazopatikana kwa uwazi kwa mafunzo ya AI, ikipunguza zaidi vizuizi vya kuingia na kukuza maendeleo shirikishi. Kuanzisha na kuzingatia viwango hivyo vilivyo wazi, vilivyoidhinishwa na jamii ndiyo hatua muhimu ya kwanza kuelekea kuondoa ukungu wa ‘openwashing’.

Wajibu kwa Jamii ya Utafiti

Wanasayansi na watafiti si tu watumiaji wa zana za AI; wao ni wadau muhimu katika kuhakikisha zana hizi zinalingana na maadili ya kisayansi. Kujihusisha kikamilifu na ufafanuzi na viwango vinavyoendelea, kama vile OSAID 1.0, ni muhimu. Lakini hatua lazima ziende zaidi ya ufahamu tu:

• Dai Uwazi: Katika machapisho, mapendekezo ya ruzuku, na uteuzi wa zana, watafiti wanapaswa kuweka kipaumbele na kudai uwazi zaidi kuhusu mifumo ya AI wanayotumia. Hii inajumuisha kusukuma kadi za ‘taarifa za data’ za kina au karatasi za data zinazoambatana na matoleo ya mfumo.
• Saidia Uwazi Halisi: Changia kikamilifu, tumia, na taja miradi kama OLMo au mipango mingine inayoonyesha ahadi ya kweli ya kutoa msimbo, data, na mbinu. Kupiga kura kwa upakuaji na nukuu hutuma ishara yenye nguvu sokoni.
• Tengeneza Viwango vya Tathmini: Jamii inahitaji mbinu thabiti na orodha za ukaguzi za kutathmini kiwango cha uwazi wa mfumo wa AI, zaidi ya lebo rahisi. Michakato ya mapitio ya rika inapaswa kujumuisha uchunguzi wa madai ya uwazi yanayohusiana na zana za AI zinazotumiwa katika utafiti.
• Tetea Ndani ya Taasisi: Himiza vyuo vikuu, taasisi za utafiti, na vyama vya kitaaluma kupitisha sera zinazopendelea au kuhitaji matumizi ya zana na majukwaa ya AI yaliyo wazi na yenye uwazi kweli.

Jamii ya kisayansi ina ushawishi mkubwa. Kwa kusisitiza kwa pamoja viwango vinavyodumisha uwezo wa kurudiwa, uwazi, na ufikiaji shirikishi, watafiti wanaweza kupinga madai ya kupotosha na kusaidia kuunda mfumo ikolojia wa AI unaofaa kwa ugunduzi mkali wa kisayansi.

Sera, Ufadhili, na Njia ya Kusonga Mbele

Serikali na mashirika ya ufadhili wa umma pia yana nguvu kubwa katika kuunda mazingira ya AI. Sera zao zinaweza kuidhinisha kimyakimya ‘openwashing’ au kukuza kikamilifu uwazi halisi.

• Mamlaka ya Uwazi: Taasisi kama Taasisi za Kitaifa za Afya za Marekani (NIH) tayari zina mamlaka yanayohitaji leseni wazi na ushiriki wa data kwa utafiti wanaoufadhili. Kupanua kanuni kama hizo kwa mifumo ya AI na hifadhidata zilizotengenezwa kwa pesa za umma ni hatua ya kimantiki na muhimu. Ikiwa fedha za umma zinaunga mkono maendeleo ya AI, matokeo yanapaswa kupatikana kwa umma na kuthibitishwa kwa kiwango kikubwa iwezekanavyo.
• Nguvu ya Ununuzi: Mashirika ya serikali ni watumiaji wakuu wa teknolojia. Kwa kubainisha mahitaji ya AI halisi ya open-source (kuzingatia viwango kama OSAID) katika mikataba ya ununuzi wa umma, serikali zinaweza kuunda motisha kubwa ya soko kwa makampuni kupitisha mazoea ya uwazi zaidi. Mahitaji ya Italia ya programu za open-source katika utawala wa umma yanatoa kielelezo kinachowezekana.
• Kuwekeza katika Miundombinu Wazi: Zaidi ya udhibiti, uwekezaji wa umma katika mipango ya ‘data commons’, rasilimali za kompyuta zilizo wazi kwa watafiti, na majukwaa yaliyojitolea kukarib