Τεχνητή Νοημοσύνη: Μερικές Σκέψεις

Οι τεχνολογικές εξελίξεις τρέχουν όλο και πιο γρήγορα. Για κάποιους, τα ρομπότ θα «κλέψουν» τις εργασίες μας και θα πάρουν τον έλεγχο των κοινωνιών μας (βλ. Ε. Κρασαδάκη, Κ. Ζοπουνίδης, Ν. Ματσατσίνης, οι συνέπειες της τεχνητής νοημοσύνης στην απασχόληση, Πολυτεχνείο Κρήτης, Τρίτη 30 Νοεμβρίου 2021). Για άλλους, αντίθετα, θα κάνουν συνεχώς τη ζωή μας πιο ομαλή, γλιτώνοντάς μας από τις επίπονες και επαναλαμβανόμενες εργασίες (βλ. Κ. Ζοπουνίδης, Τεχνητή νοημοσύνη και επαγγέλματα, Πολυτεχνείο Κρήτης, Κυριακή 11 Μαρτίου 2018).

Τελικά, η τεχνητή νοημοσύνη (ΤΝ) δεν είναι ούτε ένα κυρίαρχο πνεύμα, ούτε ένας γενναιόδωρος ευεργέτης, είναι απλώς μια τεχνολογία ικανή να εκτελεί γιγάντιους υπολογισμούς σε σύντομο χρονικό διάστημα και επομένως να λαμβάνει αποφάσεις ενσωματώνοντας μια σειρά από πολύ σημαντικές μεταβλητές.

Στο άρθρο αυτό θα αναφερθούν μερικές σκέψεις σχετικά με το μέλλον της ΤΝ.

Οι αλγόριθμοι

Αρχικά, δεν υπάρχει ένας απλός και κοινά αποδεκτός ορισμός. Είναι ένας επιστημονικός κλάδος που δημιουργήθηκε τη δεκαετία του 1950 και στοχεύει στην προσομείωση διαφορετικών γνωστικών λειτουργιών για την αναπαραγωγή μιας μορφής νοημοσύνης. Σχηματικά, το έργο οποιασδήποτε μηχανής που φαίνεται ευφυής μπορεί να ενταχθεί στο πεδίο της ΤΝ.

Αλλά από τις διάφορες τεχνικές έρευνας στον τομέα της ΤΝ, είτε των μαθηματικών ή της πληροφορικής, έχουν αναπτυχθεί μια σειρά από εφαρμογές. Είναι δυνατόν να απαριθμήσουμε: αναγνώριση προσώπου, ιατρικά διαγνωστικά, συνομιλητικός πράκτορας.

Βασικά, οι διάφορες λύσεις της ΤΝ έχουν αλγόριθμους στην καρδιά της λειτουργίας τους. Ένας αλγόριθμος είναι ένα σύνολο εντολών, μια σειρά ενεργειών που το λογισμικό έχει εντολή να εκτελέσει.

Ένα από τα χαρακτηριστικά της ΤΝ είναι κυρίως η ικανότητα αυτόματης εκμάθησης. Οι επιστήμονες υπολογιστών εκπαιδεύουν το λογισμικό με δεδομένα έτσι ώστε σταδιακά να βελτιώνεται, ώστε να γίνεται όλο και καλύτερο στην εκτέλεση της λειτουργίας που του έχει ανατεθεί.

Η ύπαρξη τεράστιων βάσεων δεδομένων, που αποτελούνται από πολλά δισεκατομμύρια παραδείγματα, που ονομάζονται big data, καθιστά δυνατό να προχωρήσουμε πολύ περισσότερο σε πολλούς τομείς και, χάρη σε πιο σύνθετους αλγόριθμους, να επιτύχουμε μια μάθηση, που ονομάζεται deep learning.

Με βάση αυτές τις διαφορετικές τεχνικές, οι αναλυτές βιομηχανικού σχεδιασμού αναπτύσσουν λύσεις ΤΝ, οι οποίες μπορούν να ταξινομηθούν σε διαφορετικά πεδία εφαρμογής.

– Ανάλυση και επεξεργασία δεδομένων για την πραγματοποίηση προβλέψεων στη διαχείριση δικτύων ενέργειας ή νερού.

– Σχεδιασμός με υπολογιστή για την ανάπτυξη αυτόνομης οδήγησης ή αναγνώρισης προσώπου.

– Αυτόματη επεξεργασία κειμένου, όπως το Google Home ή Alexa.

Όλες αυτές οι τεχνολογίες βασίζονται σε αλγόριθμους που δεν είναι παρά σημαντικοί υπολογισμοί που πραγματοποιούνται σε ελάχιστο χρόνο, χάρη σε έναν περίπλοκο μαθηματικό τύπο.

Διαχρονική εξέλιξη

Για αρχετά χρόνια, πολλοί χρήστες smartphones ξεκλειδώνουν τις συσκευές τους με τα δακτυλικά τους αποτυπώματα, τα περισσότερα ηλεκτρονικά μηνύματα χρησιμοποιούν ΤΝ για την ταξινόμηση ανεπιθύμητων μηνυμάτων, κ.λ.π. Αυτές οι τεχνολογίες έχουν ήδη αρχίσει να αναπτύσσονται, νέες προστίθενται ή αντικαθιστούν τις παλιές και άλλες αναμένεται να γίνουν πιο διαδεδομένες τα επόμενα χρόνια και δεκαετίες.

Επομένως, υπάρχουν αρκετές ηλικίες της ΤΝ. Αυτή τη στιγμή βρισκόμαστε σε αυτήν που επιτρέπει την ταχεία ανάπτυξη των big data, με τις γιγαντιαίες μάζες δεδομένων που δημιουργούνται από τις ψηφιακές μας αλληλεπιδράσεις.

Η ανάπτυξη του Διαδικτύου των Πραγμάτων (αυτοκίνητα, ρολόγια, ψηγεία, γυαλιά, κ.λ.π.) και οι εκπληκτικές ποσότητες δεδομένων που θα πρέπει να παράγει θα μπορούσαν να ωθήσουν την ΤΝ σε ένα νέο επίπεδο. Μερικοί φτάνουν ακόμη και στο σημείο να προβλέψουν την άφιξη μιας ισχυρής ΤΝ στην οποία η μηχανή θα αναπτύξει μια μορφή συνείδησης, σε αντίθεση με μια αδύναμη ΤΝ, αυτή του σήμερα, η οποία είναι ικανοποιημένη να λύνει δεδομένα προβλήματα σε ένα περιορισμένο πλαίσιο.

Η ιδέα ότι μια μηχανή μπορεί να αποκτήσει την αυτονομία της είναι παράλογη με τις τεχνολογίες που υπάρχουν σήμερα (βλ. J. G. Ganascia, how is AT changing science, 2021).

Προκαταλήψεις που πρέπει να διορθωθούν

Για να είμαστε πιο σαφείς, δεν πρέπει να αναφερόμαστε για ΤΝ, αλλά για τεχνητές νοημοσύνες. Επειδή οι τεχνικές που εμπίπτουν στον τομέα της ΤΝ μπορούν να έχουν πολύ διαφορετικές εφαρμογές από ιατρική διάγνωση με υπολογιστή έως αναγνώριση προσώπου. Κάθε λύση ΤΝ πρέπει να αναλυθεί ξεχωριστά. Προς το παρόν, πρόκειται κυρίως για τεχνολογίες ταξινόμησης και παρακολούθησης. Η ΤΝ αναπαράγει τον κόσμο όπως παρουσιάζεται. Εάν ένα πρόγραμμα διαχείρισης υποψηφίων εκπαιδεύεται με δεδομένα που αντικατοπτρίζουν μια σεξιστική κατανομή της εργασίας, θα αναπαράγει αυτές τις ανισότητες. Ομοίως επειδή είναι κυρίως εκπαιδευμένο με εικόνες λευκών ανδρών, το λογισμικό αναγνώρισης προσώπου μπορεί να κάνει περισσότερα λάθη σε γυναίκες και έγχρωμους ανθρώπους. Η πρόκληση της διόρθωσης τέτοιων μεροληψιών στις βάσεις δεοδμένων είναι επομένως σημαντική. Αλλά γενικά τα big data είναι μεροληπτικά, γιατί αυτό που «συλλαμβάνεται» δεν αντιστοιχεί στο σύνολο του πραγματικού ούτε στο σύνολο των δυνατοτήτων. Η ουσία των μεγάλων δεδομένων είναι να λαμβάνονται όλα τα διαθέσιμα δεδομένα και να επεξεργάζονται χωρίς να αμφισβητείται η φύση τους και ο τρόπος με τον οποίο συλλέχθηκαν.

Συμπερασματικά, το ερώτημα των επόμενων ετών θα είναι να γνωρίζουμε τί είδους υπηρεσίες αναθέτουμε (ή όχι) στις λύσεις της ΤΝ, λαμβάνοντας υπόψη τον τρόπο με τον οποίο σχεδιάστηκαν, εκπαιδεύτηκαν και με ποιούς στόχους.

Τελικά, ο ενθουσιασμός για τη νέα πραγματικότητα πρέπει να συνοδεύεται από μέτρο και σεβασμό σε βασικές κοινωνικές αξίες, έχοντας ως στόχο την ευημερία και όχι απλά την τεχνολογική πρόοδο (βλ. Κ. Ζοπουνίδης, τεχνητή νοημοσύνη και εξελίξεις στην καθημερινότητα, Πολυτεχνείο Κρήτης, Πέμπτη 25 Ιανουαρίου 2018).

* Καθηγητής Κωνσταντίνος Ζοπουνίδης, Ακαδημαϊκός, Βασιλική Ακαδημία Οικονομικών & Χρηματοοικονομικών, Βασιλική Ευρωπαϊκή Ακαδημία των Διδακτόρων, Επίτιμος Δρ. ΑΠΘ, Πολυτεχνείο Κρήτης & Audencia Business School, France

* Δρ. Αιμίλιος Γαλαριώτης, Καθηγητής Χρηματοοικονομικής, Αντιπρύτανης Έρευνας, Audencia Business School, France