Του Γιώργου Μπακάλη,

Ας ξεκινήσουμε από τα απλά. Το γεγονός ότι η τεχνολογική πρόοδος έχει, και πρόκειται να, επιταχύνει, δεν το αμφισβητεί κανείς. Έχουμε φτάσει στο σημείο που προσπαθούμε να δημιουργήσουμε νοημοσύνη άλλη από τη δική μας, ικανή να εκτελέσει οποιοδήποτε έργο που ένας άνθρωπος μπορεί· αυτό που ονομάζουμε Artificial General Intelligence (AGI). Το Artificial Intelligence (AI) που ακούμε συχνότερα, αναφέρεται στην «επιστήμη και μηχανική του να κάνουμε υπολογιστές να συμπεριφέρονται με τρόπους που, μέχρι πρόσφατα, θεωρούσαμε ότι απαιτείται ανθρώπινη νοημοσύνη», σύμφωνα με τον Άντριου Μουρ, πρύτανη της Πληροφορικής του Carnegie Mellon.

Εκείνο που αμφισβητείται, από την άλλη, είναι η φύση της νοημοσύνης αυτής καθαυτής. Και δικαίως, για δύο κυρίως λόγους: πρώτον, ο ίδιος ο ορισμός και οι έννοιες που αναφέρθηκαν είναι υπερβολικά αόριστες και, δεύτερον, συγχέουμε ορολογίες, χρησιμοποιώντας μία λέξη ή φράση ως ταυτόσημη μίας άλλης, εμποδίζοντας εμάς τους ίδιους να κατανοήσουμε το βάθος και τα μέρη αυτής της νοημοσύνης. Η γνωστότερη σύγχυση: AI vs ML (Machine Learning). Στο μεταξύ, εισάγω μερικούς ακόμη όρους που θα δούμε παρακάτω: «deep learning», «neural networks».

Το machine learning αποτελεί κομμάτι του AI. Είναι, ουσιαστικά, η επεξεργασία συγκεκριμένων σετ δεδομένων με σκοπό την κατανόηση μοτίβων, συνήθως για να λυθούν προβλήματα ταξινόμησης. Υπάρχουν τρεις βασικοί τρόποι να υλοποιηθεί το machine learning:

  1. Επιτηρούμενη μάθηση: ο υπολογιστής λαμβάνει ένα σετ δεδομένων μαζί με το προβλεπόμενο αποτέλεσμα και προσπαθεί να βρει και να δημιουργήσει κανόνες, ώστε να επεξεργαστεί τα δεδομένα κατάλληλα για να φτάσει στο επιθυμητό αποτέλεσμα.
  2. Μη επιτηρούμενη μάθηση: ο υπολογιστής λαμβάνει μόνο το σετ δεδομένων και προσπαθεί να ανακαλύψει μοτίβα, συνήθως για να μπορεί στη συνέχεια να κατηγοριοποιήσει κάθε νέα είσοδο.
  3. Ενισχυτική μάθηση: ο υπολογιστής αλληλεπιδρά με το περιβάλλον του για την επίτευξη κάποιου σκοπού, έχοντας προηγουμένως λάβει κάποιους βασικούς περιορισμούς και κανόνες. Μέσω δοκιμής – λάθους και επιβράβευσης – ποινής, το πρόγραμμα του υπολογιστή «μαθαίνει» πώς να λειτουργεί στο περιβάλλον αυτό για την επίτευξη του αρχικού σκοπού. Σύνηθες παράδειγμα: τα αυτοοδηγούμενα οχήματα.

Βέβαια, υπάρχουν και άλλα είδη machine learning.

Τα νευρωνικά δίκτυα (neural networks) είναι οργανωμένα σε επίπεδα ή στρώσεις. Λαμβάνουν δεδομένα στη στρώση εισόδου, διαθέτουν μία ή περισσότερες κρυφές στρώσεις, όπου επεξεργάζονται τα δεδομένα και προκύπτει ένα αποτέλεσμα στη στρώση εξόδου. Ανάλογα με το πόσο κοντά ή μακριά βρίσκεται το πραγματικό από το επιθυμητό αποτέλεσμα, το δίκτυο προσαρμόζει τους συντελεστές βαρύτητας που είχε αναθέσει στις κρυφές στρώσεις για να φτάσει αναδρομικά πιο κοντά στο αποτέλεσμα που πρέπει. Το deep learning είναι και αυτό ένα νευρωνικό δίκτυο, το οποίο αποτελείται από πολλές ιεραρχημένες στρώσεις που μετασχηματίζουν τα δεδομένα εισόδου σε πιο αφηρημένες μορφές τους. Διακρίνουν τα χαρακτηριστικά της εισόδου και δημιουργούν νέα. Συμπεριλαμβάνουν όλα αυτά τα χαρακτηριστικά για να κατασκευάσουν μία πρόβλεψη στη στρώση εξόδου. Εκτελεί, δηλαδή, ό,τι περίπου κι ο ανθρώπινος εγκέφαλος, με τη διαφορά ότι δεν έχει τη δυνατότητα της αφαιρετικής σκέψης, ώστε διαισθητικά να χρησιμοποιήσει σύνθετα χαρακτηριστικά για άλλες κατηγορίες πραγμάτων που μοιάζουν. Με ένα πολύ απλό – και πολυχρησιμοποιημένο – παράδειγμα: αν σε έναν άνθρωπο πούμε ότι τα λιοντάρια είναι επικίνδυνα, μπορεί να συμπεράνει ότι το ίδιο ισχύει και για τις τίγρεις. Ένας υπολογιστής θα είναι ευαίσθητος σε ό,τι, μονάχα, εμπίπτει στην κατηγορία των λιονταριών.

Τώρα που συγκεντρώσαμε, σε γενικές γραμμές, τις βασικές πληροφορίες για τα διαφορετικά μέρη που συνθέτουν τον πολύπλοκο κόσμο της τεχνητής νοημοσύνης, ας εξετάσουμε τα δύο άκρα που συχνά παρατηρούνται σε σχετικές συζητήσεις: από τη μία την τεχνοφοβία, από την άλλη την υπεραισιοδοξία.

Είναι αρκετά ενδιαφέρων ο τρόπος με τον οποίο η υπερβολική χρήση του όρου AI από εταιρείες, έχει συνεισφέρει και στα δύο. Όταν υποστηρίζουν ότι τα προϊόντα τους χρησιμοποιούν AI, δεν εννοούν τίποτε άλλο παρά machine learning ή άλλες παρόμοιες πρακτικές, και όχι τεχνητή νοημοσύνη που σκέφτεται μόνη της. Πολλές από αυτές, ακόμη, χρησιμοποιούν τον όρο χωρίς καν να εφαρμόζουν τέτοιους αλγόριθμους. Παραπάνω αναλύσαμε εργαλεία, τα οποία, όμως, δεν είναι καθαυτά τεχνητή νοημοσύνη με τον ίδιο τρόπο που οι άνθρωποι έχουμε όργανα και μυς, αλλά δεν αποτελούν αυτά τη νοημοσύνη μας.

Ας φανταστούμε έναν οποιονδήποτε διάλογο μεταξύ δύο ανθρώπων που προσπαθούν να φτάσουν στη λύση ενός προβλήματος. Στη συνεργασία αυτή, και οι δύο προσθέτουν δεδομένα και σκαλοπάτια προς τη λύση, αλληλεπιδρούν, ο ένας μαθαίνει από τον άλλο. Στην περίπτωση της αλληλεπίδρασης με ένα υπολογιστικό πρόγραμμα, ο ανθρώπινος παράγοντας εισάγει τα δεδομένα, ο υπολογιστής υπολογίζει. Δεν πρόκειται, δηλαδή, ακριβώς για τεχνητή νοημοσύνη, μέχρι στιγμής. Αυτό δε σημαίνει ότι ο υπολογιστής, με αυτά τα πολύ προηγμένα εργαλεία που έχουμε αναπτύξει, δε μας οδηγεί στην επίλυση προβλημάτων που διαφορετικά δε θα μπορούσαμε να λύσουμε.

Θα πρέπει να κατανοήσουμε, λοιπόν, ότι μέχρι στιγμής έχουμε δει μόλις την κορυφή του παγόβουνου στις εφαρμογές των εργαλείων της τεχνητής νοημοσύνης. Έχει γίνει αρκετή πρόοδος σε ερευνητικό επίπεδο, από την οποία σύντομα θα καρπωθούμε πρωτοποριακές εφαρμογές που δεν αναλογιζόμασταν μόλις μία πενταετία πριν. Παράλληλα, δεν υπάρχει λόγος να φοβόμαστε ότι η τεχνολογία θα μας αντικαταστήσει, γιατί απλούστατα AI δε σημαίνει αυτοματοποίηση· σημαίνει ενδυνάμωση του ανθρώπινου δυναμικού με ισχυρότερα εργαλεία. Επομένως, νέες, διαφορετικής φύσεως εργασίες. Και ούτε πρέπει να φοβόμαστε υπερβολικά τη συλλογή δεδομένων. Όπως ανέφερα σε προηγούμενο άρθρο μου, «Όπως συμβαίνει και με τις περισσότερες εφαρμογές, φωτογραφίες χρησιμοποιούνται κατά πάσα πιθανότητα για να «προπονήσουν» συστήματα AI (τεχνητή νοημοσύνη) ή για καλύτερη στόχευση διαφημίσεων μέσω εξαγωγής βιομετρικών στοιχείων και όχι για να παραβιάσουν σκοπίμως την ιδιωτικότητα των χρηστών τους». Αυτό ισχύει για κάθε λογής δεδομένα. Άλλωστε, εφαρμογές της εργαλειοθήκης AI υπάρχουν παντού στην καθημερινότητά μας. Ποιος ο λόγος να είμαστε τόσο φοβικοί απέναντι σε έναν βοηθό μας;

Προσωπικά, πάντως, ανυπομονώ να δω την εξέλιξη του χώρου στα επόμενα χρόνια, μαζί με όλη την καινοτομία και εφευρετικότητα που θα τη συνοδεύσει.