Στην 4η Βιομηχανική Επανάσταση αφιερώνει το 2018 το Δίκτυο για τη Μεταρρύθμιση. «Έναν νέο και πολλά υποσχόμενο κόσμο, που θα φέρει για πρώτη φορά στην Ιστορία τόσο κοντά, τις μηχανές και τον άνθρωπο», όπως τον χαρακτηρίζει.
Πυρήνας της εξέλιξης είναι η Τεχνητή Νοημοσύνη (ΑΙ), αναφέρεται στην ανάλυση του διευθυντή του Δικτύου, Γιάννη Μαστρογεωργίου.
Εισαγωγή
Τα συστήματα Τεχνητής Νοημοσύνης - Artificial Intelligence (AI) ήδη τα βρίσκουμε παντού σχεδόν στην καθημερινή μας ζωή: οδηγούν αυτοκίνητα, αποφασίζουν σχετικά με τις αιτήσεις υποθηκών ή δανείων, βοηθούν στη μετάφραση κειμένων, στην αναγνώριση προσώπων, στα κοινωνικά δίκτυα, στον εντοπισμό της θέσης, δημιουργούν έργα τέχνης, παίζουν παιχνίδια κλπ. Η AI άρχισε να κορυφώνεται σταδιακά από τη δεκαετία του 2000 και προέκυψε από το συνδυασμό της ικανότητας της μηχανής να «μαθαίνει» (machine learning) με τα «μεγάλα δεδομένα» (big data).
Οι αλγόριθμοι πίσω από αυτά τα συστήματα λειτουργούν μέσα από τη στατιστική συσχέτιση των δεδομένων που αναλύονται και έτσι δίνουν τη δυνατότητα στις μηχανές να εκτελούν βασικές λειτουργίες υπολογισμού και άλλες δραστηριότητες, όπως ο άνθρωπος.
Παρόλαυτά, η AI που βασίζεται σε δεδομένα, μπορεί να εκτελεί μόνο μία εργασία κάθε φορά και δεν μπορεί, ακόμα, να μεταφέρει τις γνώσεις που παράγονται.
«Strong AI» ή αλλιώς «Ισχυρή Τεχνητή Νοημοσύνη», ικανή να εμφανίζει στοιχεία ανθρώπινης νοημοσύνης και κοινής λογικής, και η οποία να μπορεί να θέσει τους δικούς της στόχους, δεν είναι ακόμα εφικτή.
Παρά τους φόβους που απεικονίζονται συχνά στον κινηματογράφο, η ιδέα μιας «υπερφυσικής» τεχνητής νοημοσύνης, ικανής να αυτονομείται και να κυριαρχεί ενδεχομένως πάνω στους ανθρώπους, παραμένει μια πιθανότητα που αυτή τη στιγμή φαντάζει χολιγουντιανό μόνο σενάριο.
Η ανάπτυξη συστημάτων ΑΙ που βασίζονται στη χρήση δεδομένων συνεπάγεται επίσης και απαιτεί την προσαρμογή των νομικών μας πλαισίων σχετικά με τη συλλογή, τη χρήση και την αποθήκευση τους.
Ένα εξίσου σημαντικό ζήτημα που πρέπει να μας απασχολήσει πέρα από την ιδιωτικότητα, είναι η πιθανή παρεκτροπή στα δεδομένα - μέσω της προκατάληψης- που παρέχονται στα συστήματα AI. Οι μηχανικοί υπολογιστικών συστημάτων χρησιμοποιούν συχνά μία φράση: «σκουπίδια βάζεις στο σύστημα, σκουπίδια θα σου δώσει», με άλλα λόγια με ό,τι δεδομένα «φορτώσεις» το σύστημα, αντίστοιχης ποιότητας αποτελέσματα θα πάρεις.
Αυτό σημαίνει ότι πρέπει να βρούμε τρόπο να παρακάμψουμε τη μεροληψία που υπάρχει σε καθένα από εμάς, γύρω από διάφορα θέματα, κάθε φορά που δίνουμε εντολή σε μία μηχανή τεχνητής νοημοσύνης γιατί εκείνη μετά θα αναπαράγει ή θα ενισχύσει τη μεροληψία μας στις αποφάσεις που θα λάβει.
Το βασικό φιλοσοφικό, εν πολλοίς, ζήτημα σήμερα παραμένει το επίπεδο αυτονομίας που δίνεται κάθε φορά στα AI συστήματα για τη λήψη αποφάσεων που θα μπορούσαν να αλλάξουν τη ζωή μας, έχοντας πάντα κατά νου ότι τα συστήματα αυτά παρέχουν μόνο βοήθεια, ότι δεν καταλαβαίνουν τα καθήκοντα που εκτελούν και ότι δεν υπάρχει τρόπος να μάθουν πώς καταλήγουν στα συμπεράσματά τους.
Τα συστήματα AI θα επηρεάσουν την κοινωνία, και ιδίως την αγορά εργασίας, αλλά θα μπορούσαν ενδεχομένως να αυξήσουν και τις ανισότητες, χρειαζόμαστε γνώση, προσαρμογή, ευελιξία και πρόβλεψη. Ο τρόπος που αντιμετωπίζει ο άνθρωπος τις παραπάνω έννοιες είναι σίγουρο ότι θα αλλάξει.
Εν αρχή ην
Το 1936, ο αγγλικός μαθηματικός Alan Turing εισήγαγε την μηχανή Turing, ένα μοντέλο υπολογισμού που προκάλεσε την ανάπτυξη της πληροφορικής και των υπολογιστών. Το 1950, ο Turing δημοσίευσε μία μελέτη με τίτλο «Υπολογιστικά μηχανήματα και νοημοσύνη», η οποία συχνά αναφέρεται ως η αφετηρία της σύγχρονης τεχνητής νοημοσύνης, δηλαδή της ικανότητας μιας μηχανής να εμφανίζει ανθρώπινες δυνατότητες, όπως η συλλογιστική, η μάθηση, η δημιουργικότητα.
Τεχνητή Νοημοσύνη Συμβόλων – Symbolic AI
Η Τεχνητή Νοημοσύνη άρχισε να αναπτύσσεται στη δεκαετία του 1960 γύρω από την ιδέα ότι μπορούμε να αποκωδικοποιήσουμε τις έξυπνες ανθρώπινες συμπεριφορές ως μια ακολουθία λογικών κανόνων, που μεταγράφονται σε αλγόριθμους, τους οποίους οι μηχανές θα μπορούσαν να ακολουθήσουν για να εμφανίσουν και εκείνες μία «έξυπνη» συμπεριφορά.
Οι πληροφορίες που δίνονταν στη μηχανή στη συνέχεια να μετατρέπονταν σε σύμβολα (γραφήματα, λογικούς τύπους) που ο υπολογιστής μπορούσε να χειριστεί χρησιμοποιώντας ένα σύνολο κανόνων.
Αυτή η προσέγγιση οδήγησε στο σχεδιασμό πληροφοριακών συστημάτων και συστημάτων γνώσης που αναπαράγουν τα γνωστικά βήματα ενός ανθρώπου για την επίλυση προβλημάτων. Ένα σύστημα γνώσης αποτελείται από μια βάση πληροφοριών που αντιπροσωπεύει τον πραγματικό κόσμο και από μια μηχανή συμπερασμάτων που εφαρμόζει ένα σύνολο λογικών κανόνων για την εξαγωγή νέων γνώσεων.
Αυτά τα συστήματα είναι σε θέση να παρέχουν υποστήριξη σε μια μεγάλη γκάμα εργασιών, από τον έλεγχο της συμπεριφοράς ενός συστήματος μέχρι την παροχή διάγνωσης που χρειάζεται για τη λήψη μίας απόφασης ή την εκτίμηση μίας κατάστασης.
Η αποτυχία της «συμβολικής» ΑΙ
Μετατρέποντας τη γνώση σε σύμβολα και καθορίζοντας όλους τους κανόνες που θα χρειαζόταν μια μηχανή για να εκτελέσει μία εντολή, προέκυψε μία ανυπέρβλητη απαίτηση. Οι προγραμματιστές θα έπρεπε να εξετάσουν όλες τις πιθανότητες που μπορεί να συναντούσε το μηχάνημα, ώστε όλα αυτά που απαιτούνται για τη λειτουργία του να περιγραφούν λεπτομερώς! Επιπλέον, για την εκπλήρωση της «απαίτησης» χρειαζόταν σημαντική υπολογιστική ισχύς κάτι που εκείνα τα πρώτα χρόνια έλειπε.
Παράλληλα, η έρευνα στις νευροεπιστήμες άρχισε να μας δείχνει ότι ο ανθρώπινος εγκέφαλος δούλευε με διαφορετικό τρόπο, από ό,τι είχε εκτιμηθεί και από ό,τι ακόμα και σήμερα γνωρίζουμε.
Αυτά τα νέα δεδομένα οδήγησαν στην αποδυνάμωση του αρχικού ενθουσιασμού για την τεχνητή νοημοσύνη και κατ' επέκταση στην μείωση της χρηματοδότησης των ερευνών.
Τα τέλη της δεκαετίας του 70 έως τα τέλη της δεκαετίας του 80, είναι η εποχή των παγετώνων για την ΑΙ.
Το 1997 όμως, η νίκη του υπερυπολογιστή Deep Blue επί του Γκάρι Κασπάροφ στο σκάκι, πυροδότησε ξανά το ενδιαφέρον.
Ο Deep Blue βασίστηκε σε έναν αλγόριθμο που αναλύει εκατομμύρια δυνατότητες ανά δευτερόλεπτο και επιλέγει την πιο ελπιδοφόρα κίνηση, υποστηριζόμενος από μια τεχνική «ωμής δύναμης» με τεράστια υπολογιστική ισχύ που απλώς εμφανίστηκε εκείνη την περίοδο σαν νοημοσύνη χωρίς όμως, να είναι. Ήταν μία τεράστια και ακατέργαστη υπολογιστική υπερδύναμη.
Κάτι νέο, όμως, ήταν απαραίτητο για την περαιτέρω ανάπτυξη της AI, κάτι διαφορετικό και πιο σύνθετο.
Τεχνητή νοημοσύνη με γνώμονα τα δεδομένα – data driven AI
Στις αρχές της δεκαετίας του 2000, ένα νέο κύμα AI θα προέκυπτε από το συνδυασμό δύο στοιχείων: αλγόριθμοι που επιτρέπουν στις μηχανές να μάθουν και μεγάλη ποσότητα δεδομένων που παράγονται από την ανάπτυξη του ψηφιακού κόσμου, από εμάς, τους ανθρώπους.
Τεχνικές μηχανικής μάθησης – Machine learning
Η μάθηση είναι ένα από τα βασικά χαρακτηριστικά της ανθρώπινης νοημοσύνης. Στον τομέα της τεχνητής νοημοσύνης, η μάθηση νοείται ως η ικανότητα χρήσης της εμπειρίας μέσα από τα δεδομένα, για τη βελτίωση της γνωστικής συμπεριφοράς της.
Η νευροεπιστήμη έχει δείξει ότι οι ανθρώπινες νοητικές ικανότητες βασίζονται στην ενεργοποίηση σύνθετων δικτύων νευρώνων στον εγκέφαλο μας. Αυτά τα νευρωνικά δίκτυα είναι σε θέση να αποθηκεύουν πληροφορίες και γνώσεις και κατά συνέπεια να παρέχουν τις ικανότητες μάθησης.
Εμπνευσμένοι από αυτή τη διαδικασία, οι προγραμματιστές δημιούργησαν τεχνητά νευρωνικά δίκτυα (ANN). Σε ένα ANN, ένας μεγάλος αριθμός μονάδων (τεχνητοί νευρώνες) συνδέονται μεταξύ τους για να δημιουργήσουν ένα πολύπλοκο δίκτυο αλληλεπιδράσεων με διαφορετικά επίπεδα.
Όταν δοθεί ένα σήμα εισόδου, ένα δεδομένο, το δίκτυο παράγει ένα σήμα εξόδου που προκύπτει από τις αλληλεπιδράσεις στους τεχνητούς νευρώνες. Η βασική πτυχή του ANN είναι ότι το πρόγραμμα είναι σε θέση να τροποποιήσει τις αλληλεπιδράσεις στο δίκτυο, έως ότου παράξει το αναμενόμενο αποτέλεσμα, παρέχοντας στις μηχανές τη δυνατότητα να εκπαιδεύονται και να μαθαίνουν.
Οι γνώσεις του ANN αποθηκεύονται στο ίδιο το δίκτυο, με παρόμοιο τρόπο με εκείνο της λειτουργίας του ανθρώπινου εγκεφάλου. Πολλαπλασιάζοντας τα στρώματα του ANN και με τη σύζευξη διαφορετικών τεχνικών μηχανικής μάθησης, οδηγηθήκαμε σε αυτό που είναι γνωστό ως «βαθιά μάθηση» - deep learning.
Λόγω, της μεγάλης ποσότητας δεδομένων που υπάρχει πλέον και που συνεχώς διογκώνεται, αυτή η νέα γενιά τεχνητής νοημοσύνης αναφέρεται ως ΑΙ που βασίζεται στα δεδομένα – data driven AI.
Αυτή η νέα γενιά ΑΙ έχει απόλυτη ανάγκη τα δεδομένα. Τα δικά μας δεδομένα.
Αν πχ θέλουμε να «διδάξουμε» μία μηχανή να αναγνωρίζει εικόνες με γάτες, η μηχανή τροφοδοτείται με χιλιάδες φωτογραφίες, συμπεριλαμβανομένων φωτογραφιών με γάτες και μη. Κάθε φορά που μια φωτογραφία παρουσιάζεται σαν μια είσοδος νέου δεδομένου στο δίκτυο, θα παρέχει μια έξοδο που θα είναι: «γάτα» ή «μη γάτα». Εάν, η έξοδος του αποτελέσματος είναι σωστή, το δίκτυο θα ενισχύσει τις εσωτερικές του αλληλεπιδράσεις.
Εάν, η έξοδος είναι λανθασμένη, θα πρέπει να τροποποιήσει τις αλληλεπιδράσεις του για να λάβει υπόψη τις σωστές πληροφορίες. Μετά την ανάλυση εκατοντάδων χιλιάδων εικόνων, οι αλληλεπιδράσεις του ANN θα δώσουν τη δυνατότητα στο πρόγραμμα να είναι σε θέση να αναγνωρίζει σωστά τις εικόνες με γάτες.
Εποπτευόμενη ή μη μηχανική μάθηση
Η μηχανική μάθηση μπορεί να επιβλέπεται ή όχι (supervised not supervised).
Στην περίπτωση της εποπτευόμενης μάθησης, η μηχανή εκπαιδεύεται για να πραγματοποιήσει μια συγκεκριμένη εργασία, όπως πχ να αναγνωρίσει τις γάτες στις εικόνες. Αυτό απαιτεί την τροφοδότηση του συστήματος όπως ελέχθη, με μία μεγάλη ποσότητα δεδομένων, χιλιάδων εικόνων, που περιέχουν γάτες ή όχι.
Η εποπτευόμενη μάθηση υπονοεί, επίσης, ότι το μηχάνημα ελέγχεται για να διαπιστωθεί εάν δίνει τη σωστή απάντηση για κάθε εικόνα που αναλύει κατά τη διάρκεια της εκπαίδευσης. Η εποπτευόμενη μάθηση χρησιμοποιείται κυρίως για εργασίες που απαιτούν την ταξινόμηση των πληροφοριών.
Από την άλλη, στη μη επιτηρούμενη εκπαίδευση, δεν δίνεται κανένα στοιχείο από πριν και τα δεδομένα παραμένουν χωρίς επισήμανση πχ γάτα ή μη γάτα. Το πρόγραμμα είναι ελεύθερο να βρει τις δικές τους συσχετίσεις στα δεδομένα, αν είναι γάτα δηλαδή μία φωτογραφία ή όχι. Μαθαίνοντας από τα δεδομένα, το μηχάνημα θα δημιουργήσει δικά του συμπλέγματα μέσα από τα παρεχόμενα δεδομένα και προσφέροντας άπειρους συσχετισμούς με βάση τα δεδομένα.
Δείτε εδώ αναλυτικά ολόκληρη την ανάλυση του Δικτύου.
