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.
Η βασική πτυχή της μάθησης μηχανών
Η ικανότητα εκμάθησης των μηχανών βασίζεται στην ικανότητα του αλγορίθμου να βρει στατιστικά στοιχεία και συσχετίσεις στα δεδομένα που αναλύει.
Στο παράδειγμα των εικόνων γάτας, το πρόγραμμα αποσυνθέτει τα δεδομένα -δηλαδή την κάθε εικόνα – σε μια σειρά μεταβλητών. Η εκπαίδευση των νευρωνικών δικτύων θα επιλέξει προοδευτικά τις μεταβλητές που συσχετίζονται καλύτερα με τις εικόνες που συνιστούν μία γάτα.
Η συμβολική προσέγγιση που είδαμε προηγουμένως (Symbolic AI), θα έπρεπε πρώτα να δώσει την εξήγηση σε ένα πρόγραμμα για το τι είναι μια γάτα, έτσι ώστε να μπορεί εκείνο μετά να αναγνωρίσει την εικόνα της. Αυτό θα συνεπαγόταν τον προγραμματισμό της μηχανής, ώστε να καταλάβει κάθε φορά ξεχωριστά ποιο είναι το πόδι, ποια είναι η ουρά, το τρίχωμα κλπ με ακρίβεια.
Επομένως, η συμβολική πρώιμη AI, θα καθιστούσε αυτό το καθήκον τόσο περίπλοκο και απαιτητικό σε υπολογιστική ισχύ και χρόνο, και άρα απρόσφορο ως μέθοδο.
Οι σύγχρονες τεχνικές εκμάθησης μηχανών παρακάμπτουν αυτά τα εμπόδια χρησιμοποιώντας τη δυνατότητα των μηχανών να αναλύουν τεράστιες ποσότητες δεδομένων για να βρουν στατιστικούς συσχετισμούς (ένα καθήκον στο οποίο το ανθρώπινο μυαλό δεν υπερέχει). Το πλεονέκτημα της AI είναι ότι οι μηχανές μπορούν να εκτελέσουν εργασίες που θα ήταν αδύνατες ή πολύ περίπλοκες.
Ωστόσο, ένα θεμελιώδες γνώρισμα των τεχνικών μάθησης μηχανών είναι ότι δεν υπάρχει τρόπος να γνωρίζουμε πώς η μηχανή φτάνει στο συμπέρασμα της και πώς λαμβάνει την απόφασή της σε μια δεδομένη εργασία. Στο παράδειγμα των εικόνων της γάτας, δεν είναι δυνατόν να γνωρίζουμε ποιες μεταβλητές χρησιμοποιεί το πρόγραμμα στην περιγραφή μιας εικόνας για να αποφασίσει, αν η εικόνα περιέχει μια γάτα ή όχι.
Στην πρώιμη συμβολική AI, η έννοια της «επεξήγησης», η ικανότητα να εξηγεί ένα σύστημα πώς κατέληξε στο συμπέρασμα του, ήταν κεντρική.
Η «εξήγηση» όμως, σήμερα δεν έχει τόση σημασία. Μόνο το αποτέλεσμα μετράει: τι μπορεί να κάνει μια μηχανή, όχι πώς το κάνει. Αυτό θέτει το ερώτημα του κατά πόσον τα συστήματα που βασίζονται σε δεδομένα πραγματικά κάνουν ό, τι αναμένεται από αυτά. Με τον ίδιο τρόπο που οι νευρολόγοι διερευνούν τον τρόπο με τον οποίο λειτουργεί ο εγκέφαλος, με τον ίδιο οι προγραμματιστές εξετάζουν πώς τα συστήματα ΑΙ προχωρούν στο να λάβουν τις αποφάσεις τους.
Εφαρμογές της Τεχνητής Νοημοσύνης με βάση τα δεδομένα
Η ΑΙ είναι παντού γύρω μας. Στην καθημερινότητα μας συνέχεια και ας μην το φανταζόμαστε ή το υποψιαζόμαστε.
Η εκμάθηση των μηχανών οδήγησε σε ένα ευρύ φάσμα εφαρμογών σε διάφορους τομείς:
Αυτόματη μετάφραση, που παρέχεται για παράδειγμα από το Google Translate, DeepL ή SYSTRAN.
Αναγνώριση ομιλίας και ερμηνεία μαζί, όπως το παράδειγμα μεταξύ αγγλικών και κινέζικων που παρουσιάστηκε το Νοέμβριο του 2012 από τη Microsoft.
Συστήματα αναγνώρισης προσώπων που χρησιμοποιούνται σε δικαστικές έρευνες ή για ξεκλείδωμα ενός smartphone.
Μηχανές που παίζουν παιχνίδια: από την επιτυχία του Deep Blue στο σκάκι, στο IBM Watson που κερδίζει το Jeopardy ή το πόκερ του DeepStack. Η νίκη στο AlphaGo από το DeepMind της Google εναντίον του παγκόσμιου πρωταθλητή Lee Sedol τον Μάρτιο του 2016, αποτέλεσε μία ιστορική καμπή, καθώς το μηχάνημα έδειξε σημάδια για αυτό που αναφέρουν οι σχολιαστές ως δημιουργικότητα.
Αυτό-οδήγηση οχημάτων: εξοπλισμένο με αισθητήρες και με όπλο την ανάλυση των gigabytes των δεδομένων και των πληροφοριών που λαμβάνει ανά δευτερόλεπτο, η νέα γενιά αυτοματοποιημένων οχημάτων συνδυάζει διαφορετικά συστήματα AI (Tesla, Waymo)
Ιατρική διάγνωση: Η ΑΙ μπορεί να βοηθήσει τους γιατρούς να διαπιστώσουν ή να επιβεβαιώσουν μια διάγνωση (Human Dx).
Στρατιωτικά Ρομπότ: επικίνδυνα αυτόνομα συστήματα όπλων είναι σε θέση να επιλέξουν και να βάλουν εναντίον στόχων με μικρή ή καθόλου ανθρώπινη παρέμβαση…
«Μηχανές Eureka» που υποστηρίζουν τη διαδικασία δημιουργικότητας για την παραγωγή νέων εφευρέσεων (βοήθεια στο σχεδιασμό νέων αντικειμένων και υλικών), βελτιστοποίηση υφιστάμενων λύσεων ή εύρεση νέων λύσεων σε προβλήματα χωρίς προκαταλήψεις που θα μπορούσαν να περιορίσουν τον άνθρωπο δημιουργικότητα. Αυτά τα μηχανήματα δημιουργούν επίσης νέες συνταγές (Chef Watson) ή μπορούν να βοηθήσουν μαθηματικούς να ερευνήσουν νέους τομείς μαθηματικών.
Καλλιτεχνική AI, ικανή να γράφουν ιστορίες ή να δημιουργούν έργα τέχνης όπως πίνακες ζωγραφικής (The Fooling Painting) ή μουσικές συνθέσεις (Aiva).
Τα συστήματα AI χρησιμοποιούνται επίσης για την άμεση εξυπηρέτηση μας, όπως οι προσωπικοί βοηθοί (Siri, Sally), κλπ.
Διάφοροι περιορισμοί και το μέλλον της Τεχνητής Νοημοσύνης
Περιορισμένη ή αδύναμη ΑΙ – Narrow/ weak AI
Ως περιορισμένη ΑI αναφέρεται η τεχνητή νοημοσύνη που βασιζόμενη στα δεδομένα, μπορεί να κάνει πολύ καλά μία μόνο εργασία: να αναγνωρίσει πχ γάτες και να τις ξεχωρίσει από τις αγελάδες, να παίξει σκάκι και όχι πόκερ, να εφεύρει μια συνταγή και όχι να συνθέσει μουσική.
Η ουσία είναι ότι οι δεξιότητες που μπορούν να αποκτήσουν αυτές οι μηχανές για να εκτελέσουν μια εργασία δεν είναι μεταβιβάσιμες σε μια άλλη εργασία, κάτι που συνιστά μια σημαντική πτυχή της ανθρώπινης νοημοσύνης.
Η AI που βασίζεται σε χρήση δεδομένων, μπορεί να θεωρηθεί ως μια νέα μορφή νοημοσύνης, διαφορετική από αυτή του ανθρώπινου εγκεφάλου, που επιτρέπει στις μηχανές να εκτελούν καθήκοντα, όπως και οι άνθρωποι, αλλά πολύ γρηγορότερα. Χρησιμοποιώντας στατιστική συσχέτιση προερχόμενη από μια τεράστια ποσότητα δεδομένων, τα μηχανήματα είναι σε θέση να εκτελούν εργασίες που απαιτούν ευφυΐα όταν εκτελούνται από τον άνθρωπο. Ωστόσο, οι μηχανές το κάνουν με μη ανθρώπινες μεθόδους.
Ένας βασικός περιορισμός της ΑΙ είναι ότι δεν διαθέτει κοινή λογική και βούληση. Δεν είναι ακόμα δυνατό για τα μηχανήματα να καταλάβουν τι θα ακολουθήσει στη συνέχεια σε μια αλληλουχία από εικόνες, ούτε να κατανοήσουν το ευρύτερο πλαίσιο μιας σκηνής σε μια εικόνα. Αυτή η ικανότητα κατανόησης των «κανόνων του κόσμου», αποτελεί μία βασική ικανότητα του ανθρώπου που αναπτύσσεται σε νεαρή ηλικία, και είναι αυτό που λέμε με απλά λόγια «κοινή λογική». Τα μηχανήματα δεν έχουν κοινή λογική και δεν κατανοούν τι συνιστά τη λειτουργία ενός αντικειμένου, σε τι χρησιμεύει κλπ.
Η μη εποπτευόμενη μάθηση (unsupervised) μπορεί να φέρει τις μηχανές πιο κοντά στην απόκτηση κοινής λογικής, αλλά και στην εκμάθηση του τρόπου διαχείρισης της αβεβαιότητας. Η μη εποπτευόμενη μάθηση χρησιμοποιείται όλο και περισσότερο, ώστε οι μηχανές να μάθουν τα καθήκοντα τους χωρίς να τα διδάσκονται: να μάθουν να παίζουν, δηλαδή, παιχνίδια παρακολουθώντας τα απλώς.
Επίσης, οι μηχανές ΑΙ παραμένουν ακόμα ανίκανες να μοιραστούν ένα στόχο, έναν σκοπό με έναν άνθρωπο. Είναι προγραμματισμένες να εκτελούν μια εργασία που μπορεί να βοηθήσει τους ανθρώπους να επιτύχουν ένα στόχο, αλλά δεν μπορούν να μοιραστούν αυτόν τον στόχο ως νόημα, ως αξία ή να τον κατανοήσουν.
Ένα αυτόνομο αυτοκίνητο είναι ένα εργαλείο για να φτάσει κάποιος από το σημείο Α στο σημείο Β, δεν μπορεί μοιραστεί το στόχο, όμως, ενός επιβάτη να ακολουθήσει τη διαδρομή που προσφέρει τα καλύτερα αξιοθέατα.
Οι μηχανές δεν μοιράζονται την σκοπιμότητα με τον χειριστή τους. Είναι εργαλεία που δεν μπορούν να συνεργαστούν, ανεξάρτητα από το πόσο έξυπνα εμφανίζονται, αλλά να αλληλεπιδράσουν. Αυτό έχει σημαντικές επιπτώσεις στην υπό εκκόλαψη σχέση μεταξύ ανθρώπων και συστημάτων ΑΙ. Οι άνθρωποι πρέπει να είναι σε θέση να αναλάβουν τον έλεγχο και να διορθώσουν το σύστημα όταν εμφανιστεί κάτι απρόσμενο ή όταν υπάρξει ανάγκη.
Τεχνητή Γενική Νοημοσύνη: στο δρόμο για την «ισχυρή Τεχνητή Νοημοσύνη»
Η αρχική αναζήτηση της ΑΙ ήταν να δημιουργηθούν μηχανές που θα μπορούσαν να εμφανίσουν το ίδιο επίπεδο νοημοσύνης με τον άνθρωπο. Αυτό σήμερα αναφέρεται ως Τεχνητή Γενική Νοημοσύνη ή «ισχυρή ΑΙ»- strong AI.
Η ισχυρή AI σημαίνει ότι τα μηχανήματα θα εκτελούν διαφορετικά καθήκοντα και όχι μόνο τα προκαθορισμένα, θα δείχνουν σημάδια κοινής λογικής, δημιουργικότητα, ενδεχομένως συναισθήματα ή ακόμα και συνείδηση. Πολύ πιθανό να θέσουν και τους δικούς τους στόχους.
Μια προέκταση του μέλλοντος της ΑΙ θα δώσει τη δυνατότητα στη μηχανή να αυτοβελτιώνεται, οδηγώντας σε μια εκθετική αύξηση της ευφυΐας τους.
Υπεροψία εκ μέρους τους και υπερβολή θα πει κανείς. Μια τέτοια υπερβολή, που θα ξεπερνούσε θεωρητικά την ανθρώπινη νοημοσύνη, θα οδηγούσε σε αυτό που ονομάζεται «τεχνολογική ιδιαιτερότητα» – singularity. Το δυστοπικό σενάριο του «Εξολοθρευτή» να βρεθούν, δηλαδή, οι άνθρωποι στο έλεος των μηχανών.
Ωστόσο, δεν υπάρχουν στοιχεία ότι η ανθρώπινη νοημοσύνη διαθέτει ένα δεδομένο σημείο πέρα από το οποίο είναι δυνατή η υπερίσχυση μόνο της «νοημοσύνης» των μηχανών. Η εμφάνιση ενός υψηλότερου επιπέδου νοημοσύνης σημαίνει περισσότερα από το να σκέφτεσαι γρήγορα. Πολλά από τα σημερινά πολύπλοκα ζητήματα δεν θα επιλυθούν με μια εκθετική βελτίωση των υπολογιστικών ικανοτήτων των μηχανών, αλλά μόνο από τον άνθρωπο.
Οι προκλήσεις της ΑΙ
Η ποιότητα και η ιδιωτικότητα των δεδομένων
Προκειμένου, να λειτουργούν αποτελεσματικά τα συστήματα εφοδιασμένα με ΑΙ, είναι απαραίτητη, όπως είδαμε, η τροφοδότηση τους με μία πολύ μεγάλη ποσότητα δεδομένων.
Η διασφάλιση ότι η συλλογή, η πρόσβαση, η χρήση και η αποθήκευση δεδομένων για εφαρμογές AI δεν θα απειλήσουν την προστασία της ιδιωτικής ζωής των χρηστών, είναι μια από τις σύγχρονες και πιο σημαντικές προκλήσεις της AI.
Ωστόσο, ένα άλλο θέμα εξίσου σοβαρό θέμα αφορά στην ποιότητα των δεδομένων. Η ανεπαίσθητη πολλές φορές μεροληψία στα δεδομένα που χρησιμοποιούνται για την εκπαίδευση των συστημάτων ΑΙ, μπορεί να οδηγήσει σε μία ανεπιθύμητη προκατάληψη ως προς το φύλο ή τη φυλή πχ στις αποφάσεις που λαμβάνει ένα σύστημα.
Έχει παρατηρηθεί ότι τα συστήματα ΑΙ εμφανίζουν μεροληπτική στάση, ανάλογα με τα δεδομένα που τους δοθούν. Τα συστήματα μηχανικής μάθησης όχι μόνο «μαθαίνουν» και μιμούνται τις προκαταλήψεις από τα δεδομένα με τα οποία εμείς τα τροφοδοτούμε, αλλά μπορούν να ενισχύσουν αυτή τη μεροληψία και την ανισότητα στις αποφάσεις που λαμβάνουν!
Πρέπει να διασφαλιστεί η ποιότητα των χρησιμοποιούμενων δεδομένων, να αποφευχθεί η μεροληψία και να διασφαλιστεί ότι το πρόγραμμα δεν θα λαμβάνει υπόψη τυχόν προκαταλήψεις φύλου, φυλής κλπ. Αυτό συνιστά μία τεράστια ζωτικής σημασίας πρόκληση για την ΑΙ.
Αυτόνομη λήψη αποφάσεων
Το μεγαλύτερο ζήτημα ως προς την ΑΙ, είναι η θεωρητική δυνατότητα της να μπορεί να λαμβάνει αυτόνομες αποφάσεις. Σήμερα, αυτή η πιθανότητα φαίνεται ακόμα μακρινή, αλλά όχι τελείως ανέφικτη.
Η ΑΙ παραμένει ένα εργαλείο που εκτελεί εντολές υποβοηθητικές για τον άνθρωπο.
Μπορεί να είμαστε ακόμα στην εποχή της μειωμένης τεχνητής νοημοσύνης, αλλά είναι πολύ πιθανό στο μέλλον τα συστήματα ΑΙ να κατανοούν τι και γιατί το εκτελούν.
Ως εκ τούτου και επειδή η πρόληψη είναι η καλύτερη μέθοδος οργάνωσης, ένα ρυθμιστικό πλαίσιο για τον έλεγχο των αλγορίθμων και τον αντίκτυπό τους είναι απαραίτητο, προκειμένου να αποφευχθούν ενδεχόμενοι κίνδυνοι για την ιδιωτική ζωή και την αυτονομία του ανθρώπου. Είναι πολύ σημαντικό να αντισταθούμε στον πειρασμό να χρησιμοποιήσουμε τα συστήματα AI προτού προσαρμοστεί κατάλληλα το νομικό μας πλαίσιο.
Αντίκτυπος της τεχνητής νοημοσύνης στην αγορά εργασίας
Για το μείζον αυτό ζήτημα που κατά καιρούς δαιμονοποιείται πότε αδίκως και πότε δικαίως, το ΔΙΚΤΥΟ έχει παρουσιάσει τις εκτιμήσεις επιστημόνων και ειδικών που κυριαρχούν σήμερα στον παγκόσμιο διάλογο.
Η πρόσφατη πρόοδος στην ΑΙ και η ανάπτυξη της ρομποτικής δημιουργεί φόβους, όσον αφορά στην εξέλιξη της αγοράς εργασίας, καθώς αρκετές θέσεις απασχόλησης φαίνεται να διατρέχουν όλο και περισσότερο κίνδυνο από την αυτοματοποίηση των επόμενων δεκαετιών.
Οι ερευνητές της AI εκτιμούν πιθανή την πλήρη αυτοματοποίηση των ανθρώπινων δραστηριοτήτων σε περίπου 120 χρόνια από τώρα. Η αυτοματοποίηση της εργασίας εξαρτάται βέβαια και από τον τύπο της εργασίας και από τις απαιτούμενες δεξιότητες.
Σε κάθε περίπτωση ο απόλυτος αυτοματισμός δεν είναι δυνατόν να υπάρξει. Εκείνο που θα δούμε, όμως, να αναπτύσσεται ραγδαία τα επόμενα χρόνια, είναι η προσαρμογή σχεδόν κάθε επαγγέλματος στη νέα εποχή. Η σύζευξη ανθρώπου και μηχανής. Η αλληλεπίδραση. Και αυτό συνιστά μία προσαρμογή που απαιτεί αναδιάρθρωση της εκπαίδευσης και της διά βίου μάθησης. Τα παιδιά μαζί με Ιστορία θα πρέπει να μαθαίνουν και κώδικα προγραμματισμού…
Τα συστήματα τεχνητής νοημοσύνης και η αύξηση της ανισότητας
Πέραν των επιπτώσεων στην αγορά εργασίας, έντονες είναι οι συζητήσεις σχετικά και με τον αντίκτυπο των συστημάτων AI στην κοινωνική ανισότητα. Ορισμένοι προβλέπουν ότι η αυτοματοποίηση των θέσεων εργασίας θα μειώσει τη δυνατότητα κοινωνικής κινητικότητας και θα ωφελήσει τους πλουσιότερους, οι οποίοι θα μπορούν να προσαρμοστούν καλύτερα στην αλλαγή. Τα εργαλεία AI μπορούν να αναδιαμορφώσουν τον τρόπο με τον οποίο παράγεται ο πλούτος και να μεταβάλλουν την παγκόσμια ισορροπία εξουσίας, οδηγώντας σε περαιτέρω ανισότητες.
Άλλοι υποστηρίζουν, αντιθέτως, ότι η AI έχει μεγάλη δυνατότητα αναδιανομής του πλούτου και ότι μπορεί να αποφευχθεί το σενάριο της συγκέντρωσης πλούτου σε λίγους.
Το ζήτημα της ΑΙ και της πιθανής ανισότητας συζητείται επί του παρόντος σε διεθνή φόρα, όπως τα Ηνωμένα Έθνη και ο ΟΟΣΑ με μεγάλη προσοχή.
Ρυθμιστικό πλαίσιο για την ανάπτυξη της τεχνητής νοημοσύνης
Η κανονιστική πλαισίωση της ανάπτυξης της τεχνητής νοημοσύνης
Η συζήτηση είναι παγκόσμια και οι προεκτάσεις της διεθνείς. Εδώ θα εντοπίσουμε στο ευρωπαϊκό σκέλος της ρυθμιστικής προσαρμογής στα νέα ζητήματα που ανακύπτουν με την ΑΙ.
Το νομικό πλαίσιο της ΕΕ σχετικά με τα δεδομένα, τους αλγόριθμους και τα ρομπότ είναι σαφές ότι πρέπει να εμπλουτιστεί και να τροποποιηθεί. Τον Απρίλιο του 2016, το Ευρωκοινοβούλιο και το Συμβούλιο, ενέκριναν κανονισμό για την προστασία των φυσικών προσώπων έναντι της επεξεργασίας των δεδομένων προσωπικού χαρακτήρα και για την ελεύθερη κυκλοφορία των δεδομένων αυτών.
Μία σημαντική πτυχή του κανονισμού είναι ότι: Ο υπεύθυνος επεξεργασίας των δεδομένων εφαρμόζει κατάλληλα μέτρα για την προστασία των δικαιωμάτων, των ελευθεριών και των έννομων συμφερόντων του υποκειμένου των δεδομένων.
Αυτός ο κανονισμός οδήγησε κατόπιν στην έκδοση κατευθυντήριων γραμμών για την αυτοματοποιημένη λήψη αποφάσεων, τον Οκτώβριο του 2017. Αυτές οι κατευθυντήριες γραμμές απαιτούν από τους υπεύθυνους επεξεργασίας δεδομένων να βρίσκουν απλούς τρόπους να ενημερώσουν το υποκείμενο των δεδομένων σχετικά με το σκεπτικό ή τα κριτήρια πάνω στα οποία βασίστηκε η χρήση των αλγόριθμων. Με απλά λόγια, οι προγραμματιστές θα πρέπει να εξηγούν κατανοητά τι και γιατί το κάνουν κάθε φορά που θα τους ζητείται.
Μία σημαντική στιγμή για την ευρωπαϊκή έννομη τάξη είναι η έγκριση του ψηφίσματος του Ευρωπαϊκού Κοινοβουλίου τον Φεβρουάριο του 2017, σχετικά με τους κανόνες και τη νομοθεσία για τη ρομποτική. Το Κοινοβούλιο κάλεσε την Ευρωπαϊκή Επιτροπή να διαμορφώσει τους ορισμούς της νέας κατηγορίας των έξυπνων ρομπότ. Το ψήφισμα υποστηρίζει ότι το νομικό πλαίσιο της Ένωσης για τη ρομποτική και την ΑΙ πρέπει να επικαιροποιηθεί και να συμπληρωθεί με κατάλληλες αρχές δεοντολογίας. Το Κοινοβούλιο υπογράμμισε, επίσης, την αρχή της διαφάνειας, ζητώντας να υπάρχει πάντα η δυνατότητα αιτιολόγησης κάθε απόφασης που λαμβάνεται με τη βοήθεια της AI και που δύναται να έχει ουσιαστικό αντίκτυπο στη ζωή ενός ή περισσοτέρων ατόμων. Το ΕΚ, ζητά, τη σύσταση ενός ευρωπαϊκού οργανισμού για τη ρομποτική και την Τεχνητή Νοημοσύνη, που θα παράσχει υποστήριξη σε αυτά τα θέματα.
Τέλος, στο ψήφισμα γίνεται ειδική αναφορά στα θέματα πνευματικής ιδιοκτησίας κλπ.
Η μείζονα πρόκληση σήμερα δεν είναι η ενδυνάμωση της ΑΙ. Αυτό έχει δρομολογηθεί ανεπιστρεπτί. Η πρόκληση είναι η δημιουργία του ρυθμιστικού πλαισίου που θα οδηγήσει με ασφάλεια και όραμα την ανθρωπότητα σε δρόμους που έχει πάει μόνο η φαντασία μας.
Πηγή Γιάννης Μαστρογεωργίου
