Η έρευνα για την τεχνητή νοημοσύνη (AI) μπορεί να υποδιαιρεθεί με διάφορους τρόπους: ανάλογα με τις τεχνικές που χρησιμοποιούνται (τα τεχνητά νευρωνικά δίκτυα ή ο εξελικτικός υπολογισμός) ή με τα προβλήματα που αντιμετωπίζονται (π.χ. computer vision, επεξεργασία γλώσσας ή συστήματα πρόβλεψης). Προς το παρόν, μία από τις πιο συχνά χρησιμοποιούμενες τεχνικές AI για την ανάπτυξη νέων εφαρμογών είναι γνωστή ως machine learning (μηχανική μάθηση).
Με βασικούς όρους, η μηχανική μάθηση επιδιώκει να παρουσιάσει στους αλγορίθμους τον μεγαλύτερο δυνατό όγκο δεδομένων, επιτρέποντας στα συστήματα να αναπτύξουν την ικανότητα αυτόνομης εξαγωγής συμπερασμάτων. Ένας απλός τρόπος για να περιγραφεί η διαδικασία είναι ο εξής: Αν θέλουμε να διδάξουμε ένα σύστημα αναγνώρισης εικόνας να αναγνωρίζει ένα κλειδί, του δείχνουμε τον μεγαλύτερο δυνατό αριθμό κλειδιών προκειμένου να το εκπαιδεύσουμε. Στη συνέχεια, το σύστημα μαθαίνει να αναγνωρίζει από μόνο του αν οι επόμενες εικόνες που του παρουσιάζονται είναι ή δεν είναι κλειδιά – ακόμη και αν το σύστημα δεν είδε ποτέ αυτές τις εικόνες κατά τη διάρκεια της εκπαίδευσής του.
Η αναγνώριση μιας εικόνας ήταν μια εργασία στην οποία οι άνθρωποι είχαν σαφές πλεονέκτημα έναντι των μηχανών – μέχρι πρόσφατα. Πρωτοβουλίες όπως το έργο ImageNet, που διαμορφώθηκε το 2006, έχουν συμβάλλει στη σημαντική μείωση της διαφοράς αυτής. Το ImageNet αποτελείται από μια βάση δεδομένων με σχεδόν 15 εκατομμύρια εικόνες που έχουν ταξινομηθεί από ανθρώπους.
Αυτή η αποθήκη πληροφοριών αποτελεί την πρώτη ύλη που χρησιμοποιείται για την εκπαίδευση των computer vision algorithms και διατίθεται δωρεάν στο διαδίκτυο. Προκειμένου να αναπτυχθεί ο τομέας της αναγνώρισης εικόνων από υπολογιστή, δημιουργήθηκε το 2010 ο διαγωνισμός ImageNet Large Scale Visual Recognition Challenge (ILSVRC). Σε αυτόν, συστήματα που αναπτύχθηκαν από ομάδες από όλο τον κόσμο ανταγωνίζονται για τη σωστή ταξινόμηση των εικόνων που εμφανίζονται στην οθόνη τους. Το 2011, ένα ποσοστό σφάλματος 25% θεωρούνταν καλό – το 2017, από τις 38 ομάδες που συμμετείχαν, όχι λιγότερες από 29 πέτυχαν ποσοστό σφάλματος μικρότερο από 5%. Αυτό αποδεικνύει την εξαιρετική πρόοδο του συγκεκριμένου τομέα.
Για δεκαετίες, η ανάπτυξη προγραμμάτων υπολογιστών βασιζόταν στην εξίσωση “rules + data = results”. Όμως το παράδειγμα που χρησιμοποιούν τα συστήματα που βασίζονται στη βαθιά μάθηση είναι διαφορετικό και επιδιώκει να μιμηθεί τον τρόπο με τον οποίο μαθαίνουν οι άνθρωποι: “data + results = rules”.
Αυτά τα συστήματα, που συνήθως υλοποιούνται μέσω τεχνητών νευρωνικών δικτύων (δομές που είναι σε θέση να εξάγουν τα χαρακτηριστικά που είναι απαραίτητα για τη δημιουργία κανόνων από τα δεδομένα και να παράγουν αποτελέσματα), βρίσκονται στην πρώτη γραμμή των πλατφορμών για την αναγνώριση προσώπου, την αναγνώριση φωνής, το computer vision, τη διαγνωστική ιατρική και άλλα. Μόλις παρουσιαστεί ένα επαρκές σύνολο δειγμάτων (δεδομένα) με τις αντίστοιχες ταξινομήσεις (αποτελέσματα), το σύστημα αποκτά μια εσωτερική αναπαράσταση των κανόνων – και καθίσταται ικανό να προεκτείνει τα αποτελέσματα για δεδομένα που δεν έχει ξαναδεί.
Κάνοντας το σωστό
Παρόλο που τα συστήματα που βασίζονται στο deep learning είναι σε θέση να βελτιώσουν την ακρίβεια σχεδόν οποιασδήποτε ταξινομητικής διεργασίας, είναι απαραίτητο να θυμόμαστε ότι η ακρίβειά τους εξαρτάται σε μεγάλο βαθμό από την ποιότητα και τον τύπο δεδομένων που χρησιμοποιούνται κατά την διαδικασία εκπαίδευσης. Αυτό είναι ένα από τα μεγαλύτερα ρίσκα της χρήσης τέτοιου είδους τεχνολογίας: Εάν η εκπαίδευση δεν γίνει προσεκτικά, τα αποτελέσματα μπορεί να είναι επικίνδυνα.
Εάν τα λεγόμενα ευφυή συστήματα συνεχίσουν την επέκτασή τους σε διάφορους τομείς των επιχειρήσεων, των υπηρεσιών και των κυβερνήσεων, θα είναι κρίσιμο να μην “μολυνθούν” από τις προκαταλήψεις που αναπτύσσουν οι άνθρωποι, είτε συνειδητά είτε υποσυνείδητα. Είναι πιθανό ότι το ιδανικό μοντέλο θα περιλαμβάνει τη συνεργασία μεταξύ μηχανών και ανθρώπων, με τους τελευταίους να είναι πιθανότατα υπεύθυνοι για τη λήψη αποφάσεων σε θέματα με λεπτομέρειες και πολυπλοκότητες που δεν έχουν ακόμη κατανοηθεί πλήρως από τα συστήματα και τους αλγορίθμους.
Η αντίληψη της σημασίας των μελλοντικών αλλαγών σε όλους σχεδόν τους κλάδους αντανακλάται στην αύξηση των επενδύσεων σε νεοσύστατες επιχειρήσεις του τομέα. Σύμφωνα με την εταιρεία CB Insights, το ποσό αυτό αυξήθηκε από λιγότερα από 2 δισ. δολάρια σε περισσότερα από 25 δισ. δολάρια από το 2013 έως το 2019. Τεχνολογικές εταιρείες όπως το Google, η Microsoft, η Apple, το Facebook και το Amazon ενσωματώνουν ήδη ευφυείς τεχνικές στα προϊόντα τους και κινούνται προς ένα μέλλον όπου σχεδόν όλοι οι επιχειρηματικοί τους κλάδοι θα έχουν ενσωματωμένο το στοιχείο του machine learning. Αυτό μπορεί να εφαρμοστεί σε όλους τους τύπους εφαρμογών: αυτόματη ταυτόχρονη διερμηνεία κατά τη διάρκεια μιας κλήσης, συστάσεις για οτιδήποτε θέλουμε (ή θα θέλουμε) να αγοράσουμε στο διαδίκτυο ή αλάνθαστη αναγνώριση φωνής στις αλληλεπιδράσεις με τα κινητά μας τηλέφωνα.
Μία από τις μεγάλες προκλήσεις για τις εταιρείες είναι να καθορίσουν τον καλύτερο τρόπο χρήσης αυτών νέων τεχνικών, οι οποίες θα περιέχουν πιθανολογικές πτυχές στις μεθόδους παραγωγής τους. Με άλλα λόγια, οι αλγόριθμοι εκτιμούν μια λύση σε ένα δεδομένο πρόβλημα, χωρίς να εγγυώνται ότι πρόκειται πράγματι για την καλύτερη λύση. Είτε η διαδικασία είναι ισχυρή και αξιόπιστη, ως συνάρτηση της ποιότητας της εφαρμογής και των τεχνικών που χρησιμοποιούνται, είτε τα αποτελέσματα θα είναι επιβλαβή για την οικονομική υγεία της εν λόγω εταιρείας.
Ειρήνη και Πόλεμος: Οι μηχανές δεν έχουν ελεύθερη βούληση
Η ενσωμάτωση μηχανισμών τεχνητής νοημοσύνης προσφέρει τη δυνατότητα ύπαρξης πραγματικά αυτόνομων όπλων (αυτόνομα οπλικά συστήματα ή θανατηφόρα αυτόνομα όπλα). Ένα οπλισμένο μη επανδρωμένο όπλο, εξοπλισμένο με λογισμικό αναγνώρισης προσώπου θα μπορούσε να προγραμματιστεί να σκοτώσει ένα συγκεκριμένο άτομο ή μια ομάδα ανθρώπων και στη συνέχεια να αυτοκαταστραφεί, καθιστώντας πρακτικά αδύνατο να προσδιοριστεί η πηγή του.
Οι μηχανές δεν έχουν δική τους ελεύθερη βούληση – ακολουθούν πάντα τις οδηγίες των προγραμματιστών τους. Αυτά τα όπλα εγκυμονούν σημαντικούς κινδύνους, ακόμη και όταν χρησιμοποιούνται μόνο για αμυντικούς σκοπούς.
Το 2015, στη Διεθνή Κοινή Διάσκεψη για την Τεχνητή Νοημοσύνη, μια επιστολή που υποστήριζε την κατάργηση αυτού του είδους των όπλων υπογράφηκε μεταξύ άλλων από τον θεωρητικό φυσικό Stephen Hawking, τον επιχειρηματία Elon Musk και τον νευρο-επιστήμονα Demis Hassabis. Η συζήτηση βρίσκεται ακόμη σε εξέλιξη, αλλά υπάρχουν ιστορικά παραδείγματα που αποδεικνύουν τα οφέλη της συμμετοχής ανθρώπων σε αποφάσεις ζωής και θανάτου (βλ. Vasili Arkhipov, 1926-1998).
Τελικά ένα από τα μεγαλύτερα ερωτήματα της τελευταίας τουλάχιστον δεκαετίας εάν οι μηχανές θα μπορέσουν να αντικαταστήσουν τους ανθρώπους έχει πολλές και διαφορετικές απαντήσεις.Σε κάθε περίπτωση ο άνθρωπος θα είναι πάντα ικανός για το καλύτερο και το χειρότερο και αυτό ίσως θα καθορίσει πως θα χρησιμοποιήσουμε τισ μηχανές, για το κοινό καλό η για ιδιωτικό συμφέρον.
ή αποκτήστε ετήσια συνδρομή εδώ.
