Δρ. Βαγγέλης Καρκαλέτσης: «Η Πολιτεία πρέπει να προχωρήσει στη χάραξη εθνικής στρατηγικής για την Τεχνητή Νοημοσύνη»

Συνέντευξη: Κέλλυ Σταμούλη* Φωτογραφίες: Κέλλυ Σταμούλη

Συναντήσαμε τον Δρ. Βαγγέλη Καρκαλέτση, Διευθυντή του Ινστιτούτου Πληροφορικής και Τηλεπικοινωνιών στο μεγαλύτερο ερευνητικό κέντρο της χώρας, το Εθνικό Κέντρο Έρευνας Φυσικών Επιστημών «Δημόκριτος» και είχαμε μαζί του μία πολύ ενδιαφέρουσα συζήτηση για τα θέματα Τεχνητής Νοημοσύνης.

-Πότε έκανε για πρώτη φορά την εμφάνισή της η Τεχνητή Νοημοσύνη (ΤΝ)

Στον Β΄ Παγκόσμιο Πόλεμο! Πατέρας της ΤΝ θεωρείται ο Άγγλος επιστήμονας Alan Turing, ο οποίος στη δεκαετία του 1940 όρισε την Μηχανή Turing και το τεστ Touring με το οποίο καθόρισε τι απαιτείται για να χαρακτηριστεί μια μηχανή, ένας υπολογιστής ως νοήμων. Ο Turing είναι γνωστός για την εργασία του στο Β’ Παγκόσμιο Πόλεμο για την ανάπτυξη μιας μηχανής, ενός υπολογιστή αποκρυπτογράφησης των γερμανικών στρατιωτικών κωδίκων.

-Με τι σχετίζονταν οι “αποκρυπτογραφικές” αυτές διαδικασίες

Όταν κάποιος κρυπτογραφεί ή κωδικοποιεί ένα μήνυμα, ορίζει και το «κλειδί», τη μέθοδο δηλαδή κρυπτογράφησης για να μπορέσει στη συνέχεια να το αποκωδικοποιήσει. Η εργασία του Touring αφορούσε στην εύρεση του «κλειδιού» δηλ. της μεθόδου κλειδώματος. Αυτό δεν είναι ΤΝ, είναι όμως μια υπολογιστική διαδικασία. Μετά τον Touring, στις αρχές της δεκαετίας του ‘50, όταν άρχισε να αναπτύσσεται η τεχνητή νοημοσύνη, οι εφαρμογές της σχετίζονταν κυρίως με θέματα άμυνας. Ήταν αναμενόμενο.

-Ποιά ήταν η εξέλιξη μετά τον Β΄ Παγκόσμιο Πόλεμο

Μετά τον Β΄ Παγκόσμιο Πόλεμο, την εποχή του Ψυχρού Πολέμου, το ένα κράτος προσπαθούσε να πάρει από το άλλο όσο περισσότερες πληροφορίες μπορούσε. Επεδίωξαν λοιπόν να αναπτύξουν νοήμονες μηχανές που να μπορούν να βρίσκουν περισσότερες χρήσιμες πληροφορίες.

-Σε τι στοχεύανε οι απόπειρες αυτές

Ήθελαν, για παράδειγμα, οι Αμερικανοί να μπορούν να μεταφράζουν όσο γίνεται περισσότερες πληροφορίες που υπέκλεπταν από τους Ρώσσους, και αντίστροφα. Ξεκίνησε έτσι η έρευνα στη μηχανική μετάφραση, το “machine translation”, με προσεγγίσεις που βασίζονται σε λεξικά και σε κανόνες.

-Η έρευνα αυτή που οδήγησε

Αυτό με τη σειρά του ενίσχυσε την έρευνα στην επεξεργασία φυσικής γλώσσας, καθώς για να μπορέσεις να μεταφράσεις ένα κείμενο θα πρέπει να το αναλύσεις μορφολογικά, συντακτικά και σημασιολογικά για να το αποδώσεις στη συνέχεια στην άλλη γλώσσα με τη βοήθεια των λεξικών. Κι επειδή δεν έχουμε μόνο πληροφορίες σε κειμενική μορφή αλλά και σε ηχητική, προχώρησε και η έρευνα στην αναγνώριση φωνής. Και επειδή υπήρχε η ανάγκη για ανάλυση και δεδομένων εικόνας και αριθμητικών και άλλων δεδομένων, προχώρησε και η έρευνα στην εξόρυξη γνώσης από δεδομένα. Οι βασικοί αλγόριθμοι ΤΝ που χρησιμοποιούμε και σήμερα ανάγονται σε αυτή τη δεκαετία και βασίζονται στα μαθηματικά.

-Τα μαθηματικά αποτελούν τη βάση για την ΤΝ αλλά και σε πλείστα άλλα επιστημονικά πεδία.  Πώς το εξηγείτε αυτό

Με τα μαθηματικά, όπως και με τη φυσική, η γνώση είναι οργανωμένη, τοποθετείται σε “κουτάκια”. Μπορώ να κωδικοποιήσω δηλαδή τη γνώση και στη συνέχεια να την επεξεργαστώ περαιτέρω, να την εμπλουτίσω και να την μεταδώσω. Μπορώ να τεκμηριώσω το αποτέλεσμα μιας επεξεργασίας με ένα αλγόριθμο που βασίζεται σε κανόνες και αξιώματα.

-Κάτι που στην Τέχνη φυσικά δεν γίνεται! Που το αποδίδετε αυτό

Στην Τέχνη υπάρχει ο υποκειμενικός χαρακτήρας. Στο σημείο αυτό όμως να σας πω ότι υπάρχει και η δημιουργική, η “creative” τεχνητή νοημοσύνη.

-Θα μπορούσε δηλαδή μία μηχανή τεχνητής νοημοσύνης να ζωγραφίσει!

Αυτή τη στιγμή υπάρχουν μηχανές ΤΝ που μπορούν να μιμηθούν το παίξιμο ενός δημιουργού. Πχ ένας μουσικός διαθέτει ένα συγκεκριμένο ύφος στον τρόπο που ερμηνεύει ένα κομμάτι. Μια μηχανή ΤΝ μπορεί να “μάθει” στοιχεία αυτού του ύφους, και έτσι να μιμηθεί την ερμηνεία του!

-Θα μπορούσε δηλαδή μία μηχανή ΤΝ να ζωγραφίσει σαν τον Πικάσο! 

Αν “τροφοδοτήσουμε” μια μηχανή ΤΝ με παραδείγματα από έργα του Πικάσο, αυτή θα αναγνωρίσει συγκεκριμένα πρότυπα που επαναλαμβάνονται στα έργα αυτά, και στη συνέχεια θα προσπαθήσει να τα μιμηθεί δημιουργώντας έργο με στοιχεία από το ύφος του Πικάσο. Είμαστε δηλαδή στο στάδιο της μίμησης και όχι ακόμη στο δημιουργικό στάδιο.

-Στο μέλλον θα μπορεί μία μηχανή ΤΝ να παράξει καλλιτεχνικό έργο εκ του μηδενός

Αυτή τη στιγμή φτιάχνουμε μηχανές που μπορούν να μιμούνται τους δημιουργούς. Αν τώρα αυτή η μηχανή θα μπορέσει στο μέλλον να δημιουργήσει ένα νέο έργο, αυτό δεν το ξέρουμε ακόμη, αλλά πάντως υπάρχει ήδη έρευνα προς αυτή την κατεύθυνση.

-Θεωρείτε ότι θα μπορέσουμε να εμφυσήσουμε και συναισθηματική νοημοσύνη στα μηχανήματα

Ένας μουσικός εκφράζει τη χαρά με νότες, ένας συγγραφέας με λέξεις. Δίνοντας στη μηχανή ΤΝ παραδείγματα κειμένων που «μεταφέρουν» συγκεκριμένα συναισθήματα, η μηχανή μπορεί να μάθει από αυτά πρότυπα, κανόνες. Αυτό το ονομάζουμε ανάλυση συναισθήματος “sentiment analysis”.

-Πώς επιτυγχάνεται αυτό

Η έρευνα στον τομέα αυτό ξεκίνησε από εφαρμογές στο marketing, που ζητούσαν την ανάλυση των σχολίων που αναρτώνται για ένα προϊόν ή για μία υπηρεσία καθώς και την εξαγωγή των επιχειρημάτων με βάση τα οποία στηρίζει την άποψή του. Π.χ., για ένα καινούριο κινητό που βγήκε στην αγορά αναλύουμε τα αναρτημένα σχόλια, για να αναγνωρίσουμε θετικές ή αρνητικές απόψεις και επίσης για να εξάγουμε επιχειρήματα που στηρίζουν τις απόψεις αυτές. Η ερευνητική αυτή περιοχή της ΤΝ ονομάζεται “argument mining”, και δεν εφαρμόζεται μόνο σε αναρτήσεις στο διαδίκτυο, αλλά και σε επιστημονικά κείμενα, σε νομικά κείμενα, σε ειδήσεις, κλπ.

-Και για τους πολιτικούς φαντάζομαι είναι πολύ χρήσιμη μία τέτοια εξαγωγή απόψεων και επιχειρημάτων

Η προώθηση των πολιτικών γίνεται και αυτή με μεθόδους marketing. Επομένως, και για τους πολιτικούς είναι πολύ χρήσιμος ο χαρακτηρισμός των απόψεων των πολιτών για αυτούς ή για θέματα της επικαιρότητας και η εξαγωγή επιχειρημάτων από τις απόψεις αυτές.

-Θα μας δώσετε ένα παράδειγμα στο πολιτικό-κομματικό πεδίο

Σε ένα πρόσφατο παράδειγμα, στην πολιτική αντιπαράθεση στις τελευταίες εκλογές στις ΗΠΑ, είχαμε και κάτι ακόμα, πολύ αρνητικό, μια μεγάλη προσπάθεια επηρεασμού πολιτών. Πρόκειται για το σκάνδαλο με το Facebook και την “Cambridge Analytica”, μια αγγλική εταιρεία που παρείχε συμβουλευτικές υπηρεσίες σε πολιτικούς.

-Πώς ακριβώς λειτούργησε αυτό το σκάνδαλο

To 2015 η Cambridge Analytica συνεργάστηκε με την ομάδα που είχε αναλάβει την προεκλογική εκστρατεία του Donald Trump. Μέσω μιας εφαρμογής στο Facebook, η Cambridge Analytica κατόρθωσε να αποκτήσει παράνομα πρόσβαση στα προσωπικά δεδομένα εκατομμυρίων χρηστών του Facebook στις ΗΠΑ. Αναλύοντας στη συνέχεια αυτά τα δεδομένα, έφτιαξαν τα ψυχολογικά προφίλ χρηστών και ομάδων χρηστών. Ανεξάρτητα από την ακρίβεια αυτών των προφίλ, για την οποία έχει γίνει αρκετή συζήτηση, η Cambridge Analytica έδωσε με τον τρόπο αυτό ένα ισχυρό όπλο στη διαφημιστική ομάδα του Trump, για να προωθήσει σε εκατομμύρια χρήστες αρνητικά μηνύματα ή διαφημίσεις για τον αντίπαλο υποψήφιο, κατάλληλα προσαρμοσμένα στα προφίλ αυτών των χρηστών!

-Πού κατέληξε αυτός ο καθοδηγητικός ρόλος των διαφημιστών

Παρότι δεν μπορεί να αποτιμηθεί με ακρίβεια η επίδραση στο εκλογικό αποτέλεσμα αυτής της προεκλογικής εκστρατείας με χρήση τέτοιων μέσων, είναι σίγουρο ότι κατάφερε να επηρεάσει εκατομμύρια ψηφοφόρους είτε πιο θετικά είτε πιο αρνητικά για τους δύο υποψήφιους! Αξίζει μάλιστα να σημειωθεί ότι, την ίδια περίοδο, η εταιρεία αυτή συνεργάστηκε και με τις ομάδες που υποστήριζαν το Brexit. Για όλη αυτήν την ανήθικη διαδικασία επηρεασμού της κοινής γνώμης, τελικά η Cambridge Analytica έκλεισε, ενώ επικρίθηκε ιδιαίτερα και το Facebook για την αδυναμία του να προστατεύσει τα δεδομένα των χρηστών του από μια τέτοια εφαρμογή.

-Το σκάνδαλο αυτό τι μας διδάσκει

Ότι η τεχνητή νοημοσύνη, όπως και πολλές άλλες τεχνολογίες, είναι ένα εξαιρετικό εργαλείο που μπορεί όμως να χρησιμοποιηθεί τόσο θετικά όσο και αρνητικά.

Δεν πρέπει όμως να είμαστε τεχνοφοβικοί. Είμαστε σε μια μεταβατική περίοδο καθώς διαμορφώνεται ακόμα το ρυθμιστικό νομικό πλαίσιο που θα μπορέσει να περιορίσει την αρνητική χρήση της ΤΝ.

-Δώστε μας άλλο ένα παράδειγμα επηρεασμού της κοινής γνώμης.

Ανέφερα προηγουμένως το ρόλο της Cambridge Analytica και στο Brexit. Η διάδοση ψευδών ειδήσεων, τα “fake news”, και γενικότερα η έξαρση της παραπληροφόρησης στο διαδίκτυο, είναι αντικείμενο μεγάλης συζήτησης τα τελευταία χρόνια για το πώς επηρεάζει την κοινή γνώμη. Άνθρωποι όμως είναι αυτοί που διαδίδουν τέτοιες ειδήσεις, χρησιμοποιώντας σε αρκετές περιπτώσεις εργαλεία ΤΝ, δεν το κάνει η ΤΝ. Μάλιστα, ειδικά για την αντιμετώπιση των ψευδών ειδήσεων, χρησιμοποιούνται ήδη με επιτυχία αλγόριθμοι ΤΝ για να διακρίνουν τις ψευδείς ειδήσεις με βάση το περιεχόμενο, την πηγή, τα μέσα διάδοσης.

-Είναι παρά ταύτα ορατός ο κίνδυνος

Υπάρχουν σημαντικοί κίνδυνοι από την αρνητική χρήση της τεχνολογίας. Για το λόγο αυτό έχει κινητοποιηθεί τόσο η ερευνητική κοινότητα όσο και η πολιτεία, ιδιαίτερα στην Ευρωπαϊκή Ένωση.

-Πρακτικά σε τι συνίσταται αυτή η κινητοποίηση

Όσον αφορά στην ερευνητική κοινότητα, η ενσωμάτωση κανόνων ηθικής στα συστήματα ΤΝ, η ανάγκη ερμηνείας και πιστοποίησης των αποτελεσμάτων, με στόχο μια δίκαιη και αξιόπιστη ΤΝ που έχει στο κέντρο της τον άνθρωπο, αποτελεί πλέον κοινό τόπο. Σε πολλά Πανεπιστήμια πλέον διδάσκονται μαθήματα ηθικής αναφορικά με την ΤΝ.

Επίσης οι μεγάλες τεχνολογικές εταιρίες έχουν συνειδητοποιήσει πλέον ότι δεν μπορούν να δρουν ανεξέλεγκτα και προσπαθούν να ορίσουν και οι ίδιες μεταξύ τους ένα ρυθμιστικό πλαίσιο για να περιορίσουν την αρνητική χρήση της ΤΝ.

Αλλά και πολλά κράτη έχουν συνειδητοποιήσει τους κινδύνους. Η Ευρωπαϊκή Ένωση έχει την πρωτοπορία στον τομέα αυτό σχεδιάζοντας και υλοποιώντας στρατηγική με κατεύθυνση την ανθρωπο-κεντρική ΤΝ.

-Τι έχει θεσπιστεί σε ευρωπαϊκό επίπεδο

Όσον αφορά στα προσωπικά δεδομένα είναι ήδη σε εφαρμογή το General Data Protection Regulation, το GDPR, ο Κανονισμός δηλαδή για την προστασία των προσωπικών δεδομένων. Τώρα αναμένουμε και την θεσμοθέτηση του Κανονισμού ειδικά για την ΤΝ. Η νέα Πρόεδρος της ΕΕ δεσμεύτηκε ότι η νομοθεσία για την δίκαιη και ανθρωπο-κεντρική ΤΝ αποτελεί προτεραιότητα της ΕΕ.

-Τι θα προτείνατε στον Πρωθυπουργό αναφορικά με τη χρήση της ΤΝ

Η Πολιτεία θα πρέπει να προχωρήσει γρήγορα στη χάραξη και εφαρμογή της εθνικής στρατηγικής για την ΤΝ. Είναι υποχρέωσή μας στο πλαίσιο της Ευρωπαϊκής στρατηγικής, και η ερευνητική κοινότητα μπορεί να συνεισφέρει καθοριστικά σε αυτό και το κάνει ήδη.

Οι πολιτικοί, όπως και τα στελέχη δημόσιων και ιδιωτικών φορέων, θα πρέπει να αποκτήσουν περισσότερες γνώσεις τόσο για τις δυνατότητες που παρέχει η ΤΝ όσο και για τις αρνητικές συνέπειες, που μπορεί να προκύψουν από την κακόβουλη χρήση της. Είναι χαρακτηριστικό το παράδειγμα της Φινλανδίας, όπου τα μέλη της Κυβέρνησης παρακολούθησαν ένα πρόγραμμα κατάρτισης στην ΤΝ, ένα executive training program. Και δεν έμειναν σ’ αυτό, σχεδίασαν ένα πρόγραμμα κατάρτισης για όλους τους πολίτες που έχει ήδη αρχίσει να εφαρμόζεται.

Να τονίσω ξανά ότι δεν πρέπει να είμαστε τεχνοφοβικοί. Όπως ανέφερα και προηγουμένως η ΤΝ είναι μια τεχνολογία, μια ισχυρή τεχνολογία, για την οποία θα πρέπει να ενισχύσουμε την θετική χρήση της και να περιορίσουμε την αρνητική και κακόβουλη χρήση της. Είναι απολύτως απαραίτητο να φτιάξουμε το ρυθμιστικό πλαίσιο μέσα στο οποίο θα λειτουργούμε τόσο οι ερευνητές όσο και οι εταιρείες και η ίδια η πολιτεία.

-Η Ελλάδα μπορεί να πρωτοστατήσει στη νέα εποχή της ΤΝ

Η Ελλάδα είναι η κοιτίδα της Δημοκρατίας. Σαν χώρα έχουμε ένα μεγάλο πλεονέκτημα και έναν συμβολικό χαρακτήρα και αυτό αναγνωρίζεται και από τις άλλες χώρες της Ευρώπης. Μπορούμε να βάλουμε σαν στόχο να αποτελέσουμε το ευρωπαϊκό κέντρο της δίκαιης και αξιόπιστης ΤΝ, της δημοκρατικής ΤΝ.  Αυτό για να γίνει, θα πρέπει να συνδυάσει όχι μόνο επιστήμονες από τον χώρο των θετικών επιστημών, αλλά και επιστήμονες από τον χώρο των ανθρωπιστικών επιστημών. Η υποστήριξη της ανθρωπο-κεντρικής Τεχνητής Νοημοσύνης, πρέπει να αποτελέσει κεντρικό στόχο της εθνικής στρατηγικής για τα επόμενα χρόνια.

-Ποιον θεωρείτε αλήθεια σπουδαίο διανοητή

Τον Αριστοτέλη. Έθεσε τις βάσεις για τις επιστήμες ορίζοντας την επιστημονική μεθοδολογία για το πώς πρέπει να λειτουργεί ένας επιστήμονας, πως να καταγράφει και να αναλύει τις παρατηρήσεις του.

-Η επιβράβευση αποτελεί κινητήρια δύναμη για τον επιστήμονα

Ναι γιατί αξιολογείται η δουλειά του από τους συναδέλφους του, και από την πολιτεία. Μια θετική αξιολόγηση του δίνει κίνητρο να συνεχίσει τη δουλειά του με ακόμα μεγαλύτερη ένταση. Τόσο στο Δημόκριτο, όσο και στα άλλα ερευνητικά κέντρα της χώρας έχουμε διαδικασίες αξιολόγησης που εφαρμόζονται εδώ και αρκετά χρόνια.

-Στο διεθνή στίβο τι παρουσία έχει ο Δημόκριτος

Το brand name Δημόκριτος έχει διεθνή αναγνώριση, όπως τεκμηριώνεται τόσο από το πλήθος και την ποιότητα των επιστημονικών δημοσιεύσεών μας όσα και από τα μεγάλα ερευνητικά έργα στα οποία συμμετέχουμε, ιδιαίτερα στους τομείς της Πληροφορικής, των Τηλεπικοινωνιών, της Νανοτεχνολογίας, της Ενέργειας, του Περιβάλλοντος.

Τον Αύγουστο αυτής της χρονιάς ανακοινώσαμε επίσημα την στρατηγική μας συνεργασία με μια μεγάλη πολυεθνική εταιρία, την “Ernst & Young – EY”. Η συνεργασία αυτή αφορά στην δημιουργία ενός Διεθνούς Κέντρου Αριστείας στην Τεχνητή Νοημοσύνη, και ειδικά στον τομέα που ασχολείται με την ευφυή ανάλυση εγγράφων. Αυτό το Κέντρο Αριστείας είναι μονάδα του Δημόκριτου, που χρηματοδοτείται από την EY για να κάνουμε έρευνα στην ευφυή ανάλυση εγγράφων, τα αποτελέσματα της οποίας θα κατοχυρώνουμε με κοινές πατέντες και δημοσιεύσεις. Το Κέντρο ήδη έχει αρχίσει να στελεχώνεται με ερευνητές από την Ελλάδα και το εξωτερικό, που αναμένεται να έχουν φτάσει πάνω από 20 μέχρι το καλοκαίρι, με στόχο τους 40 ερευνητές.

-Το ταλέντο πώς το ορίζετε

Ταλαντούχος είναι αυτός που πέρα από τις ξεχωριστές διανοητικές του ικανότητες είναι πολύ εργατικός, συνεργατικός και έχει μεθοδικότητα στη δουλειά του.

-Ποιο χαρακτηριστικό σάς ελκύει την προσοχή στον απέναντί σας

Η κοινωνικότητά του και η διάθεση για διάλογο, χωρίς αλαζονική πρόθεση.

-Ποιο βιβλίο σάς έχει συνεπάρει

Του Philip Kerr, η «Τριλογία του Βερολίνου». Μου αρέσουν τα αστυνομικά μυθιστορήματα όπως αυτό. Το ιδιαίτερο όμως χαρακτηριστικό τόσο αυτού του βιβλίου όσο και άλλων βιβλίων του Kerr είναι ότι συνδυάζει με εξαιρετικό τρόπο τον κόσμο του φανταστικού με την ιστορική πραγματικότητα. Τα βιβλία του, με ήρωα τον Γερμανό αστυνομικό Μπέρνι Γκούντερ, στις δεκαετίες από το ’30 έως το ’50 είναι ένα ελκυστικό ταξίδι στην ιστορία μέσα από τις περιπέτειες αυτού του αστυνομικού. Και ο συνδυασμός αυτός με συναρπάζει γιατί αγαπώ πολύ την ιστορία, και προσπαθώ να διαβάζω όσο περισσότερο μπορώ.

-Αν σας ρωτούσε ένα 10χρονο παιδί τί είναι η ΤΝ, τι θα του λέγατε;

Θα του έλεγα ότι όπως διδάσκει ο δάσκαλος τους κανόνες της γραμματικής σε ένα μαθητή, έτσι και για να “μάθουμε” έναν υπολογιστή να κατανοεί το περιεχόμενο ενός κειμένου, θα πρέπει να του “διδάξουμε” τους αντίστοιχους γραμματικούς κανόνες μέσω ενός υπολογιστικού προγράμματος, ενός “software”. Ένα τέτοιο πρόγραμμα, είναι ένα πρόγραμμα Τεχνητής Νοημοσύνης, και στο συγκεκριμένο παράδειγμα λέμε ότι είναι ένα πρόγραμμα κατανόησης φυσικής γλώσσας.

-Τροφοδοτούμε τους υπολογιστές με κανόνες δηλαδή

Η πρώτη προσέγγιση που εφαρμόσθηκε στην ΤΝ βασιζόταν σε κανόνες, ήταν όπως λέμε “rule-based”. Το πρόγραμμα δηλαδή περιέχει μια σειρά από κανόνες σε γλώσσα που κατανοεί ο υπολογιστής, τους οποίους και εφαρμόζει όταν στο παράδειγμά μας του δίνουμε ένα κείμενο για να επεξεργαστεί.

-Και η δεύτερη προσέγγιση ποιά είναι

Η δεύτερη προσέγγιση, για την οποία γίνεται πολύς λόγος τελευταία, είναι αυτή που βασίζεται στη μηχανική μάθηση, στο “machine learning”. Αντί δηλαδή ο προγραμματιστής να εισάγει κανόνες σε ένα πρόγραμμα, ο υπολογιστής μαθαίνει κανόνες με τη χρήση παραδειγμάτων. Σε ένα πρόγραμμα κατανόησης φυσικής γλώσσας τα παραδείγματα μπορεί να είναι κείμενα στα οποία έχουμε σημειώσει την πληροφορία που θέλουμε να μάθει ο υπολογιστής.

-Δώστε μας ένα παράδειγμα μηχανικής μάθησης.

Αν δηλαδή θέλουμε να μάθει να ταξινομεί κείμενα σε κατηγορίες (π.χ. ειδήσεις πολιτικές, αθλητικές, οικονομικές, κλπ) τα παραδείγματά μας θα πρέπει να είναι κείμενα για κάθε κατηγορία. Από τα κείμενα αυτά, ο υπολογιστής θα μάθε τους κανόνες εκείνους που διακρίνουν την μια κατηγορία από την άλλη. Επομένως, με βάση τα δεδομένα που του δίνουμε, ο υπολογιστής μαθαίνει μόνος του, όπως και οι άνθρωποι. Υπάρχουν επίσης και οι λεγόμενες υβριδικές προσεγγίσεις στην ΤΝ, όπου μπορείς να δώσεις κάποιους αρχικούς κανόνες στον υπολογιστή και να μάθει τους υπόλοιπους κανόνες μόνος του από τα δεδομένα που θα του δώσεις ως παραδείγματα. Κι εδώ η προσέγγιση προέρχεται από τον τρόπο που μαθαίνει και ο άνθρωπος.

-Στον Δημόκριτο η έρευνα στην Τεχνητή Νοημοσύνη πού ακριβώς εστιάζει

Στον Δημόκριτο η Τεχνητή Νοημοσύνη έχει μεγάλη παράδοση, ακριβώς επειδή στο Δημόκριτο μπήκαν οι βάσεις της επιστήμης των υπολογιστών ήδη από τη δεκαετία του ’60. Στη δεκαετία του ’80 υπήρχαν ερευνητικές ομάδες που ασχολούνταν με την επεξεργασία φυσικής γλώσσας και την ανάλυση εικόνας, χρησιμοποιώντας τόσο μεθόδους που βασίζονται σε κανόνες όσο και μεθόδους μηχανικής μάθησης. Σήμερα στο Ινστιτούτο Πληροφορικής και Τηλεπικοινωνιών του Δημόκριτου έχουμε 2 ερευνητικά Εργαστήρια στον τομέα της Τεχνητής Νοημοσύνης, στα οποία εργάζονται πάνω από 70 άτομα. Το ένα Εργαστήριο είναι εξειδικευμένο στην ανάλυση κειμένων, όπως επιστημονικά άρθρα, νομικά έγγραφα, ειδήσεις, αναρτήσεις στα μέσα κοινωνικής δικτύωσης, καθώς και στην εξαγωγή πληροφορίας από δεδομένα, όπως δεδομένα από αισθητήρες, επιστημονικές μετρήσεις, οικονομικά στοιχεία.

-Και το άλλο Εργαστήριο τι επεξεργάζεται

Το άλλο Εργαστήριο είναι εξειδικευμένο στην ανάλυση εικόνας και βίντεο, προσπαθεί δηλαδή να αναγνωρίσει αντικείμενα ή άλλα ενδιαφέροντα στοιχεία σε μια εικόνα, όπως για παράδειγμα ένα χρήσιμο στοιχείο σε μια ιατρική ακτινογραφία, ένα πρόσωπο σε ένα βίντεο. Τα δύο Εργαστήρια συνεργάζονται στενά, γιατί τα δεδομένα που πρέπει να αναλύσουν είναι πολλές φορές, όπως λέμε, πολυμεσικά, δηλαδή περιέχουν και κείμενο και εικόνα, και αριθμητικά ή άλλα δεδομένα. Και το κάνουν με μεγάλη επιτυχία, όπως φαίνεται και από τα πολλά ερευνητικά ή αναπτυξιακά έργα τεχνητής νοημοσύνης που υλοποιούν και από το πλήθος και την ποιότητα του προσωπικού που διαθέτουν.

-Θα μας δώσετε ένα παράδειγμα με αναγνώριση εικόνας

Στα μέσα κοινωνικής δικτύωσης, όπως το Facebook, το Instagram, οι άνθρωποι αναρτούν φωτογραφίες, οι οποίες στη συνέχεια χρησιμοποιούνται από τα μέσα αυτά, ως παραδείγματα για την καλύτερη εκπαίδευση των αλγορίθμων τους. Αν για παράδειγμα ο χρήστης ενός τέτοιου μέσου έχει αναρτήσει φωτογραφίες με φίλους του και έχει επίσης δώσει και τα ονόματά τους, τότε ο αλγόριθμος μπορεί να συσχετίσει τα πρόσωπα στις φωτογραφίες και όταν τα ξαναδεί σε άλλες αναρτήσεις, μπορεί να τα αναγνωρίσει. Όπως στην περίπτωση των κειμένων έχουμε χαρακτήρες που σχηματίζουν λέξεις και οι λέξεις προτάσεις, έτσι και στις εικόνες έχουμε pixels που πολλά μαζί μπορεί να αποτελούν το σχήμα και τα άλλα χαρακτηριστικά ενός αντικειμένου, ενός προσώπου. Στην περίπτωση αυτή ο αλγόριθμος μαθαίνει από παραδείγματα εκείνα τα πρότυπα σχήματα που αντιστοιχούν σε ένα αντικείμενο, σε ένα πρόσωπο. Όσα περισσότερα παραδείγματα δώσεις στον αλγόριθμο και όσες περισσότερες πληροφορίες, όπως το όνομα ενός προσώπου στην εικόνα, θα επιτρέψουν στον αλγόριθμο να μάθει καλύτερα.

-Ας ελπίσουμε λοιπόν να μάθουμε καλύτερα, και εμείς οι άνθρωποι, αναφορικά με τη χρήση του πολυσήμαντου αυτού μέσου! Σας ευχαριστώ θερμά για τις πολύτιμες γνώσεις που μοιραστήκατε μαζί μας!

*Η Κέλλυ Σταμούλη είναι δικηγόρος. Σπούδασε νομικά και θέατρο στην Αθήνα, τις Βρυξέλλες και στο Λονδίνο.

Ακολουθήστε το dikastiko.gr στο Google News και δείτε πρώτοι όλες τις ειδήσεις

Διαβάστε όλες τις τελευταίες ειδήσεις από την Ελλάδα και τον Κόσμο στο dikastiko.gr