Τι είναι τεχνητή νοημοσύνη; Έννοιες, λειτουργία και καθημερινά παραδείγματα

Η τεχνητή νοημοσύνη είναι πεδίο της πληροφορικής που σχεδιάζει συστήματα ικανά να επεξεργάζονται δεδομένα και να παράγουν προβλέψεις, προτάσεις, περιεχόμενο ή αποφάσεις για συγκεκριμένους στόχους. Δεν σημαίνει απαραίτητα ότι ένα μηχάνημα σκέφτεται όπως άνθρωπος ή έχει συνείδηση. Πρακτικά, ένα σύστημα αναγνωρίζει μοτίβα, εφαρμόζει κανόνες ή χρησιμοποιεί μαθημένα μαθηματικά μοντέλα για να εκτελέσει μια εργασία. Οι δυνατότητες και οι περιορισμοί του εξαρτώνται από τα δεδομένα, τον σχεδιασμό, τον έλεγχο και το περιβάλλον όπου χρησιμοποιείται.

Γιατί δεν είναι κάθε αυτοματοποίηση τεχνητή νοημοσύνη

Ένα απλό πρόγραμμα που στέλνει απόδειξη όταν ολοκληρώνεται μια παραγγελία εκτελεί προκαθορισμένο κανόνα. Μια εφαρμογή που εκτιμά ποια προϊόντα πιθανότατα θα χρειαστούν αναπλήρωση μπορεί να χρησιμοποιεί μοντέλο που έχει μάθει από ιστορικά στοιχεία. Η δεύτερη περίπτωση είναι πιθανή εφαρμογή τεχνητής νοημοσύνης, αλλά δεν αρκεί να υπάρχει πρόβλεψη για να αποδείξουμε τον τεχνικό μηχανισμό. Ο όρος χρησιμοποιείται συχνά εμπορικά, γι' αυτό ζητούμε να εξηγείται τι κάνει το σύστημα και ποιοι περιορισμοί ισχύουν.

Στο ευρωπαϊκό κανονιστικό πλαίσιο υπάρχει συγκεκριμένος ορισμός συστήματος τεχνητής νοημοσύνης, ο οποίος σχετίζεται με την εξαγωγή αποτελεσμάτων από εισόδους και διαφορετικούς βαθμούς αυτονομίας. Ο κανονιστικός ορισμός είναι χρήσιμος για να διαχωρίζουμε ένα απλό πρόγραμμα από ένα σύστημα που μπορεί να δημιουργεί συστάσεις ή αποφάσεις, όμως η νομική ταξινόμηση μιας πραγματικής εφαρμογής απαιτεί εξέταση του συγκεκριμένου προϊόντος. Η περιγραφή αυτή δεν αποτελεί νομική γνωμοδότηση.

Πώς μαθαίνει ένα υπολογιστικό μοντέλο

Η μηχανική μάθηση είναι τεχνική κατά την οποία ένα μοντέλο προσαρμόζει παραμέτρους από παραδείγματα, ώστε να μπορεί να απαντά σε νέα δεδομένα. Στην εποπτευόμενη μάθηση τα παραδείγματα περιλαμβάνουν επιθυμητές απαντήσεις, όπως χαρακτηρισμούς μηνυμάτων σε κατηγορίες. Στη μη εποπτευόμενη μάθηση εξετάζονται δομές και ομοιότητες χωρίς να έχει δοθεί για κάθε στοιχείο έτοιμη ετικέτα. Η ενισχυτική μάθηση αφορά επιλογές που αξιολογούνται μέσα από ανταμοιβές σε συγκεκριμένο περιβάλλον.

Καμία από αυτές τις τεχνικές δεν εγγυάται σωστό αποτέλεσμα. Αν τα παραδείγματα είναι παρωχημένα, λίγα ή συστηματικά μεροληπτικά, το μοντέλο μπορεί να επαναλαμβάνει τις ίδιες αδυναμίες. Ένα σύστημα ταξινόμησης εικόνων που εκπαιδεύτηκε σε συγκεκριμένες συνθήκες φωτισμού ίσως δυσκολεύεται σε διαφορετικό περιβάλλον. Η δοκιμή σε ανεξάρτητα δεδομένα είναι απαραίτητη για να διακρίνουμε αν το μοντέλο γενικεύει ή απλώς απομνημονεύει χαρακτηριστικά των αρχικών παραδειγμάτων.

Τι αλλάζει με τη δημιουργική τεχνητή νοημοσύνη

Τα μοντέλα παραγωγής κειμένου, εικόνας ή ήχου μπορούν να δημιουργούν νέο περιεχόμενο βάσει αιτημάτων και μαθημένων στατιστικών σχέσεων. Ένα γλωσσικό μοντέλο μπορεί να συνοψίσει έγγραφο, να προτείνει κώδικα ή να διατυπώσει εναλλακτικές απαντήσεις. Δεν έχει όμως πρόσβαση στην αλήθεια μόνο επειδή γράφει με πειστικό ύφος. Μπορεί να επινοήσει πηγή, να παραλείψει περιορισμό ή να συγχέει παρόμοιες έννοιες. Η έξοδός του χρειάζεται αξιολόγηση ανάλογη με τον κίνδυνο της χρήσης.

Ένα μοντέλο δεν ταυτίζεται με ένα ολοκληρωμένο σύστημα. Η πραγματική εφαρμογή μπορεί να περιλαμβάνει περιβάλλον χρήστη, ελεγχόμενη αναζήτηση εγγράφων, φίλτρα, δικαιώματα και ανθρώπινη έγκριση. Όταν προσθέτουμε πρόσβαση σε ζωντανά δεδομένα, το σύστημα μπορεί να ενημερώνεται καλύτερα, αλλά ταυτόχρονα μεγαλώνουν οι απαιτήσεις ασφάλειας και ελέγχου. Πρέπει να είναι σαφές αν η απάντηση βασίζεται σε συγκεκριμένη πηγή ή προκύπτει μόνο από την εκτίμηση του μοντέλου.

Παραδείγματα στην καθημερινότητα

Στη μετάφραση, ένα σύστημα μπορεί να προτείνει απόδοση κειμένου και να βοηθήσει στην κατανόηση διαφορετικής γλώσσας. Σε εφαρμογές φωτογραφίας μπορεί να αναγνωρίζει αντικείμενα ή να βελτιώνει την ταξινόμηση εικόνων. Σε ένα ηλεκτρονικό κατάστημα μπορεί να παρουσιάζει σχετικά προϊόντα με βάση νόμιμα διαθέσιμα σήματα ενδιαφέροντος. Σε μια βιομηχανική εγκατάσταση μπορεί να βοηθά στην ανίχνευση ασυνήθιστων μετρήσεων. Σε όλες αυτές τις περιπτώσεις ο σκοπός, τα δεδομένα και η επιτρεπόμενη αυτονομία είναι διαφορετικά.

Στην εκπαίδευση, ένας βοηθός μπορεί να εξηγεί έννοιες με περισσότερα παραδείγματα, αλλά δεν πρέπει να αντιμετωπίζεται ως αλάνθαστος εξεταστής. Σε υπηρεσίες υγείας, η χρήση υπολογιστικών συστημάτων μπορεί να υποστηρίζει διαδικασίες, όμως η αξιολόγηση πρέπει να γίνεται με ειδικά δεδομένα, κλινικές απαιτήσεις και κατάλληλη ανθρώπινη ευθύνη. Η τεχνητή νοημοσύνη είναι οικογένεια τεχνολογιών, όχι καθολική άδεια να αυτοματοποιούνται χωρίς έλεγχο σημαντικές αποφάσεις.

Τα βήματα για να καταλάβουμε μια εφαρμογή στην πράξη

1. Περιγράφουμε τη συγκεκριμένη εργασία: πρόβλεψη, ταξινόμηση, αναζήτηση πληροφορίας ή παραγωγή κειμένου.
2. Εξετάζουμε ποια δεδομένα εισάγονται, ποιος τα διαθέτει και ποιες άδειες χρήσης ισχύουν.
3. Αναζητούμε τρόπο να αξιολογηθεί το αποτέλεσμα με ανεξάρτητο δείγμα και μετρήσιμα κριτήρια.
4. Καταγράφουμε συχνά λάθη, περιπτώσεις αβεβαιότητας και επιπτώσεις σε ανθρώπους που επηρεάζονται.
5. Ορίζουμε πότε η πρόταση του μοντέλου χρειάζεται ανθρώπινη επιβεβαίωση ή πρέπει να απορριφθεί.
6. Εξετάζουμε εάν η εφαρμογή μπορεί να ενημερωθεί, να ελεγχθεί ή να σταματήσει με ασφάλεια.

Αυτός ο κύκλος αξιολόγησης είναι χρήσιμος ακόμη και για μικρές εφαρμογές. Δεν χρειάζεται κάθε χρήστης να κατασκευάζει μοντέλα, χρειάζεται όμως να γνωρίζει τι μπορεί να απαιτήσει από τον πάροχο. Για πρακτικά παραδείγματα μπορεί να συνεχίσει στις εφαρμογές τεχνητής νοημοσύνης, ενώ η παραγωγική τεχνητή νοημοσύνη αποτελεί επιμέρους κατηγορία που αξίζει ξεχωριστή μελέτη.

Πώς ελέγχουμε αν μια απάντηση είναι αξιόπιστη

Ζητούμε από την εφαρμογή να διαχωρίζει στοιχεία από υποθέσεις και να μας δείχνει την αρχική τεκμηρίωση όπου είναι διαθέσιμη. Αν προτείνει έναν νόμο, μια απόφαση ή μια αριθμητική μέτρηση, επαληθεύουμε ότι υπάρχει και ότι εφαρμόζεται στην περίπτωσή μας. Δεν αρκεί η παρουσία υποτιθέμενου συνδέσμου, επειδή και ένας σύνδεσμος μπορεί να είναι λανθασμένος. Για ευαίσθητες αποφάσεις χρειάζεται ανεξάρτητος ειδικός και σαφές αρχείο του πώς χρησιμοποιήθηκε το αποτέλεσμα.

Οι χρήστες πρέπει επίσης να προσέχουν τις διαρροές. Ένα έγγραφο με προσωπικά δεδομένα, εμπορικά μυστικά ή στοιχεία σύνδεσης δεν εισάγεται σε υπηρεσία χωρίς να έχουν ελεγχθεί οι όροι επεξεργασίας και τα δικαιώματα πρόσβασης. Η ευκολία της συνομιλίας δεν αναιρεί την ανάγκη προστασίας της πληροφορίας. Μια απλή πολιτική για το ποια δεδομένα επιτρέπεται να χρησιμοποιούνται προλαμβάνει περισσότερα προβλήματα από έναν αόριστο κανόνα «προσέχουμε».

Περιορισμοί και συνήθεις παρεξηγήσεις

Η καλή διατύπωση δεν αποτελεί απόδειξη κατανόησης όπως την αντιλαμβάνεται ένας άνθρωπος. Ένα μοντέλο μπορεί να αποδώσει σωστά γνωστό μοτίβο και να αποτύχει σε μικρή αλλαγή συνθηκών. Η ακρίβεια σε μία δοκιμή δεν μεταφέρεται αυτόματα σε κάθε γλώσσα, ηλικιακή ομάδα ή επαγγελματικό κλάδο. Οι απαντήσεις μπορεί να διαφέρουν ακόμη και σε παρόμοια ερωτήματα, ανάλογα με τη διατύπωση ή τις τεχνικές ρυθμίσεις.

Δεν υπάρχει επίσης ένας ενιαίος δείκτης που να αποδεικνύει ότι «η τεχνητή νοημοσύνη είναι έξυπνη». Άλλες δοκιμές μετρούν αναγνώριση εικόνων, άλλες συλλογισμό πάνω σε κείμενο και άλλες αξιοπιστία συγκεκριμένης αυτοματοποίησης. Χρειάζεται να ρωτάμε: σωστή σε ποια εργασία, με ποια δεδομένα, απέναντι σε ποιο κόστος λάθους και με ποια δυνατότητα ανθρώπινης παρέμβασης; Αυτή η προσέγγιση προστατεύει από εντυπωσιακές αλλά ασαφείς υποσχέσεις.

Ο ρόλος του ανθρώπου και της εκπαίδευσης

Η ουσιαστική χρήση αυτών των εργαλείων συνδυάζει τεχνική γνώση με κριτική σκέψη. Όποιος τα χρησιμοποιεί πρέπει να μπορεί να διατυπώνει καλό ερώτημα, να αναγνωρίζει αβεβαιότητα, να διορθώνει λάθος και να εξηγεί το τελικό αποτέλεσμα. Η εκπαίδευση δεν αφορά μόνο μηχανικούς λογισμικού: επαγγελματίες διαφορετικών πεδίων χρειάζεται να κατανοούν δυνατότητες και κινδύνους του δικού τους περιβάλλοντος.

Στο τέλος, η πιο χρήσιμη ερώτηση δεν είναι αν ένας υπολογιστής μπορεί να αντικαταστήσει κάθε ανθρώπινη σκέψη. Είναι αν ένα καλά ορισμένο εργαλείο μπορεί να βοηθήσει συγκεκριμένη διαδικασία, με διαφάνεια, τεκμηρίωση και δυνατότητα διόρθωσης. Όταν ξεχωρίζουμε το πραγματικό πρόβλημα από τη διαφημιστική υπερβολή, η τεχνητή νοημοσύνη γίνεται πιο κατανοητή και οι αποφάσεις μας πιο υπεύθυνες.