Τεχνητή Νοημοσύνη: Αυτή η άγνωστη...

Πολλές δεκαετίες μετά, χρησιμοποιούμε την τεχνητή νοημοσύνη όλο και περισσότερο, συχνά χωρίς να το ξέρουμε. Για παράδειγμα, δύο από τα δημοφιλέστερα προγράμματα μετάφρασης, το Google Translate και το DeepL, συναγωνίζονται σε ποιότητα και πιστότητα όχι μόνο μεταξύ τους αλλά και με πεπειραμένους μεταφραστές. Τεχνικές τεχνητής νοημοσύνης χρησιμοποιούνται και στα δύο μεταφραστικά προγράμματα. Και το αποτέλεσμα είναι εντυπωσιακό, όπως εύκολα μπορείτε να διαπιστώσετε, δεδομένου ότι και τα δύο προγράμματα στην απλή τους μορφή είναι προσβάσιμα στο διαδίκτυο χωρίς περιορισμούς.

Από επιστημονική/τεχνική πλευρά, η έρευνα στην τεχνητή νοημοσύνη και ιδιαίτερα στον τομέα της λεγόμενης μηχανικής μάθησης (machine learning) έχει κάνει τεράστιες προόδους για τρεις κυρίως λόγους: ο πρώτος είναι η προηγμένη τεχνολογία υπολογιστών, που μπορεί να προσομoιώσει τον τρόπο με τον οποίο λειτουργεί ο ανθρώπινος εγκέφαλος. Στους υπολογιστές αυτούς τρέχει λογισμικό (software), τα λεγόμενα νευρωνικά δίκτυα (neural networks), το οποίο μιμείται τόσο τη δομή όσο και τον τρόπο λειτουργίας των νευρώνων του εγκεφάλου.

Ο δεύτερος λόγος είναι οι πολύ εξελιγμένοι αλγόριθμοι που μιμούνται τη διαδικασία της μάθησης, υλοποιώντας τη μηχανική μάθηση (machine learning). Η μηχανική μάθηση είναι ένας τρόπος λειτουργίας των υπολογιστών που διαφέρει σημαντικά από τον παραδοσιακό υπολογιστικό τρόπο. Στα παραδοσιακά υπολογιστικά πρότυπα, ο υπολογιστής προγραμματίζεται με έναν αλγόριθμο για να λύνει ένα πρόβλημα στη γενική του μορφή, και τροφοδοτείται με παραμέτρους που δίνουν τις λύσεις για τις ειδικές περιπτώσεις. Ένα πρόγραμμα μισθοδοσίας, για παράδειγμα, έχει προγραμματιστεί για να υπολογίζει μισθούς στη γενική περίπτωση, και υπολογίζει το μισθό ενός συγκεκριμένου υπαλλήλου όταν τροφοδοτηθεί με τις παραμέτρους του συγκεκριμένου υπαλλήλου (κατηγορία μισθού, οικογενειακή κατάσταση κλπ). Στη γλώσσα των μαθηματικών, ο τρόπος αυτός εξαγωγής συμπερασμάτων από το γενικό στο ειδικό λέγεται παραγωγή και ο αντίστοιχος συλλογισμός παραγωγικός (deduction, deductive inference).

Αντίθετα με την περίπτωση της παραγωγής, η μηχανική μάθηση λειτουργεί με βάση την εξαγωγή συμπερασμάτων από το ειδικό στο γενικό. Ο τρόπος αυτός λειτουργίας μοιάζει με τον τρόπο που μαθαίνουν τα νήπια, τα οποία έχοντας δει για παράδειγμα διάφορα ζώα, και με την καθοδήγηση των ενηλίκων, μαθαίνουν να αναγνωρίζουν τα ζώα σωστά. Με ανάλογο τρόπο, ένας αλγόριθμος μηχανικής μάθησης «εκπαιδεύεται» να αναγνωρίζει σωστά π.χ. χειρόγραφους χαρακτήρες, έχοντας «εκπαιδευτεί» με πολλά διαφορετικά παραδείγματα χειρόγραφων χαρακτήρων κατά τη φάση της μάθησης. Ο τρόπος αυτός μάθησης, που καταλήγει σε ένα γενικό συμπέρασμα από πολλά επί μέρους δεδομένα, λέγεται επαγωγή και ο αντίστοιχος συλλογισμός επαγωγικός (induction, inductive inference).

Στο πρότυπο λοιπόν της «νηπιακής» μάθησης λειτουργεί και η μηχανική μάθηση, με επαγωγικό τρόπο, και κάποια από τα τυπικά προβλήματα που λύνει είναι η αναγνώριση και κατηγοριοποίηση εικόνων, για παράδειγμα η αναγνώριση καρκινικών κυττάρων σε εικόνες ενός τομογράφου, έχοντας εκπαιδευτεί με ένα μεγάλο αριθμό αντίστοιχων εικόνων. Ένα άλλο πρόβλημα είναι η μετάφραση κειμένων από μία γλώσσα σε μία άλλη, έχοντας εκπαιδευτεί με ένα μεγάλο αριθμό αντιστοίχων κειμένων στις δύο γλώσσες. Ας μην παρεξηγούμε όμως τη μηχανική μάθηση νομίζοντας ότι αναπαράγει την ανθρώπινη μάθηση σε όλο της το εύρος. Η ανθρώπινη μάθηση επεκτείνεται και δημιουργεί αξιακά συστήματα, ιεράρχηση σκοπών και στόχων, στοχευμένη αναδιάταξη σχεδίων δράσης κλπ. Η μηχανική μάθηση απέχει ακόμη πάρα πολύ από το να μιμηθεί αυτές τις ικανότητες. Και αν στο κείμενο αυτό χρησιμοποιώ λέξεις και φράσεις δανεισμένες από την ανθρώπινη μάθηση, αυτό γίνεται για λόγους αντιστοίχισης και κατανόησης, χωρίς να υπονοώ ότι η μία ταυτίζεται με την άλλη.

Στο σημείο όμως αυτό έχει γίνει πλέον κατανοητός ο τρίτος λόγος που η τεχνητή νοημοσύνη έχει κάνει τέτοια θεαματική πρόοδο: η διαθεσιμότητα τεραστίων όγκων κατάλληλων δεδομένων για την αποτελεσματική «εκπαίδευση» των αλγορίθμων μάθησης.

Αλλά πόσο «νοήμων» είναι η τεχνητή νοημοσύνη; Με άλλα λόγια, μήπως είναι δικαιολογημένοι όλοι οι φόβοι που εκφράζονται για τους έξυπνους υπολογιστές που όλο και περισσότερο συναγωνίζονται τους ανθρώπους σε τομείς που απαιτούν ευφυΐα (για παράδειγμα στη μετάφραση) και σε ορισμένους τομείς τους ξεπερνούν, όπως στο σκάκι; Για να απαντήσουμε την ερώτηση, ας δούμε καταρχάς πόσο κοντά βρίσκεται η τεχνητή νοημοσύνη στην νοημοσύνη του ανθρώπου.

Ας ξεκινήσουμε από μία προσεγγιστική ανάλυση της ανθρώπινης νοημοσύνης, από τα συστατικά της, σε τί ακριβώς συνίσταται αυτό που αποκαλούμε νοημοσύνη (ή οι κοντινές έννοιες όπως εξυπνάδα, ευφυΐα, οξύνοια, ευστροφία κλπ). Με την έννοια νοημοσύνη εννούμε συνήθως ένα σύνολο από ανθρώπινες ικανότητες, όπως να λύνουμε προβλήματα αξιοποιώντας τη φαντασία και την εμπειρία, να προσαρμοζόμαστε σε νέες καταστάσεις, να φανταζόμαστε καινούριες έννοιες, να συλλαμβάνουμε ιδέες, να μαθαίνουμε, δηλ. να αποθηκεύουμε υπάρχουσα γνώση και να δημιουργούμε νέα γνώση με συσχετισμούς και συλλογισμούς, να αντιλαμβανόμαστε τον κόσμο γύρω μας, ορατό και αόρατο (καταστάσεις, συναισθήματα δικά μας και των άλλων), να κάνουμε υποθέσεις και να τις ελέγχουμε για ορθότητα, να προσλαμβάνουμε πληροφορίες, να τις αξιολογούμε και να τις αξιοποιούμε, να κρίνουμε και να πράττουμε ανάλογα επιδιώκοντας συγκεκριμένους σκοπούς κλπ.

Ποιά από όλα αυτά τα στοιχεία έχει η τεχνητή νοημοσύνη; Και, αν κάποιες από αυτές τις δυνατότητες δεν τις έχει ακόμη, μήπως θα τις αποκτήσει με την πρόοδο της επιστήμης στα επόμενα χρόνια;

Θα προσπαθήσω να προσεγγίσω τα ερωτήματα αυτά με ένα χαρακτηριστικό παράδειγμα, αυτό της μηχανικής μετάφρασης με τη χρήση μίας τεχνολογίας αιχμής, των λεγομένων νευρωνικών δικτύων, σε αντιδιαστολή με την κλασσική μετάφραση από άνθρωπο. Ο άνθρωπος-μεταφραστής διαβάζει το κείμενο στην πρώτη γλώσσα έχοντας πλήρη γνώση της πρώτης γλώσσας, το κατανοεί, και στη συνέχεια το αποδίδει στη δεύτερη γλώσσα, έχοντας πλήρη γνώση της δεύτερης γλώσσας. Εστιάζουμε εδώ στη γνωστική λειτουργία της ενδιάμεσης κατανόησης, η οποία είναι και αυτονόητη αλλά και απαραίτητη. Με άλλα λόγια, δεν υπάρχει μετάφραση χωρίς ενδιάμεση κατανόηση. Και η κατανόηση δεν είναι εντελώς η ίδια για κάθε άνθρωπο, αλλά διαφέρει ανάλογα με το γνωστικό υπόβαθρο του συγκεκριμένου ανθρώπου. Απλά ο μεταφραστής επικεντρώνεται στην ουσία απομονώνοντας οτιδήποτε δεν είναι σημαντικό για την αποτελεσματικότητα του έργου του. Η συνεισφορά της ανθρώπινης παρέμβασης είναι ιδιαίτερα αισθητή στη διερμηνεία, όπου ο διερμηνέας αποδίδει όχι μόνο το νόημα των λόγων, αλλά συχνά αναπαράγει και το συναίσθημα του ομιλητή, ενσωματώνοντας στη διερμηνεία του την ένταση και τη χροιά της φωνής του ομιλητή.

Τί ακριβώς συμβαίνει στην περίπτωση της μηχανικής μετάφρασης; Μήπως μεσολαβεί και σ’αυτή την περίπτωση μία φάση κατανόησης, ή τουλάχιστον ένα ενδιάμεσο στάδιο που θα μπορούσε να ερμηνευτεί ως κατανόηση; Αντίθετα με την ανθρώπινη μετάφραση, το πρόγραμμα μηχανικής μετάφρασης (για παράδειγμα το Google Translate) κατά τη διάρκεια της «εκπαίδευσης» τροφοδοτείται με τεράστιο όγκο αντίστοιχων κειμένων στις δύο γλώσσες, και καταλήγει σε μία αντιστοίχιση φράσεων στην πρώτη γλώσσα με φράσεις στη δεύτερη μέσα από μία καθαρά αλγοριθμική επεξεργασία των δεδομένων, χρησιμοποιώντας ως ενδιάμεση γλώσσα τα Αγγλικά. Έτσι, για παράδειγμα η μετάφραση από Ελληνικά στα Γαλλικά ακολουθεί την σειρά Ελληνικά, Αγγλικά, Γαλλικά. Είναι φανερό ότι η διαδικασία αυτή δεν μπορεί να συγκριθεί με την ανθρώπινη σειρά Ελληνικά, κατανόηση από τον μεταφραστή, Γαλλικά. Τα ίδια περίπου ισχύουν και για το πρόγραμμα DeepL, οπότε και στην περίπτωση του DeepL δεν μπορούμε να μιλήσουμε για ένα ενδιάμεσο στάδιο κατανόησης.

Το παράδειγμα της μετάφρασης δεν υποτιμά ούτε απαξιώνει την επιστημονική πρόοδο σε εκείνους τους τομείς της τεχνητής νοημοσύνης όπου τα αποτελέσματα έχουν ήδη οδηγήσει σε χρήσιμες εφαρμογές, και η μηχανική μετάφραση είναι μόνο μία από αυτές. Φανταστείτε για παράδειγμα την πρόβλεψη του καιρού, όπου ο τεράστιος όγκος δεδομένων που έχει καταγραφεί επί σειρά ετών για τις διάφορες παραμέτρους που επηρεάζουν το καιρό, μπορεί να χρησιμοποιηθεί για την εκπαίδευση ένος συστήματος πρόβλεψης βασισμένου σε συσχετισμό των δεδομένων αυτών με τον καιρό που επακολουθεί. Και την επίδραση που έχει μία πιο ακριβής και αξιόπιστη πρόβλεψη στην απόδοση των γεωργικών καλλιεργειών ή στην κατανάλωση ενέργειας. Επίσης, φανταστείτε τον τεράστιο όγκο δεδομένων που μπορεί να συλλεχθεί για τη χρήση των μέσων συγκοινωνίας και τους διάφορους παράγοντες που την επηρεάζουν (οι καιρικές συνθήκες είναι ένας από αυτούς), και τη χρησιμότητα ενός συστήματος που θα προέβλεπε τη χρήση από το επιβατικό κοινό.

Υπάρχουν όμως και συστήματα τεχνητής νοημοσύνης των οποίων η λειτουργικότητα ξεπερνά τη φαντασία. Για παράδειγμα, υπάρχουν συστήματα για την ανίχνευση ανακριβών ειδήσεων (fake news) στα μέσα κοινωνικής δικτύωσης. Όπως και συστήματα για την αποφυγή της απάτης στις χρηματοοικονομικές συναλλαγές (fraud detection). Τα συστήματα αυτά εκπαιδεύονται με δεδομένα που έχουν ήδη καταγραφεί και η αξιοποίησή τους μέσω της τεχνητής νοημοσύνης προλαμβάνει ή καταστέλλει τις σχετικές παράνομες ενέργειες.

Αλλά χρειάζεται μεγάλη φαντασία για να συλλάβει κανείς ένα σύστημα τεχνητής νοημοσύνης με ανεπτυγμένη συνείδηση, ή ακόμη ένα τέτοιο σύστημα που επηρεάζεται στις ενέργειές του από το περιεχόμενο κάποιου υποσυνείδητου ή και ασυνείδητου, όπως ο άνθρωπος. Παραδοσιακά, τέτοια συστήματα έχει συλλάβει μέχρι στιγμής κυρίως η λογοτεχνία και έχει παραστήσει με συναρπαστικό τρόπο η βιομηχανία του Hollywood. Η ταινία Westworld από το 1973 είναι ένα ακόμη χαρακτηριστικό παράδειγμα.

Δεν είναι όμως όλα ρόδινα στον τομέα της τεχνητής νοημοσύνης. Υπάρχουν κίνδυνοι που οφείλονται είτε στις τεχνικές ατέλειες των εφαρμογών, είτε στην υπερβολική εμπιστοσύνη στα αποτελέσματα των συστημάτων, είτε στην ανεπαρκή εκπαίδευσή τους με δεδομένα που δεν είναι απόλυτα αντιπροσωπευτικά. Ένα πρόσφατο συμβάν με μία ερευνήτρια στην εταιρεία Google έφερε στη δημοσιότητα ιδιαίτερα το τελευταίο αυτό πρόβλημα. Η ερευνήτρια εξέφρασε βάσιμους ενδοιασμούς για το κατά πόσο οι ερευνητές που εξελίσσουν συστήματα τεχνητής νοημοσύνης, λαμβάνουν αρκετά μέτρα ώστε τα συστήματα αυτά να λειτουργούν κατά τρόπο αμερόληπτο και να είναι απαλλαγμένα από προκαταλήψεις. Ακόμη και η Ευρωπαϊκή Επιτροπή έχει ασχοληθεί με το θέμα των εφαρμογών της τεχνητής νοημοσύνης και το κατά πόσο πληρούν τις απαιτήσεις ηθικής, αντικειμενικότητας και αμεροληψίας που απαιτούνται από συστήματα που βρίσκουν εφαρμογές στην οικονομία ή και στη δημόσια διοίκηση. Το αποτέλεσμα ήταν ένα εκτενές κείμενο με κατευθυντήριες γραμμές για την ηθική κι αξιόπιστη χρήση της τεχνητής νοημοσύνης (Ethics Guidelines for Trustworthy AI).

Παραμένει όμως γεγονός ότι ο νομοθέτης τρέχει ασθμαίνοντας πίσω από τον επιστήμονα για να προλάβει την εξέλιξη και να νομοθετήσει ανάλογα. Πάντως, μάλλον θα αργήσουμε να ακούσουμε ένα σύστημα τεχνητής νοημοσύνης να δίνει στα σοβαρά το μύνημα όπως ο υπερυπολογιστής HAL στην ταινία «2001: A Space Odyssey»: “HAL 9000: I am putting myself to the fullest possible use, which is all I think that any conscious entity can ever hope to do” (προσπαθώ να γίνω όσο το δυνατό περισσότερο χρήσιμος, πιστεύοντας πως ποτέ καμμία οντότητα με συνείδηση δεν μπορεί να ελπίζει να πετύχει κάτι παραπάνω...).

Συμπερασματικά, μπορούμε να πούμε ότι δεν πρέπει να συγχέουμε την τεχνητή με την φυσική νοημοσύνη, διότι η πρώτη είναι περισσότερο τεχνητή παρά νοημοσύνη. Δεν ενσωματώνει παρά ένα πολλοστημόριο από τα συστατικά της ανθρώπινης νοημοσύνης και είναι ένα εργαλείο μάλλον παρά ένα υποκατάστατο. Έτσι όπως ένα κατσαβίδι ή ένα σφυρί επεκτείνει τις δυνατότητες του ανθρώπινου χεριού για συγκεκριμένες εργασίες, έτσι και ένα σύστημα τεχνητής νοημοσύνης, ως προσθετικό μέλος στην ανθρώπινη νοημοσύνη, επεκτείνει τις γνωστικές δυνατότητες, πάντα για συγκεκριμένες εργασίες. Θα αργήσουμε όμως να δούμε (αν δούμε) ένα σύστημα τεχνητής νοημοσύνης να διαθέτει την ικανότητα να καταθέσει μόνο του μία αίτηση για δίπλωμα ευρεσιτεχνίας για μία δική του επινόηση, ή να ιδρύσει ένα πολιτικό κόμμα.

Παράλληλα, τα ωφέλη από την επιστημονική εξέλιξη και τις εφαρμογές που βρίσκουν το δρόμο τους στην καθημερινότητά μας, σκόπιμο είναι να συνοδεύονται από μία κριτική αλλά και εποικοδομητική επαγρύπνηση. Στην αλληλεπίδραση με συστήματα τεχνητής νοημοσύνης, δεν είναι αποδεκτό να έχει κάποιος ένα μειονέκτημα που δεν θα είχε αν η αλληλεπίδραση ήταν μεταξύ ανθρώπων.