Μία πρόσφατη είδηση είναι πως οι ερευνητές της Google αποκάλυψαν τη δημιουργία μίας μηχανής τεχνητής νοημοσύνης η οποία θα έχει την αίσθηση της όσφρησης. Κατηγοριοποιώντας με ακρίβεια τις διαφορετικές οσμές και αξιολογώντας τη μοριακή τους δομή οι ερευνητές εισήγαγαν τα σχετικά δεδομένα στο νευρωνικό δίκτυο του μηχανήματος.
Ως εκ τούτου, η εκμάθηση μηχανών πέρα από την όραση και την ακοή ίσως σύντομα να κατακτήσει και την αίσθηση της όσφρησης.
Ο όρος της τεχνητής νοημοσύνης είναι δύσκολο να συμπεριλάβει όσα ταχύτατα εξελίσσονται το τελευταίο διάστημα, ενώ μάλιστα για κάποιους ερευνητές ίσως ακόμα δεν έχουμε φτάσει στην τεχνητή νοημοσύνη αλλά βρισκόμαστε στο στάδιο της βαθιάς μηχανικής μάθησης (Deep Learning). Ιδιαίτερο ενδιαφέρον παρουσιάζουν οι αντιδράσεις που δημιουργούνται από το ερώτημα: «Μπορούν οι υπολογιστές να αποφασίσουν για σημαντικά θέματα που άπτονται της καθημερινότητας;». Ίσως υπάρχει υπερβολή στα όσα αναφέρονται για το ότι η τεχνητή νοημοσύνη θα ξεπεράσει την ανθρώπινη, αλλά σίγουρα θα χρειαστεί ένα σχετικό ρυθμιστικό πλαίσιο λειτουργίας. Ίσως επίσης, χαθούν θέσεις εργασίας αλλά από την άλλη ενδεχομένως θα δημιουργηθούν νέες. Σίγουρα, τα ερωτήματα αυτά προέρχονται από τη μεγάλη έκθεση όλων μας στις νέες εξελίξεις αλλά ακόμα είναι εξαιρετικά δύσκολο να απαντηθούν από τους ειδικούς καθώς το μοντέλο πρόβλεψης των εξελίξεων είναι πολυπαραγοντικό.
Για παράδειγμα, οι ευφυείς μηχανές ακόμα δε μπορούν να γνωρίζουν την αιτία λήψης αποφάσεων καθώς δεν έχουν αναπτύξει αντίστοιχο νοητικό επίπεδο και προς το παρόν βασίζονται στη μίμηση του ανθρώπινου εγκεφάλου. Ακόμα, οι επιστήμονες πιστεύουν ότι απαιτείται καλύτερη κατανόηση του ανθρώπινου εγκεφάλου και της κοινής λογικής που τον οδηγεί στη λήψη αποφάσεων ώστε να μεταφερθεί η γνώση στα προγράμματα τεχνητής νοημοσύνης.
Προσπερνώντας τα ερωτήματα που δε μπορούν να απαντηθούν άμεσα, σκοπός του άρθρου είναι να παρουσιαστούν οι βασικοί πυλώνες ενδιαφέροντος σχετικά με την τεχνητή νοημοσύνη που ίσως συναντήσουμε το προσεχές διάστημα.
Deep Learning
Η βαθιά μάθηση είναι μια μορφή τεχνητής νοημοσύνης, η οποία αναπτύσσει αλγορίθμους που ονομάζονται τεχνητά νευρωνικά δίκτυα τα οποία δουλεύουν με τη μοντελοποίηση της ανθρώπινης λειτουργίας και της δομής του εγκεφάλου. Πρακτικά, ένα πρόγραμμα μηχανικής μάθησης λαμβάνει ψηφιακά ερεθίσματα και στη συνέχεια με στατιστικές μεθόδους κάνει τα βήματα προς τη λήψη της απόφασης.
Παραδείγματα εφαρμογών που περιλαμβάνονται στο πεδίο αυτό είναι η αυτόματη δημιουργία κειμένου ή τα αυτόνομα οχήματα. Ορισμένα μοντέλα βαθιάς μάθησης εξειδικεύονται στις πινακίδες των δρόμων ενώ άλλα είναι εκπαιδευμένα να αναγνωρίζουν τους πεζούς. Επιπρόσθετα, η βαθιά εκμάθηση έχει δώσει εξαιρετική ανθρώπινη ακρίβεια στη ταξινόμηση εικόνων και την ανίχνευση αντικειμένων αναγνωρίζοντας ακόμα και χειρόγραφα ψηφία.
Η Αναγνώριση Προσώπου (Facial Recognition)
Η τεχνολογία αναγνώρισης προσώπου με βάση τα χαρακτηριστικά του προσώπου έχει λάβει τεράστια δημοσιότητα ενώ παράλληλα δέχεται και αρνητική κριτική.
Δύο παραδείγματα που ίσως έχετε συναντήσει είναι το πρόγραμμα Deep του Facebook για εύκολη αναγνώριση επαφών στις φωτογραφίες καθώς και το πρόγραμμα αναγνώρισης προσώπου στο IPhoneX ως «ψηφιακό κωδικό πρόσβασης».
Η βιομετρική αναγνώριση αναμένεται να εξελιχθεί τόσο ώστε να μπορεί να υποστηρίζει την πραγματοποίηση ή επεξεργασία πληρωμών ή ακόμα και ιατρικές διαγνωστικές διαδικασίες.
Privacy and Policy
Οι περισσότεροι άνθρωποι δυσκολεύονται ή δε γνωρίζουν πώς να χρησιμοποιούν τις ψηφιακές τους πληροφορίες που χρησιμοποιούνται στην ανάπτυξη εφαρμογών τεχνητής νοημοσύνης. Σε αρκετές δε περιπτώσεις δεν είναι καν ενημερωμένοι για τη χρήση της.
Το θέμα της ιδιωτικότητας θα αποκτά όλο και μεγαλύτερη σημαντικότητα καθώς όλοι οι αρμόδιοι φορείς θα αναζητούν στρατηγικές και πρωτοβουλίες για την καθοδήγηση της ανάπτυξης των κανονισμών τεχνητής νοημοσύνης (AI).
Απαραίτητα συστατικά θα είναι η διαφάνεια, η ασφάλεια και η συνειδητοποίηση των σύνθετων τεχνολογιών της AI.
Κβαντικοί Υπολογιστές
Ο ρόλος των κβαντικών υπολογιστών είναι εξαιρετικού ενδιαφέροντος, ενώ έχει εστιάσει κυρίως στο κομμάτι της κρυπτογράφησης έτσι ώστε να μπορεί να υποστηρίξει τις λειτουργίες της τεχνητής νοημοσύνης. Επίσης, σημαντικός είναι και ο ρόλος της υπολογιστικής νέφους στις μεγάλες απαιτήσεις διαχείρισης δεδομένων καθώς οι μεγαλύτεροι προμηθευτές υπηρεσιών cloud όπως οι Amazon Web Service (AWS), Alibaba, Google, IBM, Microsoft και η Oracle μεγαλώνουν τον κατάλογο των παρεχόμενων υπηρεσιών σε όλο και περισσότερες περιοχές του πλανήτη.
Αυξημένη Αυτοματοποίηση
Είναι αρκετά σαφές ότι η χρήση της Τεχνητής Νοημοσύνης θα αυξήσει την αυτοματοποίηση στην πλειονότητα των βιομηχανιών παγκοσμίως. Για παράδειγμα, η Amazon έχει ήδη αρχίσει να χρησιμοποιεί ρομπότ στις λειτουργίες της καθώς λειτουργούν ταχύτερα και με μεγαλύτερη ακρίβεια. Οι υπέρμαχοι της νέας τεχνολογίας αναφέρουν ότι οι διαδικασίες δεν θα περιλαμβάνουν ανθρώπινα λάθη και αυτό θα βελτιώσει τις υπηρεσίες που παρέχονται από τόσες πολλές διαφορετικές εταιρείες. Η αύξηση της χρήσης της τεχνητής νοημοσύνης είναι από την άλλη πιθανό να δημιουργήσει νέες θέσεις εργασίας, καλύπτοντας ή ακόμα και υπερκαλύπτοντας τα κενά που θα δημιουργηθούν από τη χρήση της. Για παράδειγμα θέσεις υψηλότερης ειδίκευσης για το σχεδιασμό λειτουργιών τεχνητής νοημοσύνης, σχετική έρευνα, δημιουργία νομικού πλαισίου κ.α. θα δημιουργηθούν.
Η Μηχανική Μάθηση είναι ίσως ο πιο ταχύτατα αναπτυσσόμενος τομέας της Τεχνητής Νοημοσύνης, βασιζόμενη κυρίως στο deep learning, καθιστά τις μηχανές ικανές να μαθαίνουν μέσα από την εμπειρία, βρίσκοντας ευρεία εφαρμογή. Γνωρίζοντας βασικές έννοιες του θέματος μπορούμε να παρακολουθούμε τις εξελίξεις με ενδιαφέρον.
*Ο Δρ. Γεώργιος Μωράτης είναι Μεταδιδακτορικός Ερευνητής του Οικονομικού Πανεπιστημίου Αθηνών και Επιστημονικός Συνεργάτης του Ινστιτούτου Χρηματοοικονομικού Αλφαβητισμού.