Τεχνητή Νοημοσύνη. Μια ευκαιρία για την Ελλάδα

Στα σύνορα της οικονομίας, της επιστήμης των υπολογιστών, της ψυχολογίας, της κοινωνιολογίας, της σημασιολογίας και της λογικής, η Τεχνητή Νοημοσύνη είναι η επιστήμη που επιτρέπει την προσέγγιση και τη μελέτη πολύπλοκων προσαρμοστικών συστημάτων, όπως η ανθρώπινη συμπεριφορά. Αν και γενικά η τεχνολογία δεν μπορεί να ευδοκιμήσει πάρα μόνο σε ανεπτυγμένες χώρες με βιομηχανία, εν τούτοις ίσως υπάρχει μια ευκαιρία για την Ελλάδα σε αυτό το τομέα. Η ευκαιρία είναι να εκμεταλλευτεί την (προσωρινή) βασική αδυναμία της εφαρμογής της τεχνητής νοημοσύνης : την κατανόηση του τρόπου λειτουργίας άρα και χρήσης της. Επειδή υπάρχει σύγχιση με τις έννοιες … τεχνητή νοημοσύνη, μηχανική μάθηση και εις βάθος μηχανική μάθηση ας τα πάρουμε από την αρχή.

Τι είναι η μηχανική μάθηση (Machine learning). Η μηχανική μάθηση είναι υποτομέας της τεχνητής νοημοσύνης που χρησιμοποιεί στατιστικές τεχνικές για να δώσει στον υπολογιστή τη δυνατότητα να “μαθαίνει”, (δηλαδή να βελτιώνει προοδευτικά την απόδοση μιας συγκεκριμένης εργασίας) από παραδείγματα.

Και η εις βάθος μάθηση (deep learning), που ταυτίζουμε πλέον με την τεχνητή νοημοσύνη, είναι η ίδια υποτομέας της μηχανικής μάθησης, στην οποία αναπτύσσουμε αλγόριθμους που εκπαιδεύονται απ΄ ευθείας από μεγάλους όγκους δεδομένων (εικόνες, κείμενα, ομιλίες, video, κλπ…) χωρίς ανθρώπινη επέμβαση, αλγόριθμοι που είναι ικανοί να αναγνωρίσουν αφηρημένες έννοιες, όπως ένα μικρό παιδί μπορεί να διακρίνει ένα σκύλο από ένα άλογο. Τα μοντέλα βαθιάς μάθησης χρησιμοποιούν αρχιτεκτονικές νευρωνικών δικτύων, με βασικό πλεονέκτημα ότι συνεχίζουν να βελτιώνονται όσο αυξάνεται η ροή και το μέγεθος των δεδομένων.

Η εις βάθος μάθηση είναι η βασική τεχνολογία πίσω από τα αυτοκίνητα χωρίς οδηγό, επιτρέποντάς τους να αναγνωρίσουν μια πινακίδα στάσης ή να διακρίνουν έναν πεζό από ένα κάδο σκουπιδιών. Είναι το κλειδί του φωνητικού ελέγχου σε τηλέφωνα, tablet, τηλεοράσεις και της αυτοματοποιημένης μετάφρασης κειμένου και ομιλίας, κλειδί για την ασφάλεια των προσωπικών δεδομένων, την διαχείριση επικοινωνίας πελατών, την βελτιστοποίηση παραγωγής, την πρόβλεψη πωλήσεων, στον δε ιατρικό κλάδο όπου γίνεται ήδη ευρέα χρήση, για την αυτόματη ανίχνευση και πρόβλεψη εξέλιξης παθήσεων κλπ…

Κλασική Διάγνωση

Εάν ένας ασθενής ρωτήσει τον γιατρό του γιατί και με ποιό τρόπο διέγνωσε την ασθένειά του, ο γιατρός με βάση τις εξετάσεις (π.χ. μαγνητική τομογραφία) και την εμπειρία του μπορεί να τεκμηριώσει την διάγνωση του. Η μέθοδος αυτή είναι η προ τεχνητής νοημοσύνης εφαρμογή των expert systems στην λήψη αποφάσεων.

Μηχανική Μάθηση

Στη μηχανική μάθηση, οι αλγόριθμοι αποκτούν τις γνώσεις μέσω της εμπειρίας. Η μηχανική μάθηση βασίζεται σε μεγάλα σύνολα δεδομένων μέσα στα οποία προσπαθεί να βρει κοινά μοτίβα. Για παράδειγμα αν έχουμε δεδομένα από περιπτώσεις θετικής και αρνητικής εξέλιξης μιας πάθησης με βάση εξετάσεις (μαγνητικές τομογραφίες), ο αλγόριθμος εξετάζει τις εικόνες και ταυτίζει πρότυπα που υπάρχουν μεταξύ αυτών των εικόνων που έχουν παρόμοιες συνθήκες. Οι γκρι κουκκίδες είναι οι εικόνες εισόδου και οι μπλε και πράσινες οι εικόνες με το χαρακτηρισμός της εξέλιξης της νόσου.

Όταν ο αλγόριθμος λάβει μια νέα εικόνα, θα συγκρίνει το μοτίβο που υπάρχει σε αυτή με το πρότυπο που έμαθε από την ανάλυση όλων των προηγούμενων εικόνων και θα είναι σε θέση να προβλέψει την εξέλιξη της ασθένειας. Με βάση αυτή τη πρόβλεψη ο γιατρός θα μπορέσει να προσαρμόσει την θεραπεία την οποία σκόπευε να χορηγήσει με την κλασική μέθοδο

Deep Learning

Εάν τώρα ένας γιατρός βασισθεί σε μοντέλο τεχνητής νοημοσύνης δεν θα μπορεί να εξηγήσει την διάγνωση ούτε στον εαυτό του ! Ένα μοντέλο τεχνητής νοημοσύνης παράγει απαντήσεις σε σχέση με τη διαδρομή που κάνει μέσα από τα δεδομένα που επεξεργάζεται. Ο άνθρωπος προσφέρει στον αλγόριθμο δεδομένα χωρίς κανένα πλαίσιο εννοιολογικό και ο αλγόριθμος παράγει αποτελέσματα με βάση μια επεξεργασία που μέχρι στιγμής ο επιστήμονας δεν μπορεί να καταλάβει. Έτσι το μοντέλο τεχνητής νοημοσύνης μπορεί να έχει κάνει μια πρόβλεψη με βάση κάποιες ανωμαλίες σε μια μαγνητική τομογραφία ενός ασθενή ή σε συνδυασμό με κάποια από τα εισαγωγικά δεδομένα του ιστορικού του (αιματολογικές ή άλλες εξετάσεις, τρόπο ζωής, κλπ…) ακόμα και από παρατηρήσεις του ή των γιατρών τόσο για τον ίδιο τον ασθενή όσο και για παρόμοιες περιπτώσεις. Δεν υπάρχει κανένας τρόπος ώστε ο γιατρός να καταλάβει πως το μοντέλο τεχνητής νοημοσύνης κατέληξε στην πρόβλεψη. Το πρόβλημα αυτό που ονομάζουμε «μαύρο κουτί» της τεχνητής νοημοσύνης.

Πώς ξεπερνάμε το πρόβλημα. Η ευκαιρία για την Ελλάδα

Πως ξεπερνάμε το πρόβλημα του «μαύρου κουτιού». Εδώ υπάρχουν δυο προσεγγίσεις η μια μόνο με βάση την τεχνολογία όπου ήδη στο ΜΙΤ πειραματίζονται, ώστε να πετύχουν να εκπαιδεύσουν ένα νευρωνικό δίκτυο να μάθει πώς να εξηγεί τον εαυτό του. Στην ουσία μιλάμε για Μετα μοντέλο όπου όλα είναι ένα νευρωνικό δίκτυο από την επεξεργασία δεδομένων μέχρι και την ανάγνωση των αποτελεσμάτων χωρίς καμία ανθρωπινή παρέμβαση.

Η άλλη προσέγγιση είναι η δημιουργία μετα-μοντέλων ικανών να εξηγήσουν τα αποτελέσματα εφαρμογής της εις βάθος μάθησης με την σύμπραξη επιστημόνων τεχνητής νοημοσύνης και Ελληνικών επιχειρήσεων. Στην αρχή του άρθρου είπαμε ότι η Τεχνητή Νοημοσύνη είναι κάτι μεγαλύτερο από απλή μηχανική μάθηση. Τα δεδομένα τα ίδια είναι αποτυπώματα ανθρωπίνων πράξεων άρα η προσπάθεια κατανόησης των πορισμάτων της τεχνητής νοημοσύνης απαιτεί κοινωνιολογική, σημασιολογική, ψυχολογική προσέγγιση. Δηλαδή μια διεπιστημονική ομάδα και φυσικά πριν από όλα την ενεργή συμμετοχή experts από τον κάθε επιχειρηματικό τομέα.

Η Ελλάδα έχει στελέχη όχι μόνο υψηλού επιπέδου αλλά και σκληραγωγημένα στα δύσκολα και εδώ είναι η ευκαιρία της χώρας μας έναντι του ανταγωνισμού. Αν καταστεί δυνατή η εμπλοκή ελληνικών επιχειρήσεων τότε είναι εφικτό να αποκτηθεί η κατάλληλη τεχνογνωσία ανά κλάδο ή οποία θα είναι και εξαγώγιμο προϊόν! Η εταιρία μας θέτοντας την συνεργασία των επιχειρήσεων στο κέντρο της στρατηγικής της κατόρθωσε να πετύχει αυτή τη σύμπραξη αποδεικνύοντας ότι είναι εφικτό και δημιουργώντας παράλληλα εφαρμογές state of the science.