Ας ξεκινήσουμε με την πιο βασική ερώτηση. Δεδομένης της εμπειρίας σας, Emanuela, τι γνωρίζετε για τις παγκόσμιες στρατηγικές στον τομέα της τεχνητής νοημοσύνης; Ποιο είναι το πλαίσιο; Ποια είναι τα διεθνή μοντέλα; Έχω ακούσει ιδιαίτερα για την Αμερική. Ποιο είναι το διεθνές πλαίσιο;

Ναι, σας ευχαριστώ, Fulvio, και καλημέρα σε όλους. Σίγουρα αυτή τη στιγμή, ας πούμε ότι η τεχνολογία της τεχνητής νοημοσύνης θεωρείται σαν μια στρατηγική τεχνολογία για την ανάπτυξη των μελλοντικών κοινωνιών. Και πολλές χώρες έχουν αρχίσει να ασχολούνται με την τεχνητή νοημοσύνη, επενδύοντας πολλούς πόρους και – κυρίως – αναπτύσσοντας μια εθνική στρατηγική για την τεχνητή νοημοσύνη. Αυτή τη στιγμή, υπάρχουν περίπου 50 εθνικές στρατηγικές για την τεχνητή νοημοσύνη σε όλο τον κόσμο και μερικές βρίσκονται υπό ανάπτυξη, οπότε θα δημοσιευθούν τα επόμενα χρόνια ή ακόμη και φέτος, και έτσι όλες οι χώρες έχουν θεωρήσει αυτές τις τεχνολογίες ως πραγματικά στρατηγικές λόγω της ανατρεπτικής πτυχής που έχει η τεχνητή νοημοσύνη στην κοινωνία, ήδη σήμερα στην καθημερινή μας ζωή και όλο και περισσότερο στη ζωή μας στο μέλλον. Ειδικότερα, όμως, ας πούμε ότι παρόλο που υπάρχουν ήδη 50 διαφορετικές στρατηγικές παγκοσμίως, μπορούμε βασικά να μιλήσουμε για δύο-τρία μοντέλα ανάπτυξης της τεχνητής νοημοσύνης σε παγκόσμιο επίπεδο, δηλαδή το αμερικανικό μοντέλο, το κινεζικό μοντέλο και, ενδιάμεσα, το ευρωπαϊκό μοντέλο που εισήλθε πρόσφατα. Με μια πρώτη ματιά, το αμερικανικό και το κινεζικό μοντέλο, φαίνονται μάλλον διαφορετικά, αλλά υπάρχουν πράγματι μεγάλες ομοιότητες, διότι και στα δύο μοντέλα, στην πραγματικότητα, η ανάπτυξη των τεχνολογιών τεχνητής νοημοσύνης καθοδηγείται από μεγάλους ιδιωτικούς ομίλους που έχουν, μεταξύ άλλων, παρουσία σε όλο τον κόσμο – όχι μόνο στην Κίνα και τις Ηνωμένες Πολιτείες. Οι δύο μεγάλες διαφορές μεταξύ αυτών των ομάδων είναι ότι ενώ στην Κίνα έχουμε μια τάση προς τον κυβερνητικό έλεγχο αυτών των τεχνολογιών, στις Ηνωμένες Πολιτείες υπάρχει ένα είδος τάσης αντίθετα προς την απορρύθμιση, άρα ένα είδος έλλειψης ρύθμισης αυτών των τεχνολογιών. Η Ευρώπη ξεκίνησε λίγο καθυστερημένα όσον αφορά τις επενδύσεις στην ανάπτυξη και την υιοθέτηση αυτών των τεχνολογιών, και συγκεκριμένα ξεκίνησε το 2016 με μια συμφωνία το 2018 “παντρεμένη” με μια συμφωνία συνεργασίας μεταξύ όλων των κρατών μελών για την ανάπτυξη ενός συντονισμένου σχεδίου για την ανάπτυξη τεχνολογιών τεχνητής νοημοσύνης. Ξεκινώντας λίγο καθυστερημένα, αποφάσισε, ωστόσο, να επικεντρωθεί στο ηθικό όραμα και, ως εκ τούτου, κυρίως στον καθορισμό ηθικών κατευθυντήριων γραμμών για την ανάπτυξη τεχνολογιών τεχνητής νοημοσύνης. Και από αυτή την ερευνητική ομάδα που συγκάλεσε η Ευρωπαϊκή Επιτροπή προέκυψε το ευρωπαϊκό όραμα για την τεχνητή νοημοσύνη, το οποίο ορίζεται ως “ανθρωποκεντρικό”, δηλαδή θέτει τον άνθρωπο στο επίκεντρο και προωθεί τη χρήση των τεχνολογιών τεχνητής νοημοσύνης για τη βελτίωση της ζωής των ανθρώπων. Η δεύτερη πτυχή, ωστόσο, είναι ότι προωθεί τη χρήση “αξιόπιστων” τεχνολογιών, δηλαδή αξιόπιστων. Αυτό βρίσκεται κατά κάποιο τρόπο στην καρδιά του ευρωπαϊκού οράματος. Αξιόπιστες, διότι αν σκεφτούμε έναν πολύ απλουστευμένο ορισμό των τεχνολογιών τεχνητής νοημοσύνης, όπου και με τις οποίες μπορούμε να εντοπίσουμε συστήματα που αναλύουν το περιβάλλον τους, δηλαδή συλλέγουν δεδομένα προκειμένου να επιτύχουν έναν συγκεκριμένο στόχο και το κάνουν αυτόνομα, επιδεικνύοντας μια συμπεριφορά που αν την εκτελούσε ένας άνθρωπος, θα μπορούσαμε να την ορίσουμε ως ευφυή συμπεριφορά. Τώρα, για να μπορέσουν αυτά, όταν επιτύχουν αυτόν τον στόχο, να εκτελέσουν κάποια ενέργεια που ορίζεται από τον άνθρωπο, για να μπορέσει ο άνθρωπος να αποδεχθεί το αποτέλεσμα αυτής της ενέργειας ή απόφασης – που λαμβάνεται από ένα αυτόνομο σύστημα – και επομένως να εμπιστευτεί τόσο τη χρήση αυτών των συστημάτων όσο και τις ενέργειες ή αποφάσεις που λαμβάνονται από αυτά τα συστήματα, πρέπει να είναι αξιόπιστα (“trustworthy”). Και τι σημαίνει αυτό, αξιόπιστο / αξιόπιστη; Ας πούμε ότι όσον αφορά την ευρωπαϊκή εκδοχή και τον ορισμό της αξιόπιστης τεχνολογίας, σημαίνει τρία πράγματα. Βασικά, σημαίνει ότι πρέπει να συμμορφώνονται με τους ευρωπαϊκούς νόμους, με τις ηθικές αξίες που περιλαμβάνονται στον Ευρωπαϊκό Χάρτη Δικαιωμάτων και πρέπει να είναι ασφαλείς από άποψη τεχνικής ευρωστίας, δεν πρέπει να βλάπτουν τους ανθρώπους. Έτσι, εάν τα συστήματα αυτά πληρούν τις τρεις απαιτήσεις, είναι ηθικά ορθά, τότε η Ευρωπαϊκή Επιτροπή λέει ότι μπορούν να αναπτυχθούν και να χρησιμοποιηθούν εντός της Ευρωπαϊκής Κοινότητας. Στη συνέχεια, η Ευρωπαϊκή Επιτροπή προχώρησε και ανέπτυξε ένα σύνολο δύο σημαντικών εγγράφων, μια λευκή βίβλο, μια ευρωπαϊκή στρατηγική για τα δεδομένα, αλλά στην πραγματικότητα το έγγραφο που αυτή τη στιγμή είναι πιο αμφιλεγόμενο αλλά και πιο σημαντικό είναι αυτό που παρουσιάστηκε τον Απρίλιο του 2021 και είναι η λεγόμενη Πράξη Τεχνητής Νοημοσύνης, η οποία είναι ένα σύνολο εγγράφων που αποτελούν την πρώτη πρόταση στον κόσμο για τη ρύθμιση της χρήσης συστημάτων τεχνητής νοημοσύνης. Το έγγραφο αυτό είναι πολύ σημαντικό διότι πρώτα απ’ όλα χρησιμοποιεί μια προσέγγιση με βάση τον κίνδυνο, δηλαδή χωρίζει όλα τα συστήματα τεχνητής νοημοσύνης σε τέσσερις κατηγορίες με βάση τον κίνδυνο. Η πρώτη θεωρείται ως τα συστήματα απαράδεκτου κινδύνου, οπότε αυτά είναι τα συστήματα που απαγορεύονται εντός της Ευρωπαϊκής Κοινότητας. Στη συνέχεια υπάρχουν τα συστήματα υψηλού κινδύνου, τα συστήματα μεσαίου κινδύνου και τα συστήματα χαμηλού κινδύνου. Όσον αφορά τα συστήματα υψηλού και μεσαίου κινδύνου, ορίζεται μια ολόκληρη σειρά απαιτήσεων, οι λεγόμενοι κατάλογοι αξιολόγησης, δηλαδή μια σειρά απαιτήσεων ή πιστοποιήσεων που πρέπει να διαθέτουν τα συστήματα αυτά προκειμένου να χρησιμοποιηθούν στην ενιαία αγορά της Ευρωπαϊκής Κοινότητας. Έτσι, αυτές οι πτυχές είναι πολύ σημαντικές και υπάρχει μεγάλη συζήτηση εντός της Ευρωπαϊκής Επιτροπής, καθώς από τη μία πλευρά, λέγεται ότι στόχος της Ευρωπαϊκής Επιτροπής είναι να ενθαρρύνει την ανάπτυξη και τη χρήση τεχνολογιών τεχνητής νοημοσύνης που κατά κάποιο τρόπο σίγουρα προστατεύουν τους ανθρώπους και προστατεύουν τους Ευρωπαίους πολίτες, αλλά ταυτόχρονα να υπάρχει ένα είδος ασφάλειας δικαίου για τις εταιρείες, ώστε να είναι σε θέση να αναπτύξουν αυτά τα συστήματα σε ένα ασφαλές περιβάλλον από νομοθετική άποψη, ώστε να μην έχουν κινδύνους όταν εισάγουν τεχνολογίες τεχνητής νοημοσύνης στα προϊόντα και τις υπηρεσίες τους, στην προσφορά τους στην αγορά. Σαφώς, ο μεγαλύτερος περιορισμός που συζητείται αυτή τη στιγμή είναι ότι η υπερβολική ρύθμιση θα μπορούσε κατά κάποιο τρόπο να περιορίσει την καινοτομία. Και αυτό ισχύει ιδιαίτερα αν λάβουμε υπόψη μας τα δύο συστήματα για τα οποία μιλήσαμε προηγουμένως, το κινεζικό και το αμερικανικό, όπου στην πραγματικότητα υπάρχει πολύ λιγότερη ρύθμιση, και ιδιαίτερα το αμερικανικό σε σύγκριση με την ευρωπαϊκή αγορά που προσπαθούμε να δημιουργήσουμε. Και έτσι είναι πολύ δύσκολο από τη μία πλευρά να εξισορροπήσουμε την ανάγκη ρύθμισης αυτών των συστημάτων, τα οποία αν χρησιμοποιηθούν με κακόβουλο τρόπο μπορούν πραγματικά να προκαλέσουν ζημιά, και από την άλλη πλευρά να προσπαθήσουμε να ενθαρρύνουμε την ανάπτυξη της ευρωπαϊκής καινοτομίας και να διασφαλίσουμε ότι θα υπάρξει επίσης πραγματική ανάπτυξη των τεχνολογιών τεχνητής νοημοσύνης, αλλά όχι μόνο της τεχνητής νοημοσύνης, αλλά στην πραγματικότητα όλων των υποστηρικτικών τεχνολογιών. Έτσι, σκέφτομαι το blockchain, σκέφτομαι τις τεχνολογίες νέφους, σκέφτομαι την υπολογιστική απόδοση, διότι είναι πραγματικά πολύ σημαντικό να μπορούν αυτές οι τεχνολογίες να αναπτυχθούν και σε ευρωπαϊκό επίπεδο και να υλοποιηθεί επομένως αυτό που αποκαλείται ευρωπαϊκή τεχνολογική κυριαρχία στο συντονισμένο σχέδιο. Ας σκεφτούμε επίσης, για παράδειγμα, το σχέδιο Gaia X, το οποίο στοχεύει στον ίδιο στόχο, δηλαδή στην επίτευξη ενός είδους ευρωπαϊκής τεχνολογικής κυριαρχίας.

Σας ευχαριστώ για τις εκτιμήσεις σας, οι οποίες σε μεγάλο βαθμό συμπίπτουν με ορισμένες από τις αμφιβολίες που είχα. Καταλαβαίνω, ωστόσο, ότι το ουσιαστικό πράγμα που έχουμε περισσότερο από τους άλλους είναι ακριβώς η έννοια του “ανθρωποκεντρικού”, σωστά; Το περίφημο “Human in the loop” που πολλοί λένε “on the loop”, σωστά, δηλαδή στο τέλος / στην κορυφή πρέπει να υπάρχει ένας “άνθρωπος”, και προσωπικά ανησυχώ πολύ για το τι έχει πει ρητά η Ευρωπαϊκή Επιτροπή ότι δεν μπορεί να ασχοληθεί, ότι είναι στρατιωτικά θέματα, έχουμε ήδη ασχοληθεί με άλλες συνεντεύξεις, πολύ ανησυχητικό γιατί δεν υπάρχει ο άνθρωπος στο βρόχο. Ωστόσο, αυτό είναι ένα θέμα που δεν έχει καμία σχέση με αυτό που αντιμετωπίζουμε τώρα, είναι μόνο μια σκέψη μεταξύ μας που μελετάμε και αντιμετωπίζουμε αυτά τα θέματα .

Έτσι έχουμε δει τον κόσμο και την Ευρώπη. Τι λέτε για την Ιταλία; Ποια είναι η κατάσταση της Ιταλίας; Μεταξύ άλλων, στην Ιταλία, όπως και στην υπόλοιπη Ευρώπη, αλλά εμείς ειδικότερα, τελευταία υπάρχει και ο όρος “βιωσιμότητα” στον οποίο αναφερόμαστε συχνά. Ποια είναι η ιταλική προσέγγιση, η ιταλική στρατηγική και η προσέγγισή μας, ας πούμε, στην Αειφορία και στη σημασία της χρήσης της τεχνητής νοημοσύνης και της επένδυσης σε συστήματα τεχνητής νοημοσύνης;

Η Ιταλία έχει αναπτύξει διαφορετικές στρατηγικές. Προς το παρόν συμμετείχα στις εργασίες που οδήγησαν στην ανάπτυξη της στρατηγικής για την τεχνητή νοημοσύνη που προωθείται από το Υπουργείο Οικονομικής Ανάπτυξης (MISE). Υπήρχαν στην πραγματικότητα άλλες δύο πρωτοβουλίες, οπότε έχουμε αναπτύξει στην πραγματικότητα πολλές στρατηγικές, αλλά μέχρι σήμερα δεν έχουμε δημοσιεύσει ούτε μία. Τώρα τα νέα των τελευταίων ημερών είναι ότι μια ομάδα που αποτελείται από τρία υπουργεία δημιούργησε μια νέα ομάδα εργασίας που πρέπει να αναλύσει εκ νέου το έγγραφο που γράψαμε στο MISE, και ελπίζω πραγματικά ότι θα προτείνουν τη φάση της εκτέλεσης, δηλαδή την πραγματική εφαρμογή της στρατηγικής, την εκτέλεσή της, την εκτέλεση που είναι το θεμελιώδες πράγμα, οπότε πραγματικά το ελπίζουμε. Αυτό θα είναι το σημείο καμπής και για την Ιταλία, είναι κρίμα γιατί στην Ιταλία έχουμε τόση αριστεία, κατά τη γνώμη μου, ειδικά όσον αφορά, π.χ., την έρευνα και την ανάπτυξη της τεχνητής νοημοσύνης, αλλά δυστυχώς υπάρχει έλλειψη στρατηγικού οράματος αυτή τη στιγμή, για το ποιες θα μπορούσαν να είναι οι εφαρμογές, οι χρήσεις και οι εξελίξεις της τεχνητής νοημοσύνης που εφαρμόζονται στους διάφορους τομείς της κοινωνίας.

Από την άλλη πλευρά, η προτεινόμενη ιταλική στρατηγική που έχουμε εκπονήσει βασίζεται σε τρεις πυλώνες. Ο πρώτος ήταν η τεχνητή νοημοσύνη για τον άνθρωπο, άρα απολύτως σύμφωνη με το ευρωπαϊκό ανθρωποκεντρικό όραμα, ο δεύτερος η τεχνητή νοημοσύνη για μια παραγωγική ανάπτυξη βιώσιμη και αριστείας, και αυτό είναι σε μεγάλο βαθμό σύμφωνο με το όραμα της ΕΕ, με την ευρωπαϊκή Λευκή Βίβλο για την τεχνητή νοημοσύνη που παρουσιάστηκε τον Φεβρουάριο του 2021 και η οποία προωθεί ακριβώς τη δημιουργία ενός συστήματος αριστείας και εμπιστοσύνης σε ευρωπαϊκό επίπεδο για την προώθηση της ανάπτυξης των τεχνολογιών τεχνητής νοημοσύνης και στη συνέχεια να επενδύσει στην εκπαίδευση για να τις φέρει στις εταιρείες, στα σχολεία, στην κοινωνία. Το τελευταίο σημείο, ωστόσο, είναι το σημείο που θεωρώ ότι είναι το πιο σημαντικό και επίσης το πιο καινοτόμο όσον αφορά την ιταλική στρατηγική για την τεχνητή νοημοσύνη. Και είναι η τεχνητή νοημοσύνη για τη βιωσιμότητα, αυτό είναι που έχουμε προτείνει και που πιστεύουμε ότι χρειάζεται πραγματικά μια αλλαγή παραδείγματος, με την έννοια ότι δεν αρκεί πλέον να βάζουμε απλώς τον άνθρωπο στο επίκεντρο, επειδή αυτός/αυτή ζει πραγματικά στον πλανήτη και μέσα στο οικοσύστημα. Και έτσι το να λέμε ότι χρησιμοποιούμε τις τεχνολογίες μόνο για να βελτιώσουμε την ανθρώπινη ζωή δεν είναι πλέον αρκετό, και γι’ αυτό προτείναμε τη χρήση τεχνολογιών τεχνητής νοημοσύνης για την επίτευξη των στόχων βιώσιμης ανάπτυξης (SDG) της Ατζέντας 2030 των Ηνωμένων Εθνών. Και έτσι, αλλάζοντας απλώς λίγο το παράδειγμα και προτείνοντας αυτή την πτυχή της βιωσιμότητας ή μια προσέγγιση, ας την ονομάσουμε “πλανητοκεντρική” αν θέλετε, αυτό το όραμα είναι πολύ καινοτόμο αυτή τη στιγμή. Στην πραγματικότητα έχει επίσης υιοθετηθεί από τον ΟΟΣΑ, τον ΟΗΕ και νομίζω ότι έχει επίσης συμπεριληφθεί στο τελευταίο συντονισμένο σχέδιο της Ευρωπαϊκής Επιτροπής, και νομίζω ότι είναι ίσως το μόνο δυνατό όραμα. Ακόμα και επειδή, αν υπάρχουν 156 χώρες που αποφάσισαν ότι η Ατζέντα 2030 του ΟΗΕ είναι Η Ατζέντα, καθώς και οι στόχοι της ΣΒΑ που, ακόμα και αν θεωρούμε ότι το 2030 είναι πρακτικά αύριο, είναι οι πιο κοινοί στόχοι που υπάρχουν σήμερα σε ευρωπαϊκό επίπεδο, τότε, κατά τη γνώμη μου, από τη στιγμή που θα οριστούν οι στόχοι που πρέπει να επιτευχθούν, όπως λέγαμε πριν, ο ορισμός της τεχνητής νοημοσύνης είναι συστήματα που με κάποιο αυτόνομο τρόπο μας επιτρέπουν να πετύχουμε ορισμένους στόχους. Εάν είμαστε σαφείς σχετικά με τους στόχους που θέλουμε να επιτύχουμε, σε αυτό το σημείο, ακόμη και αν πρόκειται για πολύπλοκους στόχους, μπορούμε να χρησιμοποιήσουμε αυτές τις τεχνολογίες για να τους επιτύχουμε. Και έτσι αναλύσαμε στη συνέχεια για κάποιους ΣΒΑΚ πώς μπορούμε να χρησιμοποιήσουμε τις τεχνολογίες για την επίτευξή τους. Συγκεκριμένα, μια πτυχή, ας πούμε πολύ σημαντική, προσπαθήσαμε να αφιερώσουμε στην προσπάθεια να αυξήσουμε την ένταξη και την προσβασιμότητα των ατόμων με αναπηρία. Και αυτό χάρη στη χρήση τεχνολογιών τεχνητής νοημοσύνης, και έτσι αυτές οι πτυχές είναι πολύ σημαντικές, αλλά είναι επίσης πολύ σημαντικές για να μας βοηθήσουν να αντιμετωπίσουμε την κλιματική αλλαγή ή πώς να βελτιώσουμε τις επιπτώσεις στο περιβάλλον. Για παράδειγμα, από αυτή την άποψη, υπάρχει ένα πολύ ενδιαφέρον έργο που μόλις προωθήθηκε από την Ευρωπαϊκή Επιτροπή, το οποίο ονομάζεται “Destination Earth”, το οποίο δημιούργησε ένα ψηφιακό δίδυμο της γης που καθιστά δυνατή την παρακολούθηση και την αξιολόγηση της κλιματικής αλλαγής, των επιπτώσεων της κλιματικής αλλαγής, και τη δοκιμή, ας πούμε, σε αυτό το ψηφιακό δίδυμο της γης, των νέων περιβαλλοντικών πολιτικών που θέλουμε να αναπτύξουμε χρησιμοποιώντας τεχνολογίες τεχνητής νοημοσύνης. Αυτό γίνεται επίσης για να προωθηθεί η βελτιστοποίηση και ο εξορθολογισμός των σπάνιων πόρων που υπάρχουν στη γη.

Q2. Τι είναι η μηχανική μάθηση; 

Λοιπόν, θα έλεγα ότι η μηχανική μάθηση είναι μια πιθανή, υποθέτω ότι αυτή τη στιγμή η πιο  χρησιμοποιούμενη, τεχνική διαδικασία για τη δημιουργία τεχνητής νοημοσύνης μέσα σε μια μηχανή.  Είδαμε ήδη ότι υπάρχουν δύο κύριοι παράγοντες: τα δεδομένα και το μοντέλο, πιο συγκεκριμένα ένα  μαθηματικό μοντέλο. Η πρόκληση είναι να βρεθούν οι παράμετροι του μαθηματικού μοντέλου ώστε  να μπορεί να αναπαραστήσει τις σχέσεις μεταξύ των δεδομένων. Όλα βασίζονται στη δημιουργία μιας  διαδικασίας μάθησης με βάση τα ίδια τα δεδομένα. Μπορεί να έχουμε διαφορετικούς τύπους  μοντέλων, για παράδειγμα νευρωνικά δίκτυα ή μηχανές διανυσμάτων υποστήριξης και, κατά  συνέπεια, διαφορετικούς αλγορίθμους για την εκμάθηση του μοντέλου. Ο τελικός στόχος ωστόσο  είναι πάντα ο ίδιος: να εξαχθεί γνώση από τα δεδομένα εκπαίδευσης που χρησιμοποιούνται στη  διαδικασία εκπαίδευσης και να εφαρμοστεί αυτή η εξαχθείσα γνώση σε νέα δεδομένα.  Παρεμπιπτόντως, η αξιολόγηση του πόσο καλή είναι η απόδοση του μοντέλου στα νέα δεδομένα,  δηλαδή στα δεδομένα που δεν λήφθηκαν υπόψη κατά τη φάση της εκπαίδευσης, είναι πολύ  σημαντική. Μας λέει πόσο το μοντέλο είναι εφαρμόσιμο στον πραγματικό κόσμο, πόσο μπορεί να  γενικεύσει.  

Σε κάθε περίπτωση, η ποιότητα και η ποσότητα των δεδομένων που χρησιμοποιούνται κατά τη φάση  εκμάθησης είναι κρίσιμοι παράγοντες για μια επιτυχημένη απόδοση. Συγκεκριμένα, η ποσότητα των  δεδομένων πρέπει να είναι στατιστικά σημαντική ώστε να παρέχει τα σχετικά χαρακτηριστικά του  φαινομένου που θέλουμε να διερευνήσουμε. Ένα άλλο σημαντικό βασικό ζήτημα είναι να  αποφασίσουμε πόσο πολύπλοκο πρέπει να είναι το μαθηματικό μας μοντέλο. Θα ήταν σοβαρό  πρόβλημα αν επιλέγαμε ένα πολύ απλό μοντέλο για να αναζητήσουμε πολύ λεπτές σχέσεις μεταξύ  των δεδομένων, αλλά, παράλληλα, αν οι κανόνες που διέπουν τα δεδομένα είναι λιγότερο  περίπλοκοι, επίσης η δομή του μοντέλου μπορεί να είναι ελαφρύτερη, κάποτε…. το λιγότερο είναι  περισσότερο, όπως λέμε, όπου το λιγότερο αναφέρεται στον αριθμό των παραμέτρων που  χαρακτηρίζουν το μοντέλο. Παρεμπιπτόντως, η πολυπλοκότητα του μοντέλου έχει να κάνει και με το χρόνο που χρειαζόμαστε για  την εκπαίδευση του μοντέλου και με τον όγκο των δεδομένων που είναι απαραίτητος για την  υλοποίηση της πλήρους διαδικασίας μάθησης.

Q4. Τι είναι η επιβλεπόμενη μάθηση; Μπορείτε να δώσετε μερικά παραδείγματα εφαρμογών που τη  χρησιμοποιούν; 

Λοιπόν, θα έλεγα ότι η μάθηση με επίβλεψη είναι ο πιο διαδεδομένος υποκλάδος της μηχανικής  μάθησης σήμερα. Η μάθηση με επίβλεψη είναι μια μορφή μάθησης όπου, για μια δεδομένη είσοδο,  υπάρχει ένα “αληθινό” αποτέλεσμα και αυτή η αλήθεια μπορεί να διδαχθεί στο μοντέλο. Με άλλα  λόγια, ως δάσκαλος ή επόπτης, για κάθε είσοδο που δίνεται στο μοντέλο γνωρίζουμε ποια θα πρέπει  να είναι η έξοδος του μοντέλου και θέλουμε το μοντέλο να ενσωματώνει τον γενικό κανόνα. Συνήθως,  αυτό συμβαίνει με την ελαχιστοποίηση αυτού που ονομάζεται σφάλμα ή συνάρτηση κόστους, η  οποία αντιπροσωπεύει την απόσταση μεταξύ των επιθυμητών τιμών εξόδου και των πραγματικών  τιμών εξόδου που παράγονται από το μοντέλο κατά τη φάση της εκπαίδευσης. Στην πραγματικότητα,  η μάθηση με επίβλεψη μπορεί να θεωρηθεί επιτυχής όταν το τελικό συνολικό σφάλμα σε ένα σύνολο  παραδειγμάτων, τα οποία δεν έχουν χρησιμοποιηθεί κατά τη φάση της εκπαίδευσης, είναι κάτω από  ένα προκαθορισμένο όριο. Η φάση της εκπαίδευσης μπορεί να είναι πολύ μακρά, αλλά μόλις την  ολοκληρώσουμε σωστά, έχουμε ένα πολύ ισχυρό εργαλείο, που ουσιαστικά λειτουργεί σε  πραγματικό χρόνο, για την επεξεργασία των νέων δεδομένων. Η επιβλεπόμενη μάθηση μπορεί να  είναι χρήσιμη σε πολλούς τομείς. Μια μάλλον μαζική εφαρμογή αφορά την ταξινόμηση εικόνων. Στην  περίπτωση αυτή τα πραγματικά δεδομένα είναι δεδομένα που έχουν επισημανθεί από την  ανθρώπινη ερμηνεία εικόνας. Η ταξινόμηση μπορεί να πραγματοποιηθεί σε διάφορα επίπεδα:  επίπεδο εικονοστοιχείου, επίπεδο κηλίδας, επίπεδο αντικειμένου. Το επίπεδο ταξινόμησης  καθοδηγεί την επιλογή της εισόδου που θέλουμε να δώσουμε στο μοντέλο. Πιο συγκεκριμένα, η  μάθηση με επίβλεψη εφαρμόζεται σήμερα σε μεγάλο βαθμό στην παρατήρηση της Γης, όπου  θέλουμε να κάνουμε εκτίμηση βιο-γεωφυσικών παραμέτρων από δεδομένα που συλλέγονται από  δορυφόρους. Ένα ενδιαφέρον παράδειγμα αφορά τη γεωργία ακριβείας στη γεωργία. Εάν θέλουμε  να παρακολουθήσουμε τη βιομάζα μιας καλλιέργειας προκειμένου να βελτιστοποιήσουμε την  ποσότητα λιπάσματος που πρέπει να χρησιμοποιηθεί, μπορούμε να αξιοποιήσουμε δορυφορικές  μετρήσεις που λαμβάνονται για την εν λόγω καλλιέργεια. Ωστόσο, ειδικά στην περιοχή των  μικροκυμάτων του ηλεκτρομαγνητικού φάσματος, η εξαγωγή παραμέτρων της βλάστησης δεν είναι  τετριμμένη, επειδή η μέτρηση είναι επίσης, ας πούμε, μολυσμένη από το υποκείμενο έδαφος, οπότε  τα μοντέλα με τεχνητή νοημοσύνη με επίβλεψη μπορούν σίγουρα να αποτελέσουν ένα από τα  εργαλεία που μας επιτρέπουν να ανακτήσουμε το μέρος της πληροφορίας της μέτρησης που  συνδέεται περισσότερο με τη βλάστηση, απορρίπτοντας αυτό που εξαρτάται περισσότερο από το  έδαφος.

Q6. Υπάρχουν διάφορες ομαδοποιήσεις αλγορίθμων μηχανικής μάθησης, π.χ. παλινδρόμηση,  ταξινόμηση κ.ο.κ. Μπορείτε να εξηγήσετε τη σημασία τους και τη διαφορά μεταξύ τους; 

Υπάρχουν διάφορες δυνατότητες ομαδοποίησης των αλγορίθμων μηχανικής μάθησης. Νομίζω ότι η  κυριότερη βασίζεται στον τύπο του μαθηματικού μοντέλου. Πιο συγκεκριμένα, όπως αναφέρθηκε  προηγουμένως, έχουμε μοντέλα για εκπαίδευση με επίβλεψη και μοντέλα για εκπαίδευση χωρίς  επίβλεψη. Όσον αφορά το πρώτο, μεταξύ των σημαντικότερων έχουμε νευρωνικά δίκτυα, βαθιά ή  ρηχά, μηχανές διανυσμάτων υποστήριξης, δέντρα απόφασης, τεχνικές συνόλου. Για τα μοντέλα χωρίς  επίβλεψη μπορούμε να αναφέρουμε τα k-means, την ανάλυση κύριων συνιστωσών, τα  αυτοσυνδεόμενα νευρωνικά δίκτυα, τους αυτοοργανωμένους χάρτες κ.ο.κ.  

Αλλά όπως επισημαίνεται στην ερώτησή σας, μια άλλη δυνατότητα ομαδοποίησης των αλγορίθμων  μηχανικής μάθησης αφορά τη διάκριση μεταξύ παλινδρόμησης και ταξινόμησης. Από τη στιγμή που  παρέχεται μια συγκεκριμένη είσοδος στο μαθηματικό μας μοντέλο, η διαφορά μεταξύ  παλινδρόμησης και ταξινόμησης εξαρτάται κυρίως από το είδος της εξόδου που μας ενδιαφέρει. Στην  περίπτωση της ταξινόμησης, η έξοδος θα είναι μια ετικέτα, μια κλάση. Για παράδειγμα, ας  θεωρήσουμε και πάλι μια δορυφορική εφαρμογή όπου η τηλεπισκόπηση χρησιμοποιείται για τη  μετεωρολογία. Ας υποθέσουμε λοιπόν ότι πρέπει να κάνουμε μια μετεωρολογική ανάλυση και  θέλουμε να αποφασίσουμε ποιο εικονοστοιχείο μιας εικόνας του ουρανού πρέπει να συσχετιστεί με  τον συννεφιασμένο ουρανό και ποιο εικονοστοιχείο της εικόνας με τον καθαρό ουρανό, έτσι ώστε ο  τελικός σκοπός να είναι η παραγωγή ενός χάρτη όπου αναπαριστούμε με μπλε χρώμα τα  εικονοστοιχεία του καθαρού ουρανού και με γκρι χρώμα τα εικονοστοιχεία του συννεφιασμένου  ουρανού. Στην περίπτωση αυτή λέμε ότι θέλουμε να αποκτήσουμε έναν χάρτη ταξινόμησης. Για την  παλινδρόμηση, βασικά, θέλουμε το μαθηματικό μας μοντέλο, ως απόκριση της επεξεργασίας των  δεδομένων του, να υπολογίζει ή να εκτιμά έναν αριθμό, γενικότερα έναν αριθμό πραγματικής τιμής.  Έτσι, αν θεωρήσουμε το ίδιο σενάριο που αφορά τη μετεωρολογία, θέλουμε να γνωρίζουμε από τα  τηλεπισκοπικά δεδομένα πόσο είναι η υγρασία ή το ποσοστό βροχόπτωσης, πραγματικοί αριθμοί, σε  μια δεδομένη περιοχή. Ωστόσο, είναι ενδιαφέρον να σημειωθεί πώς ένα πρόβλημα παλινδρόμησης  μπορεί να μετατραπεί σε πρόβλημα ταξινόμησης. Αυτό συμβαίνει αν πω: σε αυτό το διάστημα ή εύρος τιμών βροχόπτωσης, δηλαδή μεταξύ αυτών των δύο αριθμών, έχω την κατηγορία “χαμηλή  βροχόπτωση”, σε αυτό το άλλο διάστημα ή εύρος έχω “μέτρια βροχόπτωση”, και ούτω καθεξής. Σε  αυτή την περίπτωση αντιστοιχίζω τα διαστήματα τιμών σε κλάσεις. 

Σας ευχαριστούμε, καθηγητά Fabio Del Frate, το εκτιμούμε πραγματικά. Ήταν μια σαφής &  ενδιαφέρουσα αποτύπωση των χαρακτηριστικών της Τεχνητής Νοημοσύνης και των σχετικών  εφαρμογών.

Έτσι τώρα η επόμενη άποψη ή το επόμενο θέμα που αφορά την τεχνητή νοημοσύνη στο οποίο θα  ήθελα να εστιάσω είναι οι κοινωνικές προκλήσεις της μηχανικής μάθησης. Πρώτα απ’ όλα, τι είναι η  μηχανική μάθηση; Η μηχανική μάθηση αναφέρεται σε αλγορίθμους και τεχνικές που μαθαίνουν από  μόνες τους, οι οποίες έρχονται αντιμέτωπες με δεδομένα, παρατηρήσεις και αλληλεπιδράσεις με τον  περιβάλλοντα κόσμο. Βασικά, η μηχανική μάθηση αφορά αλγορίθμους. Βασίζεται στους αλγόριθμους  και οι αλγόριθμοι είναι απλά καθορισμένες οδηγίες για το πώς να επιλύονται εργασίες. Και τώρα,  όταν συσχετίζουμε τους αλγορίθμους με τη μηχανική μάθηση σημαίνει ότι ένας συγκεκριμένος τύπος  αλγορίθμου μπορεί να μαθευτεί, αλλά όχι από τους ανθρώπινους προγραμματιστές, αλλά από τους  ίδιους τους εαυτούς τους. Αυτό σημαίνει ότι η μηχανική μάθηση μαθαίνει από μόνη της με τη χρήση  στατιστικής προσέγγισης. Και συνήθως υπάρχουν δύο φάσεις της μηχανικής μάθησης. Η πρώτη φάση  είναι ότι οι αλγόριθμοι μηχανικής μάθησης εκπαιδεύονται με τη χρήση δεδομένων, με τη χρήση της  διαδικασίας εκπαίδευσης. Και το αποτέλεσμα αυτής της διαδικασίας είναι το μοντέλο μηχανικής  μάθησης. Και στη δεύτερη φάση, αυτό το μοντέλο μηχανικής μάθησης εφαρμόζεται στον επιθυμητό  τομέα εφαρμογής. Η ιδέα είναι ότι αυτό το μοντέλο μηχανικής μάθησης επιλύει στη συνέχεια ένα  πρόβλημα που θα θέλαμε να αντιμετωπίσουμε. Για παράδειγμα, μοντέλα μηχανικής μάθησης για την  πρόβλεψη αν ένας ασθενής έχει καρκίνο, όγκο ή μοντέλο μηχανικής μάθησης, ή για την πρόβλεψη  του πώς θα συμπεριφερθούν τα χρηματιστήρια στο μέλλον. Βέβαια, υπάρχουν και κάποια ζητήματα  που αφορούν τη μηχανική μάθηση, επειδή η μηχανική μάθηση μπορεί να έχει σοβαρό αντίκτυπο στη  ζωή των ανθρώπων και ειδικά όταν μπορεί να υπάρξουν σφάλματα στη μηχανική μάθηση, τα οποία  μπορεί να συμβούν κατά τη συλλογή δεδομένων, την προετοιμασία των δεδομένων ή κατά τη  διαδικασία εκπαίδευσης. Και επίσης μπορεί να έχουμε ζητήματα όταν παρερμηνεύουμε τα  αποτελέσματα της διαδικασίας μηχανικής μάθησης. Εξετάζοντας το κοινωνικό επίπεδο, ένας μεγάλος  κίνδυνος είναι ότι τα δεδομένα εκπαίδευσης που χρησιμοποιούνται για τη διαδικασία εκπαίδευσης  της μηχανικής μάθησης θεωρούνται τέλεια. Γνωρίζουμε όμως ότι τα τέλεια σύνολα δεδομένων θα  απαιτούσαν όλους τους πιθανούς παράγοντες που συνιστούν ή επηρεάζουν την κατάσταση την οποία  αντιμετωπίζουμε. Για να σημαίνει ότι είναι πολύ δύσκολο να εκπαιδευτεί αλγόριθμος, που  χρησιμοποιούν όλα τα δεδομένα από την πολύπλοκη κοινωνία. Και ως αποτέλεσμα αυτών των  ατελών δεδομένων τα οποία στη συνέχεια εφαρμόζονται στον αλγόριθμο μηχανικής μάθησης, μπορεί  να συμβεί τα αποτελέσματα να είναι πολύ απλοποιημένα και μια κατάσταση που αντιμετωπίζουν να  έχει μόνο έναν περιορισμένο αριθμό παραγόντων που λαμβάνονται υπόψη. Το αποτέλεσμα αυτού  είναι ότι η μηχανική μάθηση μπορεί να οδηγήσει σε μεροληπτική πρόβλεψη, ιδίως για τις  μειονεκτούσες κοινωνικές ομάδες που δεν είναι τόσο παρούσες στα δεδομένα ή στην κοινωνία στο  σύνολό της και εκπροσωπούνται λιγότερο στο σύνολο των δεδομένων. Για την περίπτωση της  μεροληψίας στη μηχανική μάθηση, αυτό σημαίνει ότι τα μεροληπτικά δεδομένα θα οδηγήσουν  επίσης σε μεροληπτική πρόβλεψη. Αυτό ισχύει για την περίπτωση που πρόκειται για τα σπάνια  φαινόμενα ή τα κοινωνικά συμφραζόμενα που είναι δύσκολο να ποσοτικοποιηθούν. Αυτό σημαίνει  ότι πρέπει πραγματικά να έχουμε μεγάλη επίγνωση αυτών των ιδιαιτεροτήτων με την κοινωνία που  δεν φαίνονται ή δεν περιλαμβάνονται στα αποτελέσματα της μηχανικής μάθησης. Επειδή η μηχανική  μάθηση λειτουργεί στην πραγματικότητα με βάση τα πρότυπα. Και αν αυτά τα μοτίβα δεν  παρουσιάζουν περιστατικά ή είναι κακής ποιότητας, μπορεί να έχουμε πολύ προκατειλημμένα και  φτωχά αποτελέσματα.

Έτσι και η τελευταία μου άποψη για την τεχνητή νοημοσύνη σχετίζεται με αυτό που θα ήθελα να  μοιραστώ σήμερα σχετικά με το ρόλο των οργανώσεων της κοινωνίας των πολιτών, ιδιαίτερα το ρόλο  των μη κυβερνητικών οργανώσεων. Νομίζω ότι ο ρόλος των μη κυβερνητικών οργανισμών στην  εφαρμογή της τεχνητής νοημοσύνης είναι πολύ σημαντικός από την άποψη της επεξήγησης στους  πολίτες, στους ανθρώπους, στους χρήστες, στους καθημερινούς ανθρώπους για το πώς αυτή η  τεχνολογία επηρεάζει τη ζωή τους, ιδίως όσον αφορά την εμπιστοσύνη στην τεχνητή νοημοσύνη.  Επίσης, από την άποψη της βοήθειας να κατανοήσουν τις εφαρμογές και τον αντίκτυπο στην  καθημερινή ζωή των πολιτών, επειδή υπάρχουν διαφορετικές ερμηνείες και φόβοι και ίσως αβάσιμες  αρνητικές, η σχέση τους προς την τεχνητή νοημοσύνη, οι οποίες είναι απαραίτητο να συζητηθούν, να  μάθουν,να εκπαιδευτούν σε αξιόπιστα περιβάλλοντα και οι μη κυβερνητικές οργανώσεις με τα μέλη  τους, με τις εθελοντικές δραστηριότητές τους είναι ένας σύνδεσμος συχνά μεταξύ της έρευνας  υψηλής τεχνολογίας και των καθημερινών ανθρώπων, επειδή οι άνθρωποι έχουν εμπιστοσύνη στις  μη κυβερνητικές οργανώσεις. Και λόγω των πληροφοριών τους, και των εκπαιδευτικών τους  δραστηριοτήτων, μπορούν να βοηθήσουν τους πολίτες να κατανοήσουν ποιες είναι οι αρνητικές και  θετικές επιπτώσεις της τεχνητής νοημοσύνης. Αυτός είναι ένας από τους ρόλους των ΜΚΟ. Και ο  δεύτερος ρόλος των ΜΚΟ είναι ότι ενεργούν ως παρατηρητές. Λειτουργούν όχι ακριβώς ως εποπτικό  όργανο, αλλά ως κάποιος που δίνει προσοχή στις πιθανές διακρίσεις, στην παραβίαση των  ανθρωπίνων δικαιωμάτων ή στην αρνητική χρήση της τεχνητής νοημοσύνης, η οποία μπορεί να  οδηγήσει σε διακρίσεις, που μπορεί να οδηγήσει σε χειρότερες συνθήκες, για ομάδες μεταναστών,  για συγκεκριμένες κοινωνικές ομάδες όπως οι μετανάστες ή οι γυναίκες ή οι κοινωνικά ευάλωτες  ομάδες που δεν εκπροσωπούνται στην κοινωνία όσο άλλες κοινωνικές ομάδες. Και οι ΜΚΟ πρέπει να  αναλάβουν το ρόλο της διαφύλαξης των δικαιωμάτων τους και επίσης να αγωνιστούν για τα  ανθρώπινα δικαιώματα όταν βλέπουν ότι η τεχνητή νοημοσύνη πρόκειται να γεφυρώσει αυτά τα  πρότυπα. Νομίζω ότι αυτοί είναι οι δύο βασικοί κανόνες των ΜΚΟ σχετικά με την τεχνητή νοημοσύνη.  Υπάρχουν δύο δευτερεύοντες ρόλοι. Ο ένας είναι επίσης οι ΜΚΟ ως συνηθισμένοι χρήστες της  τεχνητής νοημοσύνης, ειδικά εκείνες οι ΜΚΟ που παράγουν μεγάλα δεδομένα σχετικά με την  κοινωνία, και στη συνέχεια μπορούν να χρησιμοποιήσουν αυτή τη μηχανική μάθηση, ως εργαλεία για  να παρέχουν κάποια συμπεράσματα, να επιλύουν προβλήματα, να δημιουργούν οπτικοποίηση σε  διάφορες πτυχές της κοινωνίας. Και ο δεύτερος ρόλος που είναι επίσης σημαντικός είναι ότι οι  ενδιαφερόμενοι φορείς ενεργούν ως πολιτικοί παράγοντες, δηλαδή συμμετέχουν σε φόρουμ,  συνασπισμούς, συζητήσεις με άλλους ενδιαφερόμενους φορείς από την οικονομία, την πολιτική, την  έρευνα. Και έτσι, σε αυτά τα φόρουμ, σε αυτές τις συζητήσεις, επισημαίνουν τα ζητήματα της  λογοδοσίας, της ευθύνης, της ιδιωτικότητας, της αξιοπιστίας του τεχνητού συστήματος, βασικά,  δηλαδή εργάζονται ως συνήγοροι της κοινωνίας και των ανθρώπων και προσπαθούν για την  ανθρωποκεντρική χρήση της τεχνητής νοημοσύνης. Αυτές θα ήταν λοιπόν οι δικές μου, σύντομες  αλλά όχι πραγματικά σύντομες απόψεις για την τεχνητή νοημοσύνη και την κοινωνία. 

Ποια είναι η κύρια διαφορά μεταξύ της μηχανικής μάθησης και του συνηθισμένου προγραμματισμού; Δεν υπάρχουν πολλές διαφορές, αλλά ταυτόχρονα είναι σημαντικές. Με τον συνηθισμένο προγραμματισμό, έχουμε ήδη μια αρκετά καλή ιδέα για το τι προγραμματίζεται και πώς θα φαίνονται τα πράγματα. Με τη μηχανική μάθηση έχουμε μια θέση που προσφέρεται ως πιθανή απάντηση μέσω της μηχανικής μάθησης. Κάποιες από αυτές τις πιθανές απαντήσεις είναι πιο ακριβείς, είναι πιο επεξεργασμένες και κάποιες μοιάζουν περισσότερο με εικασίες. Στην πραγματικότητα, πρόκειται για περισσότερο ή λιγότερο ακριβείς εικασίες.

Πρόκειται για τη συνεργασία με την τεχνητή νοημοσύνη και την αλληλεπίδραση του ανθρώπου με μια μηχανή. Μπορείτε να μας πείτε περισσότερα για την αλληλεπίδραση ανθρώπου-μηχανής; Ναι, είμαι ολοένα και περισσότερο πεπεισμένος ότι η τεχνητή νοημοσύνη δεν αφορά κάποιο είδος νοημοσύνης που να μοιάζει με οποιονδήποτε τρόπο με την ανθρώπινη νοημοσύνη, αλλά ότι αυτοί οι αλγόριθμοι είναι πραγματικά τόσο ικανοί ώστε να γίνουν οι συνεργάτες μας στον διάλογο. Όπως όταν κάθομαι γύρω από το τραπέζι με τους συναδέλφους μου και συζητάμε πότε για το πρόγραμμα, πότε για τα οικονομικά, πότε για την πολιτική και ούτω καθεξής, έχουμε μια άλλη καρέκλα όπου κάθεται αυτή η μηχανή. Μας προσφέρει μια ηχώ των σκέψεών μας. Δεν έχουμε ακόμη εφαρμόσει με τέτοιο τρόπο την τεχνητή νοημοσύνη, αλλά σκοπεύουμε να το κάνουμε, διότι αναπτύσσουμε μια διεπαφή που θα βοηθήσει τους καινοτόμους να καινοτομήσουν. Θα θέλαμε να δούμε ότι ένας από τους καινοτόμους είναι ένα είδος τεχνητής νοημοσύνης. Ίσως μπορεί να συμβάλει με έμπνευση σε έναν καταιγισμό ιδεών ή σε μια συζήτηση με χιούμορ ή με έναν αλλόκοτο τρόπο να διπλώνει τα πράγματα μεταξύ τους. Ειδικά αν υπάρχει μια ομάδα εμπειρογνωμόνων γύρω από το τραπέζι που είναι πιο εγωκεντρικοί και συναισθηματικά εξαντλητικοί. Από την άλλη πλευρά έχουμε μια μηχανή, η οποία δημιουργεί προσεγγίσεις και προτάσεις που εκτονώνουν την ένταση σε αυτές τις συζητήσεις. Στην αρχή ανέφερα ότι αυτή η μηχανή επαναλαμβάνει ό,τι λέγεται ή τίθεται από τους ανθρώπους. Στους καλλιτεχνικούς κύκλους ασχολούμαστε με την ιδέα κατά την οποία αυτές οι μηχανές μπορούν να χειραφετηθούν μέσω της συνομιλίας μεταξύ τους, μηχανή προς μηχανή. Αναπτύσσουν κάποιο λεξικό, κάποιο επίπεδο επικοινωνίας που είναι ακατανόητο για εμάς τους ανθρώπους. Μπορεί όμως να έχει νόημα και μέσα από αυτή την επικοινωνία μπορούμε να κατανοήσουμε καλύτερα τον τρόπο λειτουργίας των αλγορίθμων. Έχουμε έργα τέχνης όπου λαμβάνονται δεδομένα από αισθητήρες που είναι προσαρτημένοι σε φυτά ή κάποια περιβάλλοντα στα οποία κινούνται και δρουν τα ζώα τα οποία είναι εξοπλισμένα με αισθητήρες. Τότε ξαφνικά δεν έχουμε πια διάλογο ανθρώπου-ανθρώπου (με την εξαίρεση ότι ένας άνθρωπος περιλαμβάνεται ήδη, αφού έχει γράψει τον αλγόριθμο), αλλά επικοινωνία μεταξύ του εξαγόμενου ανθρώπου στον αλγόριθμο, των ζώων ή των φυτών. Τα καλλιτεχνικά έργα που κάνουμε ενθαρρύνουν τη διαδραστικότητα που δεν είναι απλώς ανταπόκριση, για παράδειγμα πατάς ένα κουμπί και κάτι πηδάει, αλλά αληθινή αλληλεπίδραση, δηλαδή πατάς, κάτι συμβαίνει και σε επηρεάζει πάλι ώστε να πατήσεις ξανά. Δημιουργείται ένας βρόχος επικοινωνίας. Έχουμε μια κατάσταση διαγνωστικότητας μεταξύ περισσότερων μορφών ζωντάνιας, μηχανών και φυτών. Μέσω αυτής της επικοινωνίας, η οποία μπορεί να είναι πολύ διαφορετική από εκείνη ενός ανθρώπου – φυτού, εξερευνούμε τις δικές μας προκαταλήψεις ως προς το τι είναι το φυτό και τι είναι η μηχανή. Λειτουργεί ως βιοδείκτης και ούτω καθεξής. Οι καλλιτέχνες χρησιμοποιούν αυτά τα εργαλεία με πολύ καινοτόμους τρόπους, έτσι ώστε να μπορούμε να κατανοήσουμε καλύτερα αυτά τα εργαλεία από τη μία πλευρά και να κατανοήσουμε καλύτερα τη φύση ή το περιβάλλον στο οποίο ζούμε από την άλλη. Ο όγκος των δεδομένων είναι τόσο μεγάλος που μερικές φορές είναι μεγαλύτερος από ό,τι μπορεί να επεξεργαστεί ο μέσος ανθρώπινος εγκέφαλος και γι’ αυτό είναι λογικό να αναπτύσσονται αλγόριθμοι.

…

Τώρα λοιπόν πώς να αποφύγουμε ή πώς να αντιμετωπίσουμε αυτές τις προκαταλήψεις, αυτά τα  ηθικά ζητήματα με τη μηχανική μάθηση και την τεχνητή νοημοσύνη σε διεθνές επίπεδο, αλλά και σε  επίπεδο εθνικών χωρών, εθνικών κρατών. Γίνεται τεράστια συζήτηση για το πώς θα δημιουργηθεί  ένα σύστημα που θα διέπει, που θα ρυθμίζει τη χρήση της τεχνητής νοημοσύνης στην κοινωνία και  φυσικά για τον αντίκτυπο που έχει αυτή η τεχνολογία στην κοινωνία. Και το κύριο ερώτημα εδώ είναι  ποιος είναι υπεύθυνος αν συμβεί κάτι με την τεχνητή νοημοσύνη; Κάτι πάει στραβά αν υπάρχουν  λάθη. Ποιος είναι λοιπόν υπεύθυνος, υπόλογος για τα αποτελέσματα της χρήσης της τεχνητής  νοημοσύνης, πώς θα αντιμετωπιστεί όταν υπάρχει ατύχημα, αν υπάρχει λάθος διάγνωση ή αν  κάποιος αποσυνδέεται εξαιτίας της τεχνητής νοημοσύνης. Η UNESCO, δηλαδή ο Οργανισμός των  Ηνωμένων Εθνών, εργάζεται πολύ ενεργά πάνω σε προτάσεις πολιτικής για το πώς θα διαμορφωθεί  η διακυβέρνηση της τεχνητής νοημοσύνης. Και παρείχαν ένα σύνολο προτάσεων πολιτικής και  προτάσεων πολιτικής που ασχολούνται με διάφορες πτυχές της διακυβέρνησης των τεχνητών  παραγόντων. Τώρα θα παρουσιάσω εν συντομία αυτές τις πτυχές που θεωρώ ότι είναι πολύ  σημαντικές και μπορούν επίσης να χρησιμοποιηθούν ως κατευθυντήριες γραμμές για την κατανόηση  του τι πρέπει να γνωρίζουμε ως κοινωνία και ως άτομα όταν σκεφτόμαστε τον αντίκτυπο της τεχνητής  νοημοσύνης στην κοινωνία. Πρώτα απ’ όλα, η πρώτη πτυχή που είναι σημαντική είναι ότι η τεχνητή  νοημοσύνη προωθεί την ποικιλομορφία και τη συμμετοχικότητα. Αυτό σημαίνει ότι η τεχνητή  νοημοσύνη πρέπει να λειτουργεί σε σχέση με την καταπολέμηση της κουλτούρας και των κοινωνικών  τύπων δοκιμαστών. Και οι ανισότητες αυτό είναι σημαντικό για αυτές τις προκαταλήψεις όταν τα  πρότυπα μηχανικής μάθησης, σε περίπτωση που βασίζονται στα φτωχά δεδομένα, μπορούν συχνά  να κάνουν διακρίσεις και μπορούν επίσης να επιβάλουν τα αντιστεκόμενα στερεότυπα. Αυτό  συμβαίνει για παράδειγμα με τα τεχνητά συστήματα αναγνώρισης προσώπου, τα οποία έχουν ήδη  αποδειχθεί επιστημονικά ότι μεροληπτούν συχνότερα προς τα πολύχρωμα πρόσωπα παρά προς τα  λευκά πρόσωπα. Στη συνέχεια, η δεύτερη σημαντική πτυχή είναι ο αντίκτυπος της τεχνητής  νοημοσύνης στην οικονομία, στην απασχόληση. Υπάρχουν διαφορετικές ερμηνείες για το πώς οι  εφαρμογές τεχνητής νοημοσύνης θα συμβάλουν στην απώλεια συγκεκριμένων θέσεων εργασίας.  Πολλές θα είναι οι θέσεις εργασίας που δεν θα είναι πλέον απαραίτητες και αυτό θα έχει αντίκτυπο  στις διάφορες ομάδες εργασίας. Και η τεχνητή νοημοσύνη, ειδικά η οικονομία με υψηλά ποσοστά  κίνησης, θα πρέπει να λάβει υπόψη της μέτρα αναβάθμισης και επανεκπαίδευσης που θα  επιτρέψουν στους εργαζόμενους ή τους εργαζόμενους που θα επηρεαστούν αρνητικά από την  τεχνητή νοημοσύνη να παραμείνουν μέρος της αγοράς εργασίας. Στη συνέχεια, το τρίτο σημαντικό  πράγμα είναι η αντιμετώπιση των κοινωνικών και οικονομικών επιπτώσεων της τεχνητής  νοημοσύνης. Αυτό σημαίνει ότι η τεχνητή νοημοσύνη δεν πρέπει να δημιουργεί μονοπώλια όσον  αφορά την έρευνα, τη γνώση, τα δεδομένα ή την αγορά, ότι δεν πρόκειται να επωφεληθούν από αυτή  την τεχνολογία κάποιοι συγκεκριμένοι ενδιαφερόμενοι ή χώρες ή περιοχές, αλλά η ανθρωπότητα στο  σύνολό της. Επίσης, τότε μια λογική άποψη είναι επίσης ο αντίκτυπος στον πολιτισμό και στο  περιβάλλον. Αυτό σημαίνει ότι η τεχνητή νοημοσύνη δεν έχει αρνητικές επιπτώσεις στον πολιτισμό,  την ποικιλομορφία, την αναπτυξιακή κληρονομιά και επίσης στο περιβάλλον. Και στη συνέχεια  υπάρχει ένα σύνολο τεσσάρων ή πέντε απόψεων που στην πραγματικότητα όλες ασχολούνται με την  ηθική της τεχνητής νοημοσύνης. Η ηθική της τεχνητής νοημοσύνης είναι πολύ σημαντική όσον αφορά  τη δημιουργία ενός αξιακού υπόβαθρου στο οποίο αναπτύξαμε την τεχνητή νοημοσύνη. Και  υπάρχουν και εκείνες οι πτυχές της ηθικής που αφορούν την εκπαίδευση και την ευαισθητοποίηση,  που σημαίνει ότι η τεχνητή νοημοσύνη πρέπει να διδάσκεται στα σχολεία και τα πανεπιστήμια, ώστε  οι μαθητές και οι φοιτητές να εξοικειωθούν με την τεχνολογία της τεχνητής νοημοσύνης. Και ποια  είναι αυτή η σχέση μεταξύ του τεχνολογικού και του κοινωνικού τομέα. Και επίσης πολύ σημαντική  είναι η άποψη σχετικά με τη δεοντολογία της έρευνας για την τεχνητή νοημοσύνη, που σημαίνει ότι  υπάρχει έρευνα, ιδίως στον ιδιωτικό τομέα, η οποία χρηματοδοτείται από ιδιωτικά χρήματα που λαμβάνουν υπόψη την κοινωνική ευθύνη. Επίσης, τα οφέλη της έρευνας όσον αφορά την  ανθρωπότητα, όχι μόνο την αγορά και το συμφέρον για το κέρδος, τότε είναι επίσης μια σημαντική  πτυχή της ηθικής χρήσης της τεχνητής νοημοσύνης. Στην ανάπτυξη, που σημαίνει ότι η τεχνητή  ανάπτυξη θα πρέπει να προσπαθήσει να παρέχει πλατφόρμες που επιτρέπουν τη διεθνή συνεργασία  για την ανάπτυξη της τεχνητής νοημοσύνης. Που σημαίνει ότι η ανάπτυξη της τεχνητής νοημοσύνης  δεν αφορά μόνο τις πλούσιες χώρες, αλλά ότι οι εξελίξεις αυτές εφαρμόζονται και στις φτωχότερες  χώρες που δεν είναι τόσο πλούσιες. Και από αυτή την πολύ σημαντική πτυχή είναι να  δημιουργήσουμε ένα είδος διεθνούς συνεργασίας για την ηθική της τεχνητής νοημοσύνης. Για  παράδειγμα, το φόρουμ της UNESCO είναι ένα πολύ καλό παράδειγμα για αυτό, όταν διάφορες χώρες  με διαφορετικούς ενδιαφερόμενους φορείς συζητούν για το μέλλον της τεχνητής νοημοσύνης και για  το πώς θα τη ρυθμίσουν από την άποψη της ηθικής και της αξίας για την ανάπτυξη της κοινωνίας. Και  από αυτό είναι πολύ σημαντικό να υπάρχει επίσης ένα είδος κυβερνητικού μηχανισμού που να  επιβλέπει την ανάπτυξη της τεχνητής νοημοσύνης σε παγκόσμιο επίπεδο με όρους  συμμετοχικότητας, διαφάνειας, ελέγχου και εξισορρόπησης. Αυτά είναι πολύ σημαντικά, καθώς και  η πολυμερής συνεργασία. Αυτοί οι κυβερνητικοί μηχανισμοί αναφέρονται στο ψηφιακό οικοσύστημα  για την τεχνητή νοημοσύνη, το οποίο περιλαμβάνει υποδομές, ψηφιακές τεχνολογίες, επιλογές  ανταλλαγής γνώσεων και κυρίως συνεργασία με διάφορους ενδιαφερόμενους φορείς ώστε να έχουν  φωνή και να μπορούν να μοιράζονται τις σκέψεις και τις ανησυχίες τους για το πώς θα αναπτυχθεί η  τεχνητή νοημοσύνη στο μέλλον.

Και θα μπορούσατε τώρα να επεκταθείτε στην ηθική χρήση της τεχνητής νοημοσύνης; Υπάρχουν κάποιες εφαρμογές τεχνητής νοημοσύνης με ηθικές επιπτώσεις; Εντάξει. Καθώς όλο και περισσότερες μηχανές εκτελούν όλο και πιο πολύπλοκες εργασίες στις μέρες μας, αυτό κατευθύνει αμέσως το μυαλό των ανθρώπων στη χρήση μηχανών σε αντικατάσταση της ανθρώπινης εργασίας. Αυτό είναι το πρώτο πράγμα που έρχεται στο μυαλό των ανθρώπων, και είναι μια εύλογη ανησυχία. Είναι οι ίδιες ανησυχίες που διατυπώθηκαν κατά τη διάρκεια της Βιομηχανικής Επανάστασης, και σήμερα τις βλέπουμε και πάλι ως επίκαιρες. Είναι δύσκολο να επιτρέψουμε σε μηχανές να θερίζουν το σιτάρι αντί να βασιζόμαστε στα χέρια των ανθρώπων; Είναι δύσκολο να επιτρέψουμε στα ρομπότ να αντικαταστήσουν τους ανθρώπινους εργάτες στις γραμμές συναρμολόγησης αυτοκινήτων; Έτσι, αυτά τα βασικά ίδια ερωτήματα τα βλέπουμε να επανέρχονται, αλλά τώρα σε ένα πιο, ας πούμε, σύνθετο περιβάλλον, καθώς οι μηχανές έχουν πλέον αναπτυχθεί, εκτελούν πιο σύνθετες εργασίες. Έτσι, αν οι άνθρωποι έπρεπε να προσαρμοστούν στο νέο περιβάλλον που δημιουργούν οι μηχανές στο εργατικό δυναμικό, θα έπρεπε να περάσουν από μια άλλη διαδικασία αναπροσαρμογής πολύ σύντομα. Για παράδειγμα, πού θα έβρισκαν δουλειά οι οδηγοί φορτηγών, αν τα φορτηγά οδηγούν πλέον μόνα τους; Σωστά. Πού θα έβρισκαν δουλειά οι οδηγοί λεωφορείων αν τα λεωφορεία οδηγούνταν από λογισμικό τεχνητής νοημοσύνης; Πού θα μπορούσε να απασχοληθεί ένας πιλότος αεροπλάνου αν τα αεροπλάνα πετούσαν μόνα τους; Έτσι, όσο πιο σύνθετες είναι πλέον οι εργασίες που αναπτύσσονται και εκτελούνται από μηχανές, τόσο περισσότερο απειλούνται αυτού του είδους οι θέσεις εργασίας. Και δεν πρόκειται πλέον μόνο για σκληρή εργασία. Θέλω να πω, γιατί να γίνει κάποιος γιατρός αν ένα ρομπότ μπορεί να εκτελέσει την ίδια επέμβαση καλύτερα από οποιονδήποτε άνθρωπο, σωστά; Επομένως, αυτές οι ανησυχίες είναι βάσιμες. Και φυσικά, υπάρχουν και άλλα παραδείγματα που εγείρουν ζητήματα ηθικής στη χρήση της τεχνητής νοημοσύνης στη ζωή μας. Δεν είναι μόνο το εργατικό δυναμικό. Δεν θα έπρεπε να μας απασχολεί η χρήση μηχανών που χρησιμοποιούνται για την ασφάλειά μας; Πρώτον, μπορούμε να είμαστε σίγουροι ότι το λογισμικό τεχνητής νοημοσύνης που τροφοδοτεί μια κάμερα ασφαλείας σε ένα αεροδρόμιο έχει λάβει τη σωστή απόφαση για τον εντοπισμό των τρομοκρατών; Μπορούμε να είμαστε σίγουροι ότι το σύστημα ασφαλείας σε ένα εμπορικό κέντρο ακολουθεί τον πραγματικό κλέφτη μέχρι το αυτοκίνητό του και όχι κάποιον άλλο αθώο περαστικό; Επομένως, αυτά τα ζητήματα είναι έγκυρα. Υπάρχουν πολλές ηθικές ανησυχίες στον χώρο της τεχνητής νοημοσύνης, όχι μόνο μέσω τομέων όπως η απασχόληση ή η ασφάλεια, αλλά και στη χρήση στρατιωτικών όπλων επίσης. Δεν θα έπρεπε να μας ανησυχεί, για παράδειγμα, το γεγονός ότι τα οπλισμένα μη επανδρωμένα αεροσκάφη κάνουν σήμερα τις μάχες για εμάς; Είμαστε σίγουροι ότι ο αυριανός αυτόνομος ρομποτικός στρατιώτης θα είναι σε θέση να διακρίνει τον εχθρό από τον φίλο; Έτσι, αυτοί είναι πολύ έγκυροι πελάτες. Και κάθε φορά που συμβαίνει κάτι μεγάλο, συμβαίνει μια αλλαγή στους κλάδους γενικά. Κάθε φορά που συμβαίνει κάτι μαγικό, τότε υπάρχει και η πιθανότητα αρνητικών επιπτώσεων από τη χρήση του. Έτσι, η βιομηχανία πρέπει τελικά να βρει έναν τρόπο να χρησιμοποιήσει την τεχνητή νοημοσύνη για το καλό της κοινωνίας στην οποία ζούμε.

Και έτσι αναφέρατε ήδη τον αντίκτυπο στην τεχνητή νοημοσύνη, στην απασχόληση, στην ασφάλεια, στην πρόνοια, στη στρατιωτική θητεία, και κρατούν επίσης για νέους νόμους της ρομποτικής σε άλλους τομείς εκτός από αυτόν τον τομέα του δρόμου που αναφέρατε. Ναι, αυτό το θέμα των κανόνων και των νόμων για τη ρομποτική. Δεν είναι εύκολο να λυθεί. Βρισκόμαστε σε αχαρτογράφητο έδαφος όταν πρόκειται για ένα ευρέως αποδεκτό σύνολο κανόνων που θα πρέπει να καθορίζουν το ηθικό πλαίσιο για το πώς θα πρέπει να λειτουργούν τα ρομπότ, ακόμη και σε τομείς εκτός του στρατού, αλλά και στο χώρο της ασφάλειας, στο χώρο της ευημερίας των ηλικιωμένων, ας πούμε στο χώρο της προσωπικής ασφάλειας. Στο σπίτι, θα δούμε ρομπότ που θα αρχίσουν να παίρνουν αποφάσεις για εμάς. Όπως είπα και προηγουμένως, πρόκειται για έναν πολύ νέο τομέα, και παρόλο που υπάρχουν ομάδες τόσο στον ακαδημαϊκό χώρο, όσο και στη βιομηχανία, αλλά και στις κυβερνήσεις, που προσπαθούν να αγγίξουν αυτούς τους κανόνες, αυτό βρίσκεται σε πολύ, πολύ πρώιμο στάδιο αυτή τη στιγμή. Αυτή τη στιγμή, η συζήτηση γίνεται για το τι πρέπει ή δεν πρέπει να κάνει το ρομπότ. Για παράδειγμα, ένα ρομπότ δεν θα πρέπει να βλάψει έναν άλλο άνθρωπο. Αυτό θα μπορούσε να είναι μια πρωταρχική, ας πούμε, οδηγία για μια μηχανή. Αλλά ταυτόχρονα, ένα ρομπότ θα πρέπει να υπακούει τον ιδιοκτήτη και τον δημιουργό του. Οπότε αυτή είναι μια άλλη οδηγία, πρωταρχική οδηγία για ένα ρομπότ. Τι γίνεται όμως αν ο ιδιοκτήτης του ρομπότ δίνει οδηγίες στο ρομπότ που είναι εκτός της κύριας οδηγίας του; Τι γίνεται λοιπόν αν ζητηθεί από το ρομπότ να βλάψει έναν άλλο άνθρωπο; Σωστά, αλλά θα πρέπει να περιορίσουμε το πεδίο εφαρμογής της βλάβης σε έναν άνθρωπο; Τι γίνεται αν ζητηθεί από το ρομπότ να βλάψει ένα ζώο; Ή αν ζητηθεί από το ρομπότ να βλάψει ένα άλλο ρομπότ; Τι γίνεται αν το ρομπότ πρέπει να βλάψει έναν άνθρωπο για να προστατεύσει έναν άλλο άνθρωπο; Αυτά λοιπόν είναι ηθικά ερωτήματα που δεν είναι εύκολο να απαντηθούν. Και δεν είναι εύκολα ακόμη και αν απαντηθούν. Δεν είναι τόσο εύκολο να τεθούν σε έναν αλγόριθμο. Μην ξεχνάτε λοιπόν ότι τελικά, όλοι αυτοί οι κανόνες του πλαισίου, πρέπει να μεταφραστούν σε μια μαθηματική, ας πούμε, εξίσωση. Σωστά; Έτσι, αυτό είναι ένα πολύ δύσκολο πράγμα που πρέπει να γίνει. Παρόλο που θα ήταν καλύτερο για την ανθρωπότητα να ορίσει αυτούς τους κανόνες πριν και όχι εκ των υστέρων, δεν πιστεύω ότι αυτό είναι εύκολη υπόθεση. Οι εταιρείες μάχονται για την κυριαρχία των προϊόντων σε παγκόσμιο επίπεδο. Οι χώρες μάχονται για στρατιωτική κυριαρχία σε παγκόσμιο επίπεδο και πάλι. Έτσι, θα ήταν δύσκολο να φτιαχτούν κανόνες που θα μπορούσαν να συμφωνηθούν από όλους και στη συνέχεια να επιβληθούν από όλους, εξαιτίας ακριβώς του τρόπου με τον οποίο λειτουργεί η κοινωνία και η ανθρωπότητα. Ένα πιο πιθανό σενάριο θα ήταν μάλλον ότι αυτό το σύνολο αποδεκτών κανόνων θα πρέπει να καθοριστεί και να επιβληθεί τουλάχιστον εκ των υστέρων. Θέλω να πω, αφού είδαμε ότι ο χημικός πόλεμος κατά τη διάρκεια του Πρώτου Παγκοσμίου Πολέμου ήταν ανήθικος κώδικας και κώδικας, σχεδιάσαμε το πλαίσιο γύρω από αυτό. Αμέσως μετά τη ρίψη της πυρηνικής βόμβας, είδαμε ότι έπρεπε να την ελέγξουμε. Έτσι, ίσως χρειαστεί να βιώσουμε την πρώτη, ας πούμε, καταστροφή για να αναγκαστούμε να ορίσουμε τους κανόνες που θα διέπουν τη συμπεριφορά του ρομπότ. Ελπίζουμε απλώς ότι αυτή η εμπειρία της πρώτης καταστροφής δεν είναι δεν είναι μια πραγματικά κακή κίνηση. Αλλά προσωπικά, βλέπω ότι, παρόλο που υπάρχουν προσπάθειες να καθοριστούν αυτοί οι κανόνες από την αρχή, πιστεύω ότι αυτό είναι ένα πολύ μη πρακτικό έργο για να λυθεί.

Ας κάνουμε ένα βήμα πίσω και δούμε τι είναι ο τελευταίος Αλγόριθμος, εντάξει; Και να προσπαθήσουμε να δούμε, να διακρίνουμε μεταξύ του τι μπορεί να κάνει ένας αλγόριθμος για τους ανθρώπους, αλλά και τι μπορούν να κάνουν οι άνθρωποι με τη χρήση αλγορίθμων. Έτσι, με έναν κανονικό αλγόριθμο, αυτές οι δύο, ας πούμε, εργασίες είναι λίγο πολύ διακριτές. Έτσι, αυτό που μπορεί να κάνει ο αλγόριθμος για τους ανθρώπους, είναι ένα πράγμα. Το τι μπορούν να κάνουν οι άνθρωποι με αυτόν τον αλγόριθμο, είναι ένα ξεχωριστό πράγμα. Έτσι, για να γράψει ένας επιστήμονας της πληροφορικής έναν αλγόριθμο, θα σας ζητήσει και τους κανόνες που θέλετε να υπακούει αυτός ο αλγόριθμος, σωστά; Έτσι, ας πούμε ότι θέλετε έναν αλγόριθμο που όταν του δίνεται ο όγκος σε ηγέτες, θα σας δίνει πίσω τον όγκο σε γαλόνια. Εντάξει; Έτσι, ο προγραμματιστής λογισμικού θα σας ζητήσει τον κανόνα που διέπει αυτή τη σχέση μεταξύ ηγετών και όπλων. Και θα χρησιμοποιήσει αυτόν τον κανόνα για να γράψει αυτόν τον αλγόριθμο ώστε όλοι να γνωρίζουν το αποτέλεσμα, ποιο θα είναι το αποτέλεσμα, υπό την προϋπόθεση ότι ο αλγόριθμος συμμορφώνεται με αυτούς τους κανόνες και λειτουργεί σωστά. Εντάξει; Τώρα αυτό είναι αυτό που θα αποκαλούσα έναν κανονικό αλγόριθμο. Αν τώρα η χρήση αυτού του αλγορίθμου μπορεί να βάλει τους ανθρώπους σε μπελάδες, τότε δεν φταίει ο αλγόριθμος, αλλά η χρήση του αλγορίθμου. Ας πούμε, λοιπόν, για παράδειγμα, ότι αυτό το λογισμικό που γράψαμε χρησιμοποιείται σε ένα αεροπλάνο και υπάρχει ένας διακόπτης στο αεροπλάνο που λέει, εντάξει, όταν ανοίγετε τον διακόπτη, μπορώ να σας εμφανίσω τα καύσιμα σε γαλόνια. Όταν κατεβάζετε τον διακόπτη, μπορώ να εμφανίσω το καύσιμο που έχει το αεροπλάνο στη δεξαμενή του σε λίτρα. Και ας υποθέσουμε τώρα ότι ο διακόπτης είναι σε λάθος θέση και το PILER ζητάει γαλόνια αντί για λίτρα και απογειώνεται. Λοιπόν, οι πιθανότητες είναι ότι θα πρέπει να κάνει αναγκαστική προσγείωση κάπου αλλού πριν από τον αρχικό του προορισμό. Τι κάνετε λοιπόν; Σε αυτή την περίπτωση; Έχετε έναν αλγόριθμο που λειτουργεί σωστά, αλλά η χρήση του τον έκανε να λειτουργήσει. Οπότε σε αυτή την περίπτωση, παρεμβαίνει η ρυθμιστική αρχή, παρεμβαίνει η βιομηχανία και εκπαιδεύετε σωστά τους πιλότους. Βεβαιώνεστε ότι ελέγχει αν το αεροπλάνο έχει αρκετά καύσιμα πριν απογειωθεί. Βάζετε κανονισμούς για να αναγκάσετε την επίγεια υπηρεσία ανεφοδιασμού καυσίμων να βεβαιωθείτε ότι το αεροπλάνο έχει αρκετά καύσιμα για να φτάσει έτσι ώστε να ξέρουμε πώς να χειριστούμε, ας πούμε, όλα τα ρυθμιστικά ζητήματα που πρέπει να χειριστούμε σε έναν κανονικό κώδικα χωρίς εισαγωγικά αλχημιστή. Τώρα, τι συμβαίνει με τον αλγόριθμο τεχνητής νοημοσύνης; Λοιπόν, ας πάρουμε για παράδειγμα έναν αλγόριθμο μηχανικής μάθησης. Σε αυτή την περίπτωση, σχεδιάζετε τον αλγόριθμο με κάποιες βασικές παραμέτρους και λέτε στον αλγόριθμο τι δεδομένα έχετε. Απλώς προσαρμόζετε στον αλγόριθμο δέσμη δεδομένων και στη συνέχεια τον εκτελείτε. Η διαφορά με αυτόν τον τύπο αλγορίθμου είναι ότι το σύστημα άλλαξε μόνο του με βάση τις παραμέτρους και τα δεδομένα που δώσατε. Έτσι, δεν μπορείτε πραγματικά να προβλέψετε το αποτέλεσμα των αλγορίθμων. Αν είχατε αρκετό χρόνο για έναν άνθρωπο να εξετάσει τα δεδομένα που του δώσατε και να εξετάσει τις παραμέτρους και να εκτελέσει τους υπολογισμούς γραμμή προς γραμμή σε ένα κομμάτι χαρτί, τότε ναι, θα προβλέπαμε, ας πούμε θα κάναμε τις ίδιες προβλέψεις που έκανε ο αλγόριθμος. Αλλά είναι αδύνατο για έναν άνθρωπο να τρέξει μέσα από αυτόν τον μεγάλο όγκο δεδομένων με τις παραμέτρους που δώσατε στον αλγόριθμο να δουλέψει. Έτσι, στο τέλος της ημέρας, το αποτέλεσμα που βγαίνει από έναν αλγόριθμο τεχνητής νοημοσύνης θα μπορούσε να θεωρηθεί απρόβλεπτο. Θα μπορούσαμε να έχουμε ένα αποτέλεσμα που δεν περιμέναμε. Και εδώ είναι που πρέπει να έρθει η ηθική μέσα στα αποτελέσματα. Γιατί φανταστείτε τώρα ότι είστε το Υπουργείο Υγείας μιας χώρας και ζητάτε από μια εταιρεία τεχνητής νοημοσύνης να βγάλει ένα αποτέλεσμα που εξετάζει τα δημογραφικά στοιχεία του πληθυσμού και εξετάζει τον αριθμό των διαθέσιμων δωρητών οργάνων. Και θέλουμε ο αλγόριθμος να προτείνει ποιος θα κάνει μεταμόσχευση καρδιάς, για παράδειγμα, και ποιος δεν θα κάνει μεταμόσχευση καρδιάς. Έτσι, βάζετε πράγματα όπως η ηλικία, πράγματα όπως η πιθανότητα να έχει, ας πούμε, υψηλή πιθανότητα να αποδεχθεί αυτό το σχέδιο εμπιστοσύνης, και βάζετε ένα σωρό παραμέτρους, και στη συνέχεια δίνετε όλα τα δημογραφικά δεδομένα των χωρών σε αυτόν τον αλγόριθμο και τον αφήνετε να τρέξει. Έτσι, τα ηθικά ερωτήματα απαιτείται τώρα να απαντηθούν από τους ανθρώπους που έγραψαν τον αλγόριθμο και όχι από τους ανθρώπους που απλώς τον χρησιμοποιούν. Ενώ σε έναν κανονικό αλγόριθμο, μπορούμε να αναθέσουμε την ευθύνη λήψης της απόφασης στους ανθρώπους που χρησιμοποιούν το λογισμικό. Ρίχνουμε στην έκδοση της τεχνητής νοημοσύνης την έκδοση της μηχανικής μάθησης του αλγορίθμου. Λοιπόν, βασικά, ο αλγόριθμος λαμβάνει την απόφαση για εμάς. Γι’ αυτό λοιπόν πρέπει να αρχίσουμε να σκεφτόμαστε να βάζουμε κανόνες δεοντολογίας ενσωματωμένους στους ίδιους τους αλγορίθμους. Και όπως είπαμε προηγουμένως, αυτό είναι εύκολο πράγμα, διότι πώς αποκωδικοποιείτε όλες αυτές τις ηθικές απαντήσεις σε μια μαθηματική εξίσωση; Και αυτός ο αλγοριθμικός όρος και χώρος είναι ένας νέος χώρος. Ερευνάται τώρα σε ακαδημαϊκό, σε ακαδημαϊκό επίπεδο. Φτάνει, αγγίζει λίγο τη βιομηχανία, αλλά σίγουρα δεν έχει φτάσει ακόμα εκεί. Επομένως, χρειάζεται ακόμη χρόνο. Ναι. Σας ευχαριστώ πολύ για αυτή τη συνεισφορά σχετικά με τη σημασία της αλγοριθμικής.

Τώρα θα περάσουμε σε συγκεκριμένες ερωτήσεις σχετικά με την τεχνητή νοημοσύνη και τις κοινωνικές προκλήσεις. Θα μπορούσατε λοιπόν να μας πείτε περισσότερα για την υποβοηθούμενη, την επαυξημένη και την αυτόνομη νοημοσύνη; Ναι. Εντάξει, λοιπόν, όπως είπαμε προηγουμένως, αν πάρουμε ένα ρομπότ, για παράδειγμα, που κάνει μια συγκεκριμένη δουλειά αυτή τη στιγμή, το ρομπότ που εργάζεται στη γραμμή συναρμολόγησης αυτοκινήτων δεν θεωρείται πραγματικά ως ρομπότ με έναν αλγόριθμο τεχνητής νοημοσύνης μέσα του. Έχουμε δει αυτά τα ρομπότ να εργάζονται στη βιομηχανία εδώ και πολλά χρόνια, πριν ακόμη γίνει δημοφιλές αυτό το νέο κύμα μεθόδων τεχνητής νοημοσύνης. Τι συμβαίνει λοιπόν σε αυτόν τον χώρο; Λοιπόν, πρόκειται για μια εργασία, για μια επαναλαμβανόμενη εργασία, για μια εργασία που είναι εύκολα αναπαραγώγιμη και που γίνεται αποδεκτή από τη βιομηχανία ως ένα ακίνδυνο κομμάτι εξοπλισμού. Τώρα, τα πλεονεκτήματα για την ύπαρξη ενός τέτοιου μηχανήματος είναι ότι, λοιπόν, αφαιρούμε αυτή την υψηλής έντασης εργασιακή δραστηριότητα από τους ανθρώπους και αφήνουμε τις μηχανές να κάνουν τις βαρετές και ανθυγιεινές εργασίες και επιτρέπουμε στους ανθρώπους να εργάζονται σε πιο παραγωγικά και ασφαλή περιβάλλοντα. Τώρα, το μειονέκτημα είναι ότι, φυσικά, εντάξει, αυτό το ρομπότ που έχουμε σε αυτή τη γραμμή συναρμολόγησης έχει ουσιαστικά καταλάβει την εξέχουσα ευκαιρία των ανθρώπων που είμαστε ικανοί και πρόθυμοι να κάνουμε αυτές τις εργασίες. Έτσι, τα πράγματα είναι, ας πούμε, αποδεκτά όσον αφορά τη χρήση μιας μηχανής που εκτελεί μια επαναλαμβανόμενη εργασία χειρωνακτικής εργασίας σε μια συγκεκριμένη βιομηχανία. Τώρα, το πρόβλημα περιπλέκεται περισσότερο όταν έχουμε ένα ρομπότ ή μια μηχανή που λαμβάνει αυτόνομα αποφάσεις και λειτουργεί με έναν πιο, ας πούμε, κώδικα και κώδικα νοημοσύνης. Φανταστείτε λοιπόν τώρα ότι δεν έχετε μια γραμμή συναρμολόγησης και έχετε ένα ρομπότ το οποίο έχει τη νοημοσύνη να εκτελεί τις εργασίες που εκτελεί σήμερα το κανονικό ρομπότ, αλλά επίσης αποφασίζει ότι ο σχεδιασμός του πραγματικού αυτοκινήτου πρέπει να αλλάξει. Ας πούμε λοιπόν ότι το ρομπότ έχει τώρα τη δυνατότητα να σχεδιάζει το αυτοκίνητο με έναν πιο αεροδυναμικό τρόπο, ας πούμε, και αποφασίζει μόνο του, αυτόνομα, ότι το σχήμα του αυτοκινήτου πρέπει να αλλάξει. Και φυσικά το ρομπότ θα έχει τώρα τη δυνατότητα να κάνει την αλλαγή του σχεδιασμού και ταυτόχρονα να κατασκευάσει το αυτοκίνητο. Εντάξει, το πλεονέκτημα θα είναι ότι ίσως βρει ένα καλύτερο σχέδιο και προσφέρει καλύτερη απόδοση καυσίμου ή οτιδήποτε άλλο. Αλλά το μειονέκτημα είναι ότι, πρώτα απ’ όλα, θα εκτοπίσουμε κάποιες περισσότερες θέσεις εργασίας τώρα από το εργατικό δυναμικό. Ίσως βγάλαμε τώρα τον σχεδιαστή, αλλά ταυτόχρονα, δεν είμαστε σίγουροι αν αυτές οι αλλαγές που προτείνει τώρα αυτό το νέο ρομπότ θα είναι πραγματικά ασφαλείς. Έτσι, ναι, μπορεί να έχουμε καλύτερη απόδοση, οικονομία καυσίμου, αλλά θα είναι πιο ασφαλές ή ασφαλές ή το ίδιο ασφαλές για τον οδηγό και τους επιβάτες; Έτσι, και πάλι, όλα πρέπει να έχουν μια ισορροπία. Υπάρχουν πλεονεκτήματα, υπάρχουν μειονεκτήματα και γι’ αυτό υπάρχουν κίνδυνοι, απειλές και προκλήσεις. Ταυτόχρονα, όμως, υπάρχουν και ευκαιρίες.

Αναφέρατε ήδη κάποιες ευκαιρίες και κάποιους κινδύνους και απειλές. Κατά τη γνώμη σας, ποιες είναι οι πιο σημαντικές κοινωνικές ανησυχίες; Νομίζω ότι προσωπικά, αυτό που με ανησυχεί πραγματικά είναι τα πράγματα που έρχονται σε αυτό επηρεάζει την ασφάλεια των ανθρώπων. Δηλαδή πράγματα όπως η αγορά εργασίας και η απασχόληση. Νομίζω ότι τελικά η ανθρωπότητα θα βρει το δρόμο της και αν είμαστε αρκετά προσεκτικοί, μπορούμε να βρούμε απαντήσεις σε αυτά τα προβλήματα, επειδή η τεχνολογία θα είναι πάντα εκεί. Το έχουμε περάσει ξανά και είμαι αισιόδοξος ότι θα βρούμε απάντηση σε αυτά τα ερωτήματα με τον έναν ή τον άλλο τρόπο. Όταν πρόκειται για πράγματα όπως η ασφάλεια, η ασφάλεια των ανθρώπων είναι ένα από τα δυσκολότερα προβλήματα που πρέπει να λυθούν. Και σε αυτό το σημείο νομίζω ότι πρέπει να δώσουμε μεγαλύτερη προσοχή. Για παράδειγμα, τι θα συμβεί αν έχουμε έναν ιό σε ένα αυτοκίνητο και αυτό το αυτοκίνητο οδηγεί τώρα τη μητέρα μου κάθε μέρα στο παντοπωλείο; Τι θα συμβεί αν αυτό το κομμάτι λογισμικού καταληφθεί από μια τρομοκρατική οργάνωση; Τι θα συμβεί αν το λογισμικό είναι λάθος από το σχεδιασμό, δεν έχει δοκιμαστεί σωστά; Και τότε κάτι συμβαίνει κατά τη διάρκεια αυτού του ταξιδιού της μητέρας μου στο παντοπωλείο και τότε έχουμε ένα ατύχημα. Το ίδιο είδος προβλήματος που επηρεάζει την ασφάλεια και την προστασία των ανθρώπων. Φυσικά, πολλαπλασιάζεται επί 1000 όταν φτάνουμε στη χρήση μηχανών στον πόλεμο. Έτσι, αυτή τη στιγμή έχουμε μη επανδρωμένα αεροσκάφη που οδηγούνται από ένα σωρό joystick που κάθεται στην άλλη άκρη του κόσμου. Και αυτό το μη επανδρωμένο αεροσκάφος τώρα οδηγείται από αυτόν τον πιλότο. Και ο πιλότος παίρνει την απόφαση για το πού θα ρίξει τις βόμβες του. Τι συμβαίνει τώρα όταν αυτό το drone έχει την άδεια να αποφασίζει μόνο του; Πώς περνάτε αυτά τα ηθικά ερωτήματα στο λογισμικό του drone; Είναι τα ίδια προβλήματα που ο πόλεμος αμφισβητήθηκε κάθε φορά που ένα νέο διαδικτυακό τηλέφωνο γίνεται διαθέσιμο στις μάζες. Επομένως, αυτού του είδους οι αποφάσεις που επηρεάζουν την ασφάλεια και την ευημερία των ανθρώπων, νομίζω ότι αυτοί είναι οι κύριοι τομείς που πρέπει να εξεταστούν. Και είναι πιθανώς οι πιο καυτές περιοχές στις οποίες μπορούμε να χρηματοδοτήσουμε.

Και έχετε ήδη παρουσιάσει ορισμένα παραδείγματα σε διάφορους τομείς. Θα μπορούσατε να μας δώσετε ίσως μερικά ακόμη παραδείγματα σχετικά με την αναγνώριση προσώπου, τη δικαιοσύνη και τις προκλήσεις των κοινωνικών δικτύων; Ναι, η αναγνώριση προσώπου, είναι ένα πρόβλημα που έχει βρεθεί, διαπιστωθεί και τεθεί επανειλημμένα τα τελευταία χρόνια. Θα μπορούσατε να πείτε ότι ξεκίνησε άμεσα ως ανάγκη εντοπισμού λύσεων στο χώρο της ασφάλειας, αλλά αποδεικνύεται ότι τώρα είναι σε όλους τους διαφορετικούς κλάδους, γύρω από την τεχνολογία. Ας πούμε βιομηχανία. Ας πούμε, για παράδειγμα, ότι εκπαιδεύουμε ένα σύστημα να χρησιμοποιεί μια κάμερα που βρίσκεται στην είσοδο του εμπορικού κέντρου και θέλουμε να δούμε αν το άτομο που μπαίνει στο εμπορικό κέντρο έχει COVID ή όχι, σωστά; Έτσι, το COVID 19 είναι ένα πολύ επίκαιρο ζήτημα. Και ας πούμε ότι έχουμε κάποιο σύστημα που εξετάζει το πρόσωπο και αν βρούμε τους αλγόριθμους που μπορώ να αναγνωρίσω μαζί με άλλους αισθητήρες και δεδομένα μπορούμε να αναγνωρίσουμε αν αυτό το άτομο μπορεί να έχει καφέ. Ας πούμε λοιπόν ότι αναγνωρίζουμε ένα άτομο που πίνει καφέ. Ένα καλό επόμενο βήμα θα ήταν, εντάξει, ας δούμε, ας χρησιμοποιήσουμε την αναγνώριση προσώπου με τεχνητή νοημοσύνη και ας βρούμε ποιος είναι αυτό το άτομο. Ας πάμε στο Facebook, ας πάμε σε οποιαδήποτε άλλη κοινωνική πλατφόρμα, ας αναγνωρίσουμε αυτό το άτομο και στη συνέχεια ας δούμε τις φωτογραφίες που αυτό το άτομο έχει δημοσιεύσει στις διάφορες πλατφόρμες κοινωνικής δικτύωσης και ας δούμε ποιοι είναι οι φίλοι αυτού του ατόμου. Και ίσως πρέπει να τους προσεγγίσουμε προκειμένου να δούμε αν έχουν βρεθεί μαζί και θα μπορούσαν να έχουν βρεθεί. Είναι ύποπτοι τώρα για ένα θετικό αποτέλεσμα του τεστ COVID-19. Οπότε πού θα το σταματήσουμε αυτό; Σωστά; Πού θα βάλουμε ένα τέλος σε αυτό; Αν έχουμε κανόνες που έχουν να κάνουν με τα προσωπικά δεδομένα και την ασφάλεια των δεδομένων, λοιπόν, ίσως αυτοί οι κανόνες πρέπει να παραμεριστούν λόγω μιας πανδημίας. Αφήνουμε λοιπόν τους αλγόριθμους να κάνουν όλη αυτή τη δουλειά για εμάς χωρίς κανένα έλεγχο, προσφέρουμε βοήθεια; Αλλά το γεγονός ότι είναι αλγόριθμοι που μπορούν να πάρουν αποφάσεις από μόνοι τους, μας δημιουργεί αυτή την αβεβαιότητα. Και γι’ αυτό οι άνθρωποι δικαίως είναι επιφυλακτικοί απέναντί του.

Θα μπορούσατε τώρα να μας πείτε λίγο περισσότερα για την κατάσταση και την προοπτική ορισμένων κανονισμών; Για παράδειγμα, του ΟΟΣΑ ή της ΕΕ ή της UNESCO GPAI. Ναι, όπως είπα, εννοώ ότι υπάρχουν πρωτοβουλίες και άνθρωποι, έξυπνοι άνθρωποι, ξοδεύουν χρόνο για να θέσουν ένα πλαίσιο γύρω από τη χρήση της τεχνητής νοημοσύνης. Γίνεται επίσης έρευνα αυτή τη στιγμή για τομείς δεοντολογίας που δεν αντιμετωπίζονται από κυβερνητικές υπηρεσίες. Αλλά όπως είπαμε προηγουμένως, βρίσκονται σε πολύ πρώιμο στάδιο και έχω την αίσθηση ότι ο κλάδος θα είναι και πάλι μπροστά από τις ρυθμιστικές αρχές. Αν ρίξετε μια ματιά στην έρευνα που διεξάγεται αυτή τη στιγμή με εταιρείες στους τομείς της ρομποτικής, θα φτάσετε στην ίδια αντίδραση wow όταν δείτε πώς τα ρομπότ αποδίδουν σήμερα. Και έχω την αίσθηση ότι ο κλάδος είναι ήδη μπροστά από το ρυθμιστικό πλαίσιο και το πιθανότερο είναι ότι θα επαναληφθεί άλλο ένα σενάριο όπου θα πρέπει να συμβεί κάτι κακό για να αντιδράσουν όλοι θετικά. Με τον τρόπο που κινούνται τα πράγματα, δεν βλέπω γιατί θα πρέπει να αντιμετωπιστεί η τεχνητή νοημοσύνη με διαφορετικό τρόπο. Νομίζω ότι η βιομηχανία θα κινείται με τους απίστευτα γρήγορους ρυθμούς και οι ρυθμιστικές αρχές και οι κυβερνήσεις θα είναι ένα βήμα πίσω. Αυτή είναι, πιστεύω, η τρέχουσα τάση αυτή τη στιγμή και δεν βλέπω κανέναν σημαντικό παράγοντα να αλλάζει. Σας ευχαριστώ πολύ. Υπάρχει κάτι που θα θέλατε να προσθέσετε σχετικά με αυτό το θέμα; Όχι, νομίζω ότι είναι αρκετά μεγάλο το ζήτημα της ηθικής στο πλαίσιο της τεχνητής νοημοσύνης. Θα μπορούσε κανείς να πει ότι είναι ένα έγκυρο ερώτημα. Είναι ένα ερώτημα που τίθεται από τις κοινωνίες σε όλο τον κόσμο. Πιστεύω επίσης ότι η βιομηχανία θα προχωρήσει και θα σχεδιάσει και θα εφαρμόσει ό,τι νομίζει ότι είναι καλύτερο για τους δημιουργούς της. Δεν νομίζω ότι θα υπάρχει τρόπος να το σταματήσουμε αυτό να συμβεί. Ελπίζω απλώς ότι στο τέλος της ημέρας, τα αποτελέσματα αυτών των πρωτοβουλιών για την τεχνητή νοημοσύνη θα είναι ωφέλιμα για την ανθρωπότητα και δεν θα δημιουργήσουν όλα αυτά τα ζητήματα που φοβόμαστε ότι θα δημιουργηθούν. Τελικά η ανθρωπότητα θα βρει το δρόμο της, αλλά νομίζω ότι θα είναι ένας κακοτράχαλος δρόμος.

Ποιες είναι οι προκλήσεις ή οι κίνδυνοι ή ίσως οι απειλές της τεχνητής νοημοσύνης στον τομέα της  υγείας αυτή τη στιγμή, όπως βλέπουμε, η μεγαλύτερη πρόκληση είναι η απάντηση στο ερώτημα  αποδίδει; Η εισαγωγή διαφορετικών συστημάτων και νέων τεχνολογιών είναι δηλαδή πολύ  δαπανηρή. Είναι ιδιαίτερα δαπανηρή για τις μικρές χώρες, επειδή έχετε υπολογίσει κατά κεφαλήν  ανά αριθμό ατόμων. Έτσι, για εμάς, οι νέες τεχνολογίες είναι πανάκριβες. Σε ευρωπαϊκό επίπεδο αυτό  θα ήταν πολύ πιο εύκολο. Θα ήταν πολύ πιο εύκολο να καλύψουμε τα έξοδα σε ευρωπαϊκό επίπεδο,  διότι τότε το κόστος ανά άτομο ή το κόστος ανά θεραπεία θα ήταν πολύ χαμηλότερο. Αυτή είναι  λοιπόν μια από τις πρώτες προκλήσεις. Η τεχνολογία είναι πολύ ακριβή. Από την άλλη πλευρά, πρέπει  να ξέρετε ότι κάθε φορά που οι διευθυντές των νοσοκομείων αποφασίζουν για την εισαγωγή νέας  τεχνολογίας, κάνουν έναν σύντομο υπολογισμό: είναι καλύτερη από την υπάρχουσα διαδικασία; Και  αν είναι καλύτερη, αποδίδει; Είναι καλύτερη για το 20%, για το 50% ή μόνο για το 0,5%; Εάν η  βελτίωση είναι πολύ χαμηλή και πολύ μικρή, τότε αυτή η νέα τεχνολογία μάλλον δεν θα εισαχθεί στο  νοσοκομείο, διότι υπάρχουν πολλά κόστη που περιλαμβάνουν και την εκπαίδευση του προσωπικού  που περιλαμβάνεται σε αυτά τα κόστη. Έτσι, για μένα, η πιο σημαντική πρόκληση είναι το κόστος  αυτής της νέας τεχνολογίας. Για ορισμένους ανθρώπους, για παράδειγμα, η πρόκληση και ο κίνδυνος  ταυτόχρονα αντιπροσωπεύεται από το γεγονός της φύσης των δεδομένων. Τα δεδομένα μπορούν να  μεταφερθούν εύκολα και γρήγορα. Ο ιδιοκτήτης των δεδομένων, που είναι ο ασθενής, δεν έχει πλήρη  έλεγχο των δικών του δεδομένων επειδή ο διαχειριστής δεδομένων, που στην περίπτωσή μας είναι  το νοσοκομείο, μπορεί να μεταφέρει τα δεδομένα του ασθενούς σε άλλα ιδρύματα ή να τα μοιραστεί  εντός της Ευρωπαϊκής Ένωσης. Για ορισμένους ανθρώπους αυτό είναι σαν μια πρόκληση υπό  διακινδύνευση. Αλλά για μένα είναι επίσης ένα είδος πλεονεκτήματος. Είδαμε στην περίπτωση των  πανδημιών ότι τα εθνικά συστήματα υγειονομικής περίθαλψης θα πρέπει να είναι πολύ στενότερα  συνδεδεμένα και ότι οι αρχές, όπως οι ευρωπαϊκές ή οι εθνικές αρχές, θα πρέπει να έχουν μια καλή  εικόνα για το τι συμβαίνει με μια συγκεκριμένη ασθένεια σε έναν συγκεκριμένο πληθυσμό. Έτσι,  προσωπικά, δεν είμαι αντίθετος στην ανταλλαγή δεδομένων προκειμένου να διατηρηθεί η καλή  υγειονομική περίθαλψη του έθνους. Δεν βλέπω πολλές απειλές. Κάποιοι άνθρωποι βλέπουν απειλές.  Αλλά βλέπετε, εργάζομαι στο τμήμα It, οπότε αγκαλιάζουμε την τεχνολογία. Και πάλι, πρέπει να  διευκρινίσω ότι ορισμένοι κανόνες και ορισμένες κατευθυντήριες γραμμές που έχει εισαγάγει η  Ευρωπαϊκή Ένωση είναι πολύ καλά αποδεκτές. Η Ευρωπαϊκή Ένωση προσπαθεί στην πραγματικότητα  να μειώσει τις απειλές κατά τη χρήση της τεχνητής νοημοσύνης στην υγειονομική περίθαλψη. Και  από τη δική μου άποψη, αυτό είναι όπως η απαίτηση ότι οι διαχειριστές δεδομένων βιώσουν αυτές τις βελτιωμένες  διαδικασίες, την καλύτερη διάγνωση, την καλύτερη θεραπευτική, την ακριβέστερη δοσολογία της  χορήγησης των φαρμάκων και σύντομα και ούτω καθεξής. Είμαστε λοιπόν οι πρώτοι που γνωρίζουμε  ότι η ποιότητα της θεραπείας των ασθενών μπορεί να βελτιωθεί με την τεχνητή νοημοσύνη. Ως εκ  τούτου, θα έλεγα επίσης ότι, ναι, υπάρχει μια μεγάλη ευκαιρία να μιλήσουμε και να μιλήσουμε με τις  υγειονομικές αρχές και να συμπεριλάβουμε τα νοσοκομεία και τις υγειονομικές αρχές στα  αποθέματα της τεχνητής νοημοσύνης στην υγειονομική περίθαλψη. πρέπει να λένε  στους ασθενείς ποιους αλγόριθμους χρησιμοποιούν. Και για τους ασθενείς αυτό θα είναι, από την  αρχή κάπως δύσκολο να το καταλάβουν. Και ίσως δεν θα πρέπει να περιμένουμε από όλους τους  ασθενείς ότι θα κατανοήσουν όλα όσα σχετίζονται με την τεχνητή νοημοσύνη. Αλλά τουλάχιστον  νομίζω ότι θα ήταν πολύ καλό να εκπαιδεύσουμε τους ασθενείς και τους Ευρωπαίους ότι τα δεδομένα  τους είναι δικά τους δεδομένα και ότι αυτοί έχουν τον έλεγχο. Τι θα γίνει με τα δεδομένα τους στο  μέλλον;

Πώς μπορεί η τεχνητή νοημοσύνη να βοηθήσει στην έγκαιρη ανίχνευση ασθενειών; Λοιπόν, η έγκαιρη  ανίχνευση ασθενειών είναι ίσως ένα από τα πιο σημαντικά χαρακτηριστικά της τεχνητής νοημοσύνης.  Ο λόγος για αυτό είναι ότι η παρακολούθηση της εξέλιξης ή η παρακολούθηση των σημείων εξέλιξης  της νόσου δεν μπορεί πάντα να γίνει από τον γιατρό ή από τον πιστοποιημένο νοσηλευτή. Εάν λοιπόν  έχουμε τεχνητή νοημοσύνη σε συνδυασμό με διάφορα οπτικά στοιχεία που μπορούν πραγματικά να  παρακολουθούν τον ασθενή ή τον Ευρωπαίο πολίτη, τότε θα είναι εύκολο να ανιχνεύσουμε την  πρώιμη εμφάνιση της νόσου. Τώρα, γιατί είναι σημαντικό αυτό, μπορούμε να πούμε ναι, θα λάβετε  τη διάγνωσή σας έξι μήνες νωρίτερα από ό,τι αν περιμένατε τον γιατρό. Πώς σας ωφελεί; Λοιπόν, αν  η διάγνωσή σας τεθεί νωρίς, μπορείτε να ξεκινήσετε τη θεραπεία σας νωρίτερα και θα υπάρχουν  λιγότερες επιπλοκές. Θα είστε νεότεροι και ο νεότερος οργανισμός αποδυναμώνει την ασθένεια πολύ  καλύτερα από τον παλαιότερο οργανισμό. Έτσι, αν προλάβουμε την ασθένεια στην πρώιμη εκδήλωσή  της και ο ασθενής είναι ακόμη σχετικά νέος, οι προοπτικές εξέλιξης είναι πολύ καλύτερες από την  περίπτωση που περιμένουμε μέχρι να είναι ήδη σχεδόν πολύ αργά. Και πώς μπορεί η τεχνητή  νοημοσύνη να βοηθήσει στη θεραπεία και στις συνταγές των αρχών; Νομίζω ότι αυτό είναι σαν ένας  από τους καλύτερους τομείς όπου μπορούμε να περιμένουμε τα οφέλη, δηλαδή η θεραπεία και η  παρακολούθηση της θεραπείας μπορεί να είναι βαρετή και ανιαρή. Από την άλλη πλευρά, είναι πολύ  σημαντικό τα φάρμακα να συνταγογραφούνται και να χορηγούνται στον ασθενή με τον ακριβή  προβλεπόμενο τρόπο. Έτσι, τα λάθη εδώ μπορεί να είναι πολύ δαπανηρά. Και η τεχνητή νοημοσύνη  είναι πραγματικά πολύ καλή στον εντοπισμό των λαθών ή των διαδικασιών και των ενεργειών που  δεν είναι ακριβώς ο μέσος όρος για τη θεραπεία μιας συγκεκριμένης ασθένειας. Έτσι, αν έχετε ένα  σύστημα ευφυούς νοημοσύνης που παρακολουθεί την κατάσταση του ασθενούς και την  αυτοπεποίθησή του για την ασθένειά του, τότε μπορείτε να προσαρμόσετε αυτόματα τη δοσολογία  και τον τύπο του φαρμάκου που είχε συνταγογραφηθεί. Και πάλι, θα ήταν πολύ καλό για τους  ασθενείς να συνειδητοποιήσουν ότι ένα συγκεκριμένο φάρμακο δεν είναι πραγματικά καλό γι’ αυτόν  ή αυτήν και ότι ορισμένες ανεπιθύμητες ενέργειες εμφανίζονται μερικές φορές. Οι ανεπιθύμητες  ενέργειες, κάποιοι τις αποκαλούν ανεπιθύμητες ενέργειες, μπορεί να είναι πολύ μικρές και να μην  είναι ορατές με γυμνό μάτι. Ως εκ τούτου, είναι πολύ καλό να έχουμε αυτό το σύστημα τεχνητής  νοημοσύνης που εργάζεται πραγματικά σε συστήματα προειδοποίησης και λέει αυτή τη στιγμή, ότι  αυτή και αυτή η παράμετρος δεν λειτουργούν καλά με τους ασθενείς σας. Πηγαίνετε και  προσαρμόστε τη θεραπεία προς αυτή και προς εκείνη την κατεύθυνση. Στη συνέχεια, φυσικά, ο  γιατρός πηγαίνει και βλέπει την πρόταση της τεχνητής νοημοσύνης και αποφασίζει αν θα  ακολουθήσει τη συμβουλή της τεχνητής νοημοσύνης. Από τη δική μου άποψη, αυτό βελτιώνει  πραγματικά την ποιότητα της θεραπείας των μεμονωμένων ασθενών. Πώς μπορεί η απόλυτη  νοημοσύνη να βοηθήσει στην εκπαίδευση και την κατάρτιση του προσωπικού σε όλα τα επίπεδα; Η  εκπαίδευση και η κατάρτιση του προσωπικού είναι πραγματικά εξαιρετικά οργανωμένη και πολύ  ιεραρχική, πράγμα που σημαίνει ότι όλα τα εθνικά συστήματα έχουν τους δικούς τους τρόπους με  τους οποίους θα εκπαιδεύσουν τους γιατρούς, πώς θα τους δώσουν το πιστοποιητικό ή τις άδειες τους. Και φυσικά, για παράδειγμα, στην Ευρωπαϊκή Ένωση έχουμε επίσης ένα σύστημα, νομίζω ότι  ονομάζεται αμοιβαία αναγνώριση των πιστοποιητικών και των αδειών. Έτσι, με αυτή τη βασική  έννοια, δεν γνωρίζω ότι η τεχνητή νοημοσύνη θα βοηθούσε πραγματικά στη διαμόρφωση ενός νέου  γιατρού. Ωστόσο, μόλις οι γιατροί βρεθούν στο εργασιακό τους περιβάλλον μπορούν να μάθουν από  ορισμένες λειτουργίες της τεχνητής νοημοσύνης και τις περισσότερες φορές αυτό σημαίνει ότι  περιλαμβάνεται ένα ισχυρό οπτικό στοιχείο και ότι οι γιατροί βρίσκονται πραγματικά στον  συγκεκριμένο τομέα τους και μπορούν να βελτιώσουν τις γνώσεις τους σε έναν συγκεκριμένο τομέα.

Και θα μπορούσατε ίσως να μας πείτε περισσότερα για τη βαθιά μάθηση και ποια είναι η διαφορά μεταξύ της μηχανικής μάθησης και της βαθιάς μάθησης; Ναι, η βαθιά μάθηση είναι και πάλι ένας υπότιτλος της μηχανικής μάθησης και περιγράφει τη χρήση και την εκπαίδευση αλγορίθμων μηχανικής μάθησης που έχουν βαθιά αναπαράσταση της πληροφορίας. Και αυτό συνήθως περιγράφει τα βαθιά νευρωνικά δίκτυα. Το βάθος στη βαθιά μάθηση που είναι στα βαθιά νευρωνικά δίκτυα είναι ότι συνήθως στοιβάζονται πολλαπλά στρώματα πιθανής αναπαράστασης των δεδομένων. Μπορείτε να το φανταστείτε ως απλά στρώματα μαθηματικών πράξεων τα οποία στη συνέχεια μαθαίνονται κατά την εκπαίδευση. Έτσι δίνετε το σχήμα του δικτύου και η λειτουργία του δικτύου μαθαίνεται σε μια επαναληπτική διαδικασία εκπαίδευσης παρέχοντας ένα παράδειγμα δεδομένων και ο όρος βαθιά και μάθηση. Η προσέγγιση προέρχεται από το βάθος του δικτύου. Και ποια είναι η διαφορά μεταξύ της μηχανικής μάθησης, της βαθιάς μάθησης και του παραδοσιακού προγραμματισμού; Εντάξει, όπως είπα, η βαθιά μάθηση είναι μέρος της μηχανικής μάθησης. Η διαφορά μεταξύ της μηχανικής μάθησης και του παραδοσιακού προγραμματισμού είναι η εξής, οπότε θεωρήστε ότι έχετε κάποια δεδομένα και γνωρίζετε τους κανόνες για το πώς να επεξεργαστείτε αυτά τα δεδομένα, σωστά; Στη συνέχεια, μπορείτε να εφαρμόσετε τις λύσεις σας. Και αυτή είναι μια τυπική προσέγγιση προγραμματισμού. Έχετε τα δεδομένα σας, ξέρετε πώς να τα επεξεργαστείτε, υλοποιείτε τα προγράμματά σας και τα αποτελέσματα και την απάντηση. Η προσέγγιση στη μηχανική μάθηση είναι επομένως ότι έχετε πολλά δεδομένα και γνωρίζετε τις απαντήσεις σε αυτά τα δεδομένα, αλλά δεν έχετε ιδέα πώς να καταλήξετε. Βασικά, δεν έχετε τους κανόνες, σωστά; Το καθήκον της μηχανικής μάθησης είναι να εκπαιδεύσετε τη μηχανή σας να μάθει τους κανόνες που σας επιτρέπουν να συνδέσετε τα δεδομένα και να παράγετε τις αναμενόμενες απαντήσεις. Και μόλις το έχετε αυτό, έχετε ένα εκπαιδευμένο μοντέλο μηχανικής μάθησης το οποίο μπορεί να λάβει νέα δεδομένα, τα δεδομένα που δεν έχει δει ποτέ πριν, επειδή έχει μάθει τους κανόνες και δεν θα έπρεπε να έχει μάθει τα δεδομένα απ’ έξω και μπορεί στη συνέχεια να παράγει απαντήσεις. Έτσι, στην ταχύτητα της μηχανικής μάθησης, λέμε ότι το μοντέλο πρέπει να γενικεύει, που σημαίνει ότι θα πρέπει να έχει μάθει γενικούς κανόνες για το πώς να χειρίζεται αυτά τα δεδομένα που έχετε βάλει για να παρέχει τις σωστές απαντήσεις. Μόλις έχετε ένα τέτοιο μοντέλο, μπορείτε να το συνδέσετε ως σύνολο κανόνων στην εργασία προγραμματισμού σας. Για παράδειγμα, αν το σύνολο των κανόνων θα ήταν τόσο πολύπλοκο που δεν θα μπορούσατε ποτέ να το προγραμματίσετε γράφοντας τον κώδικα με το χέρι.

Και μπορείτε να δώσετε ένα ή περισσότερα παραδείγματα δημοφιλών χρήσεων της μηχανικής  μάθησης; Νομίζω ότι ένα παράδειγμα που χρησιμοποιείται αρκετά συχνά είναι η οπτική αναγνώριση  χαρακτήρων που σημαίνει τα μηχανήματα και το ταχυδρομείο που διαβάζουν τη διεύθυνση-στόχο  της επιστολής σας που γράφετε αυτό συνήθως δεν γίνεται από ανθρώπους αλλά είναι απλά  αισθητήρια μηχανή. Το μηχάνημα αποκρυπτογραφεί τον γραφικό σας χαρακτήρα, στη συνέχεια  ψηφιοποιεί τη διεύθυνση και τροφοδοτεί όλες αυτές τις πληροφορίες σε μια βάση δεδομένων και  στη συνέχεια η επιστολή κατευθύνεται στον στόχο. Μια άλλη προσέγγιση θα ήταν η αναγνώριση  προσώπου, για παράδειγμα. Για παράδειγμα σε ψηφιακές βιντεοκάμερες και κάμερες διαδικτύου.  Έτσι, το φάσμα των εφαρμογών στη μηχανική μάθηση είναι αρκετά χρήσιμο. Για παράδειγμα, αυτό  που κάνουμε στο εργαστήριό μας είναι ότι χρησιμοποιούμε τη μηχανική μάθηση για την πρόληψη  φυσικών καταστροφών, όπου παρακολουθούμε δεδομένα για το κλίμα ή δεδομένα για την  ατμοσφαιρική ρύπανση των τελευταίων ετών, μηνών και ούτω καθεξής. Και στη συνέχεια  εκπαιδεύουμε ένα μοντέλο το οποίο θα πρέπει να είναι σε θέση να προβλέψει πώς συμπεριφέρεται  η αύξηση της θερμοκρασίας και ούτω καθεξής. Δεδομένων πολλών παραγόντων κατά τη διάρκεια  των τελευταίων ημερών μήνες θα μπορούσατε να δώσετε ένα ή λίγα παραδείγματα δημοφιλούς  χρήσης της βαθιάς μάθησης; Σχεδόν όλα όσα είναι αρκετά πολύπλοκα και ήταν προφανώς άλυτα πριν  από περίπου δέκα χρόνια έχουμε αδειοδοτήσει τη βαθιά μάθηση και ότι είναι η αναγνώριση εικόνας,  για παράδειγμα χρησιμοποιεί τη βαθιά μάθηση, επειδή χρησιμοποιώντας το βήμα των βαθιών  δικτύων αυτή η βαθιά αρχιτεκτονική επιτρέπει στο μοντέλο να μάθει σαν καταρράκτη διαφορετικών  βημάτων επεξεργασίας χαρακτηριστικών. Σωστά; Στην πραγματικότητα, τα βαθιά νευρωνικά δίκτυα  παρακινούνται κάπως από τον οπτικό φλοιό του ανθρώπινου εγκεφάλου, ο οποίος επεξεργάζεται τις  πληροφορίες σε διάφορα στάδια, ξεκινώντας από την απλή λήψη πληροφοριών χρώματος και  καταλήγοντας βασικά σε νευρώνες που ενεργοποιούν απλά σχήματα όπως ακμές και στρογγυλά  σχήματα και ούτω καθεξής, τα νευρωνικά δίκτυα κάνουν στην πραγματικότητα αρκετά παρόμοια  πράγματα. Και πηγαίνοντας από τα πιο απλά σε πολύ σύνθετα χαρακτηριστικά για παράδειγμα, από  τις χρωματικές κλίσεις των ακμών σε νευρώνες που υπάρχουν ή έχουν μάθει να αναγνωρίζουν τα  κεφάλια των σαυρών, για παράδειγμα, αυτή η σύνθετη πληροφορία εικόνας μπορεί να επεξεργαστεί  αποτελεσματικά και αρκετά γρήγορα. Και αυτό οδηγεί στα σημερινά μοντέλα μηχανικής μάθησης  στην αναγνώριση εικόνων και σε καλύτερες επιδόσεις από τους ανθρώπους για παράδειγμα, ειδικά  αν συνυπολογίσετε το χρόνο.

Και ποιες είναι οι ευκαιρίες και οι θετικές πτυχές της μηχανικής μάθησης για την κοινωνία; Πρώτον, είναι η δυνατότητα να φθάσουμε σε μια κατάσταση αυτοματοποίησης, η οποία αφαιρεί εργασίες που είναι εντάσεως εργασίας και βαρετές και κανείς δεν πρέπει στην πραγματικότητα να τις κάνει επειδή μπορούν να αυτοματοποιηθούν όμορφα. Αυτό, φυσικά, αυξάνει την αποδοτικότητα. Μειώνει τα λάθη επειδή η μηχανή δεν κουράζεται ποτέ. Σε ένα ιατρικό περιβάλλον, για παράδειγμα, οι μηχανές θα μπορούσαν να χρησιμοποιηθούν για να ενισχύσουν τις αποφάσεις του εκπαιδευόμενου. Ο κ. Παθολόγος, για παράδειγμα. Ο κ. Παθολόγος είναι ένας ιδιαίτερα ενδιαφέρων τομέας, διότι είναι γνωστό ότι ένας ιστορικός έχει την υψηλότερη αξία του όταν πρόκειται να συνταξιοδοτηθεί, επειδή έχει πίσω του μια δια βίου βασική περίοδο μάθησης. Και αυτοί οι σχεδόν συνταξιούχοι του είναι πολύ πιο γρήγοροι από τους νέους που πρέπει να μάθουν το επάγγελμα, σωστά; Και όταν λέω πιο γρήγορα, εννοώ ότι κοιτάζουν διαισθητικά μια από αυτές τις ιστοπαθολογικές διαφάνειες και βλέπουν αμέσως τι συμβαίνει, γιατί ο νέος πρέπει να σαρώσει κάθε κομμάτι των διαφανειών σχολαστικά και να πάρει χρόνο και ούτω καθεξής και ούτω καθεξής. Και υπάρχει επίσης μια ομάδα στην τάξη που ενεργεί από τον Andreas Holzinger. Στην πραγματικότητα εκπαιδεύει μεθόδους μηχανικής μάθησης με βάση τις σημειώσεις δεδομένων που κάνει ένας ειδικός, ο κύριος Παθολόγος, με στόχο να ενσωματώσει την εμπειρία της ζωής του στην τοπολογία του σε μοντέλο μηχανικής μάθησης. Έτσι, μπορεί ενδεχομένως να χρησιμοποιηθεί ως σύντροφος εκπαίδευσης για αρχάριους σε αυτόν τον τομέα.

Και ποιοι είναι οι πιο σημαντικοί κίνδυνοι που σχετίζονται με τη δεοντολογία, για παράδειγμα, κατά τη γνώμη σας; Για αρχή, φυσικά, είναι η προβλεπόμενη περίπτωση χρήσης της μηχανικής μάθησης. Για παράδειγμα, θέλετε να τη χρησιμοποιήσετε για το γενικό καλό; Θέλετε να βελτιώσετε την κοινωνία; Θέλετε να βελτιώσετε το περιβάλλον; Ή μήπως θέλετε να το συνδέσετε σε έναν πύραυλο κρουζ; Αυτή είναι η βασική διαφορά εδώ. Και το επόμενο πράγμα είναι ότι αυτά είναι τα άκρα του φάσματος. Και μετά υπάρχει μια πληθώρα κοινωνικών ζητημάτων στο ενδιάμεσο. Για παράδειγμα, θα αυτοματοποιήσετε την εκτίμηση της πιστοληπτικής ικανότητας ενός ατόμου και θα χρησιμοποιήσετε τη μηχανική μάθηση γι’ αυτό; Και στη συνέχεια υπάρχει το ερώτημα ποια δεδομένα χρησιμοποιήσατε για να εκπαιδεύσετε αυτό το μοντέλο; Και μήπως μοντελοποιήσατε, μήπως εκπαιδεύσατε ανεπιθύμητες συσχετίσεις μεταξύ ορισμένων χαρακτηριστικών και δεδομένων και του αποτελέσματος; Για παράδειγμα, είχαμε μάθει ότι ορισμένες εθνικότητες, για οποιονδήποτε λόγο, για παράδειγμα, το χρώμα του δέρματος, η εθνικότητα, όπως είπα, δεν θα έπρεπε να λαμβάνουν, δεν ξέρω, οικονομική βοήθεια εξαιτίας αυτού του λόγου, σωστά; Το ερώτημα είναι πάντα ποια δεδομένα τροφοδοτείτε; Ποια δεδομένα θέλετε να χρησιμοποιήσει κάποιος; Υπάρχει αυτή η αρχή της αρτιότητας των δεδομένων, που σημαίνει ότι χρησιμοποιείτε μόνο τα δεδομένα που χρειάζεστε για την επίλυση της εργασίας, διότι τα πρόσθετα δεδομένα ενδέχεται να δημιουργήσουν αντιφατική συμπεριφορά στο μοντέλο. Και αυτό είναι φυσικά ένα από τα τρέχοντα μεγάλα ζητήματα με τη συνεχιζόμενη αυτοματοποίηση. Με τη μηχανική μάθηση. Από την άλλη πλευρά, υπάρχει πάντα ένα ερώτημα εάν χρησιμοποιείτε πραγματικά δεδομένα για την εκπαίδευση των μοντέλων μηχανικής μάθησης και δεν σας αρέσει αυτό που κάνει το μοντέλο, επειδή το ίδιο το μοντέλο είναι αντικειμενικό, η εμπιστοσύνη μπορεί να μάθει από τα δεδομένα που παρέχετε. Τα δεδομένα είναι η μοναδική πραγματικότητα του μοντέλου. Αυτό σημαίνει ότι δεν σας αρέσει αυτό που κάνει το μοντέλο; Ή μήπως δεν σας αρέσει η πραγματικότητα; Σωστά. Και σκέφτομαι ότι μπορεί να μην είναι πάντα ο σωστός τρόπος να διορθώνετε και να επιμελείστε τα δεδομένα σας για να απαλλαγείτε από ορισμένες συμπεριφορές του μοντέλου. Θα το έβλεπα ως ένδειξη για την αλλαγή που είναι απαραίτητη στην κοινωνία που το παράγει αυτό.

Μια ερώτηση σχετικά με την επεκτάσιμη τεχνητή νοημοσύνη Χ-Α-Υ μπορείτε να εξηγήσετε πώς είναι; Ναι. Ο στόχος λοιπόν της επεκτάσιμης τεχνητής νοημοσύνης είναι να σκιαγραφήσει το μαύρο κουτί της μηχανικής μάθησης. Έτσι, η τρέχουσα μηχανική μάθηση είναι συνήθως τα μοντέλα μηχανικής μάθησης με τις καλύτερες επιδόσεις που είναι αρκετά πολύπλοκα, πράγμα που σημαίνει ότι ο εξωτερικός παρατηρητής πραγματικά ακόμη και ο προγραμματιστής έχει πραγματικά μια εικόνα για το τι πραγματικά μαθαίνει το μοντέλο. Και με την προσβασιμότητα ή την τεχνητή νοημοσύνη X, στοχεύουμε να επανακτήσουμε κάποια διαφάνεια σχετικά με το τι κάνει το μοντέλο. Ναι, αυτό μπορεί να γίνει με διάφορους τρόπους. Αυτό που κάναμε στο εργαστήριό μας είναι ότι αναπτύξαμε μια τροποποιημένη μέθοδο υποβάθρου, η οποία σημαίνει ότι αν εισάγετε κάποια σημεία δεδομένων στο μοντέλο, το μοντέλο μετασχηματίζεται στρώμα προς στρώμα στο δίκτυο ή στο μοντέλο. Βασικά διατρέχει το μοντέλο στο τέλος και το τελικό αποτέλεσμα είναι η απάντηση του μοντέλου. Σωστά. Και μπορούμε να αντιστρέψουμε κάπως αυτή τη διαδικασία, για παράδειγμα, αν το μοντέλο λάβει μια εικόνα και μου πει ότι είναι γάτα, μπορώ να ξεκινήσω με την έξοδο γάτα και να πω ναι, αλλά γιατί; Και στη συνέχεια μπορώ να διαχωρίσω τις επιμέρους αποφάσεις των μοντέλων στρώμα προς στρώμα μέχρι να φτάσω ξανά στην είσοδο και μπορώ στη συνέχεια να λάβω, το ονομάζουμε σωστά χάρτη θερμότητας. Βασικά, είναι η απόκρυψη στο χώρο εισόδου όπου τα περισσότερα πράγματα που είναι η πληροφορία και μπορείτε να το κάνετε αυτό για κάθε πιθανό αποτέλεσμα. Για παράδειγμα, αν έχετε μια έξοδο σκύλου του μοντέλου και στη συνέχεια μπορείτε να κάνετε την ίδια διαδικασία με την έξοδο σκύλου και τότε μπορεί να λάβετε την απάντηση γιατί το μοντέλο πιστεύει ότι δεν υπάρχει σκύλος στην εικόνα ή όπου η πληροφορία για τον σκύλο δεν είναι σωστή. Αυτός είναι ένας τρόπος να συνδέσετε τη χρήση της πληροφορίας από το μοντέλο, όπως δίνεται από τα σημεία δεδομένων, με την έξοδο του μοντέλου. Ναι, η επεκτασιμότητα είναι ένας αρκετά νέος τομέας. θα έλεγα ότι τα πρώτα σοβαρά βήματα και πιο σύνθετα μοντέλα έγιναν το 2010 και έκτοτε εξελίσσεται αρκετά γρήγορα. Επομένως, υπάρχει πολλή δουλειά που συνεχίζεται. Εργαζόμαστε προς την κατεύθυνση της παροχής εξηγήσεων που υπερβαίνουν τις απλές απεικονίσεις χαρτών θερμότητας, οι οποίες χρειάζονται πολλές ερμηνείες κατά καιρούς, ειδικά αν τα δεδομένα είναι δύσκολο να κατανοηθούν και πρέπει να αναγνωριστούν. Αλλά ο τελικός μας στόχος είναι να μοντελοποιήσουμε κάτω από την αντιμετώπιση της βελτιωμένης εκμεταλλευσιμότητας πάνω στην οποία εργάζεστε σήμερα θα πρέπει να είναι λίγο-πολύ αυτονόητη σωστά με το να μην λέμε κοιτάξτε σε αυτό το μέρος της εικόνας υπάρχουν πληροφορίες που νομίζω ότι ως μοντέλο μιλάει για τη γάτα. Αλλά το μοντέλο θα πρέπει στη συνέχεια να ενημερώνει τον χρήστη. Για παράδειγμα, ότι νομίζω ότι υπάρχει μια γάτα επειδή βλέπω αυτό και εκείνο και εκείνο και εκείνο και εκείνο. Χαρακτηριστικά που μοιάζουν με γάτα, τα οποία το μοντέλο έχει, για παράδειγμα, μάθει ως χαρακτηριστικά που θα χρησιμοποιήσει κατά τη διάρκεια της πρόβλεψης. Σας ευχαριστώ πολύ. Και τι καθιστά δυνατή η εξηγήσιμη τεχνητή νοημοσύνη; Τι μπορείτε να επιτύχετε μέσω αυτού; Πρώτον, μπορείτε να καταλάβετε τι κάνει στην πραγματικότητα το μοντέλο και μπορείτε να αποκτήσετε κατανόηση ανά δείγμα ανά δείγμα σημαίνει σε αυτή την περίπτωση ότι για κάθε σημείο δεδομένων που βάζετε στο μοντέλο λαμβάνετε ανατροφοδότηση σχετικά με τη συλλογιστική του μοντέλου με βάση αυτά τα δεδομένα. Στη συνέχεια, μπορείτε φυσικά να το χρησιμοποιήσετε για να επαληθεύσετε το μοντέλο σας. Αλλά σε ορισμένες περιπτώσεις μπορεί επίσης να καταλήξετε με την πληροφορία ότι το μοντέλο παράγει τη σωστή έξοδο για λάθος λόγους. Για παράδειγμα. Και αυτό μπορεί να σας υποδείξει σφάλματα στα δεδομένα εκπαίδευσής σας, όπου έχετε εισάγει κάποιες συγκεχυμένες πληροφορίες, κάποια συγκεχυμένα χαρακτηριστικά, τα οποία το μοντέλο συνδέει στη συνέχεια με την έξοδο των γατών, αλλά τα οποία δεν είναι απολύτως καθόλου Cadillac μόνο και μόνο επειδή είναι ευκολότερο για το μοντέλο. Και τότε έχουμε και πάλι το πρόβλημα ότι η πύλη εκπαίδευσης του μοντέλου είναι η μοναδική πραγματικότητα του μοντέλου. Απλώς του δίνετε μερικές χιλιάδες εικόνες γατών και το μοντέλο μαθαίνει πώς να φτάσει από αυτή την πηγή δεδομένων στη γάτα. Και αν αυτές οι εικόνες, για παράδειγμα, έχουν μαζευτεί από το Flicker και όλες έχουν ένα υδατογράφημα πνευματικών δικαιωμάτων επειδή είναι εικόνες αρχείου ή κάτι τέτοιο, το μοντέλο μπορεί να καταλάβει ότι οι εικόνες αρχείου είναι γάτες. Σωστά; Αυτό είναι το πρόβλημα ή ένα από τα προβλήματα που μπορούμε να εντοπίσουμε με την εξωτερικότητα και αυτό στη συνέχεια στην επιλογή να βελτιώσουμε το μοντέλο, να βελτιώσουμε την πηγή δεδομένων και ούτω καθεξής, οπότε είμαστε βασικά πολύ πιο ενημερωμένοι προγραμματιστές μηχανικής μάθησης από ό, τι πριν την επέκταση.

Τώρα θα μιλήσουμε λίγο περισσότερο για τη μηχανική μάθηση. Θα μπορούσατε λοιπόν να μας πείτε τι είναι η μηχανική μάθηση και πώς λειτουργεί; Λοιπόν, η μηχανική μάθηση είναι ένας κλάδος της τεχνητής νοημοσύνης, ο οποίος όμως έχει γίνει γνωστός ως ο κυρίαρχος κλάδος της τεχνητής νοημοσύνης. Και στην πραγματικότητα πρόκειται για τη δημιουργία μοντέλων γιαμια συγκεκριμένη εργασία, όπου τα πράγματα δεν είναι προ-προγραμματισμένα, αλλά μαθαίνονται από τα δεδομένα. Έτσι, αντί να γράφετε, να προσδιορίζετε λεπτομερείς κανόνες για το τι πρέπει να κάνει το σύστημα σε κάθε περίπτωση, παρέχετε κάποια δεδομένα, δεδομένα εκπαίδευσης, επειδή προσπαθείτε να κάνετε το σύστημα να μάθει από αυτά. Και το σύστημα στη συνέχεια θα εντοπίσει αυτόματα κάποια μοτίβα που είναι χρήσιμα για την εκάστοτε εργασία και αυτόματα στη συνέχεια θα τα χρησιμοποιήσει σε νέα δεδομένα μόλις τα μάθει. Θα μπορούσατε να μας πείτε πώς σχετίζεται η μηχανική μάθηση με την τεχνητή νοημοσύνη και επίσης με τα μεγάλα δεδομένα; Ναι. Έτσι, όσον αφορά τη σχέση με την τεχνητή νοημοσύνη, έχει γίνει πραγματικά ο κυρίαρχος τρόπος επίλυσης σύνθετων εργασιών τεχνητής νοημοσύνης. Η μηχανική μάθηση είναι να το κάνουμε αυτό σε μεγάλα σύνολα εκπαίδευσης, και έτσι σχετίζεται με τα μεγάλα δεδομένα, με την έννοια ότι μαθαίνετε τα μοντέλα toper μορφή διαφορετικών εργασιών χρησιμοποιώντας μεγάλα σύνολα δεδομένων. Επομένως, σχετίζεται επίσης πραγματικά άμεσα με τα μεγάλα δεδομένα.

Και έτσι αναφέρατε ήδη τη μηχανική μετάφραση. Μπορείτε να δώσετε ίσως ένα ή περισσότερα παραδείγματα δημοφιλών χρήσεων της μηχανικής μάθησης; Ναι. Έτσι, η μηχανική μάθηση αναζήτησης, όπως στην αναζήτηση της Google, στις μηχανές αναζήτησης, στην όραση υπολογιστών, στην αναγνώριση ομιλίας. Χρησιμοποιείται εκεί βασικά για κάθε είδους ταξινόμηση ή πρόβλεψη. Και οι περισσότερες εταιρείες στις μέρες μας διαθέτουν κάποιο είδος συστήματος. Εκεί αυτοματοποιούν κάποιες από τις αποφάσεις ή τις προβλέψεις τους. Στη ρομποτική, είναι πάντα πρώτα επίσης ένας τομέας όπου υπάρχουν πολλά μοντέλα μηχανικής μάθησης για να βοηθούν τα ρομπότ να αποφασίζουν τι πρέπει να κάνουν και πώς πρέπει να το κάνουν. Στη βιομηχανία, η μηχανική μάθηση και η βαθιά μάθηση χρησιμοποιούνται σε μεγάλο βαθμό. Πριν, ήταν, ξέρετε, τα στατιστικά μοντέλα και τα μοντέλα μηχανικής μάθησης για την ανάπτυξη αυτών. Αναφέρατε ήδη κάποια πλεονεκτήματα και ευκαιρίες της μηχανικής μάθησης για την κοινωνία. Μπορείτε επίσης να αναφέρετε ίσως μερικά ακόμη; Ένα από τα κυριότερα πλεονεκτήματα είναι πιθανώς αυτό της αυτοματοποίησης. Είναι η αυτοματοποίηση εργασιών που μπορεί να είναι επαναλαμβανόμενες και ενδιαφέρουσες ναι, κάτι που ίσως ξέχασα να αναφέρω. Αλλά επίσης, όλα όσα κάνετε με τα αυτόνομα, ημιαυτόνομα αυτοκίνητα. Είναι επίσης ένα άλλο παράδειγμα όπου ένα μεγάλο μέρος της οδήγησης είναι επαναλαμβανόμενο, είναι ρουτίνα. Πρόκειται για την αναζήτηση μοτίβων, βασικά. Και οι υπολογιστές είναι αρκετά καλοί στο να αναγνωρίζουν μοτίβα και να το κάνουν αυτό συστηματικά.24 ώρες το 24ωρο, ενώ οι ανθρώπινοι οδηγοί είναι γνωστό ότι είναι κακοί στο να παρακολουθούν τι συμβαίνει στο δρόμο για πολλές ώρες. Αυτή είναι άλλη μια περίπτωση όπου η αυτοματοποίηση μιας διαδικασίας που είναι λίγο πολύ ρουτίνα και επαναλαμβανόμενη στις περισσότερες περιπτώσεις μπορεί να αποβεί εξαιρετικά επωφελής. Φυσικά, είναι μια καλή περίπτωση, επειδή πολλά από αυτά που συμβαίνουν στο δρόμο είναι επαναλαμβανόμενα. Αλλά μερικές φορές έχετε μια σύνθετη κατάσταση, έχετε κάτι απροσδόκητο που συμβαίνει στο δρόμο. Και η μηχανική μάθηση βασίζεται σε ιστορικά δεδομένα. Μαθαίνει από αυτά που έχουν παρατηρηθεί στο παρελθόν και προσπαθεί να τα γενικεύσει. Αλλά η ικανότητα γενίκευσης είναι πολύ ασθενέστερη από αυτή που έχουμε ως άνθρωποι. Έτσι, ενώ εμείς μπορούμε να κατανοήσουμε γρήγορα μια νέα κατάσταση που εκτυλίσσεται, αυτό είναι πολύ πιο δύσκολο για τον υπολογιστή.

Ποια θα είναι η εξέλιξη της αλληλεπίδρασης των ανθρώπων με τις μηχανές και ποιες είναι οι αναδυόμενες τάσεις; Λοιπόν, μια σημαντική τάση είναι ότι η πρώιμη αλληλεπίδραση ανθρώπου μηχανής αφορούσε στην πραγματικότητα την προσαρμογή του ανθρώπου στο είδος των περιορισμών της διεπαφής με την οποία είχε να κάνει. Στη δεκαετία του ’70 είχαμε πολύ ολοκληρωμένες μηχανές με πολλά κουμπιά και το θέμα ήταν ότι ο άνθρωπος έπρεπε να μάθει πώς να χειρίζεται τη διεπαφή και η ίδια η διεπαφή είχε μηδενική προσαρμογή. Και σήμερα η τάση είναι να προσπαθεί η διεπαφή, η μηχανή, να προσαρμόζεται στον άνθρωπο-χρήστη και να προσπαθεί να μιλάει τη γλώσσα του. Και αυτό που με ενδιαφέρει ως έρευνα στη γλώσσα της τεχνολογίας είναι να έχουμε μηχανές που μιλούν μια γλώσσα, οι οποίες να είναι σε θέση να αλληλεπιδρούν με το μέσο επικοινωνίας που είναι πιο διαισθητικό για εμάς τους ανθρώπους, το οποίο είναι ο φυσικός προφορικός λόγος, επειδή αυτό έχουμε περάσει το μεγαλύτερο μέρος της ζωής μας μιλώντας και ακούγοντας ο ένας τον άλλον στον προφορικό λόγο. Αυτό είναι το πιο σημαντικό γιατί μπορούμε να εκφράσουμε ιδέες και σκέψεις και βασικά οτιδήποτε με έναν εντελώς αβίαστο τρόπο, με τρόπο που θα ήταν αδύνατο με μια άκαμπτη διεπαφή όπου θα έπρεπε να πατάμε κουμπιά. Αλλά φυσικά είναι επίσης δύσκολο, επειδή η φυσική γλώσσα είναι διφορούμενη, είναι ασαφής, είναι μερικές φορές αντιφατική και αβέβαιη. Πάντα χρειάζεται πολλή ερμηνεία για να καταλάβουμε ο ένας τον άλλον. Αλλά όλα αυτά είναι ενδιαφέροντα, διότι το να έχεις μια μηχανή που καταλαβαίνει την προφορική γλώσσα σημαίνει ότι είναι μια μηχανή για την οποία δεν χρειάζεσαι καμία εκπαίδευση. Ξέρετε πώς να μιλάτε τη μητρική σας γλώσσα και αυτό είναι πολύ χρήσιμο και φιλικό προς το χρήστη. Και σε ορισμένες περιπτώσεις, αν σκεφτείτε, για παράδειγμα, ότι η οδήγηση ενός αυτοκινήτου ή το μαγείρεμα όταν τα χέρια σας είναι στη μέση της προετοιμασίας του μαγειρέματος, είναι επίσης ένας από τους μοναδικούς τρόπους ακριβώς για να έχετε μια συγκεκριμένη αλληλεπίδραση με τη μηχανή, επειδή δεν μπορείτε να περιμένετε από τον χρήστη στο ανώνυμο αυτοκίνητο να περνάει τον χρόνο του κοιτάζοντας την οθόνη και αγγίζοντας κουμπιά. Έτσι, σε πολλές περιπτώσεις, το μέλλον της αλληλεπίδρασης ανθρώπου-ρομπότ-μηχανής είναι πραγματικά να έχουμε συστήματα που μπορούν να αλληλεπιδρούν μαζί μας με έναν τρόπο που μας είναι οικείος είτε μέσω της γλώσσας είτε μέσω κάποιας οπτικής γλώσσας που είναι εύκολα κατανοητή. Και ως τελευταία ερώτηση, αναφέρατε ήδη κάποιες από τις ευκαιρίες και κάποιες από τις προκλήσεις. Μπορείτε να σκεφτείτε περισσότερα θετικά αποτελέσματα και επίσης κάποιες προκλήσεις της αλληλεπίδρασης των ανθρώπινων αποστολών για την κοινωνία; Λοιπόν, υπάρχει πάντα η σκέψη ειδικά της γλωσσικής τεχνολογίας. Υπάρχει η πρόκληση της άνισης πρόσβασης και των άνισων πόρων και αυτό πηγαίνει πέρα από την αλληλεπίδραση ανθρώπου-μηχανής. Αλλά ένα σημαντικό πρόβλημα για ένα μεγάλο μέρος των σημερινών γλωσσικών τεχνολογιών είναι, για παράδειγμα, ότι οι γλώσσες δεν έχουν τον ίδιο βαθμό υποστήριξης, και αυτό έχει μεγάλη διαφορά αν είστε ομιλητής της αμερικανικής αγγλικής γλώσσας ή αν είστε ομιλητής κάποιων απομακρυσμένων αφρικανικών γλωσσών που δεν έχουν πρόσβαση. Όπου δεν λειτουργεί το Google Translate, δεν έχετε καμία δυνατότητα να χρησιμοποιήσετε την τεχνολογία με οποιονδήποτε τρόπο. Μερικές φορές δεν έχετε ούτε καν ένα πληκτρολόγιο στο κινητό σας τηλέφωνο για να εκφραστείτε στη μητρική σας γλώσσα. Και αυτό είναι, στο μέλλον, μια σημαντική πρόκληση. Για να μην μιλήσουμε, φυσικά, για την πρόσβαση στην τεχνολογία. Θέλω να πω, αν δεν έχετε τηλέφωνο εξ αρχής, έχετε ακόμη λιγότερη πρόσβαση. Αλλά όλο αυτό είναι το πώς θα διασφαλίσουμε ότι η τεχνολογία θα χρησιμοποιείται ως εξισωτής για τις υπάρχουσες ανισότητες στον κόσμο, αυτό είναι μια σημαντική πρόκληση.