Τεχνητή Νοημοσύνη: Η Πολυπλοκότητα και η Ασάφεια του Όρου

By Kyriakos Christodoulides, PhD, CFE, Data Science Consultant

Η Tεχνητή Nοημοσύνη (Artificial Intelligence ή αλλιώς AI) έχει εισβάλει με ιλιγγιώδη ταχύτητα στην προσωπική μας ζωή, από τις μικρές καθημερινές μας συνήθειες, όπως το να μιλάμε με έναν ψηφιακό βοηθό, μέχρι την λήψη αντικειμενικών αποφάσεων στον τομέα της υγείας, της μηχανικής και των επιχειρήσεων. Ωστόσο, παραμένει ένα θεμελιώδες ερώτημα: γιατί είναι τόσο δύσκολο να εξηγήσουμε με πειστικότητα την έννοια της Τεχνητής Νοημοσύνης;

Σε αυτό το άρθρο, θα διερευνήσουμε τους λόγους πίσω από την πολυπλοκότητα και την αδυναμία πλήρους αποσαφήνισης του όρου.

Το ερώτημα είναι πολυδιάστατο και περιλαμβάνει διάφορα αλληλένδετα ζητήματα, μέρος των οποίων θα αναλύσουμε στην συνέχεια. Αυτά περιλαμβάνουν την ασάφεια στην ίδια την έννοια της Νοημοσύνης, τη διαρκή εξέλιξη του ορισμού της Tεχνητής Nοημοσύνης, την επίδραση του branding, καθώς και τους περιορισμούς που αντιμετωπίζουν ακόμη και οι ειδικοί στην επικοινωνία της επιστήμης και τεχνολογίας.

Η Δυσκολία Ορισμού της Νοημοσύνης

Στην καρδιά της σύγχυσης γύρω από την Τεχνητή Νοημοσύνη βρίσκεται το γεγονός ότι ο ορισμός της, ακόμη και από αυθεντίες του χώρου, βασίζεται σε ασαφείς έννοιες. Ο πατέρας του χώρου, John McCarthy, που εισήγαγε τον όρο «Τεχνητή Νοημοσύνη», έδωσε έναν ταυτολογικό ορισμό: «Η Τεχνητή Νοημοσύνη είναι η επιστήμη και η μηχανική της δημιουργίας έξυπνων μηχανών, ειδικά έξυπνων προγραμμάτων.» Ωστόσο, αυτός ο ορισμός δεν εξηγεί ακριβώς τι σημαίνει ‘έξυπνο’.

Παρόμοιες εννοιολογικές παθογένειες παρουσιάζει και κάθε άλλος ορισμός που προσπαθεί να συλλάβει την έννοια της ίδιας της Nοημοσύνης στην ολότητα του. Ως εκ τούτου, η κατανόηση της Nοημοσύνης είναι ίσως ο πιο πολυθεματικός κλάδος. Ερευνητές από την Ψυχολογία, την Νευροεπιστήμη, την Φυσική, την Φιλοσοφία, τα Μαθηματικά, την Πληροφορική και πρακτικά κάθε κλάδο που υπάρχει, ασχολούνται με την κατανόηση της.

Για να κατανοήσουμε τη δυσκολία του όρου, ας εξετάσουμε τις ποικίλες ερμηνείες και προσεγγίσεις για κατανόηση της Νοημοσύνης από έναν μόνο υποκλάδο της Ψυχολογίας.

Το πιο προβλεπτικό ‘εργαλείο’ σε όλη την παραδοσιακή ψυχολογία, είναι τα λεγόμενα IQ tests. Ωστόσο, τα IQ tests είναι βαθιά ελλειπή, ανοίγοντας το δρόμο για πρόσθεση νέων εννοιών ‘νοημοσύνης’ που όμως δεν συσχετίζονται πάντα σημαντικά μεταξύ τους. Τέτοια παραδείγματα είναι η Συναισθηματική (EQ), η Κοινωνική, η Πρακτική (street smarts), η Αθλητική, η Μουσική και η Φυσιολατρική Νοημοσύνη. Ανάλογα με τον «ειδικό ψυχολόγο ερευνητή», η λίστα μπορεί και να συνεχίζεται.

Αν κάνουμε τον συνήγορο του ‘επιστημονικού διαβόλου’ όμως, θα λέγαμε πως για να έχει νόημα ο ορισμός της Νοημοσύνης, θα πρέπει να συνδέεται με στατιστική σπανιότητα. Αν όλοι μπορούν τελικά να είναι έξυπνοι, έχει σημασία να υπάρχει ο όρος καν; Πόσο νόημα έχει κάθε είδους ικανότητα να γίνει re–branded ως είδος Νοημοσύνης; Πόσο επιστημονικά χρήσιμος είναι ένας ορισμός που επιτρέπει να βαλουμε στην ίδια κατηγορία και άρα να συγκρίνουμε την υπέρμετρη αθλητική ικανότητα του Μέσι με τη μαθηματική διάνοια του Νεύτωνα;

Δεν θα εμβαθύνουμε περαιτέρω στα πιο πάνω, αλλά είναι σημαντικό να κρατήσουμε ένα βασικό σημείο: δεν υπάρχει σαφής ορισμός της Νοημοσύνης και άρα ούτε της Τεχνητής Νοημοσύνης. Προσθέτουμε επίσης ότι αυτή η ασάφεια συχνά λειτουργεί ως αφόρμηση και μοχλός πώλησης ‘επιχειρηματικού οράματος’, υπηρεσιών και προϊόντων.

Το Branding Πάνω από την Σαφήνεια

Θα αγοράζατε ένα απλό προϊόν η μια απλή λύση; Ή θα αγοράζατε ένα ανταγωνιστικό έξυπνο προϊόν, μια έξυπνη λύση;

Όποιος έχει ασχοληθεί με εταιρικές εφαρμογές της ΑΙ, πέρα από συναρπαστικές εφαρμογές όπως αυτοοδηγούμενα αυτοκίνητα και αυτόνομα ρομπότ, γνωρίζει πολύ καλά πως οι διάφορες εταιρείες λογισμικού και τεχνολογίας δεν ανταγωνίζονται απλά όσο αφορά τα τεχνολογικά χαρακτηριστικά και πραγματική χρηστικότητα των λύσεων και προϊόντων που προσφέρουν. Πολλές φορές ανταγωνίζονται κυρίως στο επίπεδο marketing και branding, τα οποία σχετίζονται πιο άμεσα με τις πωλήσεις.

Αυτή την στιγμή, ίσως να μην υπάρχει εταιρεία που να μην διαφημίζει τα προϊόντα της με όρους που θολώνουν την κατανόηση των πραγματικών δυνατοτήτων και περιορισμών των συστημάτων τους, αλλά ακούγονται εντυπωσιακοί και εξάπτουν τη φαντασία των μη ειδικών. Όρους όπως ‘έξυπνη ανάλυση’, ‘έξυπνη αυτοματοποίηση’ (intelligent automation) ή παρόμοια. Τέτοιοι όροι, υπονοούν ότι οι λύσεις τους είναι πιο προηγμένες και άρα πιο αποτελεσματικές από τις υπόλοιπες.

Στην καλύτερη περίπτωση, όταν ένα προϊόν ή μια υπηρεσία αυτοματοποιεί κάποιες εργασίες, αναλύει πολλά δεδομένα ή κάνει προβλέψεις, παρουσιάζεται ως Τεχνητή Νοημοσύνη. Στην χειρότερη (και πολύ συνήθη) των περιπτώσεων, ένα παλιό προϊόν ή και στοιχειώδης ανάλυση δεδομένων γίνεται rebranded ως AI. Σύμφωνα με την έρευνα της εταιρείας επενδυτικού κεφαλαίου MMC του Λονδίνου, το 2019, το 40% των Ευρωπαϊκών νεοφυών επιχειρήσεων που κατηγοριοποιούνται ως εταιρείες Τεχνητής Νοημοσύνης δεν αξιοποιούν πραγματικά την τεχνολογία με τρόπο που να είναι “ουσιαστικός” για τις επιχειρήσεις τους.

Σε αυτό το σημείο, πρέπει να προσθέσουμε πως για αυτή την ‘δημιουργική χρήση’ του όρου συνδράμουν σημαντικά και οι ίδιοι οι καταναλωτές των υπηρεσιών και προϊόντων που εμπεριέχουν ανάλυση δεδομένων. Αυτό μπορούμε να το καταλάβουμε καλύτερα από ένα δείγμα από τις προσωπικές μου εμπειρίες.

Πριν μερικά χρόνια δούλεψα σαν Data Science Consultant δίπλα από τον Chief Strategy Officer μιας εταιρείας δημιουργίας και αναδιάθεσης λογισμικού. Σε αυτή τη συνεργασία, αξιοποιήσαμε τις γνώσεις μου στην ανάλυση δεδομένων και τις τεχνολογίες AI για να εξετάσουμε σε βάθος διάφορες πτυχές της επιχείρησης, με στόχο την ενίσχυσή της τόσο σε στρατηγικό όσο και σε τακτικό επίπεδο. H πρώτη πρόκληση στην οποία δουλέψαμε, ήταν η ανάλυση της επίδρασης των νέων προσλήψεων στην ομάδα πωλήσεων και η αναζήτηση τρόπων βελτίωσης της απόδοσής τους. Οπτικοποιώντας τα δεδομένα εντυπωσιάστηκα αρχικά απ’ το γεγονός πως μετά τις νέες προσλήψεις, οι προσεγγίσεις δυνητικών πελατών είχαν υπερτετραπλασιαστεί. Ωστόσο, μια πιο προσεκτική ανάλυση των τίτλων των δυνητικών πελατών έδειξε ότι ο αριθμός των προσεγγίσεων σε επαγγελματίες με θέσεις επιρροής και ικανότητα λήψης αποφάσεων, όπως για παράδειγμα στελέγχη, είχε παραμείνει σχεδόν αμετάβλητος. Οι τίτλοι σχεδόν όλων των υπόλοιπων δυνητικών πελατών φαίνονταν να είναι μη σχετικοί.

Όταν μοιράστηκα αυτά τα αρχικά ευρήματα, ο CSO παρουσίασε τα αποτελέσματα στην ομάδα, λέγοντας: «Ο Κυριάκος χρησιμοποίησε AI και διαπίστωσε ότι πρέπει να αλλάξουμε δραστικά τους πελάτες που στοχεύουμε». Στην πραγματικότητα, παρόλο που αργότερα ανέπτυξα μαθηματικά μοντέλα που προέβλεπαν ποιες ενέργειες πωλήσεων είχαν τις μεγαλύτερες πιθανότητες επιτυχίας και ποιοι παράγοντες ήταν καθοριστικοί για την πραγματοποίησή τους, η αρχική ανάλυση, αν και σημαντική, αποτέλεσε μόνο το πρώτο βήμα προς την κατασκευή τέτοιων έξυπνων αλγορίθμων.

Αυτό το παράδειγμα με βοήθησε να καταλάβω πώς ο CSO ένιωσε την ανάγκη να χαρακτηρίσει τη βασική διερευνητική ανάλυση ως AI, για να προσδώσει κύρος στην απόφαση του. Ένα σημαντικό μέρος της δουλειάς των Data Scientists είναι να παρουσιάζουμε τα ευρήματα με τρόπο λιτό και άμεσα εφαρμόσιμο, χωρίς να εμβαθύνουμε σε όλες τις λεπτομέρειες και εκφάνσεις της ανάλυσης. Συχνά συνδυάζουμε την περιέργεια με την κοινή λογική με τρόπους που, ενώ τους παρουσιάζουμε ως απλούς, δεν είναι τόσο άμεσα διαισθητικοί όσο φαίνονται εκ των υστέρων.

Συνοψίζοντας, οι υπερβολές γύρω από το τι τελικά ονομάζουμε Τεχνητή Νοημοσύνη προκύπτουν και από την ανάγκη να προσδώσουμε κύρος σε προϊόντα, υπηρεσίες και αποφάσεις, αλλά και από την προσπάθεια να δικαιολογήσουμε παραβλέψεις ως αποτέλεσμα έλλειψης εξειδικευμένων γνώσεων.

Η Διαρκής Εξέλιξη της Ορολογίας

Προσθέτοντας στην πολυπλοκότητα της αποσαφήνισης του τι τελικά είναι Tεχνητή Nοημοσύνη, είναι το γεγονός ότι η ορολογία που περιβάλλει την ΑΙ δεν είναι στατική· εξελίσσεται με τον χρόνο έτσι ώστε να αντικατοπτρίζει τις τελευταίες τεχνικές για την δημιουργία αλγορίθμων.

Στα μέσα της δεκαετίας του 1980 και κατά τη δεκαετία του 1990, ο όρος Τεχνητή Νοημοσύνη ταυτιζόταν κυρίως με τα λεγόμενα expert systems τα οποία έβρισκαν κυρίως εφαρμογή στην ιατρική ή τα χρηματοοικονομικά. Αυτά τα συστήματα μιμούνται τις διαδικασίες λήψης αποφάσεων των ανθρώπων, χρησιμοποιώντας απλούς και προκαθορισμένους κανόνες. Για παράδειγμα, αν μια πληρωμή είναι πάνω από τα όρια έγκρισης και έγινε το Σαββατοκυρίακο, τότε υπάρχει πιθανότητα ανθρώπινου λάθους ή ακόμα και απάτης.

Τα λεγόμενα expert systems όμως δεν μπορούν να διαχειριστούν αποτελεσματικά την αβεβαιότητα και χρειάζονται συνεχή παρακολούθηση και ρύθμιση. Έτσι, από τα τέλη της δεκαετίας του 1990 περίπου, ο ορισμός της τεχνητής Νοημοσύνης μετατοπίστηκε προς τις κλασικές μεθόδους μηχανικής μάθησης (machine learning), όπου το επίκεντρο δεν ήταν πλέον η κωδικοποίηση κανόνων λογικής, αλλά η εκπαίδευση αλγορίθμων για να αναγνωρίζουν μοτίβα και στατιστικές ανωμαλίες (παραξενιές) μέσα από δεδομένα καθώς και να κάνουν προβλέψεις. Μετά, κατά τη δεκαετία του 2010 όπου και υπήρξε σημαντική αύξηση της υπολογιστικής ισχύος και της διαθεσιμότητα μεγάλων όγκων δεδομένων, η Τεχνητη Νοημοσύνη άρχισε να ταυτίζεται περισσότερο και περισσότερο με την λεγόμενη βαθιά μάθηση (deep learning), που προκύπτει από τα λεγόμενα νευρωνικά δίκτυα.

Από όλους τους πιο πάνω ορισμούς προκύπτει το ερώτημα, πότε ένας αλγόριθμος θεωρείται πιο έξυπνος από ένα άλλο και αν υπάρχει κάποιου είδους όριο που πρέπει ξεπεράσει για να χαρακτηριστεί ως “έξυπνος”. Αυτό το ερώτημα μας πάει πίσω στο γεγονός πως δεν μπορούμε να προσδιορίσουμε την έννοια της Νοημοσύνης με ακρίβεια και πως ίσως η ίδια η έννοια της να εμπεριέχει λογικά παράδοξα που επισήμαναν οι προσωκρατικοί φιλόσοφοι, όπως το σόφισμα του σωρείτη από τον Ευβουλίδη (Αν αφαιρούμε ένα προς ένα τους κόκκους άμμου από ένα σωρό άμμου, σε ποιο σημείο θα πρέπει να σταματήσουμε να την αποκαλούμε σωρό;)

Περιορισμοί στην Επικοινωνία της Επιστήμης από τους Ειδικούς

Ο χρυσός κανόνας των πωλήσεων είναι πως πρέπει να περιγράφετε τα οφέλη και όχι τη διαδικασία. Σε αυτό τον κανόνα υπόκειται και σχεδόν κάθε εκλαϊκευμένο βιβλίο Τεχνητής Νοημοσύνης ή παρουσίασης για το ευρύ κοινό. Έτσι, συχνά και μετά από μια σωρεία εφαρμογών, θα ακούσετε ορισμούς για μηχανές που σκέφτονται σαν άνθρωποι, έξυπνους αλγόριθμους που θα σώσουν το περιβάλλον και πολλά άλλα. Παρά τα επωφελή για τον χώρο ρίγη συγκίνησης που προκαλούν τέτοιοι ορισμοί και παραδείγματα, πολλές φορές αφήνουν το κοινό να εξακολουθεί να αναρωτιέται για το τι πραγματικά είναι η ΑΙ.

Ως ειδικός στις εταιρικές εφαρμογές της ΑΙ, ειδικά σε θέματα Βusiness Ιntelligence και Forensic Data Analytics, έχω παρατηρήσει ότι υπάρχει μια μέθοδος που ικανοποιεί το κοινό, είτε διδάσκω σε φοιτητές, είτε παραδίδω σεμινάρια σε επαγγελματίες και το ευρύ κοινό. Αυτή η μέθοδος περιλαμβάνει την κατανόηση των επιτευγμάτων της ΑΙ, αλλά και του τρόπου που επιτυγχάνονται αυτά τα αποτελέσματα. Η διδακτική τεχνική που χρησιμοποιώ βασίζεται στην ανάλυση των θεμελιωδών αρχών (first principles) της ΑΙ και πώς η ανασύνθεσή τους επιτρέπει τη δημιουργία ‘έξυπνων εφαρμογών’ που μοιάζουν να μιμούνται την ανθρώπινη σκέψη.

Αν και θα ήθελα να αναπτύξω αυτό το θέμα περαιτέρω, πολύ φοβάμαι πως αν επεκτείνω και άλλο αυτο το άρθρο, η αρχισυντάκτης θα αρχίσει να ψάχνει το “delete button“! Για αυτό ας συνοψίσουμε τώρα τα όσα συζητήσαμε.

Σύνοψη

Η δυσκολία εξήγησης της Τεχνητής Νοημοσύνης οφείλεται σε μια σειρά αλληλένδετων παραγόντων: την ασάφεια στην ίδια την έννοια της Nοημοσύνης, τη διαρκώς μεταβαλλόμενη ορολογία από τους ειδικούς, την επικράτηση του branding σε βάρος της επιστημονικής ακρίβειας, αλλά και τους επικοινωνιακούς περιορισμούς που αντιμετωπίζουν ακόμη και οι πιο καταρτισμένοι ειδικοί. Καθώς η Τεχνητή Νοημοσύνη συνεχίζει να εξελίσσεται και να διεισδύει σε περισσότερες πτυχές της καθημερινής ζωής, η ανάγκη για σαφέστερη κατανόηση γίνεται επιτακτική. Για αυτό τον λόγο σας υπόσχομαι να αθρογραφήσω σύντομα ακόμα ένα άρθρο, περίπου στα πλαίσια του ‘Τι είναι τελικά η Τεχνητή Νοημοσύνη’. Στο μεταξύ μπορείτε να διαβάσετε ένα άλλο πρόσφατα δημοσιευμένο άρθρο μου από το Speak News: Προετοιμασία για την Εποχή της Τεχνητής Νοημοσύνης: Μαθήματα από την Εμπειρία, το Παρελθόν και τον Νόμο του Αμάρα, για Εργοδότες και Εργοδοτούμενους

Ακολουθήστε τις ειδήσεις του speaknews.gr στο Google News πατώντας εδώ