Με αφορμή το πρόσφατο
δυστύχημα που συνέβη στην Αριζόνα, θα ήθελα να καταθέσω τους προβληματισμούς μου. Συνοπτικά (και για όσους βαριούνται να διαβάσουν το φραγκολεβαντίνικο άρθρο), μια γυναίκα προσπάθησε να
break on through to the other side σε ένα δρόμο και την πάτησε ένα αυτο-οδηγούμενο αυτοκίνητο της uber, τραυματίζοντάς την θανάσιμα (δημοσιογραφική ορολογία για το
την σκότωσε). Γεγονός που θα pushάρει την νόμιμη κυκλοφορία αυτών των οχημάτων λίγα χρόνια παραπίσω. Ας καταθέσω όμως αναλυτικά τους προβληματισμούς μου.
Οικοσύστημα των startups και της τεχνολογίαςΔυστυχώς ζούμε στην εποχή που οι νεοφυής επιχειρήσεις και οι επιχειρήσεις που δραστηριοποιούνται στον χώρο της τεχνολογίας υπόσχονται λαγούς και πετραχήλια. Ρομπότ που θα αντικαταστήσουν τον άνθρωπο, αυτοοδηγούμενα οχήματα και
πάρε πάρε κόσμε τεχνητή νοημοσύνη, είναι μερικές από τις απόψεις που συζητούνται δημόσια από ακαδημαϊκούς, ανθρώπους της βιομηχανίας, αλλά και καθημερινούς ανθρώπους και ταξιτζήδες. Μπορεί να σας φαίνεται περίεργο, αλλά όλες αυτές οι απόψεις πηγάζουν από το hype που δημιουργούν οι εν λόγω επιχειρήσεις για προϊόντα που είτε βρίσκονται στο στάδιο της έρευνας και ανάπτυξης, είτε απλά βρίσκονται στο στάδιο του brainstorming. Κοινώς παπατζηλίκια. Γίνονται πράγματα στο χώρο, δε λέω, αλλά ειλικρινά ως άνθρωπος που τα βλέπει εκ των έσω, σας προτείνω να κρατήσετε μικρό καλάθι για όσα ακούτε.
Υπάρχουσες τεχνολογίες και εφαρμογέςΝα αναφέρω πως η πλειονότητα των τεχνολογιών που σχετίζονται με τεχνητή νοημοσύνη είναι domain specific εφαρμογές και απέχουμε πολύ από το όραμα του Kurzweil να αποκτήσουν συνείδηση οι
μηχανές το 2045 (που κι εδώ υπάρχει μεγάλη φιλοσοφική συζήτηση για το αν θα αποκτήσουν, ή αν θα προσομοιώσουν). Το μόνο σίγουρο για το 2045 είναι το μνημόνιο 24 που θα εφαρμόζεται στην Ελλάδα.
Ακολουθεί μεγάλο βαρετό υπερλαϊκευμένο κείμενο επεξήγησης αλγόριθμων και τεχνολογίας:
Οι αλγόριθμοι που κρύβονται πίσω από της υπάρχουσες εφαρμογές και τεχνολογίες έχουν αναπτυχθεί από την δεκαετία του 80. Ο λόγος που δεν είχαν και εμπορική απήχηση εκείνη την εποχή, είναι γιατί δεν είχαμε την διαθέσιμη και -πάνω απ' όλα- φθηνή υπολογιστική ισχύ που έχουμε τώρα. Κάνοντας μια μικρή εισαγωγή για τους αμύητους, να αναφέρω πως οι τεχνολογίες που χρησιμοποιούνται ως επί τω πλείστον είναι τα τεχνητά νευρωνικά δίκτυα και διάφορες παραλλαγές αλγόριθμων για την εκμάθηση ενός αντικειμένου (αναγνώριση φωνής, αναγνώριση προσώπου, κτλπ.) με την χρήση αυτών. Ουσιαστικά, προσπαθούμε να προσομοιώσουμε σε αφαιρετικό επίπεδο την λειτουργία των εγκεφαλικών νευρώνων/κυττάρων. Έτσι λοιπόν, έχουμε μοντελοποιήσει έναν νευρώνα με μια μαθηματική συνάρτηση, έτσι ώστε ανάλογα με την τιμή που δίνουμε σ' αυτήν την συνάρτηση να παίρνουμε 0 ή 1 και κατά συνέπεια να μπορούμε να ταξινομήσουμε την τιμή της εισόδου. Αυτός είναι και ο τεχνητός νευρώνας μας. Με αυτούς τους τεχνητούς νευρώνες, δημιουργούμε πολλαπλά επίπεδα τέτοιων τεχνητών νευρώνων, όπου οι έξοδοι κάποιων τεχνητών νευρώνων τροφοδοτούν τις εισόδους άλλων τεχνητών νευρώνων. Αυτό είναι το τεχνητό νευρωνικό δίκτυο. Η εκμάθηση επιτυγχάνεται ως εξής: η μαθηματική συνάρτηση με την οποία έχουμε μοντελοποιήσει τον εγκεφαλικό νευρώνα, είναι μια απλή εξίσωση πρώτου βαθμού όπου μεταβάλλεται ο συντελεστής της τιμής εισόδου. Αυτή είναι και η τιμή που μεταβάλλουμε/εκπαιδεύουμε. Υπάρχουν διάφοροι αλγόριθμοι με τους οποίους μπορείς να εκπαιδεύσεις ένα τεχνητό νευρωνικό δίκτυο, αλλά ο πιο διαδεδομένος και πρακτικά εφαρμοσμένος είναι ο backpropagation και οι παραλλαγές του, ο οποίος ανήκει στην κατηγορία των αλγόριθμων εκπαίδευσης με επίβλεψη. Με αυτόν τον αλγόριθμο, δίνουμε ένα σύνολο από δεδομένα στο τεχνητό νευρωνικό μας δίκτυο, για τα οποία ξέρουμε ήδη σε τι κατηγορία ανήκουν, δηλαδή την τιμή εξόδου. Έτσι δίνουμε τα δεδομένα σειριακά στην είσοδο του νευρωνικού δικτύου και αναλόγως του πόσο κοντά είναι η έξοδός του στην έξοδο την οποία όπως προανέφερα γνωρίζουμε ήδη, διορθώνουμε τους συντελεστές των προαναφερθέντων συναρτήσεων. Με την διαδικασία αυτή, καταλήγουμε να έχουμε συντελεστές για της συναρτήσεις που μοντελοποιούν τους νευρώνες, οι οποίοι μπορούν να παράξουν εξόδους που ανταποκρίνονται στην πραγματικότητα για δεδομένα που δεν γνωρίζουμε την κατηγορία στην οποία ανήκουν.
Τα παραπάνω αναφέρονται σε υποπερίπτωση των τεχνητών νευρωνικών δικτύων.
Από προσωπική εμπειρία, σε ορισμένες περιπτώσεις, η λογιστική παλινδρόμηση μπορεί να έχει τον ίδιο, ή και καλύτερο βαθμό επιτυχίας από ένα νευρωνικό δίκτυο. Βέβαια η λογιστική παλινδρόμηση είναι μια μέθοδος στατιστικής ανάλυσης και δεν ακούγεται το ίδιο ωραία με το προσομοιώνω την λειτουργία του ανθρώπινου εγκεφάλου.
Σχετικά με τα προβλήματα που μπορεί να προκύψουν από την χρησιμοποίηση τεχνητών νευρωνικών δικτύων, όπως μπορείτε να φανταστείτε, είναι το ελλιπές δείγμα των δεδομένων εκπαίδευσης. Αν τα δεδομένα που έχεις χρησιμοποιήσει δεν ανταποκρίνονται στο ευρύ φάσμα του προβλήματος που προσπαθείς να επιλύσεις, τότε το νευρωνικό δίκτυό σου θα αποτύχει να λειτουργήσει σωστά στις άγνωστες περιπτώσεις του προβλήματός σου. Άλλο ένα πρόβλημα είναι η υπερεξειδίκευση. Αν τα δεδομένα με τα οποία θα εκπαιδεύσεις το τεχνητό νευρωνικό σου δίκτυο ικανοποιούν ως επί τω πλείστον μόνο μια μερίδα των περιπτώσεων, τότε το τεχνητό νευρωνικό σου δίκτυο θα είναι biased με τα δεδομένα σου και θα τείνει να τα κατηγοριοποιεί με τον ίδιο τρόπο.
Υγ.: Sorry, κατά λάθος πάτησα το
Υποβολή αντί για το
Προεπισκόπηση, γι αυτό και το κείμενο ήταν ελλιπές αρχικά.
