Γρήγορη πρόσβαση:
Απευθείας μετάβαση στο περιεχόμενο (Alt 1)Απευθείας μετάβαση στη δευτερεύουσα πλοήγηση (Alt 3)Απευθείας μετάβαση στην κύρια πλοήγηση (Alt 2)

Ιούλιος 2020
Τεχνητη Νοημοσυνη. Οι αλγοριθμοι μοιαζουν με συνταγες μαγειρικης.

Ο πηγαίος κώδικας δεν λειτουργεί διαφορετικά από μια συνταγή: οι αλγόριθμοι καθορίζουν την καθημερινή μας ζωή.
Ο πηγαίος κώδικας δεν λειτουργεί διαφορετικά από μια συνταγή: οι αλγόριθμοι καθορίζουν την καθημερινή μας ζωή. | Φωτογραφία (Απόκομμα): © Adobe

Αλλά για να βγει και νόστιμο το πιάτο, πρέπει να γίνει προσεκτική επιλογή των υλικών: Ο ειδικός επί των αλγόριθμων Sebastian Schelter μιλά για την τεχνητή νοημοσύνη, το πώς μας απαλλάσσει από αποφάσεις και ποια επίδραση έχει αυτό στη ζωή μας.

Johannes Zeller

Τεχνητή Νοημοσύνη (ΤΝ) και υπολογιστές που μαθαίνουν μόνοι τους – όσο κι αν μας ακούγονται σαν έννοιες που ανήκουν στη σφαίρα της επιστημονικής φαντασίας, έχουν από καιρό μπει στην καθημερινότητά μας. Οι αλγόριθμοι δεν καθορίζουν μόνο τι θα ακούσουμε ή τι θα δούμε στις υπηρεσίες streaming, αλλά σε ορισμένα μέρη του κόσμου αποφασίζουν ποιος θα πάρει δάνειο ή προβλέπουν πόσο πιθανό είναι ένας κρατούμενος να εγκληματήσει ξανά. Όμως, τι ακριβώς είναι ο αλγόριθμος και πώς επιδρά η ΤΝ στη ζωή μας;

Η βασικH συνταγH: ο αλγOριθμος

«Ένας αλγόριθμος είναι κατ’ αρχάς μια διαδοχή βημάτων. Μπορούμε να τον φανταστούμε σαν μια συνταγή μαγειρικής: Από τη μια μεριά έχουμε τα συστατικά, που εδώ θα ήταν η εισαγωγή του προγράμματος υπολογιστή. Κι ύστερα η συνταγή λέει βήμα βήμα τι πρέπει να συμβεί για να παρασκευαστεί σωστά το φαγητό» εξηγεί ο ειδικός για τους αλγόριθμους Sebastian Schelter, ο οποίος διεξάγει έρευνα στο Πανεπιστήμιο του Άμστερνταμ γύρω από τη διαχείριση δεδομένων και τη μηχανική μάθηση.

Από την άποψη αυτή, οι αλγόριθμοι δεν είναι κάτι το καινούργιο: κάθε πρόγραμμα υπολογιστή λειτουργεί με βάση την ίδια αρχή. Στην ουσία, εκείνο που μας απασχολεί σήμερα, όταν μιλάμε για την αυξανόμενη επιρροή των αλγόριθμων, είναι η μηχανική μάθηση: «Σε ένα συνηθισμένο πρόγραμμα, ο άνθρωπος ορίζει όλα τα βήματα με τα οποία θα επιλυθεί ένα συγκεκριμένο πρόβλημα. Υπάρχουν όμως προβλήματα, για τα οποία μας είναι δύσκολο να υποδείξουμε με ακρίβεια στον υπολογιστή τον τρόπο επίλυσής τους», λέει ο ειδικός. Γι’ αυτόν το λόγο, στη μηχανική μάθηση χρησιμοποιείται μια διαφορετική προσέγγιση.

ΜαγειρικH για προχωρημEνους: ο αλγOριθμος που μαθαIνει

«Ένα απλό παράδειγμα είναι το φίλτρο spam, που πρέπει να διακρίνει τα διαφημιστικά mail από τα προσωπικά μηνύματα. Για έναν άνθρωπο που δημιουργεί ένα τέτοιο πρόγραμμα υπολογιστή, δεν πρόκειται για απλό ζήτημα. Μπορείς να καθορίσεις διάφορα κριτήρια και κανόνες, βάσει των οποίων θα αναγνωρίζονται θεωρητικά τα διαφημιστικά mail – είτε αυτό είναι η ώρα την οποία στάλθηκαν είτε συγκεκριμένες λέξεις που εμφανίζονται στο κείμενο του μηνύματος. Αλλά σε κάποιο σημείο προσκρούουμε στα όρια των ανθρώπινων δυνατοτήτων», εξηγεί ο Schelter το πρόβλημα.

Έτσι, στη μηχανική μάθηση ο υπολογιστής δεν προγραμματίζεται ως προς κάθε συγκεκριμένο βήμα που πρέπει να ακολουθήσει, αλλά του δείχνουμε παραδείγματα. Την καλύτερη οδό επίλυσης του εκάστοτε προβλήματος τη βρίσκει μόνος του. Αντί για ολόκληρη τη συνταγή μαγειρικής, ο προγραμματιστής δίνει στον υπολογιστή μόνο το επιθυμητό αποτέλεσμα το οποίο πρέπει να φέρει το πρόγραμμα.

«Στην περίπτωση που συζητάμε, θα μπορούσαμε να του δώσουμε 1.000 mail, που θέλουμε να λάβουμε, καθώς και μια σειρά από αρνητικά παραδείγματα διαφημιστικών mail, που δεν θέλουμε να λάβουμε», διασαφηνίζει ο Schelter. «Ο αλγόριθμος θα αξιολογήσει ύστερα, με βάση τα παραδείγματα αυτά, την πιθανότητα ένα νέο μήνυμα να είναι διαφήμιση ή όχι. Η σημαντική διαφορά έγκειται στο ότι ενώ στον συνηθισμένο προγραμματισμό ο άνθρωπος καθορίζει επακριβώς τα βήματα, οι αλγόριθμοι που μαθαίνουν αντλούν τα δικά τους κριτήρια επιλογής βάσει παραδειγμάτων και στατιστικών πιθανοτήτων».

Oταν η ΤΝ μAς ξεγελA

Οι αλγόριθμοι που μαθαίνουν είναι σε θέση να επιλύσουν συγκεκριμένα προβλήματα όχι απλώς πιο γρήγορα από τον άνθρωπο αλλά και καλύτερα. Όταν το 2019 το πρόγραμμα Pluribus κέρδισε επαγγελματίες παίκτες του πόκερ, η ΤΝ έδειξε ότι μπορεί να μάθει ακόμα και να μπλοφάρει με μεγαλύτερη επιτυχία από έναν άνθρωπο. Παράλληλα με τις ικανότητές της αυξάνεται και η επιρροή της. Όπως, για παράδειγμα, στον τομέα της υγείας, στην οικονομία και στη δικαιοσύνη.

Με τις αποφάσεις έξυπνων αλγόριθμων έρχονται καθημερινά αντιμέτωποι οι περισσότεροι άνθρωποι και στη Γερμανία. «Από επιστημονική άποψη, πρόκειται για αφηρημένες μαθηματικές διεργασίες που εφαρμόζονται σε πολλούς τομείς. Εφαρμόζονται, π.χ., για να υπολογίσει κανείς τις πιθανότητες ένα συγκεκριμένο άτομο να αποπληρώσει το δάνειο που πήρε», λέει ο Schelter.

Σε χώρες όπως οι ΗΠΑ και η Αυστραλία, εκφράζονται υποψίες ότι στις αποφάσεις τους οι αλγόριθμοι κάνουν διακρίσεις εναντίον συγκεκριμένων εθνοτήτων. «Αυτό οφείλεται εν μέρει στο γεγονός ότι οι διακρίσεις εμπεριέχονται ήδη στα δεδομένα που χρησιμεύουν ως παραδείγματα και έχουν δοθεί στον αλγόριθμο. Αν τον αφήσουμε μετά να τρέξει “στα τυφλά”, τότε θα αναπαραγάγει τις διακρίσεις αυτές», εξηγεί ο ειδικός τη ρίζα του προβλήματος.

Eνας αλγOριθμος με αIσθηση του τακτ;

Καταρχάς, το πού πρέπει να τεθούν τα όρια στους αλγόριθμους και την ΤΝ δεν είναι τεχνικό αλλά ηθικό θέμα. Ή μήπως μπορούμε να μάθουμε σε έναν αλγόριθμο να έχει, ας πούμε, «αίσθηση του τακτ»;

«Το ερώτημα παραμένει για την ώρα ανοιχτό. Η προσωπική μου άποψη είναι ότι υπάρχουν τομείς στους οποίους μια λανθασμένη απόφαση του αλγόριθμου δεν έχει σοβαρές συνέπειες – λόγου χάρη, αν η υπηρεσία streaming μού αναπαραγάγει το λάθος τραγούδι. Υπάρχουν έπειτα άλλοι τομείς στους οποίους μπορούμε κάλλιστα να χρησιμοποιήσουμε τον αλγόριθμο συμβουλευτικά κι ο άνθρωπος να πάρει μετά την τελική απόφαση. Υπάρχουν, τέλος, και τομείς τους οποίους θα έπρεπε να αφήσουμε απλά στην ανθρώπινη κρίση», είναι η άποψη του Schelter.

«Στις ΗΠΑ χρησιμοποιούνται αλγόριθμοι που αξιολογούν πόσο πιθανόν είναι ένας κρατούμενος να υποτροπιάσει στο έγκλημα. Τα δικαστήρια και οι επιτροπές έχουν πρόσβαση σε αυτά τα δεδομένα όταν πρόκειται να αποφασίσουν για μια πρόωρη αποφυλάκιση». Εδώ γεννιέται αναπόφευκτα το ερώτημα: Είναι δίκαιο αυτό;

«Το θέμα της δικαιοσύνης δεν μπορεί να προσεγγιστεί μαθηματικά, γιατί αφορά κυρίως φιλοσοφικά, πολιτικά, νομικά ζητήματα. Καθένας έχει διαφορετική αντίληψη για το τι είναι δίκαιο και τι όχι, και είναι μαθηματικά αδύνατον να ικανοποιήσει κανείς ταυτόχρονα όλους τους ορισμούς της δικαιοσύνης».

Ακόμη και μελέτες στις οποίες ερευνάται το πόσο δίκαιες είναι οι αποφάσεις μέσω αλγόριθμων, υποδεικνύουν ότι σε ό,τι αφορά την αίσθηση του τακτ έχουμε ακόμη δρόμο μπροστά μας. Σε πολλούς τομείς, σύμφωνα με τις μελέτες αυτές, θα πρέπει πρώτα να συμφωνηθεί από ηθική, πολιτική και νομική σκοπιά το πώς συγκεκριμένες υποθέσεις θα κριθούν «ορθά». Μόνο αν συμβεί κάτι τέτοιο θα μπορούσαμε να εμπιστευθούμε τη δουλειά αυτή σε έναν αλγόριθμο. «Ακόμη και τότε όμως, παραμένει το φιλοσοφικό και πολιτικό ερώτημα του εάν θέλουμε όντως να κάνουμε κάτι τέτοιο» επισημαίνει ο Schelter.