Σε προηγούμενο άρθρο μας το Υπολογιστικό αυτό Σύστημα Τεχνητής Νοημοσύνης αποκαλέστηκε «Τάλως» προς τιμήν του πρώτου λογοτεχνικού Robot της Ελληνικής Μυθολογίας.
Και με αυτόν θα ασχοληθούμε σε αυτό το άρθρο.
Ο Τάλως λοιπόν είναι σε θέση να λάβει τα ερεθίσματα από τους αισθητήρες του. Θα πρέπει βέβαια να μπορεί να τα αναλύει, να τα επεξεργάζεται και να τα αποθηκεύει, να εξάγει συμπεράσματα και με βάση αυτά να αποφασίζει, να εκτελεί και στην συνέχεια να καταγράφει τα αποτελέσματα και πάλι από την αρχή.
Για να γίνει αυτό πρέπει να τον βοηθήσουμε να μάθει βασικές λειτουργίες και διαδικασίας όπως μαθαίνουμε σε ένα παιδί να τρώει, να περπατά, να προσέχει τον εαυτό του, να γνωρίζει τους βασικούς κινδύνους, να επικοινωνεί κ.λ.π.
Ταυτόχρονα πρέπει να του δώσουμε τα εργαλεία με τα οποία θα βελτιώνει συνεχώς τον εαυτό του, θα μαθαίνει από την γνώση που έχει καταγράψει ήδη και στη συνέχεια θα χρησιμοποιεί αυτήν την γνώση για να διαχειριστεί νέες καταστάσεις.
Αυτή η διαδικασία είναι πολύπλευρη και ατέρμονη στον άνθρωπο. Όπως λέει και ο λαός μας «Όσο ζεις, μαθαίνεις». Στην Τεχνητή Νοημοσύνη αυτό δεν ισχύει -τουλάχιστον σήμερα. Ο Τάλως θα μάθει να διαχειρίζεται όσα χρειάζεται για να επιτελέσει την δουλειά για την οποία κατασκευάστηκε. Τίποτα περισσότερο, τίποτα λιγότερο. Θα ενημερώνεται ατέρμονα και θα εμπλουτίζει την γνωσιακή του βάση, αλλά όχι πολύπλευρα όπως το αντιλαμβανόμαστε για τον άνθρωπο. Μπορεί τα ανδροειδή του μέλλοντος να διαθέτουν και αυτή την ικανότητα.
Έτσι, αν ο Τάλως κατασκευάστηκε ως ρομποτική σκούπα, θα χαρτογραφήσει αρχικά τον χώρο ώστε να εντοπίσει τα σταθερά εμπόδια όπως τα έπιπλα (βασικό σετ γνώσης). Θα ενημερώνει συνεχώς την χαρτογράφηση του ώστε να γνωρίζει που σκούπισε και πού όχι λόγω ύπαρξης νέων εμποδίων όπως ο άνθρωπος, ένα κατοικίδιο ή ένα προσωρινό αντικείμενο στο χώρο (νέο σετ γνώσης ή μεταβλητό σετ), θα μάθει να φυλάγεται και να αποφεύγει τις σκάλες (αυτοπροστασία, αποφυγή δυσλειτουργιών), θα ενημερώνει το είδος και τις συνθήκες του δαπέδου (αν έχει χαλιά, πόσο χοντρά κ.λ.π.) ώστε να χρησιμοποιεί την κατάλληλη ισχύ ή/και εξαρτήματα (απόφαση – χρήση ευφυίας), θα γνωρίζει την θέση φόρτισης για να μπορεί να επιστρέψει (αυτοσυντήρηση), θα αναγνωρίζει το επίπεδο λειτουργικότητας του σχετικά με το επίπεδο των μπαταριών του, τις θερμοκρασίες, τις πιθανές δυσλειτουργίες (αυτοδιάγνωση, αυτοσυντήρηση, λειτουργικότητα), θα εκτιμά το βέλτιστο δρομολόγιο που πρέπει να ακολουθήσει με βάσει τις τρέχουσες συνθήκες και τα δεδομένα που έχει στην μνήμη της (γνώση προηγούμενων καταστάσεων ή/και εμπειρία) και άλλες πολλές πληροφορίες ώστε να κάνει την δουλειά του, δηλαδή να έχει τον χώρο που του ανατέθηκε, καθαρό.
Αν ο Τάλως είναι αυτόνομο όχημα, θα ανανεώνει καθημερινά τους χάρτες του με όλες τις απαραίτητες πληροφορίες (νέο σετ γνώσης ή μεταβλητό σετ ή/και εμπειρία), θα επικοινωνεί με τους επιβάτες (τεχνητή ευφυία), θα αναγνωρίζει τα φυσικά εμπόδια, θα γνωρίζει τις συνθήκες κίνησης, τις μέγιστες και ελάχιστες ταχύτητες (αναγνώριση συνθηκών), θα διαθέτει αισθητήρες για την ασφάλεια των επιβατών και των πολιτών (προστασία, γνώση κανόνων αποφυγής κινδύνου), θα γνωρίζει τις επικρατούσες καιρικές συνθήκες, θα κάνει αυτοδιάγνωση για την πρόληψη και αποφυγή βλαβών του (αυτοπροστασία) και τελικά θα επιτελεί τον σκοπό του ο οποίος είναι να μεταφέρει αυτόνομα τους επιβάτες του από το ένα σημείο στο άλλο με ασφάλεια.
Για να τα πετύχει όλα αυτά ο Τάλως πρέπει να μάθει να σκέφτεται. Πρέπει να βρει επίσης τον τρόπο να μαθαίνει. Για να κάνουμε την αντιστοίχιση με τον άνθρωπο ο Τάλως πρέπει να έχει βασικές ικανότητες και γνώσεις ώστε συνδυάζοντας αυτά που ήδη γνωρίζει (είσοδος ή εκπαίδευση) να παίρνει αποφάσεις για την κατάσταση που διαχειρίζεται αυτή τη στιγμή (τεχνητή ευφυία – επεξεργασία) και να παράγει ένα αποτέλεσμα (έξοδος). Στη συνέχεια ότι νέα πληροφορία έχει παραχθεί θα πρέπει να την διατηρήσει και να την ενσωματώσει στην υπάρχουσα γνώση ώστε να την χρησιμοποιήσει την επόμενη φορά που θα την χρειαστεί (νέα γνώση – νέα είσοδος).
Η παραγωγή, η διαχείριση και η ενσωμάτωση αυτής της γνώσης επιτυγχάνεται με την διαδικασία της μάθησης, τόσο στον άνθρωπο, όσο και στα υπολογιστικά συστήματα. Στα τελευταία εφαρμόζονται διάφορες τεχνικές. Εδώ θα αναφερθούμε στους αλγόριθμους και τις τεχνικές μηχανικής μάθησης.
Αρχικά, ας μελετήσουμε τον τρόπο που μαθαίνει ο άνθρωπος. Προσπαθώντας να κατανοήσει το περιβάλλον του, το παρατηρεί και δημιουργεί μια απλοποιημένη (αφαιρετική) εκδοχή του που ονομάζεται μοντέλο (model). Επιπλέον, ο άνθρωπος έχει την δυνατότητα να οργανώνει και να συσχετίζει τις εμπειρίες και τις παραστάσεις του δημιουργώντας νέες δομές που ονομάζονται πρότυπα (patterns). Μεταφέροντας αυτές τις έννοιες στον χώρο των υπολογιστών θα μπορούσαμε να ορίσουμε ότι:
Η δημιουργία μοντέλων ή προτύπων από ένα σύνολο δεδομένων, από ένα υπολογιστικό σύστημα, ονομάζεται Μηχανική Μάθηση (machine learning)[1]. Ο στόχος της Μηχανικής Μάθησης είναι η ανάπτυξη και χρήση αλγορίθμων οι οποίοι θα μαθαίνουν από τα δεδομένα και θα εκτελούν εργασίες λαμβάνοντας αποφάσεις με βάση αυτά που έμαθαν. Πιο απλά, η Μηχανική Μάθηση στηρίζεται σε αλγορίθμους που μαθαίνουν από τα δεδομένα και με βάση την είσοδο παράγουν την έξοδο. Οι τεχνικές μηχανικής μάθησης και οι αλγόριθμοι που χρησιμοποιούν ταξινομούνται σε τέσσερις κύριες κατηγορίες και χρησιμοποιούνται ανάλογα με την φύση του προβλήματος:
Επιτηρούμενη μάθηση (Supervised Learning). Συχνά αναφέρεται και ως επιβλεπόμενη μάθηση ή μάθηση με επίβλεψη. Είναι η πιο διαδεδομένη και με τις περισσότερες εφαρμογές τεχνική Μηχανικής Μάθησης. Εδώ ο αλγόριθμος χρησιμοποιεί ως βάση (μοντέλο) ένα Σύνολο Εκπαίδευσης, εξάγει πρότυπα και συμπεράσματα, κάνει προβλέψεις και συνεπώς μαθαίνει. Η επιβλεπόμενη μάθηση χρησιμοποιείται σε προβλήματα Ταξινόμησης (Classification), Πρόγνωσης (Prediction) και Διερμηνείας (Interpretation). Εκπρόσωποι των αλγορίθμων επιβλεπόμενης μάθησης είναι οι αλγόριθμοι Naive Bayes και Support Vector Machine (SVM).
Ημι-επιτηρούμενη μάθηση (Semi-supervised Learning). Την συναντάμε και ως ημι-επιβλεπόμενη μάθηση. Σε αυτή την κατηγορία το Σύνολο Εκπαίδευσης περιέχει γνωστές και άγνωστες εξόδους. Ο Αλγόριθμος καλείται να εκπαιδευτεί και να αποφασίσει έχοντας μέρος της πληροφορίας ως δεδομένη. Οι αλγόριθμοι που ανήκουν σε αυτή την κατηγορία ταξινόμησης είναι οι γράφοι.
Μη-επιτηρούμενη μάθηση (Unsupervised Learning). Αλλιώς Μη-επιβλεπόμενη, επίβλεπτη ή μάθηση χωρίς επίβλεψη. Στον αλγόριθμο δεν παρέχεται καμία πληροφορία και πρέπει να ανακαλύψει την δομή, τα μοτίβα ή τις συσχετίσεις των δεδομένων μόνος του. Χρησιμοποιείται σε προβλήματα Ανάλυσης Συσχετισμών (Association Analysis) και Ομαδοποίησης (Clustering). Οι πιο γνωστοί αλγόριθμοι μη επιτηρούμενης μάθησης και ταξινόμησης είναι οι αλγόριθμοι συσταδοποίησης (clustering).
Ενισχυτική μάθηση (Reinforcement Learning). Στην ενισχυτική μάθηση ο αλγόριθμος μαθαίνει μέσα από την άμεση αλληλεπίδραση με το περιβάλλον. Χρησιμοποιείται σε προβλήματα Σχεδιασμού (Planning), όπως ο έλεγχος κίνησης ρομπότ, η αυτόνομη κίνηση οχημάτων, η βελτιστοποίηση εργασιών σε εργοστάσια και η εκμάθηση επιτραπέζιων παιχνιδιών – κυρίως στρατηγικής όπως το σκάκι. Χρησιμοποιεί το σύστημα μάθησης της ανταμοιβής ή της τιμωρίας ανάλογα με την επιτυχή ή μη εκτέλεση της αποστολής του. Εκπρόσωποι των αλγορίθμων ενισχυτικής μάθησης είναι οι αλγόριθμοι δυναμικού προγραμματισμού που χρησιμοποιούνται συχνά σε επίλυση προβλημάτων βελτιστοποίησης. [2]
Συνοψίζοντας, με τις παραπάνω τεχνικές ο Τάλως μπορεί να «μάθει» και να είναι σε θέση να πάρει κάποιες αποφάσεις. Προφανώς δεν υπάρχει σωστό και λάθος στις αποφάσεις του. Αποφασίζει με βάση την εκπαίδευση του από τα σύνολα δεδομένων που του παρέχονται ή από τις συσχετίσεις των δεδομένων που θα πρέπει να ανακαλύψει μόνος του. Προφανώς οι αποφάσεις του μπορεί να είναι λανθασμένες αν τα δεδομένα του είναι επίσης λανθασμένα ή οι αλγόριθμοι του δεν είναι πλήρως τεκμηριωμένοι και λειτουργικοί. Άλλωστε και ο άνθρωπος δεν παίρνει συχνά λάθος αποφάσεις όταν διαθέτει ελλιπείς ή λανθασμένες πληροφορίες;
Συνεπώς, σημαντικό στοιχείο για την ανάπτυξη των συστημάτων Τεχνητής Νοημοσύνης είναι το πλήθος των δεδομένων (όσο περισσότερα, τόσο καλύτερα), η ορθότητα αυτών και η ανάπτυξη των κατάλληλων αλγορίθμων που θα τα αξιοποιήσει λαμβάνοντας υπόψη τους κανόνες που επιβάλλονται σε κάθε περίπτωση. Στην εποχή μας παράμετροι όπως το συναίσθημα, η παρόρμηση, η αμέλεια κ.λ.π. δεν αφορούν τα συστήματα Τεχνητής Νοημοσύνης. Ευτυχώς;
Στο, όχι και τόσο μακρινό, μέλλον θα φανεί.
Στέφανος Κυτάνης, Business Development Consultant, OTS
Πηγές
- Βλαχάβας, Ι., Κεφαλάς, Π., Βασιλειάδης, Ν., Κόκκορας, Φ. & Σακελλαρίου, Η. (2011). Τεχνητή Νοημοσύνη – Γ’ Έκδοση. Θεσσαλονίκη: Εκδόσεις Πανεπιστημίου Μακεδονίας.
- Κυτάνης, Σ. (2019). Αναγνώριση Τάσεων σε Καινοτόμα Καταναλωτικά Προϊόντα (Gadgets) με τη Χρήση Μεθόδων Ανάλυσης Συναισθήματος: Μία Εφαρμογή στην Περιοχή των Κοινωνικών Δικτύων. (Διπλωματική Εργασία). Ελληνικό Ανοικτό Πανεπιστήμιο, Πάτρα.
- Λήμμα «Νοημοσύνη»: Dictionary of Standard Modern Greek (2021, January 25). Ανακτήθηκε από https://www.greek- language.gr/greekLang/modern_greek/tools/lexica/triantafyllides/search.html?lq=%CE%BD%CE%BF%CE%B7%CE%BC%CE%BF%CF%83%CF%8D%CE%BD%CE%B7
