#08 - 02/2017

01001100110108 – cyborg

The show goes on. Μια τυπική πληροφοριακή μηχανή, όπως ένα κλασικό πρόγραμμα υπολογιστή, μπορεί να προσομοιώσει επιτυχημένα μια δραστηριότητα κάτω από ορισμένες προϋποθέσεις. Η υπολογίσιμη δραστηριότητα θα πρέπει αρχικά να γίνει κατανοητή και να αναλυθεί σε μια σειρά καθορισμένων βημάτων. Προκειμένου να προσομοιωθούν με επιτυχία τα βήματα αυτά, πρέπει να γραφτεί ένα πρόγραμμα - ένα πεπερασμένο και αυστηρά προσδιορισμένο σύνολο κανόνων και οδηγιών - ώστε να μπορέσει να καταλήξει η μηχανή στο επιθυμητό αποτέλεσμα. Για παράδειγμα, η αλφαβητική ταξινόμηση ενός τηλεφωνικού καταλόγου είναι μια δραστηριότητα που μπορεί εύκολα να προσομοιωθεί από έναν αλγόριθμο ταξινόμησης. Στην πραγματικότητα, οποιοσδήποτε χειρισμός περιλαμβάνει σύμβολα, μαθηματικές πράξεις - αυστηρά προσδιορισμένες λογικές και ποσοτικές συσχετίσεις – όπως οι ταξινομήσεις ή η ανάκτηση και αποθήκευση δομημένων πληροφοριών, μπορεί να ενταχθεί στις αλγοριθμοποιήσιμες δραστηριότητες. Αντίστοιχα, μια σειρά ενεργειών πάνω σε αντικείμενα, που γίνονται ως δραστηριότητες σε αυστηρά καθορισμένο και ελεγχόμενο περιβάλλον (όπως ένα εργοστάσιο) μπορούν να αναλυθούν και να ποσοτικοποιηθούν ως προς τη θέση, τη δύναμη και την ροπή που εφαρμόζουν και να εκτελεστούν από ένα ηλεκτρομηχανικό αυτόματο που ελέγχεται από κάποιο πρόγραμμα, το οποίο μάλιστα μπορεί και να αυτορρυθμίζεται/προσαρμόζεται στο “περιβάλλον” εφαρμόζοντας μηχανισμούς ανάδρασης.

Οι προσωπικοί υπολογιστές στις δουλειές γραφείου, τα συστήματα αυτόματου ελέγχου και οι ρομποτικοί βραχίονες στη γραμμή παραγωγής αποτελούν χαρακτηριστικά παραδείγματα μηχανών της τρίτης βιομηχανικής επανάστασης που ενσωματώνουν ανθρώπινες γνώσεις και τεχνικές. Βλέπουμε επίσης ότι αυτή η ενσωμάτωση είναι δυνατό να συμβεί μόνο με τη σχολαστική ανάλυση των βημάτων, των κανόνων και των οδηγιών, που είναι και το προαπαιτούμενο.

Μια σειρά “νέας γενιάς” τεχνολογιών πληροφορικής, που σχετίζονται με την τεχνητή νοημοσύνη, υπόσχονται ότι θα διευρύνουν τα όρια της υπολογιστικοποίησης/ρομποτοποίησης η οποία θα αρχίσει να περιλαμβάνει ολοένα και περισσότερες “μη-συνήθεις” (για τις τρέχουσες υπολογιστικές μηχανές) δραστηριότητες. Τεχνολογίες όπως η “μηχανική μάθηση” (machine learning), ξεπερνούν τον περιορισμό της βήμα-βήμα ανάλυσης που υπάρχει για την αλγοριθμοποίηση μιας δραστηριότητας. Με αυτή την τεχνολογία, οι μηχανικοί μπορούν να προγραμματίσουν μια μηχανή ώστε να μπορεί να εκπληρώσει μια δραστηριότητα, “μελετώντας” έναν μεγάλο αριθμό επιτυχημένων εκδοχών εκτέλεσης της δραστηριότητας αυτής από ανθρώπους. Οι αλγόριθμοι της “μηχανικής μάθησης” βασίζονται στην ύπαρξη μιας μεγάλης ποσότητας δεδομένων που αντιστοιχούν στην δραστηριότητα για την οποία “εκπαιδεύεται” η μηχανή.

Και σε τι θα μπορούσε κάτι τέτοιο να φανεί χρήσιμο; Ενώ ένα τυπικό πρόγραμμα μπορεί να αντικαταστήσει εύκολα αρκετές από τις εργασίες που εκτελεί ένας λογιστής, υπάρχουν πιο απλά και καθημερινά πράγματα που δεν είναι εφικτά με τους παλιούς καλούς αλγόριθμους. Για παράδειγμα, δεν μπορεί να γραφτεί ένας κλασικός αλγόριθμος ώστε να μπορεί μια μηχανή να αναγνωρίζει οπτικά μια καρέκλα. Αν προσπαθήσει κανείς να προσδιορίσει τα χαρακτηριστικά της καρέκλας με τρόπο αυστηρό π.χ. πόδια, μπράτσα, κάθισμα, πλάτη, γρήγορα θα διαπιστώσει ότι υπάρχουν και καρέκλες που δεν έχουν κάποια από αυτά τα χαρακτηριστικά. Π.χ. δεν έχουν όλες οι καρέκλες μπράτσα ή πλάτη. Αν τα μπράτσα και η πλάτη χαρακτηριστούν στο πρόγραμμα ως προαιρετικά, ευθύς αμέσως η μηχανή κινδυνεύει να ονομάσει ένα μικρό τραπέζι ως καρέκλα.

Ο κοινή λογική που υπαγορεύει ότι “η καρέκλα είναι ένα αντικείμενο το οποίο έχει φτιαχτεί με την πρόθεση να χρησιμοποιείται για να μπορεί κανείς να σταθεί καθιστός” δεν είναι καθόλου εύκολο να διατυπωθεί σε έναν κλασικό αλγόριθμο. Στην περίπτωση ενός προγράμματος “μηχανικής μάθησης” η μηχανή εκπαιδεύεται μελετώντας ένα πολύ μεγάλο σύνολο διαφορετικών εικόνων που είναι ονοματισμένες ως “καρέκλα”. Μελετώντας λοιπόν έναν ικανοποιητικά μεγάλο αριθμό εικόνων με διαφορετικές καρέκλες, ο αλγόριθμος εκπαιδεύει την μηχανή, δημιουργώντας ένα στατιστικό μοντέλο αναγνώρισης. Με το τέλος της εκπαίδευσης, η μηχανή θα μπορεί να χρησιμοποιεί το στατιστικό μοντέλο ώστε να μπορεί αναγνωρίσει οποιαδήποτε καρέκλα, που ΔΕΝ περιλαμβάνεται στο σύνολο των δεδομένων εκπαίδευσης. Και σαν καλός μαθητής θα μπορεί να μαθαίνει από τα λάθη της και να ενισχύει τη γνώση της μέσα από την επανεκπαίδευση.

Μια τέτοια πολλά υποσχόμενη τεχνολογία δεν περιορίζεται στην πειραματική επαλήθευση του εντοπισμού αντικειμένων. Εφαρμόζεται ήδη σε καθημερινής χρήσης εφαρμογές, στην αναζήτηση της google και στη μετάφραση, στις προτάσεις ταινιών του netflix, στην αυτόματη αναγνώριση του περιεχομένου των φωτογραφιών που ανεβαίνουν στα social media, στις φωνητικές εντολές των ψηφιακών βοηθών των κινητών τηλεφώνων και αλλού. Κάθε φορά που μια λεκτική αναζήτηση στο google ακολουθείται από την επίσκεψη σε μια από τις σχετικές σελίδες ή κάθε φορά που μια φωτογραφία ανεβαίνει στα μέσα κοινωνικής δικτύωσης και προστίθενται σε αυτήν ετικέτες σχετικά με το περιεχόμενό της, η βάση δεδομένων εκπαίδευσης του αλγόριθμου εκμάθησης διευρύνεται. Και στη συνέχεια γίνεται η μηχανή ικανή να παράξει τις συσχετίσεις και την αναγνώριση του περιεχομένου για επόμενες φωτογραφίες ή αναζήτησεις....

Rorre Margorp