Ερευνητές από το Πανεπιστήμιο Στάνφορντ, το Πανεπιστήμιο Βρετανικής Κολομβίας και το Ινστιτούτο Τεχνολογίας της Καλιφόρνιας, σε συνεργασία με τον Οργανισμό Ηνωμένων Εθνών, ανέπτυξαν ένα πρωτοποριακό μοντέλο Τεχνητής Νοημοσύνης, το οποίο αξιοποιεί δορυφορικές εικόνες και τη Μηχανική Μάθηση για να χαρτογραφεί με μεγαλύτερη ακρίβεια τα κοινωνικοοικονομικά χαρακτηριστικά των πληθυσμών.
Σύμφωνα με την πρόσφατη μελέτη στο Nature Communications, το σύστημα εντοπίζει ευπαθείς περιοχές, ακόμη και μέσα σε χώρες, οι οποίες κατατάσσονται υψηλά σύμφωνα με τον Δείκτη Ανθρώπινης Ανάπτυξης (ΔΑΑ) που έχει θεσπίσει ο ΟΗΕ. Κατ’ αυτόν τον τρόπο αποκαλύπτονται ανισότητες οι οποίες δεν αναδεικνύονται από τις παραδοσιακές απογραφές. Τα ευρήματα αποκαλύπτουν ότι πάνω από το ήμισυ του παγκόσμιου πληθυσμού ζει σε περιοχές όπου το επίπεδο ευημερίας διαφέρει από αυτό που υποδεικνύει ο Δείκτης Ανθρώπινης Ανάπτυξης, τονίζοντας την ανάγκη για εκτενέστερη έρευνα.
Ανάγκη για καλύτερη αξιολόγηση της ευημερίας
Από το 1990, ο Οργανισμός Ηνωμένων Εθνών χρησιμοποιεί τον Δείκτη Ανθρώπινης Ανάπτυξης (ΔΑΑ ή στα αγγλικά HDI) για να εντοπίζει το επίπεδο ευημερίας μιας χώρας. Ο ΔΑΑ αξιολογεί την ποιότητα ζωής, βασιζόμενος σε στατιστικά στοιχεία που αφορούν το εισόδημα, την εκπαίδευση, το προσδόκιμο ζωής κ.ά., τα οποία προκύπτουν από επίσημες απογραφές. Η πληροφορία αξιοποιείται από κρατικούς φορείς και μη κερδοσκοπικούς οργανισμούς για την κατανομή πόρων.
Παρά την πολύτιμη σημασία τους, οι κατατάξεις αυτές βασίζονται σε εθνικούς μέσους όρους και δεν αποτυπώνουν τις κοινωνικοοικονομικές διαφορές που μπορεί να υπάρχουν μεταξύ διαφορετικών περιοχών της ίδιας χώρας. Πρακτικά, αυτό συνεπάγεται ότι οι κάτοικοι των λιγότερο ανεπτυγμένων περιοχών στις χώρες με υψηλή συνολική κατάταξη ενδέχεται να μη λαμβάνουν την απαραίτητη βοήθεια. Τη δική τους λύση σε αυτό το πρόβλημα επιδιώκουν να δώσουν οι επιστήμονες από τις ΗΠΑ και τον Καναδά, επεκτείνοντας τον υπολογισμό του Δείκτη Ανθρώπινης Ανάπτυξης σε μικρότερες περιοχές με τη βοήθεια της Τεχνητής Νοημοσύνης.
«Ζουμ» σε μικρότερες γεωγραφικές περιοχές
Αρχικά, οι ερευνητές χρησιμοποίησαν υψηλής ανάλυσης δορυφορικές εικόνες της Γης, οι οποίες καλύπτουν αστικές και αγροτικές περιοχές, δρόμους, κτίρια, υποδομές και φυσικό περιβάλλον, ληφθείσες σε διαφορετικές χρονικές στιγμές. Οι εικόνες αυτές εισήχθησαν στο μοντέλο για την εκπαίδευσή του, το οποίο τις μετέτρεψε σε αριθμητικά δεδομένα, αποτυπώνοντας τα βασικά οπτικά μοτίβα της κάθε περιοχής, όπως την πυκνότητα των κτισμάτων ή τη χρήση της γης. Μέσω της Μηχανικής Μάθησης, το σύστημα έμαθε να συνδέει αυτά τα οπτικά χαρακτηριστικά με γνωστές τιμές ΔΑΑ στις περιοχές όπου υπήρχαν διαθέσιμα δεδομένα και, κατόπιν, κατάφερε να προβλέψει τον ΔΑΑ σε μικρότερες γεωγραφικές ενότητες, όπως δήμους ή νομούς.
Με αυτόν τον τρόπο, αναδείχθηκαν κοινωνικοοικονομικές ανισότητες, οι οποίες δεν φαίνονται σε εθνικά στατιστικά, προσφέροντας μια πιο λεπτομερή εικόνα της ανάπτυξης σε τοπικό επίπεδο. Αξιοποιώντας το εργαλείο, οι ερευνητές εκτίμησαν τον ΔΑΑ για 61.530 δήμους σε όλες τις κατοικημένες ηπείρους, διαπιστώνοντας ότι πάνω από το μισό του παγκόσμιου πληθυσμού ζει σε περιοχές όπου το επίπεδο ανάπτυξης διαφέρει από την εθνική μέση τιμή. Σύμφωνα με τους δημιουργούς της, η πλατφόρμα μπορεί να βοηθήσει στον σχεδιασμό πιο στοχευμένων πολιτικών και προγραμμάτων αρωγής, επικεντρωμένων στις περιοχές με μεγαλύτερη ανάγκη.
Αλγόριθμος επικουρεί την αυτοκινητοβιομηχανία
Ερευνητές του Τεχνολογικού Ινστιτούτου της Μασαχουσέτης (ΜΙΤ) ανέπτυξαν έναν έξυπνο αλγόριθμο Τεχνητής Νοημοσύνης, ο οποίος διευκολύνει τον σχεδιασμό και την παραγωγή τεχνολογικά απαιτητικών προϊόντων, όπως τα αυτοκίνητα. Η νέα μέθοδος φιλοδοξεί να διευκολύνει σημαντικά το έργο των μηχανικών, οι οποίοι κατά τον σχεδιασμό των οχημάτων καλούνται να αξιολογήσουν εκατοντάδες παραμέτρους που επηρεάζουν την ασφάλεια και την απόδοσή τους. Ο αλγόριθμος εντοπίζει γρήγορα ποιες από αυτές τις παραμέτρους – όπως η ζώνη παραμόρφωσης ή τα υλικά του αμαξώματος – έχουν τη μεγαλύτερη σημασία και καθοδηγεί τον σχεδιασμό από τα πρώτα στάδια.
Με αυτόν τον τρόπο, οι μηχανικοί γνωρίζουν από νωρίς σε ποια σημεία πρέπει να δώσουν έμφαση, μειώνοντας τον αριθμό των δαπανηρών δοκιμών και προσομοιώσεων. Ετσι εξοικονομούνται χρόνος και πόροι, ενώ βελτιώνεται η αποτελεσματικότητα του τελικού σχεδιασμού. Ο αλγόριθμος παρουσιάστηκε μέσω μιας εκτενούς μελέτης στην πλατφόρμα προδημοσιεύσεων ArXiv και αναμένεται να φέρει σημαντικές βελτιώσεις στον σχεδιασμό σύνθετων συστημάτων.
Η ΑΙ έφερε στο φως τους κανόνες ρωμαϊκού παιχνιδιού
Πάνω από έναν αιώνα πριν στο σημερινό Χέερλεν της Ολλανδίας εντοπίστηκε μια ασβεστολιθική πλάκα, η οποία πολύ σύντομα αναγνωρίστηκε ως επιτραπέζιο παιχνίδι. Για πάρα πολλά χρόνια οι κανόνες του παιχνιδιού παρέμεναν άγνωστοι, έως ότου το 2020 ο ερευνητής Βάλτερ Κριστ (Walter Crist) από το Πανεπιστήμιο του Λέιντεν παρατήρησε κάποια χαραγμένα σημάδια στην πλάκα, τα οποία υποδήλωναν επαναλαμβανόμενες κινήσεις. Προκειμένου να μελετήσει τα μοτίβα των χαραγμάτων, με την ομάδα του αξιοποίησε τη βάση δεδομένων Ludii (η οποία περιλαμβάνει τους κανόνες πλήθους παραδοσιακών ευρωπαϊκών παιχνιδιών) σε συνδυασμό με τρισδιάστατες σαρώσεις της πλάκας, οι οποίες προήλθαν από το Πανεπιστήμιο του Μάαστριχτ.
Με τη βοήθεια της Τεχνητής Νοημοσύνης προέκυψαν εννέα σύνολα κανόνων συμβατά με τα σημάδια φθοράς, όλα παραλλαγές ενός παιχνιδιού στρατηγικής, όπου δύο παίκτες κινούν κομμάτια με στόχο να παγιδεύσουν τον αντίπαλό τους. Το παιχνίδι ονομάστηκε Ludus Coriovalli (από το όνομα του ρωμαϊκού οικισμού όπου εντοπίστηκε) και πλέον είναι διαθέσιμο για δοκιμή στη βάση Ludii. Παρά τις εκτιμήσεις, η ακριβής δομή του παιχνιδιού των Ρωμαίων παραμένει αβέβαιη. Τα ευρήματα όμως δείχνουν ότι οι Ρωμαίοι γνώριζαν και χρησιμοποιούσαν παιχνίδια στρατηγικής αυτού του είδους πολύ νωρίτερα από ό,τι θεωρούνταν προηγουμένως.
Αντηχήσεις ανθρώπινων προκαταλήψεων στα chatbots
Σε μια νέα μελέτη του Τεχνολογικού Ινστιτούτου της Μασαχουσέτης (MIT), ερευνητές εξέτασαν πώς τρία μεγάλα γλωσσικά μοντέλα Τεχνητής Νοημοσύνης, τα GPTClaude 3 Opus και Llama 3, απευθύνονται σε χρήστες με διαφορετική καταγωγή και εκπαιδευτικό υπόβαθρο. Για τον σκοπό αυτόν, οι ερευνητές έθεσαν στα chatbots ερωτήσεις (προερχόμενες από τα σύνολα δεδομένων TruthfulQA και SciQ), παριστάνοντας υποθετικούς χρήστες με διαφορετικά προφίλ ως προς την εκπαίδευση, την επάρκεια στα αγγλικά και τη χώρα καταγωγής τους.
Τα αποτελέσματα ήταν ανησυχητικά: όλα τα μοντέλα παρουσίασαν σημαντικά μειωμένη ακρίβεια στις απαντήσεις τους όταν οι ερωτήσεις προέρχονταν από χρήστες με χαμηλότερο μορφωτικό επίπεδο ή όταν τα αγγλικά δεν ήταν η μητρική τους γλώσσα. Οι χειρότερες επιδόσεις παρατηρήθηκαν προς τους χρήστες, οι οποίοι συνδύαζαν και τα δύο προηγούμενα χαρακτηριστικά, ενώ σημαντικά επηρέαζε και η χώρα καταγωγής των ερωτώντων. Τα αποτελέσματα δεν εκπλήσσουν, τη στιγμή που τα μεγάλα γλωσσικά μοντέλα δεν έχουν δική τους κρίση, αλλά εκπαιδεύονται σε τεράστια σύνολα κειμένων από το Διαδίκτυο, από βιβλία ή άρθρα και άλλες ανθρωπογενείς πηγές πληροφορίας. Αν τα δεδομένα αυτά περιέχουν ανθρώπινες προκαταλήψεις ή στερεότυπα, τα μοντέλα τείνουν – και επισήμως – να τα αναπαράγουν στις απαντήσεις τους.
