• Αναζήτηση
  • τεχνητή νοημοσύνη

    Σερφάροντας στο μέλλον

    Μια επίσκεψη στα γραφεία του κολοσσού της πληροφορικής, στο Αμστερνταμ, μας έδειξε ότι όσο εμείς αναζητούμε έναν δρόμο στους χάρτες της ή τη σημασία μιας λέξης στην ιστοσελίδα της, οι εργαζόμενοί της σχεδιάζουν το αύριό μας: από κινητά τηλέφωνα και προσωπικούς υπηρέτες μέχρι αεροπλάνα και αερόστατα για παροχή ηλεκτρισμού και σύνδεσης στον ιστό

    Αμστερνταμ, αποστολή
    Zuid. Οι Ολλανδοί το προφέρουν Ζάιντ. Είναι μια περιοχή 10 λεπτά με το τρένο και πέντε σταθμούς μακριά από το κέντρο του Αμστερνταμ. Στην οδό Κλοντ Ντεμπισί, σε ένα κτίριο με 22 πατώματα, χωρίς καμία ένδειξη εξωτερικά, όπως συμβαίνει άλλωστε με τα περισσότερα υψηλά κτίρια στην Ολλανδία. Εκεί έχει εγκατασταθεί μετά το Παρίσι, το Λονδίνο, το Βερολίνο, τη Ζυρίχη, ένα ακόμα ευρωπαϊκό κέντρο έρευνας της γνωστής μας Google.
    Περνώντας από πολλές ζώνες ασφαλείας στους καλόγουστα επιπλωμένους ορόφους η εικόνα είναι η αναμενόμενη. Σε αίθουσες με προσεκτικά επιλεγμένα ονόματα, όπως «Βεατρίκη» (προφανώς από την έως το 2013 βασίλισσα της Ολλανδίας), «Ανι Σμιντ» (ήταν μια 21χρονη ορειβάτισσα που σκοτώθηκε πέφτοντας σε γκρεμό το 2016 στο Ορεγκον) αλλά και «Γιόχαν Κρόιφ» βέβαια (από τον παίκτη-θρύλο του ολλανδικού ποδοσφαίρου), άνθρωποι σιωπηλοί εργάζονται εντατικά μπροστά στους υπολογιστές τους. Και παντού, για όποιον κάνει διάλειμμα, αναψυκτικά, καφέδες, τσάι, κουλουράκια, γλυκά, μπάρες δημητριακών απεριόριστα και δωρεάν φυσικά, ενώ όλα τα προσφερόμενα γεύματα πλέον είναι κατά βάση χορτοφαγικά.
    Είναι βέβαια γνωστό πως κάποιος για να φθάσει απλώς να εργάζεται στην Google πρέπει να έχει περάσει, αν όχι από σαράντα κύματα, πολύ πιθανόν από τουλάχιστον είκοσι συνεντεύξεις, οι οποίες θα έχουν εστιάσει κάθε φορά σε διαφορετικά σημεία του χαρακτήρα και των γνώσεών του. Γιατί η εταιρεία δεν αρκείται στο να έχει την πιο δημοφιλή μηχανή αναζήτησης, το gmail και τεράστια έσοδα από τις διαφημίσεις. Παράγει συνεχώς πακέτα λογισμικού αλλά και συσκευές. Και το φάσμα συνεχώς διευρύνεται. Από αυτοκίνητα χωρίς οδηγό και κινητά τηλέφωνα έως ρομπότ και πακέτα εφαρμογών τεχνητής νοημοσύνης.
     

    Βαθιά σκέψη

    Η εταιρεία Deep Mind έγινε διάσημη όταν το 2016 έβαλε απέναντι σε έναν από τους καλύτερους παίκτες του ασιατικού επιτραπέζιου παιχνιδιού Go το πρόγραμμα που είχε φτιάξει στον υπολογιστή. Με τη φιλοδοξία ακριβώς η μηχανική σκέψη να νικήσει την ανθρώπινη. Εστω και σε αυτό το περιορισμένο πεδίο ανταγωνισμού που ήταν μια πλάκα παιχνιδιού με 19Χ19 τετραγωνάκια. Ο αγώνας έγινε στη Νότια Κορέα και το μηχάνημα με το πρόγραμμά του νίκησε με 4-1, προκαλώντας βέβαια τεράστια αίσθηση, και πριν και μετά.
    Η Deep Mind είχε ιδρυθεί το 2010 στο Λονδίνο, με συνιδρυτή μάλιστα τον κυπριακής καταγωγής Ντέμη Χασάμπη, έναν 40χρονο ερευνητή που θεωρούνταν κάποτε παιδί-θαύμα στη δημιουργία παιχνιδιών, με σπουδές στους υπολογιστές αλλά και στις νευροεπιστήμες. Η εταιρεία αγοράστηκε το 2014 στην τιμή των περίπου 500 εκατ. ευρώ. Το πρόγραμμα AlphaGo, που με αυτό, ύστερα από δύο χρόνια εντατικών ερευνών και με την ικανότητα να εξετάζει την εξέλιξη του παιχνιδιού σε βάθος 50 και 60 κινήσεων, νίκησε τον τότε τέταρτο καλύτερο παίκτη στον κόσμο, ήταν καρπός ερευνών περίπου είκοσι χρόνων μιας ομάδας πολύ ικανών μηχανικών. Και ποιος ήταν ο αγοραστής της εταιρείας και της ομάδας, που συνέχισε να εργάζεται επάνω σε αυτό μέχρι να νικήσει το πρόγραμμά της όλους τους ανθρώπους-αντιπάλους; Η Google. Και ο κολοσσός αυτός, παρ’ όλες τις τριβές μέχρι και σήμερα μεταξύ των δύο εταιρειών, συνεχίζει να έχει λόγο στο πρόγραμμα ερευνών της Deep Mind, που ασχολείται μόνο με θέματα τεχνητής νοημοσύνης.
    Το ζευγάρι των γραμμάτων ΑΙ, από τα αρχικά των λέξεων Artificial Intelligence, το «Εϊ-Αϊ» όπως έχει επικρατήσει να προφέρεται, ενδιαφέρει υπερβολικά την Google. Ξοδεύει μεγάλα ποσά, δουλεύουν χιλιάδες ερευνητές για αυτό και καταλαβαίνεις με όποιον άνθρωπο μιλήσεις στην εταιρεία ότι περιμένει πολλά στο μέλλον από τις όποιες εφαρμογές προκύψουν. Και σε τομείς μάλιστα απρόβλεπτους με βάση την εικόνα που προσπαθεί να βγάλει προς τα έξω η εταιρεία. Χρησιμοποιεί άλλωστε και έναν δικό της ορισμό για το «Εϊ-Αϊ» που κατά τη γνώμη μου είναι πολύ καίριος: «Τεχνητή Νοημοσύνη είναι η επιστήμη που κάνει τις μηχανές να εμφανίζονται ότι διαθέτουν εξυπνάδα». Και το ζητούμενο από αυτή την «εξυπνάδα» είναι να αναλύονται τα δεδομένα με τέτοιον τρόπο ώστε να προκύπτει μια άποψη σχετική με τον πραγματικό κόσμο. Και αυτό είναι κάτι που κάνουμε και εμείς ως άνθρωποι.
     

    Πώς να «σκέφτονται»
    οι μηχανές άραγε;

    Από το 1950, θεωρείται ότι άρχισαν οι προσπάθειες με τη βοήθεια προγραμμάτων ώστε η συμπεριφορά και οι απαντήσεις των μηχανών να συγχέονται όλο και περισσότερο με αυτές των ανθρώπων. Ηταν το λεγόμενο «Τεστ του Τιούρινγκ», κάτι που τότε φάνταζε ως άπιαστο όνειρο. Σήμερα οι μηχανές «βλέπουν, ακούν και μιλούν». Πώς έγινε αυτό;
    Διότι με την ανάπτυξη των υπολογιστών οι άνθρωποι έφθασαν και στο ML, δηλαδή τη λεγόμενη Machine Learning ή Μηχανική Μάθηση, και ακόμα πιο πέρα. Μέχρι το 1985, περίπου, οι ερευνητές προσπαθούσαν να κατασκευάσουν μηχανές που να μιμούνται το πώς λειτουργούν κάποια από τα όργανα στο σώμα του ανθρώπου, που φαντάζονταν ότι συντελούν στο να έχει νοημοσύνη. Νεύρα και εγκέφαλος κυρίως. Ηδη όμως από το 1973 δημοσιοποιήθηκε μια έκθεση, γνωστή ως Lighthill Report, που έλεγε πως οι προσπάθειες αυτές ήταν μάταιες και δεν έδωσαν τα αναμενόμενα. Ακολούθησε ο λεγόμενος «χειμώνας της τεχνητής νοημοσύνης».
    Τα χιόνια άρχισαν να λιώνουν από το 1986, όταν εμφανίζονται τα κάπως πιο εξελιγμένα τεχνητά νευρωνικά δίκτυα (Artificial Neural Networks – ANN), κάτι σαν πολύ αχνές απομιμήσεις του πώς λειτουργούν τα ζωντανά εγκεφαλικά κύτταρα, με τους υπολογιστές να μπορούν πλέον να κάνουν ταυτόχρονα και παράλληλα πολλές δουλειές. Οι ερευνητές έπαψαν να προσπαθούν να μιμηθούν το «πώς λειτουργούν» τα ανθρώπινα όργανα και αντέγραψαν το «πώς μαθαίνουν» οι άνθρωποι. Που μαθαίνουν να μιλούν και να διαβάζουν χωρίς να κατέχουν ήδη όλους τους κανόνες της γραμματικής και της ορθογραφίας. Παίρνοντας δηλαδή από έξω δεδομένα, ύστερα από κάποια επεξεργασία αυτό είναι αρκετό για να μάθει ακόμα και το μικρό παιδί να διαβάζει. Και είναι γνωστό πως όσο περισσότερο μιλάς σε ένα μικρό παιδί (δηλαδή προσφέροντας δεδομένα στην είσοδο, μετά από εσωτερική επεξεργασία, φθάνοντας στην έξοδο) τόσο καλύτερα αναπτύσσεται η ομιλία του.
    Αυτή είναι η Μηχανική Μάθηση. Δημιουργείς μια σειρά κανόνων επεξεργασίας δεδομένων που πρέπει να ακολουθούνται αυστηρά και με συγκεκριμένη σειρά. Οπως γίνεται με τη συνταγή ενός γλυκού. Αυτό λέγεται αλλιώς πώς κατασκευάστηκε ένας αλγόριθμος. Δίνεις μετά για επεξεργασία από αυτόν τον αλγόριθμο όσο μπορείς μεγαλύτερες ποσότητες δεδομένων. Ας πούμε από οικονομικές συναλλαγές. Και δίνεις και κριτήρια για το ποιες μπορεί να θεωρηθούν παράνομες. Υστερα από αρκετούς κύκλους και όλο και λεπτότερες διορθώσεις προκύπτει ένα σύστημα που θα μπορεί μελλοντικά να εντοπίζει παράνομες συναλλαγές μέσα από έναν ωκεανό δεδομένων. Η μηχανή έχει μάθει πλέον από την ποικιλία των δεδομένων και δεν χρειάζεται ο προγραμματιστής να σκεφθεί από πριν όλες τις πιθανές περιπτώσεις και να τις έχει μέσα στο πρόγραμμα.
     

    Και μετά ήλθε το DL

    Η ιδέα να χρησιμοποιηθούν τεχνητά νευρωνικά δίκτυα για προβλήματα σχετικά με την αναγνώριση εικόνων ή έστω λέξεων σε μια ομιλία ήταν παλιά, αλλά αυτά θεωρήθηκαν ανεπαρκή από τους πατριάρχες της τεχνητής νοημοσύνης Μίνσκι και Πάπερτ ήδη από το 1969. Αποδείχθηκε όμως ότι οι δυο τους είχαν κάνει μεγάλο λάθος. Αυτό που έλειπε στα ΑΝΝ για να εκπληρώνουν τις προσδοκίες των ερευνητών ήταν το να έχουν εγκατασταθεί σε πολύ πιο γρήγορους υπολογιστές, να δουλεύουν σε αλλεπάλληλα παράλληλα στρώματα, και το κάθε στρώμα να το αποτελούν εκατοντάδες έως και χιλιάδες κόμβοι από όπου να φεύγουν σήματα για τους κόμβους του επόμενου στρώματος, με συγκεκριμένη αύξηση ή ελάττωση της τιμής τους.
    Τα δίκτυα αυτά είναι στην ουσία προγράμματα, αρκετά πολύπλοκα, που κάνουν τον υπολογιστή να ενεργεί, κατά κάποιον τρόπο όπως το μάτι μας, το στόμα μας ή το αφτί μας και να ξεχωρίζει εικόνες, γράμματα και ήχους. Αυτός που τα παρομοίασε με κλαμπ σάντουιτς κάτι ήξερε. Διότι, πράγματι, χωρίζονται σε τρία «στρώματα». Αυτό της εισόδου, μετά έρχονται τα ενδιάμεσα, όπου οι τιμές στις εξόδους τους καθενός είναι οι τιμές εισόδου στο επόμενο, και τέλος υπάρχει ένα ακόμα, η έξοδος με τα τελικά αποτελέσματα.
    Ας πούμε ότι μπορείς να ρίχνεις στο στρώμα της εισόδου εκατοντάδες χιλιάδες έως και εκατομμύρια δεδομένα, για παράδειγμα τα πίξελ που συγκροτούν κάθε φορά διάφορες φωτογραφίες μιας τυρόπιτας και περνώντας από τα διάφορα στρώματα να βγαίνουν στην έξοδο δύο σήματα, ένα αντίστοιχο του «ναι, είναι τυρόπιτα» και ένα του «όχι, δεν είναι». Στην αρχή θα παίρνεις αποτελέσματα άλλα αντ’ άλλων. Αν όμως υπάρχει ένας τρόπος με βάση τα αποτελέσματα στα ενδιάμεσα στάδια να γίνονται οι κατάλληλες διορθώσεις, έρχεται στιγμή που όλο αυτό τα σύστημα δεν θα κάνει και τόσο πολλά λάθη στην αναγνώριση. Αυτό είναι ένα παράδειγμα του λεγόμενου Deep Learning (DL) ή αλλιώς Βαθιάς Μάθησης. Και χωρίς να έχει και πολλή ουσία για την πραγματικότητα, υποτίθεται, για όποιον θέλει να τα έχει έτσι στο μυαλό του, ότι το DL είναι μέρος του ML και αυτό είναι με τη σειρά του μέρος του AI.
     

    Εργασία-ορόσημο

    Σημασία έχει πως από το 2006 που εμφανίστηκε μια εργασία μόλις 3,5 σελίδων, των Χίντον και Σαλαχουντίνοφ στο υψηλότατου κύρους περιοδικό «Science» (28.7.2006), η οποία έλεγε ότι μπορείς να περάσεις, για παράδειγμα, τα στοιχεία μιας εικόνας μέσα από ένα τεχνητό νευρωνικό δίκτυο και να πάρεις στην έξοδο μια απάντηση για το περιεχόμενο της εικόνας αυτής αν προηγηθεί εισαγωγικά μια αυτορρύθμιση που θα στείλει πίσω [backprop(agat)ing] τα πρώτα αποτελέσματα και αυτά θα βοηθήσουν προκαλώντας διορθώσεις στο να πλησιάσει στη σωστή απόφαση ο όλος σχηματισμός. Από εκείνη τη στιγμή για όποιον διέθετε πολλά δεδομένα ο δρόμος άνοιξε. Το ίδιο συνέβη και με τους καθηγητές Χίντον και Σαλαχουντίνοφ, που είναι σήμερα ο πρώτος επικεφαλής των ερευνών της Google στο Τορόντο και ο δεύτερος της Apple. Και δεν θα πρέπει να διαφύγει από τον αναγνώστη ότι σε αυτή τη διαδικασία δεν χρειάζεται να έχει «συνείδηση» το μηχάνημα του ουσιαστικού περιεχομένου της φωτογραφίας. Και αυτό εννοούν όσοι επιμένουν ότι το πρόγραμμα Deep Blue της ΙΒΜ που νίκησε τον Κασπάροφ δεν έμαθε ποτέ του σκάκι και στο πρόγραμμα της Deep Mind, το AlphaGo, δεν του δόθηκαν ποτέ οι κανόνες του παιχνιδιού αλλά τους έμαθε «βλέποντας» εκατομμύρια παρτίδες και παίζοντας με τον εαυτό του.
    Ναι, είναι αλήθεια πως οι μηχανές, μέχρι στιγμής τουλάχιστον, δεν σκέφτονται τίποτε και με κανέναν τρόπο. Ούτε ο άνθρωπος έχει κάποιο συμφέρον να κατασκευάσει μηχανές που να σκέφτονται όπως οι άνθρωποι. Και κατά μια θεωρία για «νοημοσύνη» μιλούν οι άνθρωποι όταν δεν καταλαβαίνουν και πολύ καλά πώς λειτουργεί κάτι. Λέμε για νοημοσύνη στα νευρωνικά δίκτυα αλλά ποιος δέχεται ότι το πλυντήριό του διαθέτει «νοημοσύνη»;
     

    «Hey» Google

    Λέγοντας «Οκ Γκουγκλ» ή «Χέι Γκουγκλ», ένα «νοήμον» μηχάνημα, το Google Assistant στο σπίτι, επικοινωνεί μαζί σου και εκτελεί πρόθυμα διάφορες εντολές, χωρίς βέβαια να κουνιέται (ακόμη;) από τη θέση του. Αν και το Google Assistant, το οποίο είναι σε σκληρό ανταγωνισμό με τα αντίστοιχα Siri της Apple, Alexa της Amazon και Cortana της Microsoft, είναι ήδη δύο ετών, φαίνεται πως η εταιρεία το προωθεί πολύ δυνατά. Τώρα προίκισε και τα κινητά της σειράς Pixel με το ίδιο ακριβώς περιεχόμενο. Τους μιλάς και εκτελούν. Εδώ έχουν βέβαια δουλέψει φουλ οι γνώσεις της εταιρείας από τα ΑΙ, ML και μπορεί να αναγνωρίζει έως και έξι διαφορετικές φωνές (έτσι μπορεί κάποιος να αποκλείσει τις Αρχές από το να αποκτήσουν εύκολη πρόσβαση στα δεδομένα του), να μετατρέπει ένα φωνητικό μήνυμα σε γραπτό, να δίνει απαντήσεις σε ερωτήματα και να μεταφράζει.
    Σε μια επίδειξη που έγινε στο Αμστερνταμ, είναι η αλήθεια ότι η συσκευή που είδαμε μετέφραζε (προφανώς) τέλεια τη φράση «this tastes delicious» στα κορεατικά όπως είχε προετοιμαστεί να το κάνει, αλλά όταν της ζητήσαμε εντελώς απρόοπτα να μεταφράσει το ίδιο και στα ελληνικά έδωσε: «αυτό γούστα εξαίρετα». «Θα το πω στα παιδιά να το διορθώσουν» ήταν η διαβεβαίωση του ελαφρώς αμήχανου υπευθύνου.
     

    Εχοντας το φεγγάρι
    στο σημάδι

    Η πιο παράδοξη πάντως από όλες τις εταιρείες στο περιβάλλον πρέπει να είναι η Χ, πρώην Google X. Είναι ένα απόκρυφο εργαστήριο στην ουσία και εκεί γίνεται έρευνα γύρω από τις πιο παράδοξες ιδέες που μπορεί να προταθούν. Στο λεξιλόγιό της ξεχωρίζει η λέξη moonshot. Βάζω σε κίνηση τον μεταφραστή Google Translate: και στα ελληνικά μού βγάζει πάλι moonshot! Πρόκειται για μια τόσο δύσκολη έννοια;
    Με λίγο ψάξιμο ακόμα, βρίσκεις ότι με δυο λόγια σημαίνει ένα πολύ φιλόδοξο, καινοτόμο πρόγραμμα που δεν δικαιολογεί την προσμονή για άμεσο κέρδος αλλά για μακροχρόνια οφέλη. Η εταιρεία τη χρησιμοποιεί λοιπόν με πάθος για τα πιο… τρελά της σχέδια. Ενα από αυτά, το Project Loon, έχει γίνει πλέον και ανεξάρτητη εταιρεία. Πρόκειται για αερόστατα, με διάμετρο 15 μέτρων, με τον θόλο τους από υλικό Kevlar, πάχους 3 χιλιοστών, που ανεβαίνουν σε ύψος 20 χιλιομέτρων από την επιφάνεια της Γης και από εκεί μπορούν να παρέχουν υπηρεσίες Διαδικτύου. Για παράδειγμα, τον Μάιο του 2017 τρία από αυτά απογειώθηκαν από το Πουέρτο Ρίκο και έφθασαν σε μια περιοχή του Περού που είχε πληγεί από τις πλημμύρες και στην οποία είχαν κοπεί οι τηλεπικοινωνίες. Με αυτόν τον τρόπο μπόρεσαν οι κάτοικοι μιας έκτασης όση περίπου η Ελβετία να μη μείνουν αποκομμένοι. Αλλο ένα, που ήδη έχει γίνει ανεξάρτητη εταιρεία, ήταν το σχέδιο Makani, όπου η λέξη σημαίνει άνεμος στη διάλεκτο της Χαβάης. Πρόκειται για ελαφρά «αεροπλάνα-αετούς», εφοδιασμένα με οκτώ μικρές ανεμογεννήτριες, που πετούν σε ύψος 28 μέτρων συνεχώς και συνδέονται με τη Γη, όπως ένας χαρταετός, μεταφέροντας στο έδαφος ηλεκτρική ενέργεια.
    Υπήρξαν βέβαια και αποτυχημένα σχέδια, όπως τα περίφημα γυαλιά που θα τα φορούσες και ενώ δούλευες, π.χ., σε ένα μηχάνημα είχες πρόσβαση και στο βιβλίο με τις οδηγίες. Καλή ιδέα, και επάνω που πήγαν να γίνουν και μόδα για τους άσχετους στον δρόμο που τους ονόμασαν glassholes, η εταιρεία «έπνιξε» το πρότζεκτ.
     

    ΑΙ για την υγεία

    Η κυρία Κάθριν Τσου πέταξε από την Καλιφόρνια μέχρι το Αμστερνταμ για να μα