Τα τελευταία χρόνια η παγκόσμια τεχνολογία έχει κάνει τεράστια βήματα στον τομέα της Τεχνητής Νοημοσύνης. Μηχανές μαθαίνουν από την εμπειρία, προσαρμόζονται σε νέα δεδομένα, εκτελούν ανθρώπινες εργασίες και μιμούνται την ανθρώπινη γνώση.
Τεχνητή Νοημοσύνη
Τι είναι η TN και γιατί έχει σημασία
Η τεχνητή νοημοσύνη (ΑΙ από το Artificial Intelligence) καθιστά τις μηχανές ικανές να μαθαίνουν από την εμπειρία, να προσαρμόζονται σε νέα εισαγόμενα δεδομένα και να εκτελούν ανθρωπομορφικά έργα. Τα περισσότερα παραδείγματα AI για τα οποία ακούτε σήμερα –από τους υπολογιστές που παίζουν σκάκι έως τα αυτο-οδηγούμενα αυτοκίνητα– βασίζονται σε μεγάλο βαθμό στο deep learning και την επεξεργασία φυσικής γλώσσας (ΕΦΓ). Με τη χρήση των τεχνολογιών αυτών, οι υπολογιστές μπορούν να εκπαιδευτούν ώστε να επιτελούν συγκεκριμένα καθήκοντα με επεξεργασία μεγάλων ποσοτήτων δεδομένων και αναγνώριση μορφών στα δεδομένα.
Η ιστορία της Τεχνητής Νοημοσύνης (AI)
Ο όρος της τεχνητής νοημοσύνης (AI) επινοήθηκε το 1956, αλλά το (AI) έχει γίνει πιο δημοφιλές σήμερα λόγω του αυξημένου όγκου δεδομένων, των προηγμένων αλγορίθμων και των βελτιώσεων στην ισχύ των υπολογιστών και την αποθήκευση των δεδομένων.
Αρχικά, η έρευνα γύρω από το AI επικεντρώθηκε σε θέματα όπως η επίλυση προβλημάτων και οι συμβολικές μέθοδοι. Τη δεκαετία του ’60, το Υπουργείο Άμυνας των ΗΠΑ ενδιαφέρθηκε για αυτόν τον τύπο εργασίας και ξεκίνησε την εκπαίδευση των υπολογιστών στη μίμηση της βασικής ανθρώπινης συλλογιστικής. Για παράδειγμα, η Υπηρεσία Προηγμένων Ερευνητικών Προγραμμάτων Άμυνας (DARPA) ολοκλήρωσε τα προγράμματα χαρτογράφησης δρόμων τη δεκαετία του ’70. επίσης, η DARPA παρήγαγε ευφυείς προσωπικούς βοηθούς το 2003, πολύ πριν η Siri, Alexa και Cortana γίνουν πασίγνωστες.
Αυτή η πρώτη εργασία, προετοίμασε το έδαφος για την αυτοματοποίηση και την τυπική συλλογιστική που βλέπουμε στους υπολογιστές σήμερα, συμπεριλαμβανομένων των συστημάτων υποστήριξης λήψης αποφάσεων και των έξυπνων συστημάτων αναζήτησης που μπορούν να σχεδιαστούν ώστε να συμπληρώνουν και να βελτιώνουν τις ανθρώπινες ικανότητες.
Γιατί είναι σημαντική η τεχνητή νοημοσύνη (AI);
- Το AI αυτοματοποιεί την επαναληπτική μάθηση και την ανακάλυψη μέσω δεδομένων. Το AI διαφέρει, όμως, από την καθοδηγούμενη από το hardware ρομποτική αυτοματοποίηση. Αντί των αυτοματοποιημένων χειροκίνητων έργων, το AI εκτελεί συχνά, μεγάλου όγκου μηχανογραφημένα έργα, αξιόπιστα και χωρίς κόπο. Για αυτόν τον τύπο της αυτοματοποίησης, η ανθρώπινη έρευνα εξακολουθεί να είναι καίριας σημασίας για να εγκατασταθεί το σύστημα και να τεθούν οι κατάλληλες ερωτήσεις..
- Το AI προσθέτει ευφυΐα στα υπάρχοντα προϊόντα. Στις περισσότερες περιπτώσεις, το AI δεν πωλείται ως μεμονωμένη εφαρμογή. Πιθανότερο είναι οι ικανότητες του AI να βελτιώνουν τα προϊόντα που ήδη χρησιμοποιείτε, όπως η πρόσθεση της ψηφιακής βοηθού Siri ως λειτουργία στα προϊόντα Apple νέας γενιάς. Η αυτοματοποίηση, οι πλατφόρμες συνομιλίας, τα bots και οι έξυπνες μηχανές μπορούν να συνδυαστούν με μεγάλες ποσότητες δεδομένων προκειμένου να βελτιώνουν πολλές τεχνολογίες στο σπίτι και τον χώρο εργασίας από την ασφάλεια πληροφοριών έως την ανάλυση επενδύσεων.
- Το AI προσαρμόζεται μέσω προοδευτικών αλγορίθμων εκμάθησης (learning algorithms) ώστε να αφεθούν τα δεδομένα να κάνουν τον προγραμματισμό. To ΑΙ βρίσκει δομή και κανονικότητες στα δεδομένα οπότε ο αλγόριθμος αποκτά μια δεξιότητα: Ο αλγόριθμος ταξινομεί ή κατηγοριοποιεί. Έτσι, όπως ο αλγόριθμος μπορεί να διδάξει τον εαυτό του τον τρόπο να παίζει σκάκι, μπορεί και να τον διδάξει ποιο προϊόν να συστήσει στη συνέχεια διαδικτυακά. Και τα μοντέλα προσαρμόζονται όταν τους δίνονται νέα δεδομένα. Η οπισθοδιάδοση (back–propagation) είναι μια τεχνική AI που επιτρέπει στο μοντέλο να προσαρμόζεται, μέσω εκπαίδευσης και προστιθέμενων δεδομένων όταν η πρώτη απάντηση δεν είναι η ενδεδειγμένη.
- Το AI αναλύει περισσότερα και βαθύτερα δεδομένα με χρήση neural networks (νευρωνικά δίκτυα) που διαθέτουν πολλά κρυφά επίπεδα. Η κατασκευή ενός συστήματος ανίχνευσης απάτης με πέντε κρυφά επίπεδα ήταν σχεδόν αδύνατη λίγα χρόνια νωρίτερα. Όλα αυτά έχουν αλλάξει με την απίστευτη ισχύ των υπολογιστών και το μέγεθος των δεδομένων. Χρειάζεσαι μια πληθώρα δεδομένων για να εκπαιδεύσεις μοντέλα μάθησης σε βάθος, επειδή μαθαίνουν απευθείας από τα δεδομένα. Με όσο περισσότερα δεδομένα τα τροφοδοτείς, τόσο πιο ακριβή γίνονται.
- Το AI επιτυγχάνει απίστευτη ακρίβεια μέσω deep neural networks – κάτι που προηγουμένως ήταν αδύνατο. Για παράδειγμα, οι αλληλεπιδράσεις σας με το Alexa, το Google Search και το Google Photos βασίζονται στη στο deep learning – και συνεχίζονται να γίνονται πιο ακριβείς όσο περισσότερο τα χρησιμοποιείτε. Στον ιατρικό τομέα, τεχνικές AI όπως το deep learning, η ταξινόμηση εικόνων και η αναγνώριση αντικειμένων μπορούν τώρα να χρησιμοποιηθούν για την ανίχνευση καρκίνου σε απεικονίσεις με μαγνητική τομογραφία, με ακρίβεια παρόμοια με αυτή καταρτισμένων ακτινολόγων.
- To ΑΙ αξιοποιεί στο έπακρο τα δεδομένα. Όταν οι αλγόριθμοι είναι αυτο-εκπαιδευόμενοι, τα ίδια τα δεδομένα μπορούν να καταστούν πνευματική ιδιοκτησία. Οι απαντήσεις βρίσκονται στα δεδομένα, απλά, πρέπει να εφαρμόσετε μεθόδους τεχνητής νοημοσύνης για να τις ανακτήσετε. Επειδή ο ρόλος των δεδομένων είναι πλέον πιο σημαντικός από ποτέ άλλοτε, μπορούν να δημιουργήσουν ένα ανταγωνιστικό πλεονέκτημα. Εάν διαθέτετε τα καλύτερα δεδομένα σε έναν ανταγωνιστικό βιομηχανικό κλάδο, ακόμη και αν όλοι εφαρμόζουν παρόμοιες τεχνικές, τα καλύτερα δεδομένα θα νικήσουν.
-
Λογισμικά: εικονικοί βοηθοί, λογισμικό ανάλυσης εικόνας, μηχανές αναζήτησης, συστήματα αναγνώρισης προσώπου και ομιλίας
-
“Ενσωματωμένη τεχνητή νοημοσύνη”: ρομπότ, αυτόνομα αυτοκίνητα, τηλεκατευθυνόμενα αεροσκάφη (drones), Διαδίκτυο των πραγμάτων (Internet of Things)
ΠΟΙΑ ΤΑ ΠΡΟΤΕΡΗΜΑΤΑ ΤΗΣ ΤΕΧΝΗΤΗΣ ΝΟΗΜΟΣΥΝΗΣ;
Εξαιτίας της αφθονίας της πληροφορίας και της πολυπλοκότητας αυτής που δέχεται καθημερινά ο άνθρωπος στον σύγχρονο κόσμο, βρίσκεται αρκετές φορές σε διλήμματα ή αδιέξοδα κατά τη λήψη αποφάσεων στην καθημερινή ζωή (δεν μπορεί να λαμβάνει τις διαρκώς τις βέλτιστες αποφάσεις). Αντίθετα, τα δημιουργήματα της τεχνητής νοημοσύνης που έχουν σχεδιασθεί βάσει αλγορίθμων και (αυτοματοποιημένων) λογισμικών συστημάτων, οδηγούνται σε μια σταθερά επιτυχημένη συμπεριφορά αναφορικά με τον σκοπό δημιουργίας τους. Ουσιαστικά, αυτό τους δίνει βασικό πλεονέκτημα έναντι των ανθρώπων, που δεν είναι αλάνθαστοι.
Ποια είναι, λοιπόν, πρακτικά, τα προτερήματα των μέσω τεχνητής νοημοσύνης; Το βασικό τους πλεονέκτημα έγκειται στο ότι αυξάνουν την παραγωγικότητα στο επιχειρείν, την ασφάλεια και την αποδοτικότητα, καθώς μπορούν να εργάζονται διαρκώς με την ίδια ένταση και τον ίδιο ρυθμό.
Ποια είναι, λοιπόν, πρακτικά, τα προτερήματα των μέσω τεχνητής νοημοσύνης; Το βασικό τους πλεονέκτημα έγκειται στο ότι αυξάνουν την παραγωγικότητα στο επιχειρείν, την ασφάλεια και την αποδοτικότητα, καθώς μπορούν να εργάζονται διαρκώς με την ίδια ένταση και τον ίδιο ρυθμό. Παρότι ένα ρομπότ δεν μπορεί να εκτελέσει όλα τα καθήκοντα που είναι ικανός ένας άνθρωπος, αντ’ αυτού καταφέρνει συγκεκριμένες εργασίες να τις υλοποιεί καλύτερα από αυτόν. Συγκεκριμένα εργασίες στις οποίες απαιτούνται για παράδειγμα επαναληπτικές διαδικασίες για μεγάλο χρονικό διάστημα σε δύσκολες συνθήκες τα ρομπότ φαίνονται αποδοτικότερα. Έτσι μπορούν να εργαστούν σε επικίνδυνα περιβάλλοντα και γενικότερα σε περιοχές απρόσιτες για τον άνθρωπο.
Όσον αφορά τον χρηματοπιστωτικό τομέα, ενδεικτικά οφέλη από την εφαρμογή της τεχνητής νοημοσύνης περιλαμβάνουν: τη βελτίωση της εμπειρίας του πελάτη, την απλοποίηση και αυτοματοποίηση διαδικασιών με ελαχιστοποίηση της εμπλοκής του ανθρώπινου παράγοντα και τη βελτίωση του κόστους των υπηρεσιών. Ωστόσο, εκτός από τις μεγάλες ευκαιρίες αναδύονται και νέες προς αντιμετώπιση προκλήσεις, οι οποίες αφορούν στην προσαρμογή από την μεριά των επιχειρήσεων και του εργατικού δυναμικού.
ΟΙ ΑΡΝΗΤΙΚΕΣ ΟΨΕΙΣ
Οι οικονομικές πιέσεις και οι πιέσεις για αύξηση της παραγωγικότητας ενδέχεται να ευνοήσουν την προσέγγιση της υποκατάστασης, σύμφωνα με την οποία άτομα και ομάδες εργαζομένων θα αντικατασταθούν από ρομπότ και αυτόματες μηχανές. Γενικότερα, χάρη στην ενσωμάτωση της τεχνητής νοημοσύνης και γενικότερα όλων των μορφών ψηφιοποίησης στο επιχειρείν και δη στην αγορά εργασίας, παρατηρείται μία μείωση του αριθμού των εργαζομένων που απαιτούνται για την εκτέλεση εργασιών ρουτίνας ή για σαφώς καθορισμένα καθήκοντα, καθώς αυτά εκτελούνται πλέον σε σημαντικό βαθμό από βιομηχανικά ρομπότ ή ρομπότ παροχής υπηρεσιών. Η συγκεκριμένη «εξαφάνιση» των εργαζομένων χαμηλών ή μεσαίων δεξιοτήτων θα μπορούσε να οδηγήσει στην απώλεια σχεδόν του ενός τρίτου των υφιστάμενων θέσεων εργασίας κατά τις προσεχείς δεκαετίες .
Σύμφωνα με σχετικές έρευνες και έχοντας ως δεδομένο την επίδραση της τεχνολογίας, τα επόμενα χρόνια θα επηρεαστούν αρνητικά οι θέσεις εργασίας στον κατασκευαστικό τομέα, την ενέργεια και τα χρηματοοικονομικά, ενώ μεγάλο «πλήγμα» θα δεχθεί και ο τομέας της υγείας, κυρίως λόγω της τηλεϊατρικής. Στους «ηττημένους» προστίθενται και οι κλάδοι του λιανικού εμπορίου, των εκδόσεων και των εντύπων. Επίσης, βάσει έρευνας της Bank of America, μέχρι το 2025, τα ρομπότ θα έχουν καταλάβει το 45% των βιομηχανικών εργασιών, εξαφανίζοντας εκατομμύρια θέσεις εργασίας. Η τεχνολογική αυτή αλλαγή συνεπάγεται, μεταξύ άλλων, σχετική αύξηση της ζήτησης για εργαζόμενους υψηλής εξειδίκευσης και μείωση της ζήτησης για εργαζόμενους χαμηλότερης εξειδίκευσης, οι οποίοι κατά κανόνα εκτελούν εργασίες που αφορούν γνωστικά και χειρωνακτικά καθήκοντα ρουτίνας.
Από την άλλη, η εξέλιξη αυτή θα συνίσταται σημαντικό κόστος προσαρμογής για τις επιχειρήσεις που θα αφορά σε επανακατάρτιση του εργατικού δυναμικού, ανανέωση του επαγγελματικού εξοπλισμού ή των χώρων εργασίας κ.α. Όλα αυτά είναι προϋποθέσεις που δε δύνανται όλες οι επιχειρήσεις να αφομοιώσουν γρήγορα και αποφασιστικά. Κάποιες εξ αυτών θα χρειαστούν αρκετό χρόνο που θα τους αφήσει “πίσω” στον ανταγωνισμό, ενώ για άλλες το κόστος προσαρμογής μπορεί να είναι τέτοιο που να επιτάσσει των τερματισμό της λειτουργίας τους.
