Τεχνητή Νοημοσύνη: Μύθος και πραγματικότητα

Του
ΝΙΚΟΥ ΣΤΡΑΒΕΛΑΚΗ,
Οικονομολόγου του Εθνικού
και Καποδιστριακού Πανεπιστημίου Αθηνών

Την περασμένη εβδομάδα η τεχνητή νοημοσύνη είχε την τιμητική της. Η κεντρική τράπεζα των ΗΠΑ (FED) είχε διήμερο διαδικτυακό συμπόσιο για την εφαρμογή της στις τράπεζες. Από κοντά και ο Σύνδεσμος Ελληνικών Βιομηχανιών διεξήγαγε ημερίδα για τις εφαρμογές της τεχνητής νοημοσύνης στη βιομηχανία.

Η τεχνητή νοημοσύνη είναι το κεντρικό στοιχείο του αφηγήματος των κυρίαρχων τάξεων για την αντιμετώπιση της κρίσης. Θεωρούν ότι θα πυροδοτήσει μια νέα (πέμπτη) βιομηχανική επανάσταση, η οποία θα μειώσει σημαντικά τις τιμές των εμπορευμάτων, ενώ παράλληλα θα περιορίσει σημαντικά και το επενδυτικό κόστος.

Αυτό, πέρα από την αύξηση των αποδόσεων (ποσοστού κέρδους), θα οδηγήσει, σύμφωνα με τους υποστηρικτές του αφηγήματος, και σε «εκδημοκρατισμό» του συστήματος. Το ανθρώπινο κεφάλαιο, η εφευρετικότητα, τα startups θα καταστούν σημαντικότερα από τον συσσωρευμένο πλούτο, ανοίγοντας έτσι παράθυρο ευκαιρίας για τους νέους. Παρόλο που ο οικονομικός ρεαλισμός του αφηγήματος αμφισβητείται τόσο από ετερόδοξους όσο και από ορθόδοξους οικονομολόγους, η ένταση με την οποία προβάλλεται κάνει αναγκαία τη βαθύτερη επισκόπησή του.

Το πρώτο και βασικό ερώτημα είναι: Τι είναι, τέλος πάντων, η τεχνητή νοημοσύνη; Είναι η δυνατότητα εκμάθησης ηλεκτρονικών υπολογιστών και μηχανημάτων γενικότερα, ώστε να μπορούν να λαμβάνουν αποφάσεις. Τι σημαίνει αυτό στην πράξη; Σημαίνει ότι σε έναν ηλεκτρονικό υπολογιστή παρέχονται δεδομένα και ένας αλγόριθμος επεξεργασίας τους επιτρέπει τη λήψη αποφάσεων από τον υπολογιστή. Παραδείγματος χάριν, η βασική εφαρμογή τεχνητής νοημοσύνης για τις τράπεζες, που παρουσιάσθηκε στο συμπόσιο της FED, ήταν διαφορετικοί αλγόριθμοι επεξεργασίας δεδομένων για την αποδοχή ή απόρριψη δανειακών αιτήσεων. Οι εφαρμογές είναι δύο τύπων. Χρησιμοποιούν είτε έναν κλειστό αλγόριθμο (black box) είτε κάποιον αλγόριθμό στατιστικής εκμάθησης.

Στην πρώτη περίπτωση δεν ξέρουμε πώς ο υπολογιστής καταλήγει σε αποδοχή ή απόρριψη μιας αίτησης. Ο μόνος τρόπος να ελεγχθεί η διαδικασία είναι με ένα δεύτερο μοντέλο, που να βγάζει διαφορετικό αποτέλεσμα, και την αξιολόγησή τους μέσω της συμπεριφοράς των δανειοληπτών. Είναι μια ανορθόδοξη μέθοδος που μπορεί να οδηγήσει σε τελείως λανθασμένες αποφάσεις, ιδιαίτερα στο σημερινό περιβάλλον των «κόκκινων» δανείων.

Η διαδικασία της στατιστικής εκμάθησης είναι πιο βατή, υπό την έννοια ότι ο υπολογιστής αναζητά τις συσχετίσεις δεδομένων (οικονομικών και άλλων) του επίδοξου δανειολήπτη από τη βάση δεδομένων των δανειοληπτών. Άρα μπορούμε να μάθουμε γιατί ο υπολογιστής έλαβε τη μία ή την άλλη απόφαση. Το πρόβλημα είναι ότι δεν υπάρχει καμία θεωρία αναφορικά με τις συσχετίσεις που επιλέγει ο υπολογιστής. Αυτό σημαίνει ότι μπορεί να επιλέξει ψευδοσυσχετίσεις και, το χειρότερο, να απορρίψει ή να εγκρίνει δάνεια με κριτήρια εθνικότητας, φύλλου κ.λπ. Με άλλα λόγια, ο υπολογιστής μπορεί επιβάλει πρακτικές με ρατσιστικό ή σεξιστικό περιεχόμενο.

Τα παραδείγματα από τη βιομηχανία προέρχονται επίσης από τη θεωρία της στατιστικής εκμάθησης. Αφορούσαν, π.χ., την παρακολούθηση μιας αυτόματης γραμμής παραγωγής ξυριστικών μηχανών της ολλανδικής εταιρείας Philips. Ο υπολογιστής συσχετίζει κάποια επαναλαμβανόμενα μοτίβα στη συμπεριφορά της γραμμής παραγωγής με την εμφάνιση βλαβών και ειδοποιεί τον επιστάτη. Το πρόβλημα είναι ότι η διαδικασία είναι στατιστική και συχνά η ειδοποίηση δεν σημαίνει και βλάβη.

Οι πιο επικίνδυνες εφαρμογές που συζητήθηκαν είναι εκείνες που αφορούν τις υπηρεσίες υγείας. Για να περιορίσουν τους γιατρούς και τους νοσηλευτές στις βάρδιες επεξεργάζονται εφαρμογές τεχνητής νοημοσύνης που ξεχωρίζουν, π.χ., τις ακτινογραφίες ασθενών και δείχνουν στον γιατρό εκείνες που ο υπολογιστής θεωρεί ότι επισημαίνουν νόσο. Μπορεί κανείς να καταλάβει τι λάθη μπορούν να προκύψουν από μια τέτοια διαδικασία.

Τέλος, ένας εισηγητής στο συμπόσιο της FED έδειξε διάλογο ανθρώπου με ψυχολογικά προβλήματα με υπολογιστή που έπαιζε τον ρόλο των παλιών τηλεφώνων υποστήριξης. Από την οθόνη που μας παρουσίασε ο παθών ρωτούσε αν πρέπει να αυτοκτονήσει και ο υπολογιστής του απάντησε «νομίζω πως ναι».

Είναι σαφές ότι η εξέλιξη της όλης διαδικασίας απέχει παρασάγγας από αυτό που κάποιος θα ονόμαζε βιομηχανική ή τεχνο­λογική επανάσταση. Με άλλα λόγια, είναι περισσότερο μύθος παρά πραγματικότητα. Σε αυτό συμφωνούν όλοι σχεδόν οι οικονομολόγοι. Το δεύτερο στοιχείο είναι ότι όπου προσπαθεί να εφαρμοστεί η τεχνητή νοημοσύνη αποσκοπεί κυρίως είτε στην αντικατάσταση ανθρώπων από μηχανές (π.χ. στις εφαρμογές ιατρικής φροντίδας) είτε, το κυριότερο, στην αποειδίκευση εξειδικευμένης εργασίας. Οι εγκριτικοί μηχανισμοί των τραπεζικών δανείων για παράδειγμα απαιτούν στελέχη με γνώσεις και εμπειρία.

Με την εφαρμογή τεχνητής νοημοσύνης τη διαδικασία θα την υλοποιούν απλοί υπάλληλοι. Όμως αυτό μπορεί να οδηγήσει σε καταστροφές. Ο λόγος είναι ότι όλες οι εφαρμογές τεχνητής νοημοσύνης βασίζονται σε μια υπόθεση, σύμφωνα με την οποία το μέλλον είναι μια τυχαία επανάληψη καταστάσεων του παρελθόντος. Αυτό δεν είναι σωστό ακόμη και για ελεγχόμενες διαδικασίες, όπως η παραγωγή ξυριστικών μηχανών, όπου συγκεκριμένα μοτίβα άλλες φορές υποκρύπτουν και άλλες δεν υποκρύπτουν βλάβη. Για αυτόν τον λόγο έχουμε την επιστημονική θεωρία, όπου προσπαθούμε να εξηγήσουμε τα πράγματα και όχι απλά να τα συσχετίσουμε, όπως κάνει η τεχνητή νοημοσύνη. Αυτός είναι και ο λόγος που η εργασία είναι και θα παραμείνει ο βασικός μηχανισμός ανταλλαγής / επικοινωνίας του ανθρώπου με τη φύση και το θέμα είναι να απελευθερωθεί από τα δεσμά του κινήτρου του κέρδους. Με άλλα λόγια, σοσιαλισμός της τεχνολογίας δεν υπάρχει.

Έντυπη έκδοση ΤΟ ΠΑΡΟΝ

Φωτό: emea.gr