Artificial Intelligence: Όχι πια φαντασία

O συνδυασμός εξελιγμένων αλγόριθμων που μαθαίνουν χρησιμοποιώντας δεδομένα από το ίντερνετ φέρνει την επανάσταση στην τεχνητή νοημοσύνη.

-Σε χρειάζομαι φίλε!
-Έρχομαι αμέσως Μάικλ!

Για όσους μεγάλωσαν στη δεκαετία του 1980 ήταν ο πιο κλισέ διάλογος στον «Ιππότη της Ασφάλτου». Για τους νεότερους, ο Μάικλ Νάιτ, ένας πρώην αστυνομικός, ήταν ο ντετέκτιβ που αναλάμβανε τις δύσκολες αποστολές εκ μέρους Ιδρύματος Φοίνιξ στη δημοφιλή σειρά «Knight Rider». Όταν τα έβρισκε σκούρα καλούσε πάντα σε βοήθεια τον ΚΙΤΤ, το αυτοκίνητο της δεύτερης χιλιετίας που άκουγε, έβλεπε, συναισθανόταν και εκτελούσε μετά από σκέψη. Μια ακόμη φορά που το όραμα της τεχνητής νοημοσύνης γινόταν αντικείμενο πνευματικής -έστω και εντός εισαγωγικών- δημιουργίας.
Από τον Πλάτωνα μέχρι το ρωμαίο ποιητή Οβιδίο, οι μύθοι του Πυγμαλίωνα και του Τάλου αποτύπωσαν αυτή ακριβώς τη διαχρονική προσδοκία. Ο Πυγμαλίων, απογοητευμένος από τις εκδιδόμενες κόρες του Προπέτη, έφτιαξε το άγαλμα μιας γυναίκας από ελεφαντοστό και το προσέφερε στην Αφροδίτη. Η θεά τον λυπήθηκε για τα βάσανα του και έδωσε ζωή στο άγαλμα που έγινε η γυναίκα του, η Γαλάτεια. Ο Τάλως ήταν ένα γιγαντιαίο ρομπότ από μπρούτζο που περιπολούσε τις ακτές της Κρήτης τρεις φορές την ημέρα για να την προστατέψει από τους εισβολείς και να επιβάλλει τους νόμους. Θα χρειάζονταν όμως εκατοντάδες χρόνια μέχρι να γίνει πραγματικόητα.
ASIMO, είσαι έτοιμος;
Ότι δεν κατάφερε η Γαλάτεια ή ο ΚΙΤΤ το προσπάθησε με σχετική επιτυχία ο ASIMO. Το ανθρωποειδές ρομπότ της HONDA είδε το φως του κόσμου για πρώτη φορά το 2007 στην έκθεση τεχνολογίας CES καταπλήσσοντας τους
επισκέπτες με την ικανότητα του αντιλαμβάνεται απλές ανθρώπινες εντολές, να απαντάει, να εκτελεί και να κινείται στο χώρο με μεγάλη ακρίβεια. «ASIMO, είσαι έτοιμος;» είχε ρωτήσει τότε ο παρουσιαστής της εκδήλωσης. «Είμαι έτοιμος,» απάντησε ξερά το ρομπότ. «Ok, ξεκίνα,» απαιτήθηκε από αυτόν και ο ASIMO υπάκουσε πρόθυμα ανεβαίνοντας με σίγουρα, σχεδόν ανθρώπινα, πατήματα τα σκαλιά που οδηγούσαν σε μια στρογγυλή μεταλλική πλατφόρμα χωρίς κιγκλιδώματα. Όταν έφτασε στο κέντρο της χωρίς να πέσει, το κοινό ξεσπούσε σε πανηγυρισμούς.
Ωστόσο, υπήρχαν και περιορισμοί. Ναι, ο ASIMO, μπορούσε να κινηθεί στο χώρο με ακρίβεια εκατοστού! Ναι μπορούσε να αναγνωρίσει κάποια αντικείμενα όπως η πλατφόρμα από μια βάση δεδομένων! Ναι, μπορούσε να αντιληφθεί ξερά διατυπωμένες εντολές και να απαντήσει εξίσου λακωνικά. Αν κάποιος, όμως, ζητούσε ευγενικά ένα ποτήρι από το διπλανό δωμάτιο, ο ASIMO, απλά, δεν μπορούσε να εκτελέσει. Το «σε παρακαλώ» στην ερώτηση θα ήταν μια ανυπέρβλητη δυσκολία για τον πρώιμο «εγκέφαλο» του. Αν ο χώρος μέχρι το εργαστήριο ήταν γεμάτος από εμπόδια δεν θα μπορούσε να ελιχθεί γύρω τους. Και αν το ποτήρι δεν ήταν τοποθετημένο σε προκαθορισμένη θέση δε θα μπορούσε να το βρει. Μια τέτοια, απλή για τα ανθρώπινα δεδομένα, παράκληση θα ήταν κάτι που μόνο ο STAIR θα μπορούσε να ικανοποιήσει.
Ο ταλαντούχος κύριος STAIR
Δύο χρόνια μετά τον ASIMO, το Πανεπιστήμιο του Στάνφορντ παρουσίασε τους καρπούς του δικού του ερευνητικού προγράμματος στο χώρο της ρομποτικής και της τεχνητής νοημοσύνης. Ο STAIR, το πιο τεχνητά έξυπνο ρομπότ μέχρι σήμερα μπορεί να μην έχει τα εύρωστα μηχανικά πόδια και την ακρίβεια του ASIMO, μπορεί όμως μπορεί να ανοίγει πόρτες, να αναγνωρίζει αντικείμενα με βάση το γενικό τους σχήμα, να τα πιάνει με τους μηχανικούς του βραχίονες υπολογίζοντας αποτελεσματικά την απόσταση, να απαντάει ευγενικά και να εκτελεί χωρίς διαμαρτυρία τις εντολές που δέχεται. Ο STAIR, επίσης, μπορεί να μάθει από τα λάθη του! Αν ο STAIR δεν βρει το ποτήρι με την πρώτη προσπάθεια θα το βρει με τη δεύτερη. Αν πάρει μια λάθος στροφή δε θα το ξανακάνει. Αν στην διαδρομή πέσει πάνω σε μια καρέκλα τη δεύτερη θα την αποφύγει. Αν την πρώτη φορά φέρει το ποτήρι σε δύο λεπτά, τη δεύτερη φορά θα το φέρει σε ένα λεπτό. Αν δεν ακούσει σωστά τη λέξη συρραπτικό θα ζητήσει να του το επαναλάβουν. Ο δικός του «εγκέφαλος», το λογισμικό δηλαδή που κάνει την επεξεργασία, δεν δέχεται μόνο δεδομένα και εκτελεί εντολές αλλά μπορεί να αναλύει τα αποτελέσματα των υπολογισμών του. Ανακαλύπτει συγκεκριμένα πρότυπα στα δεδομένα, μπορεί να προσαρμόζεται και να χρησιμοποιεί διαφορές λούπες για να αντιδράσει.
Η μάθηση ήταν πάντα ο πυρήνας των εφαρμογών τεχνητής νοημοσύνης. Ωστόσο, μέχρι τη δεκαετία του 1980, όλα τα συστήματα τεχνητής νοημοσύνης βασίζονταν στις παραδοσιακές αρχές του προγραμματισμού και η λογική ήταν προδιαγεγραμμένη στις γραμμές του κώδικα: «Αν συμβεί το τάδε, κάνε το δείνα. Αν ζητηθεί το Χ, κάνε το Ψ». Λογική αρκετά αποτελεσματική για τις περισσότερες εργασίες αλλά όχι για χαοτικά και απρόβλεπτα σενάρια όπως αυτά που μπορεί να αντιμετωπίσει ο STAIR. Σήμερα, ο προγραμματιστής δεν κατασκευάζει μόνο ένα αδρό μοντέλο του προβλήματος που προσπαθεί να λύσει αλλά φροντίζει να βάλει εκείνες τις γραμμές κώδικα που θα επιτρέψουν στο σύστημα να βελτιωθεί μέσω των δεδομένων που συλλέγονται από αισθητήρες ήχου και εικόνας. Αν οι πληροφορίες αυτές, μάλιστα, συνδυαστούν με τις πληροφορίες που υπάρχουν στο διαδίκτυο τότε δεν είναι δύσκολο να καταλάβει κανείς πως ο STAIR αντιλαμβάνεται το φυσικό κόσμο: Συγκρίνει τα δεδομένα που δέχεται όπως οι εικόνες με δεδομένα που υπάρχουν στο διαδίκτυο ή εγκατεστημένα στη μνήμη του. Ακόμα και τα ηχητικά αρχεία που υπάρχουν στο ίντερνετ για την προφορά των διάφορων λέξεων του επιτρέπουν να καταλάβει καλύτερα τι θέλει το αφεντικό του.
To «τέλος της ανθρωπότητας»
Η σύγχρονη τεχνητή νοημοσύνη έχει τις ρίζες της στις σκακιστικές μάχες του Γκάρι Κασπάροφ με τον υπερυπολογιστή της IBM Deep Blue. Μέχρι τότε όλες οι μηχανές σκάκι ήταν επιρρεπείς σε ένα λάθος που φαινομενικά τους έδινε ένα βραχυπρόθεσμο πλεονέκτημα. Γνωρίζοντας αυτό ο Κασπάροφ δεν είχε καμία δυσκολία να καταλάβει ότι αν θυσιάσει έναν αξιωματικό ή ένα άλογο θα βάλει τον αντίπαλο τους σε μπελάδες και σε βάθος χρόνου θα κερδίσει το τακτικό πλεονέκτημα που χρειάζεται για να νικήσει. Εφαρμόζοντας τη στρατηγική αυτή, η πρώτη αναμέτρηση χαιρετίστηκε ως θρίαμβος του ανθρώπου κατά της μηχανής. Την επόμενη χρονιά όμως δε γελούσε κανείς. Για τον μεγάλο σκακιστή, ήταν το «τέλος της ανθρωπότητας»!
Το 1997 μιας νέα βελτιωμένη έκδοση της IBM, o Deeper Blue αναμετρήθηκε ξανά με τον Κασπάροφ και πήρε τη ρεβάνς για το στρατόπεδο της τεχνητής νοημοσύνης. Τι είχε αλλάξει; «Στη δεύτερη παρτίδα, είδαμε κάτι που ξεπερνούσε και την πιο τρελή φαντασία,» δήλωσε τότε ο Κασπάροφ χωρίς να κρύψει τον εκνευρισμό του. «Ένα κομπιούτερ που μπορούσε να δει τα μακροπρόθεσμα αποτελέσματα των πράξεων του. Αρνήθηκε να παίξει μια κίνηση που θα του έδινε ένα προφανές πλεονέκτημα επιδεικνύοντας μια πολύ ανθρώπινη αίσθηση κινδύνου.» Στην εξέλιξη της αναμέτρησης υπήρχαν ακόμα περισσότερες εκπλήξεις για τον Κασπάροφ. Δεν πέρασε πολύς χρόνος για να ανακαλύψει ότι ο Deeper Blue ήταν «πολύ ευπροσάρμοστος, γρήγορα μεταβαλλόμενος, ψυχολογικά σταθερός, αδιατάρακτος και αδιάφορος για ότι συνέβαινε στο περιβάλλον. Ήταν σχεδόν αδύνατο να κάνει κάποιο από τα τυπικά λάθη των ηλεκτρονικών υπολογιστών.»
O Κασπάροφ υποστηρίζει, ακόμα και σήμερα, ότι οι μηχανικοί «έβαλαν χέρι» στο μηχάνημα μεταξύ των παρτίδων και ζήτησε επανάληψη, κάτι που αρνήθηκε η ΙΒΜ τερματίζοντας το πρόγραμμα της τεχνητής νοημοσύνης. Μπορεί το παιχνίδι των μετοχών να ήταν πίσω από όλη αυτή τη μιντιακή φούσκα αλλά η ήττα του μεγαλύτερου σκακιστή όλων των εποχών βασίστηκε στην ανάπτυξη λογισμικού ικανού όχι μόνο να ανταποκρίνεται στις κινήσεις του αντιπάλου αλλά να προσαρμόζεται στις αλλαγές στρατηγικής, να αναπτύσσει τη δική του και να «τελειώνει» τις παρτίδες. Αυτό ενισχύει και η άποψη του Κιτ Γούλσει, ενός από τους μεγαλύτερους παίκτες τάβλι στον κόσμο: «Δεν έχω καμία αμφιβολία ότι η τακτική του αντίληψη είναι πολύ ανώτερη από τη δική μου», δήλωσε μετά τις αλλεπάλληλες νίκες του ΙΒΜ Tesauro απέναντι σε παγκόσμιους πρωταθλητές! Σε ένα επιτραπέζιο που το αποτέλεσμα κρίνεται από την ικανότητα κάθε παίκτη να αντιλαμβάνεται τα μεταβατικά σημεία, να αλλάζει στρατηγική αναλόγως του αντιπάλου, της διακύμανσης του ζαριού και της αριθμητικής διαφοράς πολλές φορές μέσα σε ένα παιχνίδι, η μηχανή τα κατάφερνε καλύτερα από τον άνθρωπο.
Πέρα από το παιχνίδι
Τα σύγχρονα λογισμικά όχι μόνο ξεπερνούν τις ανθρώπινες δυνατότητες αλλά αντιμετωπίζουν αποτελεσματικά πιο δύσκολα προβλήματα από τα παιχνίδια όπως η αβεβαιότητα, η ατέλεια και οι εκπλήξεις. Προβλήματα στα οποία οι άνθρωποι απλώς σηκώνουν τα χέρια ψηλά. Επειδή το λογισμικό δεν μπορεί να έχει μια εγκυκλοπαιδική άποψη του κόσμου είναι αβέβαιο για την έκβαση των υπολογισμών του. Αντλώντας στοιχεία από το δικτυακό περιβάλλον μπορεί να υπολογίσει τις πιθανές επιπτώσεις των υπολογισμών του και μπορεί τη δεύτερη φορά να επιλέξει έναν καλύτερο υπολογισμό με μεγαλύτερες πιθανότητες επιτυχίας. Ένα τέτοιο παράδειγμα έγινε γνωστό πρόσφατα! Τα Πανεπιστήμια της Νότιας Καλιφόρνιας και του Λος Άντζελες κατάφεραν να αναλύσουν τη διασπορά επιβλαβών φυκών σε θαλάσσιους διαδρόμους. Με τη βοήθεια αισθητήρων, εγκατεστημένων σε βάρκες-ρομπότ, αλγόριθμοι τεχνητής νοημοσύνης έμαθαν να προβλέπουν την τοποθεσία και την αύξηση των φυκών ώστε να αποφεύγονται οι φθορές σε σκάφη. Παρόμοια τεχνολογία χρησιμοποιείται εδώ και μερικά χρόνια στο Πανεπιστημίου Κάρνεγκι Μέλον για την πρόβλεψη των μπλογκ που θα άρεσαν σε ένα δεδομένο χρήστη με βάση το ιστορικό πλοήγησης όπως καταγράφεται από το σύστημα και διάφορες προτιμήσεις. Οι αλγόριθμοι που χρησιμοποιεί είναι παρόμοιοι με αυτούς που χρησιμοποιούνται στην πρόβλεψη της διασποράς των φυκών: Τα φύκη είναι το ισοδύναμο των άρθρων και η ανάπτυξη τους το ισοδύναμο των δημοσιεύσεων στις διάφορες ιστοσελίδες. Ο χρήστης του ίντερνετ είναι το σκάφος. Η μοναδική ουσιώδης διαφορά είναι ότι ο χρήστης που είναι το ισοδύναμο του σκάφους δεν πρέπει να αποφύγει τα φύκη αλλά να τα συναντήσει.
Παράλληλα, ο ερευνητικός τομέας της Microsoft έχει καταφέρει να συνδυάσει αισθητήρες, λογισμικά που μαθαίνουν και αναλύουν την ανθρώπινη συμπεριφορά όπως αυτά του Deep Blue και να τα εφαρμόσει για την ανάπτυξη προβλέψεων σχετικά με την κυκλοφορία στους δρόμους. Ένα μποτιλιάρισμα δε συμβαίνει μόνο γιατί πολλά οχήματα συγκεντρώνονται στο ίδιο σημείο τις ώρες αιχμής αλλά και γιατί οι άνθρωποι αντιδρούν σε δικές τους προβλέψεις για πιθανό μποτιλιάρισμα πριν βρεθούν στο σημείο. Αυτό που πρέπει να προβλέψει ένα «έξυπνο» τέτοιο σύστημα είναι πότε και που θα συμβούν οι εκπλήξεις. Τα λογισμικά που κάνουν "surprise forecasting" αναλύουν το ιστορικό της κυκλοφορίας και μπορούν να προβλέψουν εκπλήξεις μερικές φορές μέχρι και μισή ώρα πιο πριν. Σε δοκιμές που έχουν γίνει τα συστήματα έχουν καταφέρει να προβλέψουν το 50% των εκπλήξεων σε δρόμους του Σιάτλ. Ακολούθως, μια τέτοια πρόβλεψη μπορεί να μεταδοθεί στιγμιαία στους οδηγούς που χρησιμοποιούν smartphones με λογισμικό πλοήγησης και να αποφευχθεί το συμβάν.
Περιμένοντας τον ΚΙΤΤ 2
Δέκα χρόνια μετά το «τέλος της ανθρωπότητας», οι εξελίξεις στο χώρο της τεχνητής νοημοσύνης ξεπερνούν κάθε φαντασία. Η τεχνητή αντίληψη του περιβάλλοντος, η ανάλυση δεδομένων, η μάθηση και η παραγωγή σκέψης, η προσαρμογή και αντίδραση σε αβέβαιες καταστάσεις είναι η τεχνολογική επανάσταση της δεκαετίας που διανύουμε. Ίσως, η επόμενη σειρά του «Ιππότη της Ασφάλτου» να έχει πρωταγωνιστή το διάδοχο του ΚΙΤΤ και να μην είναι σειρά επιστημονικής φαντασίας. Ίσως, σε μερικά χρόνια ο ΚΙΤΤ 2 να είναι ο μέσος οδηγός που θα συμπεριφέρεται ψύχραιμα στο δρόμο, δε θα βρίζει, θα κάνει οικονομία στα καύσιμα, θα βγάζει αυτόματα φλας, θα παρκάρει με άνεση, θα προβλέπει την κίνηση και θα έρχεται πρόθυμα να σε πάρει από τη δουλειά και να σε γυρίσει σπίτι.

 

by SociaLMagazinE