Η δεκαετία της Τεχνητής Νοημοσύνης… και του Ανθρώπου

12/1/20 | 0 | 0 | 228 εμφανίσεις

protagon.gr

Γιάννης Μαστρογεωργίου 11 ΙΑΝΟΥΑΡΙΟΥ 2020, 11:30

Εδώ και λίγα χρόνια ακούμε όλο και πιο συχνά στον καθημερινό λόγο, για αυτήν. Πόσο αλλάζει – και θα αλλάξει – τις ζωές μας, τις δουλειές μας, τον τρόπο που σκεφτόμαστε και δρούμε; Το κείμενο αυτό επιχειρεί να δώσει τις απαντήσεις, συνοδευόμενο από ένα Λεξικό Ορων περί την τεχνητή νοημοσύνη, στην Αγγλική και στην Ελληνική

Αν όλα τα προηγούμενα χρόνια η συζήτηση αυτή ήταν μεταξύ θεωρίας και φαντασίας με χαλαρή διάθεση φουτουριστικής αφαιρετικότητας, την επόμενη δεκαετία ένα από τα trends που θα κυριαρχήσουν θα είναι η σχέση μας με τις έξυπνες μηχανές και ο αντίκτυπος της Τεχνητής Νοημοσύνης σε όλες τις εκφάνσεις της καθημερινότητας μας.

Μόνο με οικονομικούς όρους αν προσεγγίσει κανείς το φαινόμενο αρκεί. Πάνω από 16 τρισ. δολάρια αναμένεται να προστεθούν στο παγκόσμιο ΑΕΠ από τις εφαρμογές AI μέχρι το 2030. Άρα δικαιωματικά η επόμενη δεκαετία είναι της Τεχνητής Νοημοσύνης.

Το 1936, ο άγγλος μαθηματικός Alan Turing εισήγαγε τη μηχανή Turing, μοντέλο υπολογισμού που προκάλεσε την ανάπτυξη της πληροφορικής και των υπολογιστών. Το 1950, ο Turing δημοσίευσε μελέτη με τίτλο «Υπολογιστικά μηχανήματα και νοημοσύνη», η οποία συχνά αναφέρεται ως η αφετηρία της σύγχρονης ΤΝ, δηλαδή της ικανότητας μιας μηχανής να εμφανίζει ανθρώπινες δυνατότητες, όπως ο συλλογισμός, η μάθηση, η δημιουργικότητα. Πώς όμως τα καταφέρνει η ΑΙ;

Αν ζούσε σήμερα ο Εμπεδοκλής θα προσέθετε στα τέσσερα στοιχεία του – γη, νερό, αέρας και φωτιά– που εμφανίζονται συχνά στην κλασική σκέψη και ένα πέμπτο, τα…data και θα έδινε την απάντηση εκείνος στο παραπάνω ερώτημα. Τα δεδομένα κάνουν τη διαφορά. Τα δεδομένα που παράγει η ανθρωπότητα καθημερινά σε απίστευτες ποσότητες. Που είναι παντού γύρω μας. Που δημιουργούν την πρώτη ύλη για την Τεχνητή Νοημοσύνη. Αυτό είναι η ΑΙ. Μία μέθοδος χρήσης των απεριόριστων δεδομένων που παράγει ο άνθρωπος και που μέσω της μηχανικής μάθησης και της ισχύος των υπολογιστών, καταλήγει σε «έξυπνες» εφαρμογές προς όφελος – ας ελπίσουμε και ας διασφαλίσουμε – του ανθρώπου.

Πώς εντάσσεται σε αυτό το άλμα της τεχνολογίας ο άνθρωπος; Οι όποιες αμφιβολίες για τη δραστική επίδραση της τεχνολογίας στις ζωές των ανθρώπων, ως αποτέλεσμα της 4ης Βιομηχανικής Επανάστασης, έχουν εκπέσει. Αυτό που δεν έχει επισημανθεί αρκετά μέχρι σήμερα, είναι οι συνέπειες από την άνοδο της χρήσης της ΑΙ στον άνθρωπο. Κάτι που έχει ιδιαίτερη βαρύτητα όταν συζητάμε για το μέλλον κυρίως της εργασίας σε έναν κόσμο όπου οι μηχανές μπορούν να καλύψουν μεγάλο κομμάτι από τις παραδοσιακές −και όχι μόνο− μορφές απασχόλησης, χειρωνακτικές ή διανοητικές, που εμείς οι άνθρωποι έχουμε συνηθίσει να αποτελούν αποκλειστικότητα μας από τις απαρχές της ιστορίας μας.

Οι δυτικές κοινωνίες διαμορφώνονται σε πολύ μεγάλο βαθμό από την ιδέα της ηθικής της εργασίας, των προτεσταντικών ιδεωδών περί απασχολησιμότητας. Αυτό το ιδανικό −μερικοί θα το έλεγαν στάση ζωής− έχει φτάσει πέρα ​​από τα σύνορα της χριστιανοσύνης και σίγουρα δεν αποτελεί μόνο μια δυτική έννοια, αφού και  στη σύγχρονη Κίνα το μοτίβο εξελίσσεται ομοίως. Κάπως έτσι, το αφήγημα περί προόδου, συνεχούς εξέλιξης και επιτυχίας, το αμερικανικό όνειρο κατά κάποιον τρόπο, έχει εδραιωθεί στη συνείδηση των περισσοτέρων στον σύγχρονο κόσμο, ανεξαρτήτως Ηπείρου.

Το εν λόγω αφήγημα λοιπόν, κατέχει κεντρική θέση στην προσπάθειά μας να κατανοήσουμε το πλαίσιο της συνύπαρξης μας με την ΤΝ τα επόμενα χρόνια. Δεν υπάρχει αμφιβολία ότι το πεπαλαιωμένο σύνολο των πεποιθήσεών μας σχετικά με την ουσία της σκέψης και ζωής μας αμφισβητήθηκε έντονα και καταστράφηκαν τα τελευταία διακόσια χρόνια.

Μέσα από τις αποκαλούμενες τρεις «ανώμαλες προσγειώσεις» της νεωτερικότητας, ο άνθρωπος κλήθηκε να αφομοιώσει τις συγκλονιστικές θεωρίες του Κοπέρνικου, του Δαρβίνου και του Φρόιντ. Στην Τέταρτη Βιομηχανική Επανάσταση, ενυπάρχει η επόμενη πρόκληση για τον ανθρώπινο εγωισμό. Ο Κοπέρνικος εξόρισε τον άνθρωπο από το κέντρο του Σύμπαντος. Ο Δαρβίνος τού στέρησε την περιούσια θέση του στη Δημιουργία. Και ο Φρόιντ τον προσγείωσε αποδεικνύοντας ότι δεν έχει καν απόλυτη κυριαρχία επί του ίδιου του μυαλού του. Και έπεται η Τεχνητή Νοημοσύνη.

Με την αυγή της νέας δεκαετίας για την ΤΝ, η πεποίθηση του ανθρώπου ότι συμμετέχει σε ένα θείο έργο, μέσω αποκλειστικής «ιδιοκτησίας» της νοημοσύνης και της δημιουργικότητάς του, μπορεί να τεθεί εν αμφιβόλω. Η ΤΝ μπορεί να μάθει εξίσου και μπορεί να δημιουργήσει και εκείνη. Όμως, προς αποφυγή παρερμηνειών πρέπει να διευκρινίσουμε το εξής. Ο κόσμος μας αλλάζει. Η ΤΝ μπορεί να μάθει και να δημιουργήσει μέσα στο δικό της πλαίσιο. Όχι στο δικό μας. Όποιος επισκεφθεί ένα μεγάλο σύγχρονο εργοστάσιο παραγωγής αυτοκινήτων σήμερα θα θαυμάσει μία υπέροχη ρομποτική συμφωνική ορχήστρα. Τα αυτοκίνητα παράγονται εξολοκλήρου από ρομπότ που σε μία υπέροχα αρμονική αλληλουχία δημιουργούν ένα σύνολο που δημιουργεί, σαν να βλέπει κανείς ορχήστρα κλασικής μουσικής. Στο δικό της περιβάλλον. Στον χώρο που πλέον της έχουμε παραχωρήσει. Ο άνθρωπος εκεί δεν έχει ρόλο παρά μόνο επικουρικό. Αυτή είναι η νέα εξέλιξη που πρέπει να συνειδητοποιήσουμε. Η ΤΝ δρα σε ένα προκαθορισμένο περιβάλλον που εμείς της παρέχουμε προς δική μας βοήθεια. Και η πρόκληση είναι να μάθουμε να συνεργαζόμαστε με τις «έξυπνες» μηχανές γιατί για τα πολλά επόμενα χρόνια δεν θα έχουμε τόσο αυτό που αναφέρεται ως ΑΙ (artificial intelligence), όσο τον αναγραμματισμό σε ΙΑ (intelligent assistance).

Θα έχουμε στα χέρια μας μία έξυπνη υποβοήθηση και όχι μία απόλυτα έξυπνα αυτόνομη σκέψη. Βρισκόμαστε στο κατώφλι μίας νέας δεκαετίας. Κάθε μεγάλη αλλαγή στην πορεία της ανθρωπότητας είναι συνυφασμένη με περιόδους μετάβασης από το άγνωστο στη γνώση και από το περίεργο στην εξοικείωση. Αλλιώς η μετάβαση καθίσταται αδύνατη. Με αυτή την ανθρωποκεντρική προσέγγιση ως οδηγό απέναντι στις εξελίξεις, παρουσιάζω μία ερασιτεχνική προσπάθεια απόδοσης στα ελληνικά σημαντικών όρων που ανήκουν στο περιβάλλον της Τεχνητής Νοημοσύνης, προσπαθώντας να διευρύνω όχι τη γνώση, αλλά την εξοικείωσή μας με όρους που θα μας απασχολήσουν στο μέλλον. Δεν καυχώμαι για την πρωτοβουλία αφού δεν διαθέτω γνώσεις Πληροφορικής, αλλά αισθάνομαι υποχρέωση μου να συμβάλω σε μία συνολική προσπάθεια της χώρας να βρεθεί ενώπιον των μεγάλων προκλήσεων της εποχής μετά μία δεκαετία οπισθοχώρησης.

Λεξικό Ορων ΤΝ

Abductive Reasoning: Απαγωγικός συλλογισμός είναι μια μορφή λογικού συμπερασμού που ξεκινάει με μια παρατήρηση και στη συνέχεια επιδιώκει να βρει την απλούστερη και πιθανότερη εξήγηση.

Action Model Learning: Μάθηση μοντέλου ενεργειών (ή και μάθηση ενέργειας) είναι τομέας της μηχανικής μάθησης ο οποίος επικεντρώνεται στη δημιουργία και τροποποίηση της γνώσης του λογισμικού σχετικά με τις επιδράσεις και τις προϋποθέσεις των ενεργειών που μπορούν να εκτελεστούν εντός του περιβάλλοντός του.

Adaptive Algorithm: Προσαρμοστικός αλγόριθμος είναι ο αλγόριθμος που συνεχώς ανανεώνει τη γνώση που επεξεργάζεται από τα δεδομένα −και τη σχετιζόμενη με αυτά πληροφορία− όπως αυτά παράγονται στην εξέλιξη του χρόνου. Η προσαρμογή της γνώσης στα δεδομένα γίνεται με βάση έναν εκ των προτέρων (α priori) αλγόριθμο/κανόνα ενημέρωσης (update) της πληροφορίας.

Algorithms: Σύνολο κανόνων ή εντολών που δίνονται σε ένα σύστημα ΤΝ, νευρωνικό δίκτυο ή άλλη μηχανή.

Analytical Validation: Μέτρο της ικανότητας μιας εργασίας να παράγει με ακρίβεια και αξιοπιστία το επιδιωκόμενο τεχνικό αποτέλεσμα, από τα δεδομένα εισόδου.

Artificial Intelligence: Η ικανότητα μιας μηχανής να λαμβάνει αποφάσεις και να εκτελεί εργασίες που προσομοιώνουν τον τρόπο με τον οποίο ο ανθρώπινος εγκέφαλος διεκπεραιώνει αντίστοιχες λειτουργίες. Αλλιώς, η ικανότητα των μηχανών να εμφανίζουν νοημοσύνη ή να μιμούνται τις ιδιαίτερες γνωστικές ικανότητες των νοημόνων όντων. Αυτές οι ικανότητες περιλαμβάνουν τον συλλογισμό, την παρουσίαση γνώσεων, τη μάθηση βάσει δεδομένων, τον σχεδιασμό βάσει στόχων. Στις ημέρες μας η ΤΝ δέχεται εισροές από διάφορες επιστήμες, μεταξύ άλλων τη γλωσσολογία, τη βιολογία, την ψυχολογία, την οικονομική επιστήμη και πολλές άλλες.

Artificial General Intelligence: Γενική ΤΝ (AGI) είναι η νοημοσύνη μιας μηχανής η οποία θα μπορούσε να εκτελέσει με επιτυχία οποιαδήποτε νοητική εργασία δύναται να πραγματοποιήσει ο άνθρωπος. Αποτελεί πρωταρχικό στόχο της έρευνας και συνήθη θεματική στην επιστημονική φαντασία και τον φουτουρισμό.

Artificial Narrow Intelligence (ANI): Στενή ΤΝ (ANI), γνωστή και ως ασθενής TN, είναι μια TN γενικού σκοπού που αναφέρεται στην ικανότητα ενός υπολογιστή να εκτελεί εξαιρετικά καλά μια μεμονωμένη εργασία, όπως για παράδειγμα ο εντοπισμός μιας ιστοσελίδας ή το να παίζει σκάκι. Πολλά υπάρχοντα συστήματα λειτουργούν ως ασθενής TN επικεντρωμένη σε ένα στενά ορισμένο και συγκεκριμένο πρόβλημα.

Artificial Neural Network (ANN): Μοντέλο μάθησης που προσομοιάζει στη δομή του εγκεφάλου, του οποίου βασικά δομικά στοιχεία είναι οι νευρώνες. Το χαρακτηριστικό των ΑΝΝ είναι ότι οι τεχνητοί νευρώνες συνδέονται μεταξύ τους ιεραρχικά σε πολλά στρώματα, το ένα μετά το άλλο, κατ’ αναλογία με τον τρόπο σύνδεσης των φυσικών νευρώνων στον ανθρώπινο εγκέφαλο. Το μοντέλο αυτό τους δίνει τη δυνατότητα να επιλύουν προβλήματα με πολύ μεγαλύτερη ακρίβεια από ό,τι πιο παραδοσιακά μοντέλα μάθησης, που δεν βασίζονται στην ιεραρχική αυτή διασύνδεση.

Back Propagation: Ο τρόπος με τον οποίο μαθαίνουν πολλά νευρωνικά δίκτυα. Βρίσκοντας τη διαφορά ανάμεσα στο αποτέλεσμά τους και το επιθυμητό αποτέλεσμα, προσαρμόζουν στη συνέχεια τη γνώση που αποθηκεύεται στους νευρώνες ενός ΑΝΝ, ξεκινώντας από το τελευταίο στρώμα και πηγαίνοντας προς τα πίσω, ένα στρώμα κάθε φορά, μέχρι να ενημερώσουν και την αποθηκευμένη γνώση των νευρώνων του πρώτου στρώματος.

Bias: Ένας αλγόριθμος που χαρακτηρίζεται από υψηλό βαθμό μεροληψίας όταν προβλέπει με υψηλή συχνότητα λανθασμένα αποτελέσματα για συγκεκριμένη κατηγορία παρατηρήσεων.

Bayesian networks: Επίσης γνωστά και ως αιτιακά δίκτυα, δίκτυα πεποιθήσεων και δίκτυα αποφάσεων, τα δίκτυα Bayes είναι γραφικά μοντέλα που χρησιμοποιούνται για την αναπαράσταση πιθανοτήτων.

Big Data: Τα μεγάλα δεδομένα είναι όρος που χρησιμοποιείται για σύνολα δεδομένων τα οποία είναι τόσο μεγάλου όγκου ή πολυπλοκότητας, που οι παραδοσιακές εφαρμογές επεξεργασίας είναι ανεπαρκείς στο να τα χειριστούν.

Black Box: Περιγραφή μερικών συστημάτων βαθιάς μάθησης (deep learning), τα οποία διαθέτουν μια είσοδο δεδομένων και παρέχουν μια έξοδο, αλλά οι υπολογισμοί που λαμβάνουν χώρα στο εσωτερικό τους δεν είναι εύκολο να ερμηνευτούν από τον άνθρωπο.

Capsule Network: Η κάψουλα είναι σύνολο νευρωνικών επιπέδων. Έτσι, σε ένα απλό νευρωνικό δίκτυο, προστίθενται περισσότερα επίπεδα. Με άλλα λόγια, εντάσσεται ένα νευρωνικό επίπεδο μέσα σε άλλο.

Chatbots: Ρομπότ συνομιλίας (chatbot χάριν συντομίας) σχεδιασμένο να προσομοιώνει συνομιλίες με χρήστες ανθρώπους επικοινωνώντας μέσω διαλόγων κειμένου, φωνητικών εντολών ή και τα δύο.

Classification: Αλγόριθμοι ταξινόμησης που επιτρέπουν στις μηχανές να κατηγοριοποιούν μια κατηγορία δεδομένων βασιζόμενοι στα δεδομένα εκπαίδευσής τους.

Cluster analysis: Τύπος μη επιβλεπόμενης μάθησης που χρησιμοποιείται για ανάλυση δεδομένων, με στόχο να εντοπίσει κρυμμένα μοτίβα ή ομαδοποιήσεις δεδομένων.

Clustering: Οι αλγόριθμοι συσταδοποίησης επιτρέπουν στις μηχανές να ομαδοποιούν δεδομένα ή αντικείμενα σε ομάδες με παρόμοια χαρακτηριστικά.

Cognitive computing: Υπολογιστικό μοντέλο το οποίο μιμείται τον τρόπο με τον οποίο σκέφτεται ο ανθρώπινος εγκέφαλος. Περιλαμβάνει την αυτοεκπαίδευση της μηχανής μέσω εξόρυξης δεδομένων, επεξεργασίας φυσικής γλώσσας και αναγνώρισης προτύπων.

Computer-Aided Detection (CADe): Λογισμικό αναγνώρισης προτύπων κυρίως στο χώρο της Υγείας που ομαδοποιεί ύποπτα χαρακτηριστικά στην εικόνα και ειδοποιεί τον ακτινολόγο, με σκοπό να μειώσει τις εσφαλμένα αρνητικές ενδείξεις.

Computer-Aided Diagnosis (CADx): Λογισμικό το οποίο εξετάζει ένα ακτινογραφικό εύρημα για να προσδιορίσει την πιθανότητα να απεικονίζει αυτό συγκεκριμένη εξέλιξη μιας νόσου (π.χ. καλοήθης ή κακοήθης όγκος).

Computer Vision: Η υπολογιστική όραση είναι διεπιστημονικός κλάδος που ασχολείται με τον που μπορούν να κατασκευάζονται οι υπολογιστές για την απόκτηση γνώσης υψηλού επιπέδου από ψηφιακές εικόνες ή βίντεο.

Computational Learning Theory: Στην επιστήμη των υπολογιστών, η υπολογιστική θεωρία μάθησης (ή θεωρία μάθησης, εν συντομία) είναι υποπεδίο της ΤΝ αφιερωμένο στη μελέτη του σχεδιασμού και της ανάλυσης των σχετικών αλγορίθμων.

Continuous Learning Systems (CLS): Συστήματα εγγενώς ικανά να μαθαίνουν από τα δεδομένα του πραγματικού κόσμου και να ενημερώνονται αυτόματα με την πάροδο του χρόνου, ενώ χρησιμοποιούνται.

Convolutional neural network (CNN): Τύπος νευρωνικού δικτύου που αναγνωρίζει και κατανοεί εικόνες.

Data Analysis: Η ανάλυση δεδομένων είναι διαδικασία επιθεώρησης, εκκαθάρισης, μετασχηματισμού και μοντελοποίησης δεδομένων για την ανεύρεση χρήσιμων πληροφοριών, προτείνοντας συμπεράσματα και υποστηρίζοντας τη λήψη αποφάσεων. Η ανάλυση δεδομένων έχει διάφορες πτυχές και προσεγγίσεις, περιλαμβάνοντας ποικίλες τεχνικές με πληθώρα ονομάτων, σε διαφορετικούς επιχειρηματικούς, επιστημονικούς και κοινωνικούς τομείς.

Data mining: Η εξέταση συνόλων δεδομένων για την ανεύρεση και εξόρυξη προτύπων από τα εν λόγω δεδομένα, που μπορούν να έχουν περαιτέρω χρήσεις.

Dataset: Συλλογή δεδομένων ή παρατηρήσεων σχετιζόμενων με ορισμένο πρόβλημα. Γνωστά παραδείγματα περιλαμβάνουν μια συλλογή εικόνων οι οποίες περιέχουν συχνά εμφανιζόμενα αντικείμενα (ImageNet dataset), τις ειδήσεις ενός διεθνούς πρακτορείου (Reuters dataset), έναν κατάλογο τραγουδιών ή τις προτιμήσεις διαφόρων χρηστών σχετικά με συγκεκριμένες ταινίες (Netflix dataset). Το πιο γνωστό σύνολο δεδομένων στους αλγορίθμους βαθιάς μάθησης (βλ. Deep Learning) είναι το ImageNet και αποτελείται από περισσότερο από ένα εκατομμύριο παρατηρήσεις, κατηγοριοποιημένες σε 1.000 είδη αντικειμένων.

Data science: Διεπιστημονικό πεδίο που συνδυάζει επιστημονικές μεθόδους, συστήματα και διαδικασίες από τη στατιστική, την πληροφορική και την επιστήμη των υπολογιστών για να προσφέρει κατανόηση φαινομένων μέσω δομημένων ή μη δομημένων δεδομένων.

Decision tree: Μοντέλο για τη χαρτογράφηση αποφάσεων και των πιθανών συνεπειών τους, παρόμοια με ένα διάγραμμα ροής.

Deep Learning: Αναφέρεται στον τρόπο μάθησης μέσω ΑΝΝ, με μεγάλο αριθμό στρωμάτων νευρώνων. Τυπικά, ένα ΑΝΝ με περισσότερα από τρία στρώματα χαρακτηρίζεται ως βαθύ (deep) δίκτυο.

Embodied AI: Η ιδέα της ενσωματωμένης ΤΝ προέρχεται από την κεκτημένη γνώση, σύμφωνα με την οποία η νοημοσύνη είναι εξίσου μέρος του σώματος όσο και του εγκεφάλου. Η ιδέα έχει θετική επίδραση στη γνωστική λειτουργία της ΤΝ, επιτρέποντάς της να κατανοήσει καλύτερα το περιβάλλον της, με σκοπό μια πιο ενδελεχή ανάλυση δεδομένων και επεξεργασία αποτελεσμάτων.

Expert System: Μορφή ΤΝ που προσπαθεί να αναπαραγάγει τις ειδικευμένες γνώσεις του ανθρώπου σε τομείς όπως η ιατρική διάγνωση. Συνδυάζει γνωσιακή βάση με σύνολο κανόνων προγραμματισμένων σε επίπεδο πηγαίου κώδικα για την εφαρμογή της εν λόγω γνώσης. Οι τεχνικές μηχανικής μάθησης αντικαθιστούν όλο και περισσότερο τον προγραμματισμό σε επίπεδο πηγαίου κώδικα.

False Negative: Αποτέλεσμα δοκιμής που δεν εντοπίζει τη συνθήκη όταν η συνθήκη υπάρχει. False Positive: Αποτέλεσμα δοκιμής που δεν εντοπίζει τη συνθήκη όταν η συνθήκη απουσιάζει. Feature: Τιμή συγκεκριμένης ιδιότητας η οποία συνδέεται με φαινόμενο, παρατηρήσιμο ή κρυμμένο (λανθάνον). Παραδείγματα: τα πίξελ μιας εικόνας, οι συχνότητες ενός ήχου, οι λέξεις ενός κειμένου.

Few-Shot Learning: Κανονικά, οι εργασίες μηχανικής μάθησης, όπως η υπολογιστική όραση, απαιτούν την εισαγωγή τεράστιου όγκου δεδομένων εικόνας για την εκπαίδευση του συστήματος. Ωστόσο, στόχος της μάθησης με χρήση μικρού αριθμού φωτογραφιών (ακόμη και μόνο μίας φωτογραφίας) είναι η δημιουργία ενός συστήματος το οποίο θα μειώνει δραματικά την ποσότητα εκπαίδευσης που απαιτείται για να μάθει.

Forward Chaining: Μέθοδος όπου η ΤΝ ανατρέχει πίσω και αναλύει το βασισμένο σε κανόνες σύστημα για να βρει τους κανόνες συνθηκών «εάν» και να καθορίσει ποιους κανόνες να χρησιμοποιήσει για να βρει μια λύση.

Friendly Artificial Intelligence (FIA): Εάν οι αξίες της γενικής ΤΝ είναι ευθυγραμμισμένες με τις δικές μας, τότε αυτή είναι γνωστή ως φιλική ΤΝ. Σε αυτό το υποθετικό σενάριο, μια καλόβουλη ΤΝ θα είχε θετικό όφελος για την ανθρωπότητα.

Game AI: Μορφή ΤΝ εξειδικευμένης σε παιχνίδια που αντικαθιστά την τυχαιότητα με αλγορίθμους.

Generalization: Η ιδιότητα ανθρώπων και ζώων να χρησιμοποιούν στοιχεία που έχουν μάθει στο παρελθόν για να ανταποκρίνονται σε καταστάσεις στο παρόν, αν οι περιστάσεις και τα ερεθίσματα παρουσιάζουν ομοιότητες. Ο εγκέφαλος πραγματοποιεί συνέχεια γενικεύσεις όταν εξάγει τις κοινές ιδιότητες πολλαπλών παρατηρήσεων και παράγει μια γενικότερη αφηρημένη έννοια. Με αυτό τον τρόπο, τα πίξελ μιας εικόνας η οποία απεικονίζει έναν σκύλο μπορούν να γενικευθούν σχηματίζοντας την έννοια του ζώου − παρά το ότι άλλες εκδηλώσεις της ίδιας έννοιας εμφανίζονται ως πολύ διαφορετικές, όπως για παράδειγμα μία γάτα. Στη μηχανική μάθηση, χρησιμοποιείται ο όρος συμπερασμός όταν αναφερόμαστε σε αυτή την ιδιότητα.

Generative Adversarial Networks: Τύπος νευρωνικού δικτύου που παράγει νέα δεδομένα παρόμοια με εκείνα που παρέλαβε στην είσοδο. Για παράδειγμα, αν δοθούν στην είσοδο φωτογραφίες προσώπων, το νευρωνικό δίκτυο δημιουργεί καινούρια πρόσωπα. Εάν του δοθούν φωτογραφίες από πίνακες ζωγραφικής, παράγει εικόνες με νέους πίνακες διαφορετικούς από εκείνους που του παρουσιάστηκαν στην είσοδο. Τα GAN αποτελούνται από ένα σύστημα δύο ανταγωνιστικών μοντέλων νευρωνικών δικτύων (μοντέλα μάθησης που χρησιμοποιούν επιβλεπόμενη μάθηση). Ανταγωνίζονται μεταξύ τους και μπορούν να αναλύσουν, να εντοπίσουν και να αντιγράψουν τις μεταβολές μέσα σε ένα σύνολο δεδομένων.

Genetic algorithm: Εξελικτικός αλγόριθμος βασισμένος στις αρχές της γενετικής και της φυσικής επιλογής που χρησιμοποιείται για την εξεύρεση βέλτιστων ή κατά προσέγγιση βέλτιστων λύσεων σε απαιτητικά προβλήματα, που διαφορετικά θα απαιτούσαν δεκαετίες για να επιλυθούν.

Heuristic search techniques: Τεχνική η οποία περιορίζει την αναζήτηση βέλτιστων λύσεων για ένα πρόβλημα, εξαλείφοντας τις λανθασμένες επιλογές.

Human-Computer Interaction: Η αλληλεπίδραση ανθρώπου-υπολογιστή (κοινώς αναφερόμενη ως HCI) ερευνά τον σχεδιασμό και τη χρήση της τεχνολογίας των υπολογιστών, εστιάζεται στην αμφίδρομη σχέση μεταξύ ανθρώπων (χρηστών) και υπολογιστών.

Image recognition: Αναγνώριση εικόνας είναι η ικανότητα ενός συστήματος ή λογισμικού να αναγνωρίζει αντικείμενα, άτομα, τοποθεσίες. Χρησιμοποιεί τεχνολογία μηχανικής όρασης με ΤΝ και εκπαιδευμένους αλγορίθμους για την αναγνώριση εικόνων μέσω ενός συστήματος καμερών.

Inductive reasoning: Στον επαγωγικό συλλογισμό, πολλαπλές υποθέσεις οι οποίες είναι αληθείς −τις περισσότερες φορές, τουλάχιστον− συνδυάζονται για να δώσουν ένα συμπέρασμα∙ συχνά χρησιμοποιείται στην πρόβλεψη και την πρόγνωση.

Intelligence: Η νοημοσύνη έχει οριστεί με πολλούς και διάφορους τρόπους∙ μεταξύ άλλων, ως η ικανότητα κάποιου να σκέφτεται λογικά, να κατανοεί, να έχει αυτογνωσία, να μαθαίνει, να διαθέτει συναισθηματική νοημοσύνη, να προγραμματίζει, να επιδεικνύει δημιουργικότητα και να επιλύει προβλήματα. Intelligence Explosion: Όρος που καθιερώθηκε για την περιγραφή των τελικών αποτελεσμάτων από την ενασχόληση με τη γενική ΤΝ, η οποία ενδέχεται να οδηγήσει στη μοναδικότητα (singularity), όπου μια «τεχνητή υπερ-νοημοσύνη» θα ξεπερνά τις δυνατότητες της ανθρώπινης νόησης.

Ιntelligent personal assistant: Νοήμων προσωπικός βοηθός είναι ο υπολογιστικός συντελεστής που επιτελεί εργασίες ή παρέχει υπηρεσίες μέσω προφορικών εντολών. Ορισμένοι τύποι νοημόνων βοηθών έχουν την ικανότητα να ερμηνεύουν τον ανθρώπινο λόγο και να απαντούν μέσω συνθετικής φωνής. Οι βοηθοί μπορούν να απαντούν σε ερωτήσεις, να ελέγχουν τυχόν αυτόματες οικιακές συσκευές και να επιτελούν επιπλέον βασικές εργασίες, όπως αποστολή e-mail, διαχείριση λίστας to-do και ημερολογίου.

Knowledge engineering: Εστιάζει στην κατασκευή συστημάτων βασισμένων στη γνώση, συμπεριλαμβανομένων όλων των επιστημονικών, τεχνικών και κοινωνικών πτυχών της.

Limited memory: Συστήματα με βραχυπρόθεσμη μνήμη, που περιορίζεται σε ένα δεδομένο χρονικό πλαίσιο. Machine intelligence: Γενικός όρος που συμπεριλαμβάνει τη μηχανική μάθηση, τη βαθιά μάθηση και τους κλασικούς αλγορίθμους μάθησης.

Machine learning: Κλάδος της ΤΝ, που στόχο έχει να μάθει από τα δεδομένα την πληροφορία εκείνη που είναι αρ Αναφέρεται στον τρόπο μάθησης μέσω ΑΝΝ, με μεγάλο αριθμό στρωμάτων νευρώνων. Τυπικά, ένα ΑΝΝ με περισσότερα από τρία στρώμα χαρακτηρίζεται ως βαθύ (deep) δίκτυο κετή για να κάνει προβλέψεις. Για παράδειγμα, μαθαίνει από ένα σύνολο εικόνων να μπορεί να προβλέπει εάν μία εικόνα αντιστοιχεί σε σκύλο, γάτα ή άνθρωπο. Η αλγοριθμική διαδικασία με την οποία επιτυγχάνεται η μηχανική μάθηση δεν βασίζεται σε συλλογισμούς και έννοιες, αλλά στα κοινά χαρακτηριστικά που καθορίζουν την κάθε ομάδα (π.χ., γάτα, σκύλος, άνθρωπος) για την οποία έχει σχεδιαστεί να κάνει προβλέψεις.

Machine perception: Η ικανότητα ενός συστήματος να λαμβάνει και να ερμηνεύει δεδομένα από τον έξω κόσμο κατά τρόπο παρόμοιο με αυτόν που εμείς οι άνθρωποι χρησιμοποιούμε τις αισθήσεις μας. Αυτό επιτυγχάνεται συνήθως με προσαρτημένο υλικό, αν και μπορεί να χρησιμοποιηθεί και λογισμικό.

Machine translation (MT): Μηχανική μετάφραση είναι μια αυτοματοποιημένη μετάφραση∙ η διαδικασία με την οποία το λογισμικό υπολογιστή μεταφράζει κείμενο από μια φυσική γλώσσα (όπως η ελληνική) σε άλλη (όπως η ισπανική).

Narrow Intelligence: Η στενή ΤΝ έχει προγραμματιστεί να εκτελεί μία μόνο εργασία − είτε αυτή είναι η πρόβλεψη του καιρού, είτε είναι η ικανότητα να παίξει σκάκι, είτε να αναλύει ακατέργαστα δεδομένα για να συντάξει δημοσιογραφικά ρεπορτάζ.

Natural language processing (NLP): Η ικανότητα ενός προγράμματος να αναγνωρίζει την ανθρώπινη επικοινωνία όπως αυτή προορίζεται να γίνεται κατανοητή.

Neuromorphic Chip: Μικροκύκλωμα υπολογιστή σχεδιασμένο να λειτουργεί ως νευρωνικό δίκτυο. Μπορεί να είναι αναλογικό, ψηφιακό ή συνδυασμός τους.

Nouvelle AI: Είδος ΤΝ της οποίας οι εφαρμογές αποσκοπούν στη δημιουργία ρομπότ με νοημοσύνη παρόμοια εκείνης των εντόμων. Οι ερευνητές εκτιμούν ότι η νοημοσύνη μπορεί να δημιουργηθεί οργανικά, από απλές συμπεριφορές, μέσω αλληλεπίδρασής τους με τον «πραγματικό κόσμο», αντί μέσα από τη χρήση των «κατασκευασμένων κόσμων» εντός των οποίων προγραμματίζεται συνήθως η συμβολική ΤΝ.

Optical Character Recognition (OCR): Οπτική αναγνώριση χαρακτήρων, ή οπτικός αναγνώστης χαρακτήρων, είναι η μετατροπή εικόνων δακτυλογραφημένου, χειρόγραφου ή τυπωμένου κειμένου σε κείμενο κωδικοποιημένο για αναγνώριση από μηχανή.

Pattern Recognition: Η αναγνώριση προτύπων είναικλάδος της μηχανικής μάθησης∙ σε ορισμένες περιπτώσεις ωστόσο θεωρείται σχεδόν συνώνυμή της.

Perceptron: Πρώιμος τύπος νευρωνικού δικτύου, που αποτελείται από τεχνητό νευρώνα και μπορεί να εκπαιδευτεί να ξεχωρίζει αντικείμενα από δύο μόνο κλάσεις∙ αναπτύχθηκε τη δεκαετία του 1950. Έλαβε σημαντική δημοσιότητα, αλλά στη συνέχεια αποδείχθηκε ότι είχε περιορισμούς, μειώνοντας για πολλά χρόνια το ενδιαφέρον για τα νευρωνικά δίκτυα.

Predictive Analytics: Η ανάλυση προγνωστικών περιλαμβάνει πληθώρα στατιστικών τεχνικών, όπως η προβλεπτική μοντελοποίηση, η μηχανική μάθηση και η εξόρυξη δεδομένων, η οποία αναλύει τα τρέχοντα και ιστορικά γεγονότα για να πραγματοποιήσει προβλέψεις ως προς μελλοντικά ή άγνωστα συμβάντα. Python: Η Python είναι ευρέως χρησιμοποιούμενη γλώσσα προγραμματισμού υψηλού επιπέδου για προγραμματισμό γενικού σκοπού∙ δημιουργήθηκε από τον Guido van Rossum και κυκλοφόρησε πρώτη φορά το 1991.

Real-Time Health Systems (RTHS): Σύστημα παροχής ιατρικής περίθαλψης προηγμένης τεχνολογίας, όπου οι ιατροί μπορούν να μοιράζονται, να προσαρμόζουν και να εφαρμόζουν την ιατρική τους γνώση σε πραγματικό χρόνο. Περιλαμβάνει τη συλλογή σχετικών πληροφοριών από διαφορετικές πηγές (συσκευές, εφαρμογές, ηλεκτρονικά αρχεία), οι οποίες μπορούν να επιταχύνουν τη λήψη αποφάσεων.

Recommendation Algorithms: Αλγόριθμοι οι οποίοι βοηθούν τις μηχανές να προτείνουν μια επιλογή βασισμένη στην ομοιότητα με τα ιστορικά δεδομένα.

Recurrent neural network (RNN): Τύπος νευρωνικού δικτύου που κατανοεί πληροφορίες σε ροή, αναγνωρίζει πρότυπα και παράγει αποτελέσματα με βάση αυτούς τους υπολογισμούς.

Regression: Στατιστική προσέγγιση η οποία υπολογίζει τις σχέσεις μεταξύ μεταβλητών και προβλέπει μελλοντικά αποτελέσματα σε συνεχές σύνολο δεδομένων. Είναι θεμελιώδης για τη μηχανική μάθηση και την ΤΝ.

Reinforcement Learning: Είναι ένας τύπος αλγορίθμων μηχανικής μάθησης ο οποίος επιτρέπει στο λογισμικό και στις μηχανές να προσδιορίζουν αυτόματα την ιδανική συμπεριφορά μέσα σε ορισμένο πλαίσιο, για να μεγιστοποιήσουν την απόδοσή τους. Στους ενισχυτικούς αλγορίθμους δεν δίνονται ρητοί στόχοι από πριν∙ τουναντίον, αναγκάζονται οι αλγόριθμοι να μάθουν τους βέλτιστους στόχους με συνεχείς δοκιμές και αναπόφευκτα λάθη.

Robotics: Κλάδος της τεχνολογίας που ασχολείται με τον σχεδιασμό, την κατασκευή, τη λειτουργία και τις εφαρμογές των ρομπότ. Τα περισσότερα ρομπότ σήμερα χρησιμοποιούνται για να πραγματοποιούν επαναλαμβανόμενες ενέργειες ή εργασίες που θεωρούνται αρκετά επικίνδυνες για τον άνθρωπο.

Robotic process automation (RPA): Μηχάνημα που χρησιμοποιεί λογισμικό με δυνατότητες ΤΝ και μηχανικής μάθησης για την εκτέλεση επαναλαμβανόμενων εργασιών.

Shadow learning: Ορος που αναφέρεται σε μια απλοποιημένη μορφή βαθιάς μάθησης, στην οποία η επεξεργασία δεδομένων προηγείται της αναζήτησης των βασικών χαρακτηριστικών τους.

Singularity: Η τεχνολογική μοναδικότητα είναι ένα υποθετικό χρονικό σημείο στο μέλλον όπου η τεχνολογική ανάπτυξη γίνεται ανεξέλεγκτη και μη αναστρέψιμη, με αποτέλεσμα ανυπολόγιστες αλλαγές στον ανθρώπινο πολιτισμό.

Strong AI: Μορφή ΤΝ τόσο αναπτυγμένη όσο η ανθρώπινη. Κάποιοι ισχυρίζονται ότι αυτό είναι αδύνατο. Η υπάρχουσα ΤΝ είναι ασθενής, όπως θα δούμε παρακάτω. Μπορεί να παίξει σκάκι ή να οδηγήσει, αλλά όχι και τα δύο μαζί, ενώ δεν έχει αυτό που ορίζουμε ως κοινή λογική.

Superintelligence: Υπερ-νοημοσύνη είναι ένας υποθετικός πράκτορας που διαθέτει νοημοσύνη η οποία ξεπερνά κατά πολύ το επίπεδο γενικής νοημοσύνης, που υπερβαίνει σε μεγάλο βαθμό τη δική μας.

Supervised learning: Τύπος μηχανικής μάθησης στον οποίο τα σύνολα δεδομένων εκπαιδεύουν τη μηχανή στην παραγωγή επιθυμητών αλγορίθμων, όπως ο δάσκαλος που επιβλέπει έναν μαθητή.

Swarm behavior: Από τη σκοπιά του μαθηματικού μοντέλου, η αναδυόμενη συμπεριφορά η οποία προκύπτει από απλούς κανόνες που ακολουθούνται και δεν απαιτεί κεντρικό συντονισμό.

Symbolic Artificial Intelligence: Η συμβολική ΤΝ είναι όρος που χρησιμοποιείται για να δηλώσει τις ερευνητικές μεθόδους ΤΝ οι οποίες βασίζονται σε υψηλού επιπέδου συμβολικές, αναγνώσιμες από τους ανθρώπους, αναπαραστάσεις προβλημάτων, λογικής και αναζήτησης λύσεων.

Synthetic Intelligence: Η συνθετική νοημοσύνη είναι όρος συνώνυμος της ΤΝ, ο οποίος υποδηλώνει ότι η νοημοσύνη των μηχανών δεν χρειάζεται να είναι απαραιτήτως μιμητική της ανθρώπινης, δηλαδή τεχνητή. Μπορεί να είναι γνήσια μορφή νοημοσύνης.

TensorFlow: Συλλογή εργαλείων λογισμικού που αναπτύχθηκε από την Google για χρήση στη βαθιά μάθηση. Είναι ανοικτού κώδικα, που σημαίνει ότι καθένας μπορεί να τη χρησιμοποιήσει ή να τη βελτιώσει.

Transfer Learning: Τεχνική μηχανικής μάθησης στην οποία ο αλγόριθμος μαθαίνει να εκτελεί μία εργασία, όπως η αναγνώριση των πινακίδων αυτοκινήτων, και χτίζει βασιζόμενος σε αυτή τη γνώση άλλη συναφή εργασία, όπως η αναγνώριση γάτων.

Turing Test: Δοκιμασία της ικανότητας της ΤΝ να «περάσει για άνθρωπος». Αν θα καταφέρει δηλαδή η έξυπνη μηχανή να ξεγελάσει τον άνθρωπο και να θεωρήσει ότι είναι…άνθρωπος.

Unfriendly Artificial Intelligence: ΤΝ ικανή να προκαλέσει μεγάλο κακό στην ανθρωπότητα.

Unsupervised learning: Τύπος αλγορίθμου μηχανικής μάθησης που χρησιμοποιείται για την εξαγωγή συμπερασμάτων από σύνολα δεδομένων που αποτελούνται από δεδομένα χωρίς επισήμανση.

Weak AI: Η ασθενής ΤΝ, είναι μορφή ΤΝ περιορισμένης λειτουργίας, της οποίας οι εφαρμογές αφορούν την εκπλήρωση συγκεκριμένων και μόνο εργασιών. Τυπικό παράδειγμα ασθενούς ΤΝ, ο ψηφιακός βοηθός της Apple, Siri.

Ο Γιάννης Μαστρογεωργίου είναι Γενικός Γραμματέας Επικοινωνίας και Ενημέρωσης, υποψήφιος Διδάκτωρ του Πανεπιστημίου Αθηνών   

Πηγή: Protagon.gr

Category: Προτεινόμενα άρθρα

Leave a Reply

 

Το σχόλιο της ημέρας

    26/1/20 | (0 σχόλια)
     euro2day.gr/Financial Times Του Andrew Edgecliffe-Johnson Η ατζέντα του Νταβός για έναν δίκαιο καπιταλισμό αγνοεί την έλλειψη εμπιστοσύνης από την πλευρά των εργαζομένων. Γιατί τα στελέχη πρέπει να «ακούνε» τους υπαλλήλους. Η σημασία της επένδυσης στην απόκτηση νέων δεξιοτήτων. Δημοσιεύθηκε: 25 ...

Διαφήμιση

Ροή Ειδήσεων




Εφημερίδες