*

του ΠΕΤΡΟΥ ΠΟΛΥΜΕΝΗ

~.~

Η κρισιμότητα της μάθησης

Η τεχνητή νοημοσύνη είναι ένα πολυσυζητημένο θέμα της εποχής μας και μοιάζει ως η κατεξοχήν δύναμη ικανή να αλλάξει την καθημερινότητά μας τα επόμενα  χρόνια. Μετά την επανάσταση του διαδικτύου και τις εφαρμογές που γέννησε, από το ηλεκτρονικό εμπόριο, το ηλεκτρονικό ταχυδρομείο και τις μηχανές αναζήτησης μέχρι τα κοινωνικά δίκτυα, η τεχνητή νοημοσύνη (ΤΝ) μοιάζει ακριβώς η φυσική συνέχεια της επανάστασης αυτής: μπορεί να αξιοποιήσει με τον καλύτερο δυνατό τρόπο αυτό τον ωκεανό πληροφορίας που έχει συγκεντρωθεί στο διαδίκτυο και τις εφαρμογές που προαναφέρθηκαν. Διανύουμε πλέον την περίοδο της παραγωγικής ΤΝ κατά την οποία  μπορούν να παραχθούν κείμενο, ήχος και εικόνα (και όχι μόνο να αναγνωριστούν, όπως συνέβαινε σε προγενέστερα μοντέλα ΤΝ όπως τα νευρωνικά δίκτυα), ανάλογα με το τι ζητάει ο καθένας μας.

Τι το ιδιαίτερο έχει η τεχνητή νοημοσύνη σε σχέση με άλλα υπολογιστικά μοντέλα; Τα μοντέλα τεχνητής νοημοσύνης μιμούνται κατά τον πλησιέστερο τρόπο τον ανθρώπινο εγκέφαλο, σε σχέση με διαδικαστικά (procedural) υπολογιστικά μοντέλα. Αποτελούνται από κατανεμημένες υπολογιστικές μονάδες που λειτουργούν παράλληλα, και αλληλοσυνδέονται ώστε να είναι δυνατή η μεταξύ τους επιθυμητή αλληλεπίδραση. Επιπλέον, έχουν την ικανότητα της μάθησης: μαθαίνουν με βάση περιστατικά στα οποία εκτίθενται, χωρίς έναν εκ των προτέρων αλγόριθμο σαφώς διατυπωμένο, συχνά με τακτικές δοκιμής και λάθους (trial and error). Κάτι που θυμίζει το πώς μαθαίνει ο άνθρωπος από την εμπειρία του: εξού και ο όρος «τεχνητή» νοημοσύνη. Μοιάζει να διαθέτουν μια ικανότητα  αυτο-οργάνωσης και μία δυναμική αλληλεπίδραση με το περιβάλλον τους (με ότι τα τροφοδοτεί με ‘παραστάσεις’/ πληροφορίες), φέροντας εις πέρας εργασίες χωρίς προηγουμένως να απαιτείται  ο σαφής καθορισμός κανόνων: η λειτουργία τους  είναι ευρετική και όχι διαδικαστική (heuristic vs. procedural). Κάτι που τους δίνει τη δυνατότητα να συλλάβουν και την μη προτασιακή ή έμμεση γνώση (όπως, για παράδειγμα, εκείνη που αντανακλάται σε μια πρακτική δεξιότητα) .

Λάθη, μνήμη και οι άκαμπτοι κανόνες

Το γεγονός ότι τα μοντέλα ΤΝ προσαρμόζονται στο εκάστοτε περιβάλλον και τα περιστατικά με τα οποία τα τροφοδοτεί, ότι μαθαίνουν και θυμούνται -όπως και ο άνθρωπος-, ρυθμίζοντας ανάλογα τη λειτουργία τους, δημιουργεί μια παρανόηση: ότι δεν έχουν ένα σκληρό πυρήνα κανόνων στη λειτουργία τους. Κατά βάση, ένα μοντέλο ΤΝ καλείται να επιλύσει ένα πρόβλημα βελτιστοποίησης: θα πρέπει να βελτιστοποιήσει (να ελαχιστοποιήσει ή να μεγιστοποιήσει) μία μετρική σχέση ή μία συνάρτηση. Ένα πρόβλημα βελτιστοποίησης έχει τη γενική μορφή «μεγιστοποίησε (ή ελαχιστοπoίησε) την   f(x), υπό τους περιορισμούς   gi(x), i=1,…, n»,  όπου η συνάρτηση f(x) πρέπει να συλλαμβάνει ουσιωδώς το εκάστοτε πρόβλημα και η ακριβής διατύπωσή της μπορεί να είναι συχνά αρκετά επίπονη. Επίσης, ένα λάθος σε αυτήν είναι καθοριστικό για τη φύση των αποτελεσμάτων που αργότερα θα μας δώσει η ΤΝ. Αυτή η συνάρτηση δίνεται εξ αρχής στο μοντέλο ΤΝ και δεν αλλάζει ούτε κατά την περίοδο μάθησης ούτε κατά την περίοδο εφαρμογής. Επιπρόσθετα, ένα νευρωνικό δίκτυο (το οποίο είναι στον πυρήνα των σύγχρονων μοντέλων ΤΝ) αποτυπώνεται από ένα σύστημα διαφορικών εξισώσεων με συγκεκριμένες σταθερές, και τούτο υποδηλώνει μια συγκεκριμένη και αμετάβλητη καμπύλη ενέργειας, με συγκεκριμένες συνθήκες ευστάθειας, ενεργειακού ελάχιστου και αποφυγής  χαώδους λειτουργίας, δηλαδή όταν ένα σύστημα «κρεμάει» κατά τη διάλεκτο των προγραμματιστών (περισσότερα…)