Σήμερα η τεχνητή νοημοσύνη βοηθά τους γιατρούς να διαγιγνώσκουν ασθένειες, τους πιλότους να πετούν αεροσκάφη και τους πολεοδόμους να προβλέπουν την κυκλοφορία. Όμως, ανεξάρτητα από το τι κάνουν αυτές οι Τ.Ν., οι ίδιοι οι επιστήμονες υπολογιστών που τις σχεδίασαν δεν είναι σε θέση να γνωρίζουν το πώς ακριβώς το κάνουν. Αυτό οφείλεται στο γεγονός ότι οι Τ.Ν. συχνά διδάσκουν τον ίδιο τους τον εαυτό, χρησιμοποιώντας ένα απλό σύνολο οδηγιών ώστε να δημιουργήσουν μια σειρά κανόνων και στρατηγικών. Πώς, όμως, μαθαίνει μια μηχανή;
Υπάρχουν διάφοροι τρόποι για τη δημιουργία προγραμμάτων αυτοδιδασκαλίας. Όλοι, όμως, βασίζονται επάνω στους τρεις βασικούς τύπους μηχανικής μάθησης: την μη εποπτευόμενη μάθηση, την εποπτευόμενη μάθηση και την ενισχυμένη μάθηση. Για να δούμε πως λειτουργούν στην πράξη, ας φανταστούμε ότι οι ερευνητές προσπαθούν να αντλήσουν πληροφορίες από ένα σύνολο ιατρικών δεδομένων, το οποίο περιέχει χιλιάδες προφίλ ασθενών.
Ας ξεκινήσουμε με την μη εποπτευόμενη μάθηση. Αυτή η προσέγγιση θα ήταν ιδανική για αναλύσουμε τα προφίλ, εντοπίζοντας γενικές ομοιότητες και χρήσιμα μοτίβα. Κάποιοι ασθενείς μπορεί να εμφανίζουν παρόμοια κλινική εικόνα ή κάποια θεραπεία να προκαλεί συγκεκριμένα σετ παρενεργειών. Η ευρεία αυτή προσέγγιση αναζήτησης προτύπων, μπορεί να χρησιμοποιηθεί για τον εντοπισμό ομοιοτήτων μεταξύ των προφίλ των ασθενών και την εύρεση αναδυόμενων προτύπων· όλα χωρίς ανθρώπινη καθοδήγηση.
Ας φανταστούμε όμως ότι οι γιατροί αναζητούν κάτι πιο συγκεκριμένο. Πως επιθυμούν να δημιουργήσουν έναν αλγόριθμο για τη διάγνωση μιας συγκεκριμένης πάθησης. Ξεκινούν συλλέγοντας δύο σετ δεδομένων — ιατρικές απαικονίσεις και αποτελέσματα εξετάσεων τόσο από υγιή άτομα όσο και από αυτά που έχουν διαγνωστεί με την συγκεκριμένη πάθηση. Στη συνέχεια, εισάγουν αυτά τα δεδομένα σε ένα πρόγραμμα σχεδιασμένο να αναγνωρίζει τα χαρακτηριστικά που μοιράζονται οι ασθενείς, αλλά όχι τα υγιή άτομα. Το πρόγραμμα, βάσει του πόσο συχνά συναντά καποια χαρακτηριστικά, θα εκχωρήσει τιμές διαγνωστικής σημασίας αυτών των χαρακτηριστικών, δημιουργώντας έτσι έναν αλγόριθμο για μελλοντικές διαγνώσεις.
Ωστόσο, σε αντίθεση με την μη εποπτευόμενη μάθηση, εδώ οι γιατροί και οι επιστήμονες υπολογιστών θα παίξουν ενεργό ρόλο σε αυτά που θα ακολουθήσουν. Οι γιατροί είναι αυτοί που θα κάνουν την τελική διάγνωση και θα ελέγξουν την ακρίβεια των προβλέψεων του αλγόριθμου και, στη συνέχεια, οι επιστήμονες υπολογιστών θα μπορέσουν να χρησιμοποιήσουν τα ενημερωμένα σύνολα δεδομένων, ώστε να προσαρμόσουν τις παραμέτρους του προγράμματος και να βελτιώσουν την ακρίβειά του. Αυτή η προσέγγιση, που περιλαμβάνει ενεργό ανθρώπινο ρόλο, είναι η εποπτευόμενη μάθηση.
Ας υποθέσουμε τώρα ότι οι γιατροί θέλουν να σχεδιάσουν έναν άλλο αλγόριθμο που να προτείνει σχέδια θεραπείας. Λαμβάνοντας υπ’όψη ότι τα σχέδια αυτά εφαρμόζονται σταδιακά και πως ίσως χρειαστεί να μεταβληθούν -ανάλογα με την ανταπόκριση που εμφανίζει ο κάθε ασθενής στην θεραπεία- οι γιατροί αποφασίζουν να χρησιμοποιήσουν την ενισχυμένη μάθηση. Το πρόγραμμα χρησιμοποιεί μια επαναληπτική προσέγγιση ώστε να συγκεντρώσει feedback σχετικά με τα φάρμακα, τις δόσεις και τις θεραπείες που είναι πιο αποτελεσματικές. Στη συνέχεια, συγκρίνει τα δεδομένα αυτά με τα προφίλ των ασθενών, δημιουργώντας για τον καθένα εξ αυτών ένα εξατομικευμένο, βέλτιστο σχέδιο θεραπείας. Καθώς εξελίσσονται οι θεραπείες και υπάρχει περισσότερο feedback, το πρόγραμμα θα είναι σε θέση να ενημερώνει συνεχώς το πλάνο για κάθε ασθενή.
Καμία από τις τρεις αυτές τεχνικές δεν είναι εγγενώς πιο “έξυπνη” από τις υπόλοιπες. Και ενώ ορισμένες απαιτούν περισσότερη ή λιγότερη ανθρώπινη παρέμβαση, όλες έχουν τα δικά τους δυνατά και αδύνατα σημεία, τα οποία τις καθιστούν βέλτιστες για συγκεκριμένες εργασίες. Ωστόσο, χρησιμοποιώντας τις μαζί, οι ερευνητές μπορούν να δημιουργήσουν σύνθετα συστήματα τεχνητής νοημοσύνης, όπου μεμονωμένα προγράμματα μπορούν να επιβλέπουν και να διδάσκουν το ένα το άλλο.
Για παράδειγμα, το πρόγραμμα μη εποπτευόμενης μάθησης θα μπορούσε -όταν εντοπίζει ομάδες ασθενών που είναι παρόμοιες- να στέλνει τα αντίστοιχα δεδομένα σε ένα συνδεδεμένο πρόγραμμα εποπτευόμενης μάθησης. Το τελευταίο, θα μπορούσε στη συνέχεια να ενσωματώσει αυτές τις πληροφορίες στις προβλέψεις του. Ή ακόμα, δεκάδες προγράμματα ενισχυμένης μάθησης θα μπορούσαν να προσομοιώνουν πιθανά αποτελέσματα ασθενών για τη συλλογή feedback σχετικά με διάφορα πλάνα θεραπείας.
Υπάρχουν διάφοροι τρόποι για να δημιουργήσουμε συστήματα μηχανικής μάθησης, με τα πιο υποσχόμενα μοντέλα να είναι αυτά που μιμούνται την λειτουργία των νευρώνων του εγκεφάλου. Αυτά τα τεχνητά νευρωνικά δίκτυα χρησιμοποιούν εκατομμύρια συνδέσεις για να τα βγάλουν πέρα με δύσκολες εργασίες όπως η αναγνώριση εικόνας ή ομιλίας· ακόμη και η μετάφραση γλώσσας. Ωστόσο, όσο πιο αυτοκατευθυνόμενα γίνονται αυτά τα μοντέλα, τόσο πιο δύσκολο είναι για τους επιστήμονες υπολογιστών να προσδιορίσουν το πώς αυτοί οι αυτοδίδακτοι αλγόριθμοι καταλήγουν στην επίλυση των προβλημάτων που τους ανατίθενται. Ήδη, οι ερευνητές αναζητούν τρόπους ώστε να κάνουν την μηχανική μάθηση πιο “διαφανή”.
Καθώς, όμως, η τεχνητή νοημοσύνη εμπλέκεται περισσότερο στην καθημερινή μας ζωή, οι αινιγματικές αυτές αποφάσεις έχουν όλο και μεγαλύτερο αντίκτυπο στην εργασία, την υγεία και την ασφάλειά μας. Έτσι, όσο οι μηχανές συνεχίζουν να μαθαίνουν πως να ερευνούν, να διαπραγματεύονται και να επικοινωνούν, εμείς πρέπει να βρούμε πώς θα τις μάθουμε να διδάσκουν, επίσης, η μία την άλλη να λειτουργούν βάσει συγκεκριμένων αρχών ηθικής.
Πηγή: https://www.ted.com/
