Η τεχνητή νοημοσύνη είναι πλέον πραγματικότητα, ιδιαίτερα στον ανεπτυγμένο κόσμο. Σενάρια τα οποία μέχρι πρότινος εθεωρούντο φανταστικά είναι πλέον πραγματικότητα. Ένα από τα βασικά συστατικά στοιχεία της τεχνητής νοημοσύνης είναι τα δεδομένα ("data“) και η σωστή χρήση τους.
Ο όγκος των δεδομένων αυξάνεται με ταχείς ρυθμούς. Το 2020, ο όγκος των δημιουργηθέντων και αποθηκευμένων δεδομένων υπολογιζόταν σε 64,2 Zettabyte (1 Zettabyte = 1 δις Terabyte). Αυτό περίπου ισοδυναμεί με 4,5 τρισ. δίωρων ταινιών ποιότητας Ultra High Definition! Η εξέλιξη τού όγκου δεδομένων παρουσιάζεται στο παρακάτω γράφημα:
Μια γρήγορη μελέτη του γραφήματος μάς οδηγεί στο συμπέρασμα πως περίπου το 90% των δεδομένων που υπήρχαν το 2020 δημιουργήθηκαν τα προηγούμενα 8 χρόνια (2012-2020). Αυτό φυσικά δε σημαίνει πως μέχρι το 2012 είχαν δημιουργηθεί λίγα δεδομένα (6,5 Zettabyte δεν παύει να είναι ένας πολύ μεγάλος αριθμός), σημαίνει απλά πως η δημιουργία νέων δεδομένων αναπτύσσεται ραγδαία, σχεδόν εκθετικά.
Ποιοι όμως είναι οι κύριοι δημιουργοί αυτού του όγκου δεδομένων; Το 2018 και σύμφωνα με το Γερμανικό Ινστιτούτο Οικονομίας ("Institut der deutschen Wirtschaft“) οι κύριοι τομείς παραγωγής δεδομένων σε παγκόσμιο επίπεδο ήταν σε φθίνουσα σειρά οι εξής:
- Παραγωγή προϊόντων (manufacturing)
- Ηλεκτρονικό εμπόριο
- Χρηματοπιστωτικές υπηρεσίες (online banking, ηλεκτρονική αγορά μετοχών κλπ)
- Υποδομές (συμπεριλαμβονομένης της τηλεφωνίας, κινητής και σταθερής)
- Μέσα ενημέρωσης και ψυχαγωγίας (media and entertainment)
- Εφαρμογές υγείας (E-Health), όπως τηλεϊατρική και ηλεκτρονικές πύλες θεμάτων υγείας
Χρήση δεδομένων και τεχνητή νοημοσύνη
Πώς όμως χρησιμοποιούνται όλα αυτά τα δεδομένα; Ο όγκος των δεδομένων από μόνος του δεν είναι ικανός να οδηγήσει σε λήψη αξιόπιστων συμπερασμάτων και αποφάσεων. Ένα μεγάλο μέρος αυτών των δεδομένων δεν έχει καμία χρηστική αξία. Πέραν αυτού και προκειμένου τα δεδομένα να χρησιμοποιηθούν σε λήψη αποφάσεων θα πρέπει να είναι σωστά δομημένα, εύκολα κατανοητά και το κυριότερο ακριβή. Εσφαλμένες μετρήσεις ή λάθη κατά την εισαγωγή των στοιχείων σε ένα σύστημα επηρεάζουν αρνητικά την ποιότητα των δεδομένων, γεγονός το με τη σειρά του οδηγεί σε λάθος συμπεράσματα.
Με τη χρήση τής τεχνητής νοημοσύνης, ένας μεγάλος όγκος δεδομένων μπορεί να αναλυθεί σε μικρό χρονικό διάστημα οδηγώντας σε σημαντικά συμπεράσματα σε τομείς όπως η υγεία, οι χρηματοπιστωτικές υπηρεσίες, οι μεταφορές, η ασφάλεια πολιτών κλπ.
Ένα απλό παράδειγμα που βελτιώνει την καθημερινότητα των πολιτών ιδιαίτερα στις μεγάλες πόλεις είναι η αξιολόγηση των κυκλοφοριακών συνθηκών σε πραγματικό χρόνο από εφαρμογές όπως οι google maps και apple maps. Με βάση αυτή την αξιολόγηση μπορεί να υπολογισθεί η συντομότερη χρονικά διαδρομή (με τα λιγότερα κυκλοφοριακά προβλήματα) μεταξύ δύο σημείων.
Μία εξίσου σημαντική εφαρμογή με προοπτικές περαιτέρω ανάπτυξης είναι η επεξεργασία και αξιολόγηση δεδομένων που συλλέγονται από διάφορους αισθητήρες προκειμένου να ανιχνευθεί έγκαιρα ένα επικίνδυνο φαινόμενο, π.χ. μια πυρκαγιά. Σε αυτή την περίπτωση, οι πολίτες μπορούν να ενημερωθούν μέσω μηνύματος στο κινητό τους τηλέφωνο προκειμένου να απομακρυνθούν άμεσα από την επικίνδυνη περιοχή.
Τεχνητή νοημοσύνη, δικαιοσύνη και ηθική
Πολλές φορές τίθεται το ερώτημα εάν η τεχνητή νοημοσύνη μπορεί να είναι μεροληπτική ή άδικη. Ας προσπαθήσουμε να προσεγγίσουμε το εν λόγω ερώτημα με δύο παραδείγματα, ένα πραγματικό και ένα υποθετικό.
Παράδειγμα 1ο: Στις τουαλέτες ενός εστιατορίου στην Αμερική υπήρχε ένα δοχείο σαπουνιού το οποίο λειτουργούσε αυτόματα με το που πλησίαζε ο πελάτης το χέρι του. Διαπιστώθηκε όμως ότι το δοχείο λειτουργούσε μόνο για τους πελάτες το δέρμα των οποίων είχε λευκό χρώμα. Όταν πλησίαζαν το χέρι τους πελάτες με άλλο χρώμα δέρματος, το δοχείο δε λειτουργούσε!
Στο συγκεκριμένο παράδειγμα δεν μπορεί να κατηγορηθεί η τεχνητή νοημοσύνη αλλά ο μηχανικός που ανέπτυξε την εν λόγω λύση, δεδομένου ότι στα πλαίσια τού τεστ αποδοχής δεν είχε υπολογίσει όλα τα πιθανά σενάρια.
Παράδειγμα 2ο: Ας υποθέσουμε πως πέντε επιβάτες βρίσκονται σε ένα όχημα αυτόνομης/αυτόματης οδήγησης. Ξαφνικά και λόγω ενός τεχνικού προβλήματος, το όχημα πλησιάζοντας σε μία διάβαση πεζών αναπτύσσει πολύ μεγάλη ταχύτητα και δεν προλαβαίνει να ακινητοποιηθεί. Τη στιγμή εκείνη ένας πεζός διασχίζει τη διάβαση. Το αυτόματο σύστημα οδήγησης έχει δύο δυνατότητες:
A. Να αλλάξει την πορεία τού οχήματος κατευθύνοντάς το προς τον παρακείμενο τοίχο προκειμένου να μην κινδυνεύσει ο πεζός. Το ρίσκο σε αυτή την περίπτωση είναι να κινδυνεύσει η ζωή και των πέντε επιβατών.
B. Να μην αλλάξει την πορεία του οχήματος
Εάν υποθέσουμε ότι η λήψη αποφάσεων γίνεται με γνώμονα το «μικρότερο κακό», το σύστημα αυτόματης οδήγησης θα εφαρμόσει την απόφαση Β. με αποτέλεσμα όμως να κινδυνεύσει η ζωή ενός ανυποψίαστου ανθρώπου ο οποίος έτυχε να είναι στο λάθος μέρος τη λάθος στιγμή. Εδώ δεν πρόκειται για λάθος κατά τον σχεδιασμό αλλά για ένα ηθικό θέμα. Και είναι εξαιρετικά δύσκολο να συνυπολογισθεί η ηθική διαστάση στην αυτόματη λήψη αποφάσεων.
Τεχνητή νοημοσύνη και αγορά εργασίας
Πολλές φορές διατυπώνεται ο φόβος πως η τεχνητή νοημοσύνη θα οδηγήσει σε μείωση των θέσεων εργασίας ή στην εξάλειψη συγκεκριμένων επαγγελμάτων. Όμως, ταυτόχρονα η αλματώδης ανάπτυξή της οδηγεί στη δημιουργία νέων θέσεων.
Ο όρος "data scientist“ ήταν άγνωστος πριν από μερικά χρόνια, σήμερα όμως αποτελεί ένα από τα πιο καλοπληρωμένα επαγγέλματα.
Υπάρχουν όμως και τα έμμεσα οφέλη: Η αποθήκευση και επεξεργασία όλο και περισσότερων δεδομένων καθιστά αναγκαίες τις επενδύσεις σε τομείς όπως data centers, cloud computing κ.α. Η κατασκευή νέων data centers σημαίνει νέες επενδύσεις και θέσεις εργασίας στον κατασκευαστικό τομέα κλπ. Η μεταφορά όλο και περισσότερων δεδομένων αυξάνει με τη σειρά της την ανάγκη σε ευρυζωνικά δίκτυα.
Συμπερασματικά, όπως κάθε βιομηχανική επανάσταση, έτσι και η τεχνητή νοημοσύνη θα οδηγήσει σε ανακατατάξεις στην αγορά εργασίας. Το ποιο θα είναι το μελλοντικό σημείο ισορροπίας μένει να διαπιστωθεί. Το σίγουρο είναι πως πολλά κράτη αντιμετωπίζουν ήδη προβλήματα στην εξεύρεση προσωπικού υψηλής εξειδίκευσης. Το γεγονός αυτό ίσως να είναι και μια πρόκληση για τις σχολές τριτοβάθμιας εκπαίδευσης στον τομέα της Πληροφορικής προκειμένου να αναπροσαρμόσουν τη διδακτέα ύλη σύμφωνα με τις τρέχουσες ανάγκες τής αγοράς.
Εν κατακλείδι η τεχνητή νοημοσύνη (με τα καλά και τα άσχημά της) είναι εδώ και με το να τη δαιμονοποιούμε ή να την αγνοούμε αρνούμαστε την πραγματικότητα. Οι εφαρμογές της τεχνητής νοημοσύνης και της επεξεργασίας δεδομένων εξελίσσονται ραγδαία και κατά την επόμενη δεκαετία αναμένεται να επηρεάσουν σχεδόν όλους τους τομείς της ανθρώπινης δραστηριότητας. Αναμφίβολα είμαστε ακόμα στην αρχή.
Ο κ. Γιάννης Φλώκος είναι είναι διπλωματούχος Μηχανικός Ηλεκτρονικών Υπολογιστών και Πληροφορικής της Πολυτεχνικής Σχολής του Πανεπιστημίου Πάτρας και Διδάκτωρ Ηλεκρολόγος Μηχανικός και Μηχανικός Ηλεκτρονικών Υπολογιστών του Πανεπιστημίου Bochum Γερμανίας.
Ακολουθήστε το Business Daily στο Google news 
