«Ό,τι πιο σημαντικό είναι να ονειρεύεσαι. Να διεκδικείς τα όνειρά σου και να αναπροσαρμόζεσαι γρήγορα. Νομίζω ότι αν δεν είχα επιλέξει να δουλέψω με προβλήματα που ήταν άλυτα, που δεν είχαν καν τεθεί μέχρι να τα θέσουμε εμείς, πιθανώς να μην είχα καταφέρει όσα ονειρευόμουν... Πολλές φορές μου έχει τύχει να βλέπω ότι μια κατάσταση δεν οδεύει προς τα εκεί που θέλω, αλλά όταν αφορά κάτι που έχω ονειρευτεί, προσπαθώ να την οδηγήσω προς τα μέτρα μου, και να διεκδικήσω το όνειρό μου».
Με αφετηρία αυτό το σκεπτικό και με πολλή δουλειά, ο Θεσσαλονικιός Γιάννης Ασσαέλ, πριν καν κλείσει τα 30, πέτυχε -ως επικεφαλής ομάδας επιστημόνων- να αναπτύξει σύστημα τεχνητής νοημοσύνης (ΤΝ) με την ονομασία LipNet.ai, το οποίο μπορεί να διαβάσει τα χείλη καλύτερα από έναν άνθρωπο, δίνοντας νέες δυνατότητες σε συστήματα αναγνώρισης φωνής και διαμορφώνοντας προϋποθέσεις, ώστε να ωφεληθούν πάνω από από 100.000 ασθενείς με δυσφωνία και αφωνία ανά τον κόσμο, που ενώ μπορούν να κουνήσουν τα χείλη τους, δεν μπορούν να παράγουν ήχο από τις φωνητικές χορδές τους.
Επίσης, ως επικεφαλής ομάδας ερευνητών της DeepMind (θυγατρικής της Google) και του Πανεπιστημίου της Οξφόρδης, δημιούργησε το έξυπνο σύστημα «Πυθία», το οποίο με χρήση ΤΝ «ανακτά» μισοκατεστραμμένες αρχαίες ελληνικές επιγραφές. Το σύστημα συμπληρώνει τις λέξεις στα σημεία των επιγραφών που έχουν υποστεί φθορές λόγω της παρόδου του χρόνου, της διάβρωσης ή και σκόπιμης καταστροφής, δίνοντας εναλλακτικές, για να ολοκληρωθούν προτάσεις, που χαράχτηκαν πάνω σε μέταλλο ή πέτρα χιλιάδες χρόνια πριν...
Τι θα πρότεινε στους μαθητές Λυκείου για το επαγγελματικό τους μέλλον; Μιλώντας στο ΑΠΕ-ΜΠΕ, ο γεννηθείς το 1991 επιστήμονας, senior research scientist στην Google DeepMind, απαντά ότι έφηβες και έφηβοι χρειάζεται να σκέφτονται περισσότερο όχι ποια δουλειά θέλουν να κάνουν, αλλά τι προβλήματα τους «εξιτάρει» να λύνουν.
«Νομίζω πως ένα από τα σημαντικότερα πράγματα που έχουμε χρέος να προσφέρουμε στο Λύκειο, για τις επόμενες γενιές, είναι να δείχνουμε στα παιδιά τούς διαφορετικούς τύπους προβλημάτων, που μπορούν να λύσουν, όχι μόνο σήμερα, αλλά και σε δέκα χρόνια. Είναι ο μόνος τρόπος να είσαι χαρούμενος τις Δευτέρες» λέει χαμογελώντας.
Το χρέος της επιστροφής και ο Κελλάριος Όρμος
Προσθέτει πως οι Ελληνες επιστήμονες που εργάζονται στο εξωτερικό θα ήταν σημαντικό να επιστρέφουν κάτι στην Ελλάδα. «Όλοι πήραμε κάτι από την Ελλάδα. Κάποιοι από εμάς θα γυρίσουμε και κάποιοι όχι. Αλλά η επαφή που κρατάς με τον τόπο που μεγάλωσες, η δυνατότητά σου να προσφέρεις σε αυτόν, δεν απαιτεί φυσική παρουσία. Χρειάζεται να δείξουμε σε όσους τώρα ξεκινάνε ότι τα όνειρα είναι εφικτά και να τους εμπνεύσουμε. Με αυτό τον τρόπο μπορούμε να δημιουργήσουμε τις συνθήκες που θα επέτρεπαν και τη δική μας επιστροφή» λέει.
Ζει επτά χρόνια στη Βρετανία, αλλά στην οθόνη του κινητού του, η εικόνα του wallpaper είναι πολύ γνώριμη στους Θεσσαλονικείς. Είναι ένα στιγμιότυπο από τον Κελλάριο Όρμο, ανατολικά του Μεγάρου Μουσικής Θεσσαλονίκης, κοντά στο Καραμπουρνάκι, με τις προκυμαίες, τις βάρκες και τους ψαράδες του. Εκεί, από ό,τι φαίνεται, γεννήθηκαν πολλά από τα όνειρά του. Πολλές φορές εκεί διάβαζε για τις πανελλήνιες εξετάσεις, σκεφτόταν και ξεκουραζόταν από το διάβασμα. «Χρειάζεται να είμαστε πολίτες του κόσμου, αλλά η Θεσσαλονίκη για εμένα είναι πάντα το σπίτι μου, ίσως γιατί έχει αυτή τη σχέση με τη θάλασσα. Μεγάλωσα στα όρια της Καλαμαριάς με Θεσσαλονίκη, στο Ντεπό, και μου φαίνεται αδιανόητο να είμαι σε κάποιο μέρος που δεν έχω επαφή ή δεν είμαι κοντά στο υγρό στοιχείο» σημειώνει.
Πιστεύει άραγε ακόμα ότι μπορεί να αλλάξει τον κόσμο; «Θεωρώ πως αυτό είναι το χρέος κάθε ερευνητή, να προσπαθήσει να αλλάξει θετικά τον κόσμο, αυτό είναι στις προδιαγραφές της δουλειάς μας» επισημαίνει και εξηγεί ότι ένας από τους λόγους που επέλεξε να ασχοληθεί με την Τεχνητή Νοημοσύνη (TN) είναι ακριβώς αυτός, ότι μέσω αυτής μπορεί να αλλάξει θετικά τον κόσμο, καθώς υπεισέρχεται σε πολλούς διαφορετικούς κλάδους.
«Δεν υποδεικνύει η Google στους ερευνητές της τι να κάνουν»
Με αφετηρία το 2013 και την Οξφόρδη, όπου στο πλαίσιο του μεταπτυχιακού του «ανακάλυψε» τις πιθανώς μεταμορφωτικές για τον κόσμο δυνατότητες της ΤΝ, άρχισε η διαδρομή, που οδήγησε τον Γιάννη Ασσαέλ στη θυγατρική της Google, DeepMind. Όλα άρχισαν από την προαναφερθείσα έρευνα, που έγινε γύρω από τη χειλεανάγνωση, μέσω της οποίας δημιουργήθηκε μια εταιρεία που τελικά τον έφερε στη DeepMind της Google. Ερωτηθείς ποια είναι η διαδικασία για να «μπει» κάποιος στη Google και να γίνει «Googler» -όπως αποκαλούνται μεταξύ τους οι εργαζόμενοι στην εταιρεία- απαντά πως αυτή ποικίλει. «Σίγουρα είναι αρκετές οι συνεντεύξεις που δίνει κάποιος, αυτό όμως που βρίσκω πιο εντυπωσιακό είναι το συναίσθημα ελευθερίας και ταυτόχρονα ευθύνης, που αποκτάς ως "Googler". Σε ερευνητικό επίπεδο το βρίσκω εντυπωσιακό ότι δεν υποδεικνύει η εταιρεία στους ερευνητές της τι να κάνουν, αλλά δίνει όλη την ελευθερία να προτείνουμε τι μπορεί να κάνει αυτή... Αυτό είναι ονειρικό και ταυτόχρονα δημιουργεί τεράστιο αίσθημα ευθύνης» επισημαίνει.
Ευφυία- προσαρμοστικότητα, σημειώσατε 2
«Υπέροχο είναι κι αυτό που λέμε εσωτερικά στην εταιρεία ..."Be Googley". Βασικές αρχές του είναι να είσαι καλόκαρδος απέναντι στους συνεργάτες σου και να αφήνεις όλες τις φωνές να ακουστούν. Για εμένα πολύ σημαντικό είναι επίσης να προσαρμόζεσαι γρήγορα. Αυτό που παίζει ρόλο σήμερα γενικά είναι όχι τόσο η ευφυία καθεαυτήν, όσο η δυνατότητα να προσαρμόζεσαι γρήγορα, να μαθαίνεις γρήγορα πράγματα και να είσαι δημιουργικός με αυτά. Νομίζω ότι η προσαρμοστικότητα σίγουρα είναι ένα χαρακτηριστικό που στη Google δεν θα περάσει απαρατήρητο, δεδομένου δε ότι ο τρόπος που λύνουν τα προβλήματα εκεί είναι εξαιρετικά ευέλικτος, δεν τους νοιάζει να τα κάνεις όλα σωστά, αλλά να έχεις τον ορθό τρόπο σκέψης» λέει ο Γιάννης Ασσαέλ, που βρίσκει πάντα τον χρόνο να παίζει ηλεκτρικό μπάσο, μια από τις αγάπες που απέκτησε, στη διάρκεια των μαθητικών του χρόνων στο Κολλέγιο Ανατόλια της Θεσσαλονίκης.
Τεχνητή Νοημοσύνη, πανδημία και «σπάνια γεγονότα»
Στη διάρκεια του lockdown, η ΤΝ χρησιμοποιήθηκε με διάφορους τρόπους: για ψηφιακή επιτήρηση, στη φαρμακοβιομηχανία, σε έγκαιρες προειδοποιήσεις για την εξάπλωση του κοινού, σε προγνωστικά μοντέλα, αλλά και στο ηλεκτρονικό εμπόριο. Πώς βίωσε ο ίδιος την αξιοποίηση των αλγορίθμων, σε μια τόσο πρωτόγνωρη κατάσταση, ένα από τα λεγόμενα «σπάνια γεγονότα» (freak events);
«Το έζησα από την πλευρά του εντυπωσιασμού. Για πρώτη φορά έβλεπες την ΤΝ να χρησιμοποιείται στην πράξη σε πολύ διαφορετικούς κλάδους και από πολύ διαφορετικό κόσμο, την επιρροή της έμπρακτα στην κοινωνία, συνειδητοποιούσες πρακτικά σε πόσες διαδικασίες που παλαιότερα θα γινόντουσαν εντελώς χειροκίνητα, χρησιμοποιείται» λέει. Υπήρχαν, κατά τη γνώμη του «σκιές» στον τρόπο που χρησιμοποιήθηκε; «Η ΤΝ είναι ένα εργαλείο. Και ένα εργαλείο δεν είναι καλό ή κακό από μόνο του. Είναι στη φύση της κοινωνίας να αποφασίσει τη χρήση του, ένα σφυρί μπορεί να καρφώσει ένα καρφί, μπορεί να χρησιμοποιηθεί και για να βλάψει κάποιον. Σίγουρα θα υπάρχουν χρήσεις και από τις δύο μεριές» απαντά.
Προσθέτει ότι αυτό που τον εντυπωσίασε περισσότερο στη διάρκεια της πανδημίας είναι ότι για πρώτη φορά χρησιμοποιήθηκε ΤΝ για ανάλυση της πρωτεϊνικής μορφής ιών, κάτι εξαιρετικά σημαντικό, όπως λέει, γιατί έτσι διευκολύνεται και η εύρεση της θεραπείας. «Μου φάνηκε επίσης πάρα πολύ ενδιαφέρον πόσο πολλοί ήταν οι ερευνητές που χρησιμοποίησαν Τεχνητή Νοημοσύνη για drug screening, για να δούμε δηλαδή ποια φάρμακα θα μπορούσαν να λειτουργήσουν θεραπευτικά. Βρίσκω ότι το πιο σημαντικό είναι ότι η ΤΝ υπήρχε σε πολλά-πολλά διαφορετικά σημεία την ίδια στιγμή» επισημαίνει.
Ερωτηθείς αν οι προγραμματιστές χρειάζεται να αρχίσουν να εκπαιδεύουν τους αλγόριθμους εισάγοντας δεδομένα από τα λεγόμενα «σπάνια γεγονότα», όπως η Covid-19, απαντά πως αυτό είναι ίσως μία από τις μεγαλύτερες προκλήσεις για την ΤΝ. «Προφανώς είναι πολύ δύσκολο να κάνουμε προβλέψεις. Όταν εκπαιδεύουμε στατιστικά μοντέλα, συνήθως η εκπαίδευσή τους γίνεται βάσει δεδομένων από προηγούμενα γεγονότα. Οπότε αν ξαφνικά έχουμε μια κατάσταση πρωτόγνωρη, η πρόβλεψη γίνεται πολύ δύσκολη και πρέπει να ενεργοποιήσουμε τον ανθρώπινο παράγοντα, μαζί με την ΤΝ. Το πώς χρησιμοποιούμε την ανθρώπινη εμπειρία μας για να βοηθήσουμε τα συστήματα ΤΝ να κάνουν σωστές προγνώσεις, από την πιο απλή ως την πιο σύνθετη, είναι μια από τις μεγαλύτερες προκλήσεις, που καλούμαστε να λύσουμε» εκτιμά.
Τι μας χωρίζει από την Ισχυρή Τεχνητή Νοημοσύνη;
Ένα από τα βασικά ερωτήματα γύρω από την ΤΝ είναι πώς θα φτάσουμε από την ασθενή εκδοχή της (που μπορεί να επιτελέσει μόνο συγκεκριμένα καθήκοντα, με χαρακτηριστικό παράδειγμα τις ψηφιακές βοηθούς στα κινητά μας) στην ισχυρή (τεχνητή νοημοσύνη ικανή να διαχειριστεί κάθε εργασία και πρόβλημα). «Πιστεύω ότι δεν μιλάμε για ένα συγκεκριμένο γεγονός, που αν συμβεί θα φτάσουμε στην ισχυρή ΤΝ. Για εμένα το θέμα δεν είναι τόσο να φτάσουμε στο σημείο που θα έχουμε τελείως αυτόνομους αλγορίθμους, όσο να λύσουμε -με τη χρήση ΤΝ- τα προβλήματα, που μπορούν να κάνουν την κοινωνία ομορφότερη» υπογραμμίζει, ενώ ως ένα από τα βασικά εμπόδια για την ανάπτυξη ισχυρής ΤΝ αναφέρει την ανεπαρκή υπολογιστική ισχύ ("ακόμα και σήμερα υπολογιστικά μπορούμε να καλύψουμε μόνο συγκεκριμένο εύρος προβλημάτων και δεν μπορούμε να αξιοποιήσουμε όσα δεδομένα θα θέλαμε να αξιοποιήσουμε").
Συμπληρώνει πως, κατά τη γνώμη του, αν δεν λυθούν προβλήματα που υπάρχουν σε κλάδους όπως η νευροεπιστήμη και η βιολογία, που έχουν να κάνουν με την ίδια τη φύση του ανθρώπου, δεν μπορούμε εύκολα να τα λύσουμε σε επίπεδο μηχανής. Όπως λέει, πρέπει να αντιληφθούμε καλύτερα τη λειτουργία του ανθρώπινου εγκεφάλου, να αποκωδικοποιήσουμε πρώτα εμάς τους ίδιους με αυτογνωσία, για να μπορέσουμε να μιλήσουμε για οτιδήποτε έχει να κάνει με ισχυρή ΤΝ... Γι' αυτό και ένα τεράστιο κομμάτι της έρευνας στην ΤΝ σήμερα εμπνέεται από τη νευροεπιστήμη και τη βιολογία.
Μηχανές με ενσυναίσθηση και προκατειλημμένες μηχανές
«Αν φανταζόμαστε ένα μέλλον όπου οι άνθρωποι επικοινωνούν με μηχανές για να διεκπεραιώνουν διαδικασίες ευκολότερα, θέλουμε σίγουρα οι μηχανές να έχουν ενσυναίσθηση, και να κατανοούν πώς λειτουργούν καθοδηγούμενες πάντα από τον άνθρωπο. Για να γίνει αυτό, πρέπει να κατανοήσουμε πλήρως ποιοι είναι οι μηχανισμοί της ανθρώπινης συμπεριφοράς και πώς μπορούμε να μεταφράσουμε τις εκφράσεις της. Τη στιγμή που μπορούμε να μοντελοποιήσουμε κάτι οδεύουμε προς τη λύση του. Γίνεται σήμερα τεράστια προσπάθεια παντού στον κόσμο, να ψηφιοποιηθεί υλικό ώστε να αξιοποιηθεί από την ΤΝ προς όφελός μας. Και ακόμα πιο συναρπαστικά βρίσκω όλα τα ωραία προβλήματα που μπορούμε να λύσουμε στο δρόμο...» λέει.
Φοβάται ότι οι μηχανές ενδέχεται να αποκτήσουν και προκαταλήψεις, που θα τους μεταδώσουν οι προγραμματιστές τους, σε κάποιες περιπτώσεις ενδεχομένως και σκοπίμως; «Το γεγονός και μόνο ότι συζητάμε αυτό το θέμα μεταξύ μας, ήδη με κάνει να αισθάνομαι αισιόδοξος, γιατί το πρόβλημα έχει αναγνωριστεί και από τη φύση του κάθε πρόβλημα επιδέχεται λύση. Δημιουργήθηκε ολόκληρος κλάδος μελέτης για το θέμα και ήδη κάνουμε μεγάλα βήματα. Παράλληλα πιστεύω πως το πρόβλημα αυτό χρήζει νομοθετικής ρύθμισης. Οφείλουν να διαμορφωθούν διαδικασίες που θα ελέγχουν με διαφάνεια τυχόν αθέμιτες τάσεις, που μπορεί να υπάρχουν σε κάποιο σύστημα» καταλήγει.
Ακολουθήστε το Business Daily στο Google news 
