Τα τελευταία δύο-τρία χρόνια, κάθε συζήτηση για τεχνολογία, από επαγγελματικά meetings μέχρι οικογενειακά τραπέζια, καταλήγει στο ίδιο σημείο: ΤΝ ή AI, agents, ChatGPT, Copilot, prompts. Έχουμε γράψει κι εμείς για τον αγώνα δρόμου που τρέχει η Ελλάδα στην Τεχνητή Νοημοσύνη, και είναι πραγματικά ένας αγώνας δρόμου: εταιρείες, κράτη, πανεπιστήμια, όλοι τρέχουν να μη μείνουν πίσω. Υπάρχει όμως ένα ερώτημα που συνεχώς είναι στην επικαιρότητα και σπάνια βρίσκει την πρέπουσα απάντηση.
τι είναι η τεχνητή νοημοσύνη; τι ακριβώς είναι αυτό το πράγμα για το οποίο τρέχουμε όλοι;
Αν ρωτήσετε τον μέσο χρήστη, η απάντηση θα είναι κάτι σαν «είναι τα chatbots, τα εργαλεία που γράφουν κείμενα και κώδικα, τα μοντέλα που μιλάνε σαν άνθρωποι». Και δεν είναι λάθος — απλά είναι πολύ, πολύ μικρό κομμάτι μιας πολύ μεγαλύτερης ιστορίας. Μιας ιστορίας που ξεκινά εβδομήντα χρόνια πριν και που αξίζει να τη γνωρίζουμε, γιατί μας βοηθά να καταλάβουμε τι κάνουμε πραγματικά όταν μιλάμε για «AI».
Ορισμοί. Τι είναι Τεχνητή Νοημοσύνη (ΤΝ)
- Ο κλάδος της Πληροφορικής ο οποίος ασχολείται με την αυτοματοποίηση ευφυούς συμπεριφοράς
- Η μελέτη των μηχανισμών που διέπουν ευφυή συμπεριφορά μέσω της κατασκευής και αξιολόγησης συστημάτων τα οποία παριστάνουν αυτούς τους μηχανισμούς
- Η ανάπτυξη υπολογιστικών συστημάτων για την επίλυση δύσκολων προβλημάτων, τα οποία δεν μπορούν να επιλυθούν με την εξαντλητική εξέταση όλων των πιθανών λύσεων μιας και αυτές μπορεί να είναι πάρα πολλές
- Η μελέτη του πως να κάνουμε τον υπολογιστή να πράξει κάτι που επί του παρόντος ο άνθρωπος μπορεί να πράξει καλύτερα
Μια ιστορία πολύ πιο παλιά απ’ όσο φαντάζεστε
Ο όρος «Artificial Intelligence» επινοήθηκε το 1956, σε ένα θερινό συνέδριο στο Dartmouth College, από μια ομάδα ερευνητών που πίστευαν —με μια αφοπλιστική αφέλεια για τα δεδομένα της εποχής— ότι μέσα σε ένα καλοκαίρι θα μπορούσαν να κάνουν σημαντική πρόοδο στο να κάνουν μηχανές να «σκέφτονται». Από εκείνη την εποχή και μέχρι σήμερα, το πεδίο οργανώνεται γύρω από δύο μεγάλες, παράλληλες οικογένειες προσεγγίσεων.
- Η Συμβολική Τεχνητή Νοημοσύνη προσπάθησε να αναπαραστήσει τη γνώση και τη σκέψη με σύμβολα, κανόνες και λογικές προτάσεις «αν συμβαίνει αυτό και αυτό, τότε…». Εδώ εντάσσονται η αναζήτηση λύσεων σε χώρους προβλημάτων, η μοντελοποίηση περιορισμών, ο λογικός προγραμματισμός, τα συστήματα κανόνων και τα δέντρα αποφάσεων.
- Η Υπολογιστική Τεχνητή Νοημοσύνη αντλεί έμπνευση από τη φύση. Νευρωνικά δίκτυα που μαθαίνουν από παραδείγματα, αλλά και γενετικοί/εξελικτικοί αλγόριθμοι που «ψάχνουν» λύσεις μιμούμενοι τη φυσική επιλογή (επιλογή, διασταύρωση, μετάλλαξη). Η πρώτη πρακτική υλοποίηση ενός τεχνητού νευρώνα ήταν ο Perceptron, το 1957, καθώς και για τα Τεχνητά Νευρωνικά Δίκτυα που προέκυψαν από αυτή την ιδέα.
Για δεκαετίες, οι δύο οικογένειες συνυπήρχαν, με αμφίδρομες περιόδους ενθουσιασμού και απογοήτευσης («χειμώνες της AI»). Αυτό που άλλαξε τα τελευταία χρόνια είναι ότι η Υπολογιστική ΤΝ και συγκεκριμένα τα νευρωνικά δίκτυα, σε τεράστια κλίμακα, πέτυχε κάτι εντυπωσιακό: τα Large Language Models. Και επειδή η επιτυχία αυτή ήταν τόσο ορατή και τόσο εμπορικά αξιοποιήσιμη, σιγά σιγά «κατάπιε» στη δημόσια συζήτηση όλο το υπόλοιπο πεδίο. Σήμερα, για πολύ κόσμο, AI = LLM. Αλλά αυτό είναι σαν να λέμε ότι «αυτοκίνητο = Ferrari» — μια πολύ συγκεκριμένη, πρόσφατη και εντυπωσιακή κατηγορία, που όμως δεν εξαντλεί το είδος.
Το «εργαλειοκούτι» της Τεχνητής Νοημοσύνης
Ας δούμε, πολύ συνοπτικά, τι περιλαμβάνει και που θα αναλύσουμε ένα προς ένα στα επόμενα άρθρα της σειράς.
Συμβολική Τεχνητή Νοημοσύνη
- Αναζήτηση και ευρετικές συναρτήσεις. Πολλά προβλήματα μπορούν να αναπαρασταθούν ως «χώρος καταστάσεων»: ξεκινάς από ένα σημείο, υπάρχουν διαθέσιμες ενέργειες, και ψάχνεις τον δρόμο προς έναν στόχο. Αλγόριθμοι όπως ο A* δεν είναι απλά ακαδημαϊκή άσκηση είναι ο πρόγονος κάθε σύγχρονου πράκτορα «agent» που αποφασίζει ποια ενέργεια να κάνει επόμενη.
- Προβλήματα Περιορισμών (CSP). Πολλά πραγματικά προβλήματα δεν είναι «βρες τον καλύτερο δρόμο», αλλά «βρες μια ανάθεση τιμών που ικανοποιεί όλους τους κανόνες ταυτόχρονα», από το χρωματισμό χαρτών μέχρι τον προγραμματισμό βαρδιών. Τεχνικές όπως το backtracking και το forward checking μαθαίνουν τη μηχανή να «κλαδεύει» γρήγορα τις άσκοπες επιλογές.
- Δέντρα Αποφάσεων. Μάθηση από δεδομένα μέσω διαδοχικών ερωτήσεων: «αν η θερμοκρασία είναι πάνω από X, και η υγρασία κάτω από Y, τότε…». Απλά, ερμηνεύσιμα, και ακόμα πολύ χρήσιμα σε πραγματικά συστήματα.
- Λογικός Προγραμματισμός. Συστήματα όπου η μηχανή δεν εκτελεί εντολές βήμα-βήμα, αλλά «συλλογίζεται»: της δίνεις γεγονότα και κανόνες, και αυτή βρίσκει τι προκύπτει. Είναι ο πυρήνας πίσω από πολλά expert systems.
Υπολογιστική Τεχνητή Νοημοσύνη
- Νευρωνικά Δίκτυα και Machine Learning. Σήμερα κυρίαρχο στη δημόσια συζήτηση, δικαίως, λόγω των LLMs, αλλά άδικα, όταν παρουσιάζεται σαν να είναι το μοναδικό κομμάτι.
- Γενετικοί Αλγόριθμοι. Η ίδια λογική της «μάθησης μέσα από δοκιμή» με τα νευρωνικά, αλλά εμπνευσμένη από την εξέλιξη των ειδών( επιλογή, διασταύρωση, μετάλλαξη). Η μέθοδος για να «ψάξεις» λύσεις σε προβλήματα όπου ο χώρος είναι τόσο μεγάλος που καμία κλασική μέθοδος δεν προλαβαίνει να τον εξετάσει.
Γιατί έχει σημασία να το ξέρετε
Δεν είναι μόνο θέμα ακαδημαϊκής περιέργειας. Όταν καταλαβαίνετε ότι η «ευφυΐα» ενός συστήματος μπορεί να προέρχεται από πολύ διαφορετικές πηγές, μερικές φορές από ένα δίκτυο δισεκατομμυρίων παραμέτρων, μερικές φορές από έναν απλό αλγόριθμο αναζήτησης με καλή ευρετική συνάρτηση, τότε αποκτάτε ένα φίλτρο. Ένα φίλτρο που σας επιτρέπει να ξεχωρίσετε:
- τι είναι πραγματική καινοτομία,
- τι είναι επαναπακετάρισμα παλιών ιδεών με νέο marketing, και
- τι θα λύσει πραγματικά το πρόβλημα που έχετε μπροστά σας.
Μέσα απο τα μάτια του Πληροφορικού θα προσπαθήσω να το παρουσιάσω: είτε είστε διευθυντής που αξιολογεί ένα εργαλείο, είτε απλά ένας πολίτης που προσπαθεί να βγάλει άκρη στη συζήτηση,
Τι έρχεται
Στα επόμενα άρθρα της σειράς θα μπούμε, ένα προς ένα, σε αυτούς τους τομείς. Θα δούμε πώς σκέφτεται μια μηχανή όταν «ψάχνει» λύσεις. Πώς το backtracking μπορεί να σας μάθει κάτι για τη διοίκηση έργων Πληροφορικής. Θα ξαναγυρίσουμε στα νευρωνικά δίκτυα, αυτή τη φορά κατανοώντας τι σημαίνει πραγματικά ένα «βάρος» και ένας «ρυθμός μάθησης». Στο τέλος, θα κλείσουμε με μια πιο πρακτική, επιχειρηματική ματιά: τι αξίζει να ξέρει κανείς πριν αποφασίσει να επενδύσει σε «AI».
Η Τεχνητή Νοημοσύνη δεν γεννήθηκε με το ChatGPT. Γεννήθηκε πολύ πριν, και είναι πολύ μεγαλύτερη. Ας τη γνωρίσουμε καλύτερα.
