4 τύποι AI: Γνωρίζοντας την τεχνητή νοημοσύνη

Η τεχνητή νοημοσύνη μας έδωσε τη δυνατότητα να κάνουμε πράγματα πιο γρήγορα και καλύτερα, προχωρώντας την τεχνολογία στον 21ο αιώνα. H AI έχει δημιουργήσει νέες ευκαιρίες για πρόοδο σε κρίσιμα ζητήματα όπως η υγεία, η εκπαίδευση και το περιβάλλον: «έξυπνα» κτίρια και οχήματα μπορούν να μειώσουν τις εκπομπές άνθρακα, να ενισχύσουν τις διαδικασίες της μάθησης και να στηρίξουν τα άτομα με αναπηρία. Η μηχανική μάθηση, ένα υποσύνολο της τεχνητής νοημοσύνης, επέτρεψε στους μηχανικούς να κατασκευάζουν ρομπότ και αυτοοδηγούμενα αυτοκίνητα, να αναγνωρίζουν ομιλία και εικόνες και να προβλέπουν τις τάσεις της αγοράς.

Υπάρχουν τέσσερις βασικοί τύποι τεχνητής νοημοσύνης, ο καθένας από τους οποίους επιδεικνύει διαφορετικές ικανότητες και εκτελεί καθορισμένα σύνολα εργασιών.

Οι τέσσερις βασικοί τύποι τεχνητής νοημοσύνης σύμφωνα με τον Arend Hintze, ερευνητή και καθηγητή βιολογίας στο Πολιτειακό Πανεπιστήμιο του Μίσιγκαν

1. «Αντιδραστικά» μηχανήματα
Οι αντιδραστικές μηχανές είναι συστήματα τεχνητής νοημοσύνης που δεν έχουν μνήμη και στα οποία ανατίθενται συγκεκριμένα καθήκοντα. Τα μοντέλα μηχανικής εκμάθησης τείνουν να είναι αντιδραστικά, επειδή λαμβάνουν τα δεδομένα των χρηστών, όπως ένα ιστορικό αγορών ή αναζητήσεων στο Ίντερνετ και τα χρησιμοποιούν για να παρέχουν προτάσεις στους χρήστες. Ο μέσος άνθρωπος θα χρειαζόταν πάρα πολύ χρόνο, για να επεξεργαστεί για παράδειγμα, ολόκληρο το ιστορικό του Netflix ενός πελάτη και να του κάνει προσαρμοσμένες προτάσεις για το τι θα τον ενδιέφερε στο μέλλον. Η Reactive AI είναι σχετικά αξιόπιστη και λειτουργεί καλά σε εφευρέσεις όπως τα αυτοοδηγούμενα αυτοκίνητα, αλλά δεν μπορεί να προβλέψει μελλοντικά αποτελέσματα εκτός και αν έχει τροφοδοτηθεί με τις κατάλληλες πληροφορίες. Στην ανθρώπινη ζωή, οι περισσότερες ενέργειές μας δεν είναι αντιδραστικές επειδή δεν έχουμε όλες τις πληροφορίες που χρειαζόμαστε για να αντιδράσουμε· έχουμε όμως την ικανότητα να θυμόμαστε και να μαθαίνουμε. Ένα από τα καλύτερα παραδείγματα αντιδραστικής τεχνητής νοημοσύνης είναι το Deep Blue, το σκακιστικό σύστημα AI της IBM, που κέρδισε τον Garry Kasparov στα τέλη της δεκαετίας του 1990. Το Deep Blue μπορούσε να αναγνωρίσει τα δικά του πιόνια και τα πιόνια των αντιπάλων του στη σκακιέρα για να κάνει προβλέψεις για τις κινήσεις τους, αλλά δεν είχε την ικανότητα μνήμης για να χρησιμοποιήσει λάθη του παρελθόντος προκειμένου να λάβει μελλοντικές αποφάσεις. Έκανε μόνο προβλέψεις με βάση τις επόμενες κινήσεις και για τους δύο παίκτες και επέλεγε την καλύτερη κίνηση. Όσο για τις προτάσεις σε πλατφόρμες όπως το Netflix, η μηχανή τροφοδοτείται από μοντέλα μηχανικής εκμάθησης που επεξεργάζονται τα δεδομένα τα οποία συλλέγονται από το ιστορικό παρακολούθησης ενός πελάτη: καθώς είμαστε πλάσματα της συνήθειας, αν κάποιος τείνει να βλέπει κορεατικές σειρές, το Netflix θα εμφανίσει μια προεπισκόπηση παρόμοιων έργων στην αρχική σελίδα.

2. ΑΙ με περιορισμένη μνήμη
Αυτός ο τύπος AI λειτουργεί με αλγόριθμο που μιμείται τον τρόπο με τον οποίο συνεργάζονται οι νευρώνες του εγκεφάλου μας: αυτό σημαίνει ότι γίνεται πιο «έξυπνος» καθώς μπορεί να επεξεργάζεται περισσότερα δεδομένα. Η βαθιά εκμάθηση βελτιώνει την αναγνώριση εικόνων και άλλους τύπους ενισχυτικής μάθησης. Η περιορισμένη μνήμη AI, σε αντίθεση με τις αντιδραστικές μηχανές, μπορεί να κοιτάξει στο παρελθόν και να παρακολουθεί συγκεκριμένα αντικείμενα ή καταστάσεις με την πάροδο του χρόνου. Στη συνέχεια, αυτές οι παρατηρήσεις προγραμματίζονται έτσι ώστε οι ενέργειές του συστήματος να μπορούν να εκτελεστούν με βάση δεδομένα τόσο του παρελθόντος όσο και του παρόντος. Αλλά σε συστήματα περιορισμένης μνήμης, αυτά τα δεδομένα δεν αποθηκεύονται στη μνήμη του AI ως εμπειρία από την οποία μπορούμε να μάθουμε, όπως συμβαίνει στους ανθρώπους. Πάντως, όπως οι άνθρωποι μπορούν να αντλήσουν νόημα από τις επιτυχίες και τις αποτυχίες τους, το σύστημα AI βελτιώνεται με την πάροδο του χρόνου καθώς εκπαιδεύεται σε περισσότερα δεδομένα. Ένα καλό παράδειγμα περιορισμένης μνήμης AI είναι ο τρόπος με τον οποίο τα αυτόνομα αυτοκίνητα παρατηρούν άλλα αυτοκίνητα στον δρόμο για να καθορίσουν την ταχύτητα, την κατεύθυνση και την εγγύτητά τους. Αυτές οι πληροφορίες προγραμματίζονται ως μια αναπαράσταση του κόσμου του αυτοκινήτου, όπως η γνώση των φαναριών, των πινακίδων, των στροφών και των προσκρούσεων στο δρόμο. Τα δεδομένα βοηθούν το αυτοκίνητο να αποφασίσει πότε θα αλλάξει λωρίδα, ώστε να μην χτυπήσει ή αποκόψει άλλον οδηγό.

3. Θεωρία του νου
Οι δύο πρώτοι τύποι τεχνητής νοημοσύνης, οι αντιδραστικές μηχανές και η περιορισμένη μνήμη, υπάρχουν αυτήν τη στιγμή. Η θεωρία του νου και η αυτογνωσία είναι τύποι τεχνητής νοημοσύνης που θα κατασκευαστούν στο μέλλον. Ως εκ τούτου, δεν υπάρχουν ακόμα παραδείγματα υπό τον πραγματικό κόσμο. Αν αναπτυχθεί, η θεωρία του νου AI θα έχει τη δυνατότητα να κατανοήσει τον κόσμο και το πώς άλλες οντότητες έχουν σκέψεις και συναισθήματα. Οι άνθρωποι κατανοούν πώς οι σκέψεις και τα συναισθήματα επηρεάζουν τους άλλους και πώς τους επηρεάζουν οι άλλοι — αυτή είναι η βάση των ανθρώπινων σχέσεων της κοινωνίας μας. Στο μέλλον, οι μηχανές τεχνητής νοημοσύνης της θεωρίας του νου θα μπορούν να κατανοούν τις προθέσεις και να προβλέψουν τη συμπεριφορά, προσομοιώνοντας τις ανθρώπινες σχέσεις.

4. Αυτογνωσία
Το μεγάλο φινάλε για την εξέλιξη της τεχνητής νοημοσύνης θα ήταν ο σχεδιασμός συστημάτων που έχουν συναίσθηση του εαυτού τους, κάποια συνειδητή κατανόηση της ύπαρξής τους. Αυτός ο τύπος AI δεν υπάρχει ακόμα. Αυτό προχωρεί ένα βήμα πέρα από τη θεωρία της τεχνητής νοημοσύνης του νου και την κατανόηση των συναισθημάτων, φτάνοντας στην επίγνωση, στα αισθήματα και στην εκτίμηση των συναισθημάτων των άλλων. Για παράδειγμα, το «πεινάω » γίνεται «ξέρω ότι πεινάω» ή «θέλω να φάω λαζάνια γιατί είναι το αγαπημένο μου φαγητό.»

Απέχουμε πολύ από την αυτογνωσία της τεχνητής νοημοσύνης, επειδή υπάρχουν ακόμη πολλά να αποκαλυφθούν σχετικά με τη νοημοσύνη του ανθρώπινου εγκεφάλου και τον τρόπο λειτουργίας της μνήμης, της μάθησης και της λήψης αποφάσεων. Μέχρι να συμβεί αυτό —με όλα τα ηθικά και νομικά προβλήματα που επισύρει— η εκμάθηση για την τεχνητή νοημοσύνη μπορεί να είναι διασκεδαστική και συναρπαστική ακόμα κι αν δεν σκοπεύουμε να γίνουμε μηχανικός τεχνητής νοημοσύνης. Το μάθημα AI for Everyone που προσφέρεται από το DeepLearning.AI είναι ειδικά σχεδιασμένο για μη ειδικούς που θέλουν γνα κατανοήσουν τι είναι το AI, συμπεριλαμβανομένης της κοινής ορολογίας όπως τα νευρωνικά δίκτυα, η μηχανική μάθηση, η βαθιά μάθηση και η επιστήμη δεδομένων. Επίσης, δωρεάν εισαγωγή στην ΑΙ προσφέρει η πλατφόρμα coursera.org: η γνώση για την ΑΙ δεν είναι απλώς μια ακόμα ενημέρωση, είναι προϋπόθεση της κατανόησης ενός κόσμου που πλησιάζει γρηγορότερα απ’ όσο ίσως νομίζουμε.