Μηχανική μάθηση (αγγ. Machine Learning) ονομάζεται ο τομέας της τεχνητής νοημοσύνης που αναπτύσσει αλγόριθμους και μοντέλα, τα οποία επιτρέπουν σε υπολογιστές να μαθαίνουν και να βελτιώνουν την απόδοσή τους στην επίλυση συγκεκριμένων προβλημάτων, χωρίς αυτοί να είναι ρητά προγραμματισμένοι. Το πεδίο αυτό έχει αποκτήσει δημοτικότητα τα τελευταία χρόνια, λόγω της αυξανόμενης διαθεσιμότητας μεγάλων ποσοτήτων δεδομένων, αλλά και λόγω της ανάπτυξης ισχυρότερων υπολογιστικών συστημάτων.
Η μηχανική μάθηση έχει ποικίλες εφαρμογές σε διάφορους τομείς, όπως τα αυτόνομα αυτοκίνητα, την υγειονομική περίθαλψη, ακόμη και τη βελτίωση της εμπειρίας των χρηστών στα μέσα κοινωνικής δικτύωσης. Για παράδειγμα, τα αυτόνομα αυτοκίνητα χρησιμοποιούν αλγόριθμους μηχανικής μάθησης που αναλύουν δεδομένα αισθητήρων και λαμβάνουν αποφάσεις σχετικά με την πλοήγηση σε δρόμους, αλλά και την αποφυγή εμποδίων. Στον τομέα της υγειονομικής περίθαλψης, η μηχανική μάθηση χρησιμοποιείται για την ανάλυση ιατρικών φωτογραφιών (π.χ. ακτινογραφίες) με σκοπό τη βελτίωση της ακρίβειας των διαγνώσεων. Στα μέσα κοινωνικής δικτύωσης, οι αλγόριθμοι μηχανικής μάθησης χρησιμοποιούνται για την ανάλυση δεδομένων χρηστών και την παροχή εξατομικευμένων συστάσεων για το ψηφιακό περιεχόμενο.
Μια πρόσφατη εξέλιξη στον τομέα της μηχανικής μάθησης είναι τα «μεγάλα γλωσσικά μοντέλα» (ΜΓΜ), όπως το ChatGPT, τα οποία εκπαιδεύονται σε τεράστιες ποσότητες κειμένου και μπορούν να δημιουργήσουν με τη σειρά τους δικά τους κείμενα που μοιάζουν με αυτά ανθρώπων. Τα μοντέλα αυτά έχουν τη δυνατότητα να συμπληρώνουν προτάσεις, παραγράφους, ακόμη και ολόκληρα άρθρα (π.χ. οι προτάσεις του κειμενογράφου στο Gmail), καθιστώντας τα χρήσιμα για τη μετάφραση γλώσσας, τη σύνοψη κειμένου και τη δημιουργία περιεχομένου.
Μια άλλη εντυπωσιακή εξέλιξη της μηχανικής μάθησης είναι η χρήση μοντέλων «κειμένου σε εικόνα» (αγγ. text-to-image), όπως το Stable Diffusion, το οποίο μπορεί να δημιουργήσει ρεαλιστικές εικόνες με βάση μια δεδομένη περιγραφή κειμένου. Αυτά τα μοντέλα έχουν τη δυνατότητα να φέρουν επανάσταση στον τομέα της γραφιστικής, καθώς επιτρέπουν τη δημιουργία εικόνων υψηλής ποιότητας από απλές περιγραφές κειμένου, μειώνοντας την ανάγκη της χειρωνακτικής εργασίας για τη δημιουργία εικόνων. Η τεχνολογία αυτή έχει εφαρμογές σε τομείς, όπως η διαφήμιση, όπου μπορεί να χρησιμοποιηθεί για τη γρήγορη δημιουργία εικόνων για προϊόντα, αλλά και την ψυχαγωγία, όπου μπορεί να χρησιμοποιηθεί στην δημιουργία ρεαλιστικών εικόνων για βιντεοπαιχνίδια και ταινίες.
Ένας πιθανός κίνδυνος των ΜΓΜ είναι ότι μπορούν να χρησιμοποιηθούν για την παραγωγή πλαστού ή παραπλανητικού περιεχομένου. Για παράδειγμα, κάποιος θα μπορούσε να χρησιμοποιήσει ένα τέτοιο μοντέλο για να δημιουργήσει μεγάλες ποσότητες κειμένου που ενώ φαίνεται να είναι γραμμένα από άνθρωπο, έχουν σκοπό την παραπληροφόρηση ή τη διάδοση προπαγάνδας. Επιπλέον, η χρήση τέτοιων μοντέλων που δημιουργούν περιεχόμενο αυτόματα θα μπορούσε ενδεχομένως να οδηγήσει στη μείωση (ή εξάλειψη!) της ανθρώπινης δημιουργικότητας, καθώς συγγραφείς θα βασίζονται σε τέτοια μοντέλα για την παραγωγή γραπτού περιεχομένου, αντί να δημιουργούν πρωτότυπες ιδέες.
Ωστόσο, είναι σημαντικό να σημειωθεί ότι τα ΜΓΜ δεν είναι εγγενώς επιβλαβή. Στην πραγματικότητα, μπορούν να χρησιμοποιηθούν και για καλό σκοπό, όπως να βοηθήσουν στη μετάφραση γλωσσών, αλλά και να συνοψίσουν εύκολα εργασίες. Αξίζει επίσης να σημειωθεί ότι η χρήση ΜΓΜ για την παραγωγή ψεύτικου ή παραπλανητικού περιεχομένου δεν είναι καινούργιο πρόβλημα. Ψεύτικοι λογαριασμοί που παραπληροφορούν υπάρχουν στο διαδίκτυο εδώ και χρόνια. Είναι λοιπόν σημαντικό να χρησιμοποιούμε την κριτική μας σκέψη και να είμαστε προσεκτικοί όσον αφορά το περιεχόμενο που καταναλώνουμε, είτε έχει παραχθεί από ανθρώπους είτε από μηχανές.
Παρά τους πιθανούς κινδύνους που ελλοχεύουν από την χρήση ΜΓΜ, είναι σημαντικό να θυμάστε ότι τα συγκεκριμένα μοντέλα δεν είναι παρά εργαλεία που μπορούν να χρησιμοποιηθούν για διάφορους σκοπούς (καλούς ή κακούς). Αν χρησιμοποιηθούν με υπευθυνότητα και προσοχή, τα μοντέλα μηχανικής μάθησης έχουν τη δυνατότητα να ωφελήσουν σημαντικά την κοινωνία και να βελτιώσουν την καθημερινότητά μας. Για παράδειγμα, τα μοντέλα μηχανικής μάθησης μπορούν να βοηθήσουν στη μετάφραση γλώσσας και την αναγνώριση εικόνων, δίνοντας στους ανθρώπους παραπάνω χρόνο στο να επικεντρωθούν σε πιο σύνθετες και δημιουργικές εργασίες.
Εν κατακλείδι, προϋπόθεση για να αλληλεπιδρά ο άνθρωπος με τις μηχανές στο μέλλον -με δίκαιο και πολιτισμένο τρόπο- είναι να χρησιμοποιούνται αυτά τα εργαλεία με υπευθυνότητα και να εξετάζονται οι πιθανές συνέπειες της χρήσης τους. Δουλεύοντας μαζί, άνθρωποι και μοντέλα μηχανικής μάθησης έχουν τη δυνατότητα να επιτύχουν σπουδαία πράγματα και να βελτιώσουν τον κόσμο μας.
Η αλήθεια
Τα μοντέλα (ChatGPT και Stable Diffusion) στα οποία αναφέρεται το παραπάνω κείμενο αποτελούν την επιτομή της τεχνητής νοημοσύνης και γίνανε διαθέσιμα από την εταιρία OpenAI και το Πανεπιστήμιο του Μονάχου (αντίστοιχα) λιγότερο από έναν μήνα πριν τη σύνταξη του παρόντος κειμένου.
Για να καταλάβετε τις τρομακτικές δυνατότητες αυτών των δύο υπερσύγχρονων μοντέλων τεχνητής νοημοσύνης, ανατρέξτε στην αρχή του άρθρου και θαυμάστε την φωτογραφία που το κοσμεί: προς έκπληξή σας θα καταλάβετε πως δεν είναι πραγματικός πίνακας του Βαν Γκογκ, αλλά μια από τις πολλές φωτογραφίες που παρήγαγε το Stable Diffusion όταν του ζήτησα να μου ζωγραφίσει «μια γυναίκα που χρησιμοποιεί έναν υπολογιστή ζωγραφισμένη από τον Βαν Γκογκ»:
Δεν θα μπορούσε άλλωστε ο αγαπημένος μας Βίνσεντ να ζωγραφίσει μια κυρία που χρησιμοποιεί έναν υπολογιστή, καθώς ο ίδιος πέθανε στις 29 Ιουλίου του 1890, πολύ πριν ανακαλυφθεί ο πρώτος ηλεκτρονικός υπολογιστής.
Θα παρατηρήσατε ίσως πως ως συγγραφέας του παρόντος άρθρου, απέφυγα να χρησιμοποιήσω πρώτο πρόσωπο στο αρχικό κείμενο. Αυτό έγινε διότι οτιδήποτε διαβάσατε στην προηγούμενη ενότητα δεν το έγραψα εγώ, αλλά το ChatGPT, και θα ήταν άδικο -τουλάχιστον για τον αλγόριθμο- να καπηλευτώ το έργο του. Όλα τα παραπάνω λοιπόν είναι οι απαντήσεις του συγκεκριμένου αλγόριθμου, όταν του ζήτησα να μου γράψει σε μερικές παραγράφους την άποψή του για την τεχνητή νοημοσύνη, ώστε να τη δημοσιεύσω σε ένα άρθρο της «Εφημερίδας των Συντακτών»:
Καθώς το ChatGPT δεν γνωρίζει ελληνικά (ακόμα!), το μόνο που χρειάστηκε να κάνω για να σας παρουσιάσω τις απαντήσεις του είναι μια μετάφραση με τη βοήθεια της Google και ένα μικρό ρετουσάρισμα για να κρύψω το πρώτο πρόσωπο που χρησιμοποιεί ο αλγόριθμος όταν μιλάει για τον εαυτό του!
Τέλος, νιώθοντας πως θα ήταν άδικο να βάλω εγώ -ένας κοινός θνητός- τίτλο σε ένα άρθρο και σε έναν πίνακα που δεν έγραψα ή ζωγράφισα, όπως θα δείτε στην παραπάνω συνομιλία (την οποία παραθέτω και μεταφρασμένη), ρώτησα πάλι το ChatGPT να μου δώσει τους τίτλους της επιλογής του. Τεχνητή Νοημοσύνη – Αναγνώστης σημειώσατε άσσο λοιπόν και αυτό είναι μόνο η αρχή!
*Ο Σπύρος Κασάπης είναι ερευνητής στο εργαστήριο Advanced Supercomputing Division της NASA
