Πέρυσι, ένα περίεργο αυτό-οδηγούμενο αυτοκίνητο ξεχύθηκε στους ήσυχους δρόμους του Monmouth County στο New Jersey. Το πειραματικό όχημα που κατασκευάστηκε από ερευνητές της Nvidia, φαινομενικά δεν διέφερε από τα αυτόνομα αυτοκίνητα. Αν και δεν έμοιαζε σε τίποτα από όσα έχουν επιδείξει έως τώρα η Google, η Tesla ή η General Motors, έκανε αισθητή την αναπτυσσόμενη δύναμη της τεχνητής νοημοσύνης. Το αυτοκίνητο δεν ακολούθησε μία μόνο οδηγία από κάποιον μηχανικό ή προγραμματιστή.
Αντίθετα, η λειτουργία του βασιζόταν εξ’ ολοκλήρου σε έναν αλγόριθμο που είχε μάθει στον εαυτό του πώς να οδηγεί, παρακολουθώντας έναν άνθρωπο να το κάνει. Εντυπωσιακό, δεν βρίσκετε; Ωστόσο, με μία δεύτερη σκέψη θα συμφωνήσετε πως είναι και λιγάκι ανησυχητικό, καθώς δεν είναι εντελώς ξεκάθαρος ο τρόπος με τον οποίο το αυτοκίνητο παίρνει τις αποφάσεις του. Οι πληροφορίες από τους αισθητήρες του οχήματος μεταφέρονται απ’ ευθείας σε ένα τεράστιο δίκτυο τεχνητών νευρώνων όπου επεξεργάζονται τα δεδομένα και στη συνέχεια παραδίδουν τις εντολές που απαιτούνται για τη λειτουργία του τιμονιού, των φρένων και άλλων συστημάτων.
Το αποτέλεσμα φαίνεται να ταιριάζει με τις απαντήσεις που θα περιμέναμε από έναν άνθρωπο οδηγό. Όμως, τι θα γινόταν αν κάποια μέρα έκανε κάτι απροσδόκητο- όπως για παράδειγμα να χτυπούσε σε ένα δέντρο ή να σταματούσε σε ένα πράσινο φανάρι; Η απάντηση εδώ, δεν είναι εύκολη υπόθεση.
Το σύστημα είναι τόσο περίπλοκο, που ακόμη και οι μηχανικοί που το σχεδίασαν μπορεί να δυσκολευτούν να απομονώσουν το λόγο για κάθε μεμονωμένη ενέργεια. Κι όσο περίεργο κι αν μοιάζει, δεν υπάρχει κανένας προφανής τρόπος για να σχεδιάσει κανείς ένα σύστημα τέτοιο, που να μπορεί να εξηγήσει πάντα γιατί λειτουργεί με τον τρόπο που λειτουργεί.
Η υποκείμενη αλγοριθμική τεχνολογία του αυτοκινήτου, γνωστή ως βαθειά μάθηση (deep learning), έχει αποδειχθεί πολύ ισχυρή στην επίλυση προβλημάτων τα τελευταία χρόνια και έχει αναπτυχθεί ευρέως για εργασίες όπως η προβολή εικόνας, η αναγνώριση φωνής και η μετάφραση γλωσσών. Πλέον, υπάρχει η ελπίδα πως οι ίδιες τεχνικές θα είναι σε θέση να εντοπίζουν θανατηφόρες ασθένειες, να λαμβάνουν αποφάσεις εκατομμυρίων δολαρίων και να κάνουν αμέτρητα άλλα πράγματα που θα μεταμορφώσουν ολόκληρες βιομηχανίες.
Αλλά αυτό δεν θα συμβεί – ή μάλλον δεν θα έπρεπε να συμβεί – εκτός και αν βρούμε τρόπους να κάνουμε τις τεχνικές, όπως τη βαθειά μάθηση, πιο κατανοητές στους δημιουργούς τους και πιο υπεύθυνες ως προς τους χρήστες τους. Ειδάλλως, θα είναι δύσκολο να προβλεφθούν πιθανές αποτυχίες. Και αυτός είναι ένας από τους λόγους που το αυτοκίνητο της Nvidia παραμένει
πειραματικό.
Ήδη χρησιμοποιούνται μαθηματικά μοντέλα για τη λήψη αποφάσεων, για την έγκριση δανείων ή για την πρόσληψη προσωπικού. Αν κάποιος μπορούσε να έχει πρόσβαση σε αυτά τα μαθηματικά μοντέλα, θα είχε τη δυνατότητα να κατανοήσει και τη συλλογιστική τους. Αλλά οι τράπεζες, ο στρατός, οι εργοδότες και άλλοι, επικεντρώνουν τώρα την προσοχή τους σε πιο σύνθετες προσεγγίσεις μηχανικής μάθησης που θα μπορούσαν να καταστήσουν εντελώς ανεξέλεγκτη την αυτοματοποιημένη λήψη αποφάσεων.
Η βαθειά μάθηση, η πιο κοινή από αυτές τις προσεγγίσεις, αντιπροσωπεύει έναν θεμελιωδώς διαφορετικό τρόπο προγραμματισμού υπολογιστών. «Είναι ένα πρόβλημα που μας απασχολεί ήδη και πρόκειται να μας απασχολήσει πολύ περισσότερο στο μέλλον», αναφέρει ο Tommi Jaakkola, καθηγητής του MIT που εργάζεται σε εφαρμογές μηχανικής μάθησης. «Είτε πρόκειται για επενδυτική, είτε για ιατρική, είτε για στρατιωτική απόφαση, δεν θα θέλατε να στηριχθείτε μόνο σε μια
μέθοδο ‘μαύρου κουτιού’ ».
Από το καλοκαίρι του 2018, η Ευρωπαϊκή Ένωση προβλέπεται να απαιτήσει από τις εταιρείες να μπορούν να παρέχουν στους χρήστες μια εξήγηση για τις αποφάσεις που λαμβάνουν τα αυτοματοποιημένα συστήματα. Αυτό ίσως να είναι αδύνατο, ακόμη και για συστήματα που φαίνονται σχετικά απλά, όπως οι εφαρμογές και τα sites που χρησιμοποιούν τη βαθειά μάθηση για να προβάλλουν διαφημίσεις ή να προτείνουν τραγούδια. Οι υπολογιστές που εκτελούν αυτές τις υπηρεσίες έχουν προγραμματιστεί και το έχουν κάνει με τέτοιο τρόπο που δεν μπορούμε να τον καταλάβουμε.
Ακόμα και οι μηχανικοί που κατασκευάζουν αυτές τις εφαρμογές δεν μπορούν να εξηγήσουν πλήρως τη συμπεριφορά τους. Αυτό όμως, εγείρει κάποια ανησυχητικά ερωτήματα. Σίγουρα και εμείς οι άνθρωποι δεν μπορούμε πάντα να εξηγήσουμε πραγματικά τις διαδικασίες που ακολουθεί η σκέψης μας – αλλά βρίσκουμε τρόπους να εμπιστευθούμε διαισθητικά και να «μετρήσουμε» τους ανθρώπους. Όμως, θα συμβαίνει το ίδιο και με τις μηχανές που σκέφτονται και λαμβάνουν αποφάσεις με διαφορετικό τρόπο απ’ ότι θα έκανε ένας άνθρωπος; Ποτέ μέχρι τώρα, δεν είχαμε κατασκευάσει μηχανές που λειτουργούν με τρόπο που δεν καταλαβαίνουν οι ίδιοι οι κατασκευαστές τους. Πόσο καλά μπορούμε να περιμένουμε ότι θα επικοινωνήσουμε – και θα συμβιώσουμε – με έξυπνες μηχανές που θα μπορούσαν να είναι απρόβλεπτες; Τα παραπάνω ερωτήματα αποτελούν μια ανοιχτή πληγή στον τομέα των AI (Artificial Intelligence) αλγορίθμων.
Το 2015, μια ομάδα ερευνητών του Mount Sinai Hospital στη Νέα Υόρκη, είχε την ιδέα να εφαρμόσει τη βαθειά μάθηση στην τεράστια βάση δεδομένων του νοσοκομείου για τα αρχεία των ασθενών. Αυτό το σύνολο δεδομένων περιλαμβάνει εκατοντάδες μεταβλητών για τους ασθενείς, που προέρχονται από τα αποτελέσματα των εξετάσεών τους, τις επισκέψεις γιατρών κ.ο.κ. Το πρόγραμμα, το οποίο οι ερευνητές ονόμασαν «Deep Patient», εκπαιδεύτηκε χρησιμοποιώντας δεδομένα από περίπου 700.000
άτομα και όταν δοκιμάστηκε σε νέα αρχεία, αποδείχθηκε εξαιρετικά καλό στην πρόγνωση ασθενειών.
Χωρίς καμία εξειδικευμένη εντολή, το «Deep Patient» ανακάλυψε μοτίβα κρυμμένα στα νοσοκομειακά δεδομένα, τα οποία φαινόταν να δείχνουν πότε οι άνθρωποι πλησίαζαν σε ένα ευρύ φάσμα ασθενειών, συμπεριλαμβανομένου του καρκίνου του ήπατος. «Υπάρχουν πολλές μέθοδοι που είναι αρκετά καλές για την πρόβλεψη της νόσου από τα αρχεία ενός ασθενούς», αναφέρει ο Joel Dudley, ο οποίος ηγείται της ομάδας Mount Sinai. «Αλλά», προσθέτει, «η συγκεκριμένη ήταν κατά
πολύ, καλύτερη».
Ταυτόχρονα όμως, το πρόγραμμα «Deep Patient» είναι λιγάκι αινιγματικό. Φαίνεται να προβλέπει την εμφάνιση ψυχιατρικών διαταραχών – όπως η σχιζοφρένεια – εκπληκτικά καλά. Όμως, η σχιζοφρένεια είναι δύσκολο να προβλεφθεί ακόμη και από τους γιατρούς, γεγονός που κάνει τον Dudley να αναρωτιέται. Εξακολουθεί να μην γνωρίζει το πώς τα καταφέρνει! Το νέο εργαλείο δεν παρέχει κανένα απολύτως στοιχείο για το πώς το κάνει αυτό. Αν κάτι σαν το «Deep Patient» πραγματικά πρόκειται να
βοηθήσει τους γιατρούς, θα τους δώσει ιδανικά το σκεπτικό για την πρόβλεψή του και θα τους καθησυχάσει ότι τα συμπεράσματά του είναι ακριβή και τεκμηριωμένα. Για παράδειγμα, η απόφαση για την αλλαγή στα φάρμακα που κάποιος έχει συνταγογραφηθεί να παίρνει. «Μπορούμε να κατασκευάσουμε αυτά τα μοντέλα», λέει ο Dudley, «αλλά δεν ξέρουμε πώς λειτουργούν».
Η τεχνητή νοημοσύνη δεν ήταν πάντοτε έτσι. Από την αρχή, υπήρχαν δύο σχολές σκέψης σχετικά με το πόσο κατανοητό είναι, ή το πόσο θα έπρεπε να είναι, ένα AI σύστημα. Πολλοί πίστευαν πως είναι πιο λογικό να κατασκευάσουν μηχανές που βασίζονται σε κανόνες και λογική, καθιστώντας τις εσωτερικές τους λειτουργίες διαφανείς σε όποιον ενδιαφέρεται να εξετάσει κάποιο κώδικα. Άλλοι, θεώρησαν ότι η ευφυΐα θα μπορούσε να προκύψει ευκολότερα εάν οι μηχανές λάμβαναν έμπνευση από τη βιολογία και εκπαιδεύονταν παρατηρώντας και βιώνοντας. Δηλαδή, στη θέση ενός προγραμματιστή που γράφει τις εντολές για την επίλυση ενός προβλήματος, το πρόγραμμα παράγει τον δικό του αλγόριθμο βασισμένο σε παραδείγματα δεδομένων. Οι τεχνικές εκμάθησης μηχανών που αργότερα εξελίχτηκαν στα πιο ισχυρά AI συστήματα της εποχής, ακολούθησαν την τελευταία λέξη της
τεχνολογίας: το μηχάνημα ουσιαστικά αυτό-προγραμματίζεται.
Στην αρχή, αυτή η προσέγγιση ήταν περιορισμένης πρακτικής χρήσης και στη δεκαετία του 1960 και του ’70 παρέμεινε σε μεγάλο βαθμό στο περιθώριο. Στη συνέχεια, η μηχανοργάνωση πολλών βιομηχανιών λόγω της εμφάνισης μεγάλων συνόλων δεδομένων εκδήλωσαν το ενδιαφέρον τους. Αυτό ενέπνευσε την ανάπτυξη ισχυρότερων τεχνικών μηχανικής μάθησης, ειδικά νέων εκδόσεων ενός γνωστού ως τεχνητού νευρικού δικτύου. Μέχρι τη δεκαετία του 1990, τα νευρικά δίκτυα μπορούσαν αυτόματα να ψηφιοποιήσουν χειρόγραφους χαρακτήρες.
Όμως, δεν ήταν παρά μόνο στις αρχές αυτής της δεκαετίας, που μετά από αρκετές έξυπνες τροποποιήσεις, τα πολύ μεγάλα – ή «βαθειά» – νευρικά δίκτυα επέδειξαν δραματικές βελτιώσεις στην αυτοματοποιημένη αντίληψη. Η βαθειά μάθηση είναι υπεύθυνη για τη σημερινή έκρηξη της τεχνητής νοημοσύνης. Έδωσε στους υπολογιστές εξαιρετικές δυνάμεις, όπως η ικανότητα αναγνώρισης προφορικών λέξεων σχεδόν όπως θα το έκανε και ένας άνθρωπος – μια δεξιότητα πολύ περίπλοκη για την κωδικοποίηση του μηχανήματος με το χέρι. Η βαθειά μάθηση, έχει επίσης μεταμορφώσει την υπολογιστική όραση και έχει βελτιώσει σημαντικά τη μηχανική μετάφραση. Πλέον χρησιμοποιείται για να καθοδηγεί κάθε είδους βασικές αποφάσεις στον τομέα της ιατρικής, της χρηματοδότησης, της κατασκευής κ.ο.κ.
Η λειτουργία οποιασδήποτε τεχνολογίας εκμάθησης μηχανών συγκριτικά με ένα χειροκίνητο σύστημα είναι εκ φύσεως πιο αδιαφανής, ακόμη και για τους επιστήμονες υπολογιστών. Αυτό δεν σημαίνει ότι όλες οι μελλοντικές AI τεχνικές θα είναι εξίσου ακατανόητες. Αλλά από τη φύση της, η βαθειά εκμάθηση είναι ένα ιδιαίτερα σκοτεινό ‘μαύρο κουτί’. Δεν μπορεί απλά να κοιτάξει κανείς μέσα σε ένα βαθύ νευρωνικό δίκτυο και να δει το πώς λειτουργεί.
Ο συλλογισμός ενός δικτύου είναι ενσωματωμένος στη συμπεριφορά χιλιάδων προσομοιωμένων νευρώνων, διατεταγμένων σε δεκάδες ή και εκατοντάδες πολύπλοκα αλληλένδετα στρώματα. Οι νευρώνες στο πρώτο στρώμα λαμβάνουν κάθε φορά μια είσοδο και στη συνέχεια πραγματοποιούν έναν υπολογισμό πριν από την έξοδο ενός νέου σήματος. Αυτές οι έξοδοι τροφοδοτούνται στους νευρώνες του επόμενου στρώματος κ.ο.κ. Επιπλέον, υπάρχει μια διαδικασία γνωστή ως backpropagation
που συνδυάζει τους υπολογισμούς των μεμονωμένων νευρώνων με τρόπο που επιτρέπει στο δίκτυο να μάθει να παράγει μια επιθυμητή έξοδο.
Τα πολλά στρώματα σε ένα βαθύ δίκτυο τού επιτρέπουν να αναγνωρίζει τα πράγματα σε διαφορετικά επίπεδα αφαίρεσης. Σε ένα σύστημα που έχει σχεδιαστεί για να αναγνωρίζει σκυλιά, για παράδειγμα, τα χαμηλότερα στρώματα αναγνωρίζουν απλά πράγματα, όπως το περίγραμμα ή το χρώμα. Τα ανώτερα στρώματα αναγνωρίζουν πιο περίπλοκα πράγματα, όπως τη γούνα ή τα μάτια. Και το ανώτατο στρώμα αναγνωρίζει τα παραπάνω χαρακτηριστικά συνολικά, ως σκύλο. Η ίδια προσέγγιση μπορεί να εφαρμοστεί, σε γενικές γραμμές, με άλλες εισόδους που οδηγούν μια μηχανή στην αυτό-διδασκαλία, όπως: τους ήχους που συνθέτουν τις λέξεις στην ομιλία, τα γράμματα και τις λέξεις που δημιουργούν προτάσεις σε κείμενο ή τις κινήσεις του τιμονιού που απαιτούνται για την οδήγηση.
Το 2015, ερευνητές της Google τροποποίησαν έναν αλγόριθμο αναγνώρισης εικόνας βασισμένο στη βαθειά μάθηση, ώστε αντί να εντοπίζει αντικείμενα στις φωτογραφίες, να τα δημιουργεί ή να τα τροποποιεί. Εκτελώντας αντίστροφα τον αλγόριθμο, θα μπορούσαν να ανακαλύψουν τα χαρακτηριστικά που χρησιμοποιεί το πρόγραμμα για να αναγνωρίσει, ας πούμε, ένα πουλί ή ένα
κτίριο.
Οι εικόνες που προέκυψαν, δημιουργήθηκαν από ένα project γνωστό ως «Deep Dream» και έδειχναν αλλόκοτα ζώα που αναδύονται από σύννεφα και ψυχεδελικούς ναούς της Άπω Ανατολής που «ανθίζουν» σε δάση και οροσειρές. Σωστά διαβάσατε! Οι εικόνες έδειξαν πόσο διαφορετική είναι η αντίληψη της βαθειάς μάθησης από αυτή των ανθρώπων και πώς μπορεί να δημιουργεί τεχνουργήματα που οι άνθρωποι έχουν μάθει να αγνοούν.
Οι ερευνητές της Google σημείωσαν ότι όταν ο αλγόριθμός τους παρήγαγε εικόνες ενός αλτήρα, δημιούργησε επίσης ένα ανθρώπινο χέρι που τον κρατά. Η μηχανή είχε καταλήξει στο συμπέρασμα ότι ένα σκέλος ήταν μέρος του αντικειμένου.
Επίσης, σημαντική πρόοδος έχει γίνει χρησιμοποιώντας ιδέες δανεισμένες από τη νευροεπιστήμη και τη γνωστική επιστήμη. Μια ομάδα με επικεφαλή τον Jeff Clune, βοηθό καθηγητή στο Πανεπιστήμιο του Wyoming, χρησιμοποίησε το ισοδύναμο AI των οπτικών ψευδαισθήσεων για να δοκιμάσει βαθειά νευρικά δίκτυα (deep neural networks).
Επίσης το 2015, η ομάδα του Clune απέδειξε πως ορισμένες εικόνες θα μπορούσαν να ξεγελάσουν ένα τέτοιο δίκτυο ώστε να αντιληφθούν πράγματα που δεν υπάρχουν, μιας και οι εικόνες εκμεταλλεύονται μοτίβα χαμηλού επιπέδου που αναζητά το σύστημα. Ένας από τους συνεργάτες του Clune, ο Jason Yosinski, δημιούργησε επίσης ένα εργαλείο που λειτουργεί σαν
ένας ανιχνευτής που έχει κολλήσει στον εγκέφαλο.
Το εργαλείο του, στοχεύει σε κάθε νευρώνα στη μέση του δικτύου και αναζητά την εικόνα που τον ενεργοποιεί περισσότερο. Οι εικόνες που εμφανίζονται είναι αφηρημένες (φανταστείτε μια ιμπρεσιονιστική λήψη ενός φλαμίνγκο ή ενός σχολικού λεωφορείου), αναδεικνύοντας τη μυστηριώδη φύση των αντιληπτικών ικανοτήτων του μηχανήματος.
Χρειαζόμαστε όμως περισσότερα από μια ματιά στη σκέψη των AI συστημάτων. Ωστόσο, δεν υπάρχει εύκολη λύση. Είναι η αλληλεπίδραση των υπολογισμών μέσα σε ένα βαθύ νευρωνικό δίκτυο που είναι κρίσιμη για την αναγνώριση προτύπων υψηλότερου επιπέδου και τη σύνθετη λήψη αποφάσεων. «Εάν είχαμε ένα πολύ μικρό δίκτυο νευρώνων, ίσως να μπορούσαμε να το καταλάβουμε», αναφέρει ο Jaakkola. «Αλλά μόλις αυτό γίνει πολύ μεγάλο και έχει χιλιάδες μονάδες ανά στρώμα και ίσως
εκατοντάδες στρώματα, τότε γίνεται αρκετά δυσνόητο».
Στο γραφείο δίπλα από τον Jaakkola, βρίσκεται η Regina Barzilay, καθηγήτρια του MIT, αποφασισμένη να εφαρμόσει την μηχανική μάθηση στην ιατρική. Πριν από περίπου δύο χρόνια, στην ηλικία των 43 ετών διαγνώστηκε με καρκίνο του μαστού. Η ίδια η διάγνωση ήταν σοκαριστική, όμως η Barzilay απογοητεύτηκε ακόμη περισσότερο, από το γεγονός ότι οι μέθοδοι αιχμής της στατιστικής και της μηχανικής μάθησης δεν χρησιμοποιήθηκαν για να βοηθήσουν στην ογκολογική έρευνα ή για να καθοδηγήσουν τη θεραπεία ασθενών. Λέει ότι οι AI αλγόριθμοι έχουν τεράστιες δυνατότητες ώστε να φέρουν την επανάσταση στην ιατρική, αλλά συνειδητοποιεί ότι αυτό σημαίνει πως θα πρέπει να πάμε ένα βήμα πιο πέρα από τα ιατρικά αρχεία. Προβλέπει τη χρήση περισσότερων από τα πρωτογενή δεδομένα που όπως αναφέρει, δεν χρησιμοποιούνται σήμερα: «δεδομένα απεικόνισης, δεδομένα παθολογίας, όλες αυτές οι πληροφορίες».
Αφού ολοκλήρωσε την θεραπεία του καρκίνου πέρυσι, η Barzilay και οι φοιτητές της, άρχισαν να δουλεύουν με γιατρούς στο Massachusetts General Hospital για να αναπτύξουν ένα σύστημα ικανό να αναφέρει τις παθολογικές εξελίξεις, για τον εντοπισμό ασθενών με συγκεκριμένα κλινικά χαρακτηριστικά. Ωστόσο, η Barzilay κατάλαβε ότι το σύστημα θα πρέπει να εξηγήσει το σκεπτικό του.
Έτσι, μαζί με τον Jaakkola και μια φοιτήτρια, πρόσθεσε ένα βήμα: το σύστημα να εξάγει και να υπογραμμίζει αποσπάσματα κειμένου που είναι αντιπροσωπευτικά ενός μοτίβου που έχει ανακαλύψει. Η Barzilay και οι φοιτητές της, αναπτύσσουν επίσης έναν αλγόριθμο βαθειάς μάθησης, ικανό να βρει πρώιμες ενδείξεις καρκίνου του μαστού σε εικόνες μαστογραφίας. Σκοπός τους επίσης είναι να δώσουν στο σύστημα αυτό κάποια δυνατότητα να εξηγήσει το σκεπτικό του. «Πρέπει πραγματικά να υπάρχει ένα σημείο όπου η μηχανή και ο άνθρωπος συνεργάζονται», αναφέρει η Barzilay.
Ακριβώς όπως πολλές πτυχές της ανθρώπινης συμπεριφοράς είναι αδύνατο να εξηγηθούν λεπτομερώς, ίσως να μην είναι δυνατό και για την AΙ να εξηγήσει όλα όσα κάνει. «Ακόμη και αν κάποιος μπορούσε να σας δώσει μια εξήγηση για τις πράξεις του, πιθανότατα να μην είναι ολοκληρωμένη. Το ίδιο θα μπορούσε να συμβεί και με την AΙ», αναφέρει ο Clune, από το University of Wyoming. «Ίσως να είναι μέρος της φύσης της νοημοσύνης ότι μόνο ένα μέρος της είναι εκτεθειμένο σε ορθολογική εξήγηση. Μερικά από αυτά είναι απλά ενστικτώδη ή υποσυνείδητα».
Αν συμβαίνει αυτό, τότε σε κάποιο στάδιο ίσως χρειαστεί να εμπιστευτούμε απλώς την κρίση της τεχνητής νοημοσύνης. Όμως, η κρίση αυτή θα πρέπει να συμβαδίζει με την κοινωνική νοημοσύνη. Όπως η κοινωνία μας ακολουθεί κάποιους κανόνες, έτσι θα πρέπει να σχεδιάσουμε AΙ συστήματα όπου θα σέβονται και θα ακολουθούν αυτούς τους κανόνες. Είναι λοιπόν σημαντικό, η λήψη των αποφάσεων των AΙ συστημάτων να είναι συνεπής με τις ηθικές μας αρχές.
Κλείνοντας, θα δανειστώ κάποια από τα λόγια του Daniel Dennett, διάσημου φιλοσόφου και επιστήμονα που μελετά τη συνείδηση και το μυαλό. «Αν πρόκειται να χρησιμοποιήσουμε αυτά τα μηχανήματα και να βασιστούμε πάνω τους, τότε θα πρέπει να έχουμε κάποιες καλές απαντήσεις για το πώς και το γιατί λειτουργούν όπως λειτουργούν. Αν δεν μπορούν να εξηγήσουν καλύτερα από εμάς το τι κάνουν, τότε μην τα εμπιστεύεστε.»
Πηγή: technologyreview.com
Γιώτα Ζώτου
Latest posts by Γιώτα Ζώτου (see all)
- Φωτογραφίζοντας τον ‘Ηλιο για πρώτη φορά από απόσταση αναπνοής - 16 Ιουλίου 2020
- Οι πρώτες φωτογραφίες του Ήλιου… από πολύ κοντά! - 15 Ιουλίου 2020
- Τα μαθηματικά που σώζουν ζωές - 14 Ιουλίου 2020
Αφήστε ένα σχόλιο