Η τεχνητή νοημοσύνη αναπτύσσει υπολογιστικά συστήματα τα οποία επιχειρούν να λύσουν προβλήματα ή να εκτελέσουν εργασίες που συνήθως θεωρούμε πως απαιτούν νοημοσύνη. Παραδείγματα τέτοιων προβλημάτων είναι η απόδειξη μαθηματικών θεωρημάτων, η οδήγηση αυτοκινήτων, η κατανόηση φυσικής γλώσσας. Η τεχνητή νοημοσύνη χρησιμοποιεί ιδέες από πολλές επιστήμες, όπως η βιολογία, τα μαθηματικά, η γλωσσολογία, οι οικονομικές επιστήμες, αλλά ως κλάδος της πληροφορικής μελετάται από τη δεκαετία του 1950. Μάλιστα, πολλοί από τους θεμελιωτές της σύγχρονης πληροφορικής, όπως ο Alan Turing, ήταν και πρωτοπόροι της τεχνητής νοημοσύνης. Η τεχνητή νοημοσύνη έχει περάσει περιόδους υπεραισιόδοξων εκτιμήσεων του τι θα μπορούσε να καταφέρει, αλλά και «χειμώνες», περιόδους στις οποίες πολύ λίγοι πίστευαν πλέον στις δυνατότητές της. Σήμερα διανύουμε περίοδο έντονης αισιοδοξίας, που οφείλεται κυρίως στις επιδόσεις συστημάτων που χρησιμοποιούν μηχανική μάθηση, και ιδιαίτερα «βαθιά μάθηση», μια μορφή τεχνητών νευρωνικών δικτύων.
Σήμερα επικρατεί έντονη αισιοδοξία για τις επιδόσεις συστημάτων που χρησιμοποιούν «βαθιά μάθηση», μια μορφή τεχνητών νευρωνικών δικτύων.
Οι αλγόριθμοι μηχανικής μάθησης επιτρέπουν στους υπολογιστές να μαθαίνουν οι ίδιοι πώς να εκτελούν μια εργασία. Για παράδειγμα, ένα σύστημα αυτόματης οδήγησης εκπαιδεύεται σε δεδομένα του παρελθόντος που δείχνουν τι «έβλεπαν» οι κάμερες του αυτοκινήτου και άλλοι αισθητήρες όσο οδηγούσαν άνθρωποι, μαζί με τις ενέργειες των οδηγών (π.χ. προς τα πού έστριβαν το τιμόνι, πόσο πατούσαν το γκάζι). Από τα δεδομένα αυτά, το σύστημα μαθαίνει να μιμείται τη συμπεριφορά των ανθρώπων-οδηγών.
Στην περίπτωση ενός απλοϊκού νευρωνικού δικτύου (βλ. εικόνα), οι ενδείξεις των αισθητήρων θα ήταν οι είσοδοι x1,…,xn του δικτύου και οι έξοδοι y1,…,yk θα έλεγχαν το τιμόνι, το γκάζι κ.λπ. Ο κάθε κόμβος του δεύτερου και τρίτου στρώματος (z, y) είναι ένας τεχνητός νευρώνας. Υπολογίζει ένα ζυγισμένο άθροισμα των εισόδων του, εφαρμόζοντας κατόπιν στο άθροισμα μια μη γραμμική συνάρτηση (f, g). Τα βάρη του δικτύου (w, u) προσαρμόζονται κατά την εκπαίδευση, ώστε οι αποκρίσεις του δικτύου να πλησιάζουν τις επιθυμητές (τις ενέργειες των ανθρώπων-οδηγών). Αντίστοιχα, σε ένα σύστημα εξόρυξης γνώμης, οι είσοδοι (x) θα παρίσταναν π.χ. το κείμενο ενός tweet και οι έξοδοι (y) το πόσο θετική ή αρνητική γνώμη εκφράζει το tweet.
Η βαθιά μάθηση χρησιμοποιεί πολύ περισσότερα στρώματα νευρώνων με πολύ πιο περίπλοκες διατάξεις, αλλά η βασική ιδέα παραμένει η ίδια.
* Ίων Ανδρουτσόπουλος, Καθηγητής Τμήματος Πληροφορικής Οικονομικού Πανεπιστημίου Αθηνών
Πηγή: OΠΑ Νews που κυκλοφόρησε μαζί με το Βήμα της Κυριακής (06/02/2022)
ΟΠΑ News: Μαζί με το Βήμα στις 6 Φεβρουαρίου – Αφιέρωμα στο ψηφιακό «αύριο»
Latest News
Τα τρία σενάρια για το παγκόσμιο ΑΕΠ μετά την εκλογή Τραμπ
Σύμφωνα με την Oxford Economics βραχυπρόθεσμα η νίκη του Ντόναλντ Τραμπ υποδηλώνει την πιθανότητα δημοσιονομικών κινήτρων που θα δώσουν μικρή ώθηση στο ΑΕΠ
Οι 5 προτεραιότητες του νέου οργανισμού του ΟΠΑ
Ο νέος Οργανισμός του ΟΠΑ έρχεται να αντικαταστήσει τον παλαιότερο που ίσχυε από το 1996
Φορολογικές Μεταρρυθμίσεις και Οικονομική Ανάπτυξη: Η καθιέρωση μια νέας Στρατηγικής
Η Ελλάδα αποτελεί ένα νέο παράδειγμα στο οποίο μελετάται η σχέση μεταξύ οικονομικής ανάπτυξης και φορολογικής πολιτικής
Στην 62η θέση παγκοσμίως στην ερευνητική δραστηριότητα το ΕΚΠΑ
Το ΕΚΠΑ ανέβηκε 30 θέσεις στη διεθνή ερευνητική κατάταξη Πανεπιστημίων AD Scientific Index World Top Universities Ranking 2024-2025
Τα αχνά σημάδια ανάκαμψης του δανεισμού – Οι εκτιμήσεις της Oxford Economics για τα επιτόκια
Αν η ΕΚΤ καθυστερήσει τον κύκλο χαλάρωσης η πιστωτική ανάπτυξη θα περιοριστεί, λέει η Oxford Economics
Με «ΑΡΙΣΤΑ» σε όλα τα Κριτήρια Αξιολόγησης πιστοποιήθηκε το ΕΚΠΑ
Για πρώτη φορά το ΕΚΠΑ πιστοποιήθηκε με «Άριστα» σε όλα τα κριτήρια που συνιστούν το πλαίσιο αξιολόγησης
Πού θα είναι το ΑΕΠ και ο πληθωρισμός το 2025-2026; - 22 οίκοι προβλέπουν την ελληνική οικονομία
Τις εκτιμήσεις οργανισμών, τραπεζών και οίκων αξιολόγησης για την ελληνική οικονομία το 2026 παρουσιάζει για πρώτη φορά η Focus Economics