Ορισμός τεχνητής νοημοσύνης
Σύμφωνα με την Ευρωπαϊκή Επιτροπή (COM, 2018), «Η τεχνητή νοημοσύνη αναφέρεται σε συστήματα που χαρακτηρίζονται από ευφυή συμπεριφορά, αναλύοντας το περιβάλλον τους και ενεργώντας – με κάποιο βαθμό αυτονομίας– για την επίτευξη συγκεκριμένων στόχων. Τα συστήματα που λειτουργούν βάσει τεχνητής νοημοσύνης μπορούν να βασίζονται αποκλειστικά σε λογισμικό, ενεργώντας στον εικονικό κόσμο (π.χ. βοηθοί φωνής, λογισμικό ανάλυσης εικόνας, μηχανές αναζήτησης, συστήματα αναγνώρισης ομιλίας και προσώπου) ή η τεχνητή νοημοσύνη μπορεί να ενσωματωθεί σε συσκευές υλικού (π.χ. προηγμένα ρομπότ, αυτόνομα αυτοκίνητα, δρόνοι [drones] ή εφαρμογές του Διαδικτύου των Πραγμάτων – ΙοΤ).
Στο πρώτο κύμα ανάπτυξης εφαρμογών ΤΝ κυριάρχησαν μεταξύ άλλων τα έμπειρα συστήματα, ενώ στο δεύτερο η μηχανική μάθηση (Boucher, 2020). Τα συστήματα μηχανικής μάθησης (machine learning) αποτελούν μια υποκατηγορία της ΤΝ που είναι ιδιαίτερα διαδεδομένη σήμερα. Πρόκειται για συστήματα λογισμικού που ενσωματώνουν αλγόριθμους μάθησης, δηλαδή έχουν την ικανότητα να μαθαίνουν αυτόματα, να αποφασίζουν, να προβλέπουν, να προσαρμόζονται, να αντιδρούν στις αλλαγές, να βελτιώνονται από την εμπειρία τους χωρίς να έχουν προγραμματιστεί ρητά (Samoili et al., 2020). Ουσιαστικά επεξεργάζονται μεγάλο πλήθος δεδομένων και αναζητούν σε αυτά επαναλαμβανόμενα πρότυπα (patterns). Όσο περισσότερα είναι τα δεδομένα, τόσο πιο ακριβείς οι προβλέψεις και η μάθηση επιτυγχάνεται με τη μέθοδο της δοκιμής και λάθους (trial and error).
Συνοπτικές πληροφορίες για τη μηχανική μάθηση δίνονται στο βίντεο του Code.org
Στο ακόλουθο site, υπάρχουν μια σειρά από δραστηριότητες οι οποίες έχουν ως στόχο τη διδασκαλία μερικών βασικών αρχών με τις οποίες λειτουργεί η Machine Learning. Πατήστε στην εικόνα για να προγραμματίσετε!
To εξαιρετικά απλό περιβάλλον προτείνει στο χρήστη (μαθητή ή μαθήτρια) εικόνες από «ευρήματα» στο βυθό της θάλασσας που είναι ή ψάρια (σκίτσα) ή απορρίμματα (σκίτσα). Καθώς ο χρήστης ταυτοποιεί κάθε οντότητα ως ψάρι ή απόρριμμα (προτείνονται πολλές δεκάδες), «εκπαιδεύει» κατά κάποιο τρόπο, το σύστημα Τεχνητής Νοημοσύνης, το οποίο μετά το τέλος της «εκπαίδευσης» αποπειράται να κατατάξει μόνο του και άλλα ευρήματα. Υπάρχουν πολλά επίπεδα δραστηριοτήτων, για παράδειγμα «επέκταση» από τα «ψάρια» σε «ζώα της θάλασσας», όπως χταπόδια κ.λπ.
Μην ξεχνάτε!
Όσο περισσότερα είναι τα δεδομένα, τόσο πιο ακριβείς οι προβλέψεις και η μάθηση επιτυγχάνεται με τη μέθοδο της δοκιμής και λάθους (trial and error).
Σημείωση: Η δραστηριότητα μπορεί να επεκταθεί, ανάλογα με το διαθέσιμο χρόνο και την τάξη, σε απόπειρα αναγνώρισης γενικών «μοτίβων» (patterns) σε πολλών ειδών οντότητες: στη μουσική, στη ζωγραφική, στην αρχιτεκτονική, στις μεθόδους επίλυσης προβλημάτων κ.ά. Αν οι μαθητές και οι μαθήτριες αναγνωρίζουν μοτίβα (για παράδειγμα μπορούν να αποφανθούν για ένα μουσικό κομμάτι, σε ποιο μουσικό είδος ανήκει, αυτό σημαίνει ότι υπάρχει κάποιο είδος μοτίβου, χαρακτηριστικών που επιτρέπει τη διάκριση μεταξύ των μουσικών ειδών. Οι μαθητές και οι μαθήτριες δε θα είναι, κατά πάσα πιθανότητα, σε θέση να περιγράψουν αυτά τα χαρακτηριστικά, αλλά ακόμη και η αναγνώρισή της ύπαρξης τους είναι σημαντική.
Βιβλιογραφία
Boucher, P. (2020). Artificial Intelligence: How does it work, why does it matter, and what can we do about it? Study Panel for the future of Science and Technology, European Parliamentary Research Service (EPRS), Scientific Foresight Unit (STOA). Brussels, EU.
COM. (2018). Communication from the Commission to the European Parliament, the European Council, the Council, the European Economic and Social Committee and the Committee of the Regions on Artificial Intelligence for Europe. Brussels, 25.4.2018 COM(2018) 237 final
Samoili, S., López Cobo, M., Gómez, E., De Prato, G., Martínez-Plumed, F. & Delipetrev, B. (2020). AI Watch. Defining Artificial Intelligence. Towards an operational definition and taxonomy of artificial intelligence. EUR 30117 EN, Publications Office of the European Union, Luxembourg, 2020, ISBN 978-92-76-17045-7, doi:10.2760/382730, JRC118163