Μετάφραση: Aggeliki Ximeraki
Επιμέλεια: Natalia Savvidi Θα πάμε λίγο πίσω στον χρόνο πρώτα. Το 1775 στη Γλασκώβη,
ο Τζέιμς ήταν τότε 20 ετών. Είχε μόλις τελειώσει το σχολείο
και το όνειρό του ήταν να γίνει ο πρώτος κατασκευαστής
μαθηματικών οργάνων στη Σκωτία. Ήταν πολύ καλός στη δουλειά του. Είχε κλίση στο να κατασκευάζει
και να συντηρεί συσκευές, όπως είναι το βαρόμετρο,
το τηλεσκόπιο, η ζυγαριά, και το πλάνο του ήταν να ξεκινήσει
τη δική του επιχείρηση. Όμως ο Δήμος της Γλασκώβης, που εκείνη την περίοδο
δεν πολυκαταλάβαινε γιατί αυτό που κάνει ο Τζέιμς
είναι διαφορετικό από έναν απλό σιδερά, του αρνήθηκε την άδεια
για την επιχείρησή του, με τη δικαιολογία,
πως δεν έχει συμπληρώσει τα απαιτούμενα χρόνια πρακτικής εργασίας. Ο Τζέιμς απογοητεύτηκε,
αλλά δεν το έβαλε κάτω. Πήγε και ζήτησε δουλειά από δύο καθηγητές
στο πανεπιστήμιο της Γλασκώβης. Και τώρα ο μύθος λέει,
ότι κάποια χρόνια μετά, καθώς μια μέρα έβραζε νερό
για να φτιάξει τσάι, παρατήρησε για πρώτη φορά,
πως ο ατμός μέσα στην τσαγιέρα ανάγκαζε, είχε τη δύναμη να σπρώχνει το καπάκι της τσαγιέρας
και να το ανεβάζει ψηλά. Αυτό αποτέλεσε έμπνευση
για τον Τζέιμς και τον οδήγησε στην εφεύρεση
της ατμομηχανής. Αυτός λοιπόν είναι ο Τζέιμς Βατ, και η ατμομηχανή του άλλαξε για πάντα τον τρόπο με τον οποίο γίνονται
η μαζικές μεταφορές και η παραγωγή στη βιομηχανία και οδήγησε
στην 1η Βιομηχανική Επανάσταση. Πάμε τώρα 100 χρόνια αργότερα. Αυτός είναι ο Τόμας Έντισον. Ένα πολύ ανήσυχο πνεύμα. Όταν αυτός ήταν 20 ετών έπιασε δουλειά στη Western Union. Ζήτησε να δουλεύει τη βραδινή βάρδια διότι ήθελε να δουλεύει
τα προσωπικά του πρότζεκτ και δεν ήθελε να τον πάρουν χαμπάρι
τα αφεντικά του. Όμως για κακή του τύχη, ένα βράδυ, καθώς
πειραματιζόταν με μια μπαταρία, έριξε κατά λάθος στο πάτωμα οξύ. Και αυτό έτυχε να είναι από αυτά
τα πολύ διαβρωτικά οξέα, το οποίο πέρασε μέσα από το πάτωμα, και προσγειώθηκε πάνω στο γραφείο
του αφεντικού του, στον από κάτω όροφο. Όπως φαντάζεστε,
το επόμενο πρωί απολύθηκε. Όμως εκ των υστέρων αποδείχτηκε, πως αυτή ήταν μια κακή κίνηση
για τη Western Union. Διότι στη συνέχεια ο Έντισον έγινε ένας από τους πιο μεγάλους
εφευρέτες όλων των εποχών. Ακόμα και σήμερα κατέχει
το παγκόσμιο ρεκόρ σε αριθμό πατεντών, που έχουν κατοχυρωθεί
σε έναν μόνο άνθρωπο. Έχει πάνω από 1.000 πατέντες. Κατά την άποψή μου,
μία από τις πιο σημαντικές εφευρέσεις του ήταν το 1880, μια τεχνολογία για παραγωγή
και διανομή ηλεκτρικής ενέργειας σε σπίτια και βιομηχανίες, η οποία οδήγησε ουσιαστικά
στη 2η Βιομηχανική Επανάσταση. Και η τελευταία ιστορία που θέλω να σας πω είναι για τον Κλοντ Σάνον. Έναν σπουδαίο μαθηματικό,
κρυπτογράφο, φιλόσοφο, θεωρητικό και πολύ ενδιαφέρουσα προσωπικότητα. Λέγεται ότι έφτιαξε μια ολόκληρη περιουσία
στα καζίνο του Λας Βέγκας, με το να χρησιμοποιεί θεωρία παιγνίων
για να κοροϊδέψει το Μπλακτζάκ. Είναι επίσης ο εφευρέτης
της λεγόμενης «Άχρηστης μηχανής». Μιας μηχανής, η οποία έχει μία λειτουργία και καμία απολύτως χρηστικότητα. Και αν είστε περίεργοι, είναι ένα κουτί με έναν διακόπτη. Και όταν το πατάς
ανοίγει το κουτί, βγαίνει ένα χέρι, σβήνει τον διακόπτη και ξαναμπαίνει μέσα. (Γέλια) Μόνο αυτό κάνει. Ωραίος τύπος, έτσι; Όταν έκανε το μεταπτυχιακό του στο ΜΙΤ δημοσίευσε μια εργασία ορόσημο
στον τομέα της πληροφορικής, κάτι το οποίο αποτέλεσε τη βάση
για τους μικροεπεξεργαστές και του προσωπικού υπολογιστή,
όπως τον ξέρουμε σήμερα. Οι ανακαλύψεις του, μαζί με άλλες ανακαλύψεις
τη δεκαετία του ’50 και του ’60, όπως είναι το ίντερνετ, οδήγησαν
στην 3η Βιομηχανική Επανάσταση, την ψηφιακή επανάσταση. Και εδώ είμαστε σήμερα. Κάθε φορά που γίνεται
μια καινούργια ανακάλυψη, αυτή συνήθως πυροδοτεί άλλες ανακαλύψεις. Και αυτές με τη σειρά τους
πυροδοτούν άλλες. Και έτσι κάποια στιγμή
περνάμε αυτή τη διαχωριστική γραμμή η οποία ορίζει μια εποχή και μια καινούργια επανάσταση ξεκινάει. Αυτό που ήρθα να μοιραστώ μαζί σας σήμερα, είναι το τι γίνεται εδώ και τώρα
στον τομέα των υπολογιστών και ποιος βρίσκεται πίσω από αυτό. Και θα αφήσω σε εσάς, στη συνέχεια
να αποφασίσετε από μόνοι σας, αν θεωρείτε ότι βρισκόμαστε στο κατώφλι
της 4ης Βιομηχανικής Επανάστασης ή όχι. Λοιπόν, ένα από το μεγαλύτερα προβλήματα
στην πληροφορική είναι η αυτόματη αναγνώριση
αντικειμένων από εικόνες. Κάτι το οποίο είναι τόσο εύκολο
για τον άνθρωπο να κάνει. Μπορεί να το κάνει και ένα τρίχρονο παιδί. Να σου πει δηλαδή, ότι να,
σε αυτή τη φωτογραφία υπάρχει ένα δέντρο,
μια καρέκλα, ένας άνθρωπος. Είναι όμως ένα πάρα πολύ δύσκολο πρόβλημα
για τον υπολογιστή. Και πολλοί επιστήμονες αφιέρωσαν
τις καριέρες τους στο να το λύσουν. Υπάρχει επίσης και ένας διαγωνισμός ο οποίος γίνεται κάθε χρόνο,
σε παγκόσμιο επίπεδο, όπου ερευνητές καταθέτουν
τους αλγορίθμους τους και ανταγωνίζονται στο ποιος
θα έχει την καλύτερη ακρίβεια στην αναγνώριση αντικειμένων, σε πάνω από 1 εκατομμύριο φωτογραφίες
του πραγματικού κόσμου. Αν δει κανείς τα αποτελέσματα
του διαγωνισμού και την ακρίβεια που έχουμε κάθε χρόνο, θα παρατηρούσατε πως σιγά-σιγά προοδεύαμε με αργά βήματα
προς την επίλυση του προβλήματος. Το 2012 μια ομάδα
από το Πανεπιστήμιο του Τορόντο συμμετείχε σε αυτόν τον διαγωνισμό, με μια τεχνολογία
την οποία ονόμασε «Deep learning». Δηλαδή «Βαθιά μάθηση». Η τεχνολογία αυτή βασιζόταν
στα λεγόμενα «νευρωνικά δίκτυα». Και η αλήθεια είναι,
ότι τα νευρωνικά δίκτυα υπήρχαν για πολύ καιρό πριν το 2012. Πολλοί επιστήμονες είχαν προσπαθήσει
να τα χρησιμοποιήσουν για να λύσουν κάποια
από αυτά τα προβλήματα, χωρίς όμως να πάρουν καλά αποτελέσματα. Και έτσι είχε γίνει κάπως σαν ένα κοινό μυστικό
στους ακαδημαϊκούς κύκλους, πως τα νευρωνικά δίκτυα δεν δουλεύουν. Και αν θες να δεις την καριέρα σου
να καταστρέφεται, τότε κάνε έρευνα στα νευρωνικά δίκτυα. Παρ’ όλα αυτά αυτή η ομάδα πίστευε, πως απλώς ακόμα δεν έχουμε βρει
το σωστό τρόπο να τα εφαρμόσουμε και πως αυτός ο τρόπος υπάρχει. Οπότε αξίζει να συνεχίσουμε την έρευνα. Και είχαν καταλήξει να είναι
το μαύρο πρόβατο της Ακαδημίας. Έτσι, όταν το 2012
συμμετείχαν στον διαγωνισμό, κανείς δεν πίστευε, ότι
θα έπαιρναν καλά αποτελέσματα. Όταν όμως τα αποτελέσματα του διαγωνισμού
βγήκαν το επόμενο πρωί, η επιστημονική κοινότητα σοκαρίστηκε. Όχι μόνο είχαν καταφέρει
να ξεπεράσουν σε ακρίβεια οποιονδήποτε άλλον αλγόριθμο
υπήρχε μέχρι εκείνη τη στιγμή, κατάφεραν επίσης
και το ασύλληπτο, το αδιανόητο. Ξεπέρασαν την ανθρώπινη νοημοσύνη. Την ανθρώπινη ακρίβεια. Μπορείτε να φανταστείτε τι σημαίνει αυτό; Πλέον ξέρουμε, ότι ένας υπολογιστής
μπορεί καλύτερα από έναν άνθρωπο να μας πει, τι απεικονίζει μια εικόνα. Και έτσι κάπως γυρίσαμε σελίδα και αρχίσαμε να μιλάμε για πραγματική,
για ουσιαστική «τεχνητή νοημοσύνη». Βέβαια τα πράγματα από το 2012 και έπειτα
κινήθηκαν με ταχύτητα φωτός. Εταιρείες όπως είναι η Google,
η Facebook, η Baidu, η Uber μπήκαν στο παιχνίδι πάρα πολύ γρήγορα και άρχισαν να χρησιμοποιούν
νευρωνικά δίκτυα στα προϊόντα τους. Προβλήματα όπως είναι
η αναγνώριση του προσώπου, η αναζήτηση εικόνας,
η ανάλυση της φυσικής γλώσσας έχουν πλέον ακρίβεια
την οποία δεν περιμέναμε ποτέ. Στην αγορά υπάρχει αυτή τη στιγμή
ένας βοηθός τεχνητής νοημοσύνης, ο οποίος τι κάνει; Ας πούμε ότι θέλετε να κλείσετε
ένα ραντεβού με τους συναδέλφους σας. Αντί να το κάνετε εσείς,
το αναλαμβάνει ο βοηθός. Συντάσσει email,
τα οποία σαν να τα έχετε γράψει εσείς, δηλαδή μιλάει με τον δικό σας τρόπο. Μιλάει με τους συναδέλφους σας
και κλείνει το ραντεβού. Η Wall Street χρησιμοποιεί
έναν άλλο βοηθό τεχνητής νοημοσύνης, ο οποίος παρακολουθεί
τα νέα των επιχειρήσεων σε παγκόσμιο επίπεδο
και σε πραγματικό χρόνο. Κάθε φορά που βγαίνει ένα καινούργιο
άρθρο για κάποια επιχείρηση, ο βοηθός το διαβάζει
και αποφασίζει αυτόματα, ποια θα είναι η επόμενη
επενδυτική κίνηση της εταιρείας. Για έναν άνθρωπο, να κάνει κάτι τέτοιο, θα έπαιρνε τουλάχιστον δύο με τρία λεπτά,
αν δεν έκανε τίποτα άλλο. Για έναν υπολογιστή,
το να κάνει κάτι τέτοιο, γίνεται σε κλάσματα δευτερολέπτου. Και μη ξεχνάτε, αυτή είναι η Wall Street
και ο χρόνος είναι χρήμα. Μια άλλη πολύ ενδιαφέρουσα
κατεύθυνση που παίρνει η τεχνολογία αυτή αυτή τη στιγμή
είναι στον τομέα της ιατρικής, όπου προσπαθούμε να διαγνώσουμε ασθένειες
από μαγνητικές και αξονικές τομογραφίες. Γιατί, για έναν υπολογιστή το να ανιχνεύσει το είδος ενός όγκου μέσα σε μια μαγνητική
τομογραφία εγκεφάλου, είναι ακριβώς το ίδιο πρόβλημα,
με το να σου πει: Α, αυτή είναι μια καρέκλα
σε μια απλή φωτογραφία. Ελπίδα όλων φυσικά είναι,
ότι κάτι τέτοιο θα δουλέψει και θα μειώσει το ανθρώπινο λάθος
στον τομέα αυτό, το οποίο δυστυχώς σήμερα
μετριέται στα 20%. 20%. Προσωπική μου άποψη λοιπόν είναι πως, ναι, βρισκόμαστε στο κατώφλι
της 4ης Βιομηχανικής Επανάστασης. Μιας επανάστασης, η οποία θα αλλάξει
για πάντα πολλές πτυχές επαγγελμάτων, όπως είναι ο γιατρός, ο δικηγόρος,
ο δημοσιογράφος, ο επενδυτής. Και δεν μπορούμε,
αλλά και δεν πρέπει κιόλας, να σταματήσουμε την εξέλιξη
που έρχεται προς το μέρος μας. Το μόνο που μπορούμε να κάνουμε
είναι να προετοιμαστούμε κατάλληλα. Και ένας τρόπος για να γίνει αυτό είναι να προσαρμόσουμε
την οπτική που έχουμε για την παιδεία και τη μόρφωση. Γιατί η τεχνητή νοημοσύνη
χρειάζεται προγραμματιστές, χρειάζεται μηχανικούς, χρειάζεται ποιητές,
χρειάζεται δημιουργούς. Όλους τους ανθρώπους,
που θα τη σπρώξουν στο επόμενο επίπεδο. Έτσι, μια μόρφωση στον τομέα αυτό
είναι το εισιτήριο για το μέλλον. Ευχαριστώ πολύ. (Χειροκρότημα)

1 thought on “How Artificial Intelligence change the world as we know it | Foteini Agrafioti | TEDxAcademy”

Leave a Reply

Your email address will not be published. Required fields are marked *