Elements of AI

Τώρα που έχουμε αποκτήσει καλύτερη κατανόηση των βασικών εννοιών της ΤΝ, είμαστε σε πολύ καλύτερη θέση να συμμετάσχουμε σε μια ορθολογική συζήτηση σχετικά με τις επιπτώσεις της ήδη υφιστάμενης ΤΝ.

Επίπτωση 1: Αλγοριθμική μεροληψία

Η ΤΝ και, ειδικότερα, η μηχανική μάθηση, χρησιμοποιείται για τη λήψη σημαντικών αποφάσεων σε πολλούς τομείς. Σε αυτό το σημείο υπεισέρχεται η έννοια της αλγοριθμικής μεροληψίας. Η έννοια αυτή σημαίνει η ενσωμάτωση μιας τάσης δημιουργίας διακρίσεων με βάση την εθνοτική καταγωγή, το φύλο ή άλλους παράγοντες κατά τη λήψη αποφάσεων σχετικά με αιτήσεις για θέσεις εργασίας, τραπεζικά δάνεια, και ούτω καθεξής.

Η αλγοριθμική μεροληψία δεν αποτελεί υποθετική απειλή που έχουν επινοήσει οι ακαδημαϊκοί ερευνητές. Είναι πραγματικό φαινόμενο που επηρεάζει ήδη τους ανθρώπους σήμερα.

Διαδικτυακή διαφήμιση

Έχει παρατηρηθεί ότι οι εταιρείες διαδικτυακής διαφήμισης όπως η Google τείνουν να εμφανίζουν αγγελίες χαμηλότερα αμειβόμενων θέσεων εργασίας στις γυναίκες χρήστριες σε σύγκριση με τους άνδρες. Παρομοίως, η πραγματοποίηση αναζήτησης με χρήση ονόματος που μοιάζει να είναι αφροαμερικανικό μπορεί να έχει ως αποτέλεσμα διαφήμιση για εργαλείο πρόσβασης σε ποινικά μητρώα, κάτι που είναι λιγότερο πιθανό να συμβεί σε άλλες περιπτώσεις.

Κοινωνικά δίκτυα

Δεδομένου ότι οι συστάσεις που περιλαμβάνονται στα κοινωνικά δίκτυα βασίζονται ουσιαστικά στα κλικ των χρηστών, εύκολα μπορούν να έχουν ως συνέπεια τη μεγέθυνση των υφιστάμενων μεροληψιών, ακόμη και αν αυτές είναι αρχικά πολύ περιορισμένες. Για παράδειγμα, παρατηρήθηκε ότι κατά την πραγματοποίηση αναζήτησης επαγγελματιών με γυναικείο μικρό όνομα, το LinkedIn ζητά από τον χρήστη να διευκρινίσει εάν στην πραγματικότητα εννοούσε παρόμοιο ανδρικό όνομα: η αναζήτηση του ονόματος «Andrea» είχε ως αποτέλεσμα το σύστημα να θέτει το ερώτημα «μήπως εννοούσατε Andrew»; Εάν το προφίλ του Andrew δέχεται περιστασιακά περισσότερα κλικ, πιθανόν από περιέργεια, το σύστημα θα προωθήσει το όνομα Andrew ακόμη περισσότερο σε επακόλουθες αναζητήσεις.

Θα μπορούσαμε να αναφέρουμε πολυάριθμα άλλα παραδείγματα, και είναι πιθανό να έχετε διαβάσει στις ειδήσεις για αυτά. Η βασική δυσκολία όσον αφορά τη χρήση της ΤΝ και της μηχανικής μάθησης αντί συστημάτων βασισμένων σε κανόνες είναι η έλλειψη διαφάνειας που τα χαρακτηρίζει. Εν μέρει, αυτό αποτελεί συνέπεια του γεγονότος ότι οι αλγόριθμοι και τα δεδομένα αποτελούν εμπορικά μυστικά, και οι εταιρείες δεν είναι πιθανό να επιτρέψουν τον έλεγχό τους από το ευρύ κοινό. Αλλά ακόμη και αν επέτρεπαν τον έλεγχό τους, συχνά μπορεί να είναι δύσκολο να εντοπιστεί το τμήμα του αλγορίθμου ή τα στοιχεία των δεδομένων που οδηγούν σε αποφάσεις που δημιουργούν διακρίσεις.

Το τελευταίο σημείο αναφέρεται, με άλλα λόγια, στην υποχρέωση εταιρειών όπως το Facebook και η Google, τουλάχιστον όταν παρέχουν υπηρεσίες σε Ευρωπαίους πελάτες, να παρέχουν επεξηγήσεις σχετικά με τις διαδικασίες λήψης αλγοριθμικών αποφάσεων που εφαρμόζουν. Ωστόσο, εξακολουθεί να παραμένει ασαφές τι ακριβώς εκλαμβάνεται ως διευκρίνιση. Για παράδειγμα, εκλαμβάνεται ως απόφαση για την οποία μπορούν να παρασχεθούν διευκρινίσεις, απόφαση που ελήφθη με χρήση του ταξινομητή πλησιέστερου γείτονα (κεφάλαιο 4) ή θα ήταν καλύτερο να χρησιμοποιηθούν οι συντελεστές ενός ταξινομητή λογιστικής παλινδρόμησης; Τι γίνεται με τα βαθιά νευρωνικά δίκτυα που είναι σύνηθες να περιλαμβάνουν εκατομμύρια παραμέτρων που έχουν εκπαιδευτεί με χρήση terabyte δεδομένων; Η συζήτηση σχετικά με την τεχνική εφαρμογή της δυνατότητας παροχής διευκρινίσεων σχετικά με τις αποφάσεις που βασίζονται σε μηχανική μάθηση είναι επί του παρόντος έντονη. Σε κάθε περίπτωση, ο ΓΚΠΔ έχει τη δυναμική να βελτιώσει τη διαφάνεια των τεχνολογιών ΤΝ.

Επίπτωση 2: Αν το δεις θα το πιστέψεις — ή μήπως όχι;

Είμαστε συνηθισμένοι να πιστεύουμε αυτό που βλέπουμε. Όταν βλέπουμε έναν ηγέτη στην τηλεόραση να δηλώνει ότι η χώρα του θα εμπλακεί σε εμπορικό πόλεμο με μια άλλη χώρα, ή όταν γνωστός εκπρόσωπος εταιρείας ανακοινώνει μια σημαντική επιχειρηματική απόφαση, τείνουμε να τον εμπιστευόμαστε περισσότερο από ό,τι θα εμπιστευόμασταν την ίδια δήλωση εάν τη διαβάζαμε από δεύτερο χέρι στις ειδήσεις, γραμμένη από κάποιον άλλο.

Παρομοίως, όταν βλέπουμε φωτογραφικά τεκμήρια από έναν τόπο εγκλήματος ή από την επίδειξη μιας νέας τεχνολογικής συσκευής, αποδίδουμε περισσότερο βάρος στα τεκμήρια από ό,τι στην γραπτή έκθεση στην οποία παρέχονται διευκρινίσεις σχετικά με το πώς έχει η κατάσταση.

Φυσικά, έχουμε επίγνωση της δυνατότητας κατασκευής ψευδών τεκμηρίων. Άνθρωποι μπορούν να τοποθετηθούν σε τόπους που δεν επισκέφτηκαν ποτέ, με ανθρώπους που δεν συνάντησαν ποτέ, με την επεξεργασία εικόνας. Επίσης, είναι δυνατόν να τροποποιηθεί η όψη των πραγμάτων διά της απλής προσαρμογής του φωτισμού ή μέσω της αφαίρεσης πάχους από το στομάχι με χρήση φθηνών τεχνικών επεξεργασίας εικόνων τύπου «πριν-μετά» με σκοπό τη διαφήμιση του τελευταίου χαπιού διαίτης.

Επίπτωση 3: Αλλαγή της έννοιας της ιδιωτικότητας

Είναι εδώ και πολύ καιρό γνωστό ότι οι τεχνολογικές επιχειρήσεις συλλέγουν πολλές πληροφορίες σχετικά με τους χρήστες τους. Παλαιότερα, ήταν κυρίως τα σουπερμάρκετ και άλλα καταστήματα λιανικής που συνέλεγαν δεδομένα σχετικά με τις αγορές, προσφέροντας στους πελάτες τους «κάρτες προνομίων» που επιτρέπουν στο κατάστημα να συσχετίζει τις αγορές με μεμονωμένους πελάτες.

Ωστόσο, το προαναφερθέν είδος δεδομένων δεν αποτελεί καθαυτό ακόμη ΤΝ. Η χρήση της ΤΝ έχει ως αποτέλεσμα την εμφάνιση νέων ειδών απειλών της ιδιωτικότητάς μας, τις οποίες μπορεί να είναι πιο δύσκολο να αποφύγετε, ακόμη και αν φροντίζετε να μην αποκαλύπτετε την ταυτότητά σας.

Χρήση της ανάλυσης δεδομένων για την ταυτοποίηση φυσικών προσώπων

Ένα καλό παράδειγμα ενός δύσκολου να αποφευχθεί ζητήματος είναι η απο-ανωνυμοποίηση, δηλ. η παραβίαση της ανωνυμίας δεδομένων τα οποία μπορεί να θεωρούσαμε ασφαλή. Το βασικό πρόβλημα είναι ότι όταν αναφέρουμε τα αποτελέσματα μιας ανάλυσης, αυτά μπορεί να είναι τόσο συγκεκριμένα ώστε να καθιστούν εφικτή την άντληση κάποιων πληροφοριών σχετικά με τους μεμονωμένους χρήστες των οποίων τα δεδομένα περιλαμβάνονται στην ανάλυση. Κλασικό παράδειγμα είναι η ερώτηση που αφορά τον μέσο μισθό των ατόμων που έχουν γεννηθεί σε ένα συγκεκριμένο έτος και έχουν συγκεκριμένο ταχυδρομικό κώδικα. Σε πολλές περιπτώσεις, τα εν λόγω άτομα μπορεί να αποτελούν μια πολύ μικρή ομάδα, συχνά ένα μόνο άτομο, με αποτέλεσμα πιθανώς να παρέχετε δεδομένα σχετικά με τον μισθό ενός μεμονωμένου ατόμου.

Ένα ενδιαφέρον παράδειγμα ενός πιο λεπτού ζητήματος επισημάνθηκε από ερευνητές του πανεπιστημίου του Τέξας στο Όστιν. Μελέτησαν ένα δημόσιο σύνολο δεδομένων που διέθεσε το Netflix και το οποίο περιείχε 10 εκατομμύρια αξιολογήσεις κινηματογραφικών ταινιών από περίπου 500 000 ανώνυμους χρήστες, και κατέδειξαν ότι πολλοί από τους χρήστες του Netflix μπορεί στην πραγματικότητα να είναι συνδεδεμένοι σε λογαριασμούς χρηστών στον ιστότοπο Internet Movie Database, διότι είχαν αξιολογήσει αρκετές ταινίες και στις δύο εφαρμογές. Έτσι, οι ερευνητές κατόρθωσαν να παραβιάσουν την ανωνυμία των δεδομένων του Netflix. Παρότι μπορεί να μην θεωρείτε ιδιαίτερα σημαντικό το ότι κάποιος άλλος γνωρίζει πώς αξιολογήσατε την τελευταία ταινία του Πολέμου των Άστρων, ορισμένες ταινίες μπορεί να αποκαλύπτουν πτυχές της ζωής μας (όπως πτυχές που αφορούν την πολιτική ή τον σεξουαλικό προσανατολισμό) την ιδιωτικότητα των οποίων θα πρέπει να δικαιούμαστε να διατηρούμε.

Άλλες μέθοδοι ταυτοποίησης

Μια παρόμοια προσέγγιση θα μπορούσε, καταρχήν, να χρησιμοποιηθεί για την αντιστοίχιση λογαριασμών χρηστών σε σχεδόν οποιαδήποτε υπηρεσία που συλλέγει αναλυτικά δεδομένα σχετικά με τις συμπεριφορές των χρηστών. Ένα άλλο παράδειγμα είναι οι τρόποι πληκτρολόγησης. Ερευνητές στο πανεπιστήμιο του Ελσίνκι απέδειξαν ότι οι χρήστες μπορούν να ταυτοποιηθούν με βάση τα μοτίβα που ακολουθούν όταν πληκτρολογούν: τα σύντομα μεσοδιαστήματα μεταξύ συγκεκριμένων χτυπημάτων πλήκτρων κατά την πληκτρολόγηση κειμένου. Αυτό μπορεί να σημαίνει ότι εάν κάποιος έχει πρόσβαση σε δεδομένα σχετικά με τον τρόπο με τον οποίο πληκτρολογείτε (είναι πιθανό να έχετε χρησιμοποιήσει τον ιστότοπό του και να έχετε εγγραφεί σε αυτόν καταχωρίζοντας το όνομά σας), μπορεί να σας ταυτοποιήσει την επόμενη φορά που θα χρησιμοποιήσετε την υπηρεσία του, ακόμη και αν αρνηθείτε ρητώς να παράσχετε στοιχεία της ταυτότητάς σας. Μπορούν επίσης να πωλήσουν τις εν λόγω πληροφορίες σε οποιονδήποτε ενδιαφέρεται να τις αγοράσει.

Παρότι πολλά από τα παραπάνω παραδείγματα ήταν, τουλάχιστον εν μέρει, απρόσμενα – διαφορετικά θα μπορούσαν να έχουν αποφευχθεί – διεξάγονται σημαντικές σε αριθμό έρευνες για την αντιμετώπισή τους. Ειδικότερα, σε έναν τομέα που ονομάζεται διαφορική ιδιωτικότητα, καταβάλλονται προσπάθειες με στόχο την ανάπτυξη αλγορίθμων μηχανικής μάθησης που μπορούν να διασφαλίσουν ότι τα αποτελέσματα θα είναι αρκούντως «χονδροειδή» ώστε να αποτρέπεται ο αντίστροφος σχεδιασμός συγκεκριμένων σημείων δεδομένων που εισήχθησαν σε αυτούς.

Επίπτωση 4: Αλλαγές στην εργασία

Όταν ένας από τους πρώτους ανθρώπους έμαθε να χρησιμοποιεί μια αιχμηρή πέτρα για να σπάει κόκαλα νεκρών ζώων προκειμένου να αποκτήσει πρόσβαση σε μια νέα πηγή διατροφής, απελευθερώθηκε χρόνος και ενέργεια για άλλους σκοπούς όπως η πάλη, η αναζήτηση συντρόφου, και η πραγματοποίηση περισσότερων εφευρέσεων. Με την εφεύρεση της ατμομηχανής την πρώτη δεκαετία του 18ου αιώνα αξιοποιήθηκε μια εύκολα μεταφερόμενη μορφή μηχανικής ισχύος που βελτίωσε σε σημαντικό βαθμό την αποδοτικότητα των εργοστασίων καθώς και των πλοίων και των τρένων. Η αυτοματοποίηση υπήρξε πάντοτε ένας δρόμος προς την αποδοτικότητα: αύξηση της απόδοσης με λιγότερα μέσα. Ιδίως στα μέσα του 20 αιώνα, η τεχνολογική εξέλιξη οδήγησε σε μια περίοδο προόδου άνευ προηγουμένου όσον αφορά την αυτοματοποίηση. Η ΤΝ αποτελεί συνέχεια αυτής της προόδου.

Κάθε βήμα προς την κατεύθυνση της βελτίωσης της αυτοματοποίησης μεταβάλλει την εργασιακή ζωή. Με την αιχμηρή πέτρα, μειώθηκε η ανάγκη για κυνήγι και συλλογή τροφής· με την ατμομηχανή, μειώθηκε η ανάγκη για τη χρήση αλόγων και ιππέων· με τον υπολογιστή, μειώθηκε η ανάγκη για δακτυλογράφους, μη αυτόματη λογιστική, και πολλές άλλες μορφές επεξεργασίας δεδομένων (και, προφανώς, αυξήθηκε η ανάγκη παρακολούθησης βίντεο με γάτες). Με την ΤΝ και τη ρομποτική, η ανάγκη για πολλά είδη πληκτικής, επαναληπτικής εργασίας μειώνεται ακόμη περισσότερο.

Δεδομένου ότι δεν μπορούμε να προβλέψουμε το μέλλον της ΤΝ, η πρόβλεψη των ρυθμών και της έκτασης των εν λόγω εξελίξεων είναι εξαιρετικά δυσχερής. Έχουν πραγματοποιηθεί ορισμένες εκτιμήσεις σχετικά με την έκταση της αυτοματοποίησης της εργασίας, βάσει των οποίων προβλέπεται ότι κινδυνεύει να χαθεί έως το 47% των θέσεων εργασίας στις ΗΠΑ, σύμφωνα με ερευνητές του πανεπιστημίου της Οξφόρδης. Οι ακριβείς αριθμοί όπως οι συγκεκριμένοι – 47% και όχι 45% ή 49% –, ο πολύπλοκος στο άκουσμα σχεδιασμός των εν λόγω μελετών που χρησιμοποιήθηκαν για τον υπολογισμό τους, καθώς και τα κορυφαία πανεπιστήμια που τους αναφέρουν τείνουν να δίνουν την εντύπωση ότι οι εκτιμήσεις είναι πολύ ακριβείς και αξιόπιστες (υπενθυμίζεται το σημείο σχετικά με την εκτίμηση του προσδόκιμου ζωής με χρήση γραμμικού μοντέλου βάσει περιορισμένου όγκου δεδομένων). Η ψευδαίσθηση της επίτευξης ακρίβειας ενός εκατοστού αποτελεί πλάνη. Ο παραπάνω αριθμός, για παράδειγμα, βασίζεται στην εξέταση μεγάλου αριθμού περιγραφών θέσεων εργασίας – όπως όταν γλύφουμε την άκρη του δακτύλου μας και προσπαθούμε να καταλάβουμε την κατεύθυνση του ανέμου – και στη χρήση υποκειμενικών κριτηρίων για να αποφασίσουμε ποιες εργασίες είναι πιθανό να αυτοματοποιηθούν. Είναι κατανοητό ότι οι άνθρωποι δεν μπαίνουν στον κόπο να διαβάσουν μια έκθεση 79 σελίδων στην οποία περιλαμβάνονται φράσεις όπως «το μοντέλο εργασιών προϋποθέτει όσον αφορά την προσπελασιμότητα συναθροιστική συνάρτηση παραγωγής Cobb-Douglas σταθερών αποδόσεων κλίμακας». Ωστόσο, εάν δεν διαβάζετε αυτές τις εκθέσεις, θα πρέπει να διατηρήσετε τον σκεπτικισμό σας και για τα αποτελέσματά τους. Η πραγματική αξία της ανάλυσης αυτού του είδους είναι ότι υποδεικνύει ποια είδη εργασιών είναι πιο πιθανό να κινδυνεύουν, και όχι οι πραγματικοί αριθμοί όπως το 47%. Η τραγωδία είναι ότι πως αυτό μένει είναι οι τίτλοι των μέσων ενημέρωσης που αναφέρουν ότι «σχεδόν οι μισές θέσεις εργασίας στις ΗΠΑ κινδυνεύουν από την εισβολή των υπολογιστών».

Ποιες είναι λοιπόν οι εργασίες που είναι πιθανότερο να αυτοματοποιηθούν; Σχετικά με αυτό, υπάρχουν ορισμένα ξεκάθαρα σημάδια που μπορούμε να παρατηρήσουμε ήδη:

• Οι αυτόνομες λύσεις ρομποτικής όπως τα αυτοοδηγούμενα οχήματα, περιλαμβανομένων των αυτοκινήτων, των μη επανδρωμένων αεροσκαφών και των σκαφών ή των φέριμποτ), είναι σχεδόν έτοιμες για εφαρμογή σε εμπορικούς τομείς σε μεγάλη κλίμακα. Η ασφάλεια των αυτόνομων αυτοκινήτων είναι δύσκολο να εκτιμηθεί, αλλά τα στατιστικά στοιχεία υποδεικνύουν ότι δεν έχει ακόμη φθάσει στα απαιτούμενα επίπεδα (το επίπεδο ενός μέσου ανθρώπου οδηγού). Ωστόσο, η πρόοδος είναι απίστευτα γρήγορη και επιταχύνεται λόγω του αυξανόμενου όγκου των διαθέσιμων δεδομένων.
  
• Οι εφαρμογές εξυπηρέτησης πελατών όπως τα γραφεία υποστήριξης χρηστών μπορούν να αυτοματοποιηθούν κατά τρόπο ιδιαίτερα αποδοτικό οικονομικά. Επί του παρόντος, η ποιότητα της εξυπηρέτησης δεν είναι πάντοτε άριστη, καθώς υπάρχουν τα προβλήματα της επεξεργασίας της γλώσσας (το σύστημα δεν είναι σε θέση να αναγνωρίσει ομιλούμενη γλώσσα ή να αναλύσει τη γραμματική) και της λογικής και της συλλογιστικής διαδικασίας που απαιτούνται για την παροχή της υπηρεσίας. Ωστόσο, συνεχώς αναφύονται λειτουργικές εφαρμογές σε περιορισμένους τομείς (όπως οι κρατήσεις σε εστιατόρια ή κομμωτήρια).

Πρώτον, είναι δύσκολο να πούμε πόσο σύντομα θα διαθέτουμε ασφαλή και αξιόπιστα αυτοοδηγούμενα αυτοκίνητα και άλλες λύσεις που μπορούν να αντικαταστήσουν την εργασία του ανθρώπου. Πέραν τούτου, δεν πρέπει να ξεχνούμε ότι ένας οδηγός φορτηγού ή ταξί δεν χειρίζεται απλώς το τιμόνι: είναι επίσης υπεύθυνος για την ορθή λειτουργία του οχήματος, χειρίζεται προϊόντα και διαπραγματεύεται με τους πελάτες, διασφαλίζει την ασφάλεια του φορτίου και των επιβατών και μεριμνά για τη διεκπεραίωση πολλών άλλων εργασιών που μπορεί να είναι πολύ δυσκολότερο να αυτοματοποιηθούν σε σχέση με την οδήγηση καθαυτή.

Όπως συνέβη και με προηγούμενες τεχνολογικές προόδους, η ΤΝ θα δημιουργήσει επίσης νέα είδη εργασίας. Είναι πιθανό στο μέλλον ένα μεγαλύτερο μέρος του εργατικού δυναμικού να επικεντρωθεί στην έρευνα και την ανάπτυξη, καθώς και σε εργασίες που απαιτούν δημιουργικότητα και αλληλεπίδραση μεταξύ ανθρώπων. Εάν θέλετε να διαβάσετε περισσότερα επί του θέματος, ανατρέξτε, για παράδειγμα στο ωραίο δοκίμιο του Abhinav Suri Artificial Intelligence and the Rise of Economic Inequality.