Η τεχνητή νοημοσύνη είναι ένας συναρπαστικός τομέας της τεχνολογίας, που υπόσχεται να αλλάξει τον κόσμο. Η Artificial Intelligence (AI) για δεκαετίες ανήκε αποκλειστικά στην επιστημονική φαντασία. Πλέον, όμως, υπάρχουν παντού γύρω μας συστήματα AI για συγκεκριμένες χρήσεις, και ίσως να μην απέχουμε πολύ από ένα AI που να σκέφτεται σαν άνθρωπος. Η κινητήρια δύναμη για αυτή την εξέλιξη, είναι το machine learning.

Δείτε τις ενότητες του οδηγού

Προτάσεις συνεργασίας

Διαφημίστε την επιχειρησή σας στο site του PCsteps, ή και στο κανάλι μας στο YouTube.

Επικοινωνία

Γίνε VIP μέλος στο PCSteps

Τα μέλη διαβάζουν όλα μας τα άρθρα χωρίς διαφημίσεις, και έχουν επιπλέον μοναδικά προνόμια.

Συμμετοχή

Είναι οι υπολογιστές έξυπνες συσκευές?

Όσο κι αν θεωρούμε τους υπολογιστές, τα κινητά, τα tablet κλπ, σαν “έξυπνες” συσκευές, στην πραγματικότητα όλοι γνωρίζουμε πως σε κανένα βαθμό δεν “σκέφτονται”, όπως σκέφτεται ένας άνθρωπος.

Κάθε συσκευή βασίζεται σε μία ή περισσότερες εφαρμογές που έχουν δημιουργήσει προγραμματιστές. Κάθε εφαρμογή έχει ακριβώς τις δυνατότητες που προβλέπει ο κώδικάς της. Οτιδήποτε δεν προβλέπεται από τον κώδικα, οδηγεί σε σφάλμα.

Σε απλές εφαρμογές, είναι εφικτό για τον προγραμματιστή να προβλέψει όλες τις πιθανές κινήσεις του χρήστη, και να ενσωματώσει την κατάλληλη ανταπόκριση στο πρόγραμμα.

Όσο όμως αυξάνει η πολυπλοκότητα μιας εφαρμογής, γίνεται όλο και πιο δύσκολο να καλυφθούν όλα τα πιθανά σενάρια. Αυτός είναι ο λόγος που κάθε λειτουργικό σύστημα – εξ' ορισμού η πιο περίπλοκη εφαρμογή σε κάθε σύστημα – έχει αμέτρητα κενά ασφαλείας.

Αν θελήσουμε να φτιάξουμε ένα πρόγραμμα τόσο περίπλοκο που να μπορεί να ανταποκριθεί σε οποιαδήποτε πρόκληση όπως ένας άνθρωπος, με τις συμβατικές μεθόδους προγραμματισμού θα ήταν απλά αδύνατον.

Τι είναι το machine learning

Ας σκεφτούμε λίγο πώς λειτουργεί η ανθρώπινη σκέψη αλλά και γνώση. Καλώς ή κακώς, δεν υπάρχει κάποιος που να προγραμματίζει τις πληροφορίες στο κεφάλι μας. Τουλάχιστον, όχι ακόμα.

Ουσιαστικά, ο τρόπος που μαθαίνουμε είναι παρατηρώντας πληροφορίες από το περιβάλλον μας, μέσα από τις οποίες βγάζουμε συγκεκριμένα συμπεράσματα.

Το machine learning βασίζεται σε μια αντίστοιχη λογική. Αντί να προσπαθήσουμε να προγραμματίσουμε κάθε πιθανή παράμετρο, έχουμε δημιουργήσει αλγόριθμους που επεξεργάζονται ένα σύνολο από πληροφορίες.

Βάσει των πληροφοριών που δέχεται, δηλαδή των δεδομένων, ο αλγόριθμος στη συνέχεια κατασκευάζει τη δική του λογική, προσαρμόζοντας τη λειτουργία του.

Ας πάρουμε, για παράδειγμα, την ερώτηση που αφορά τα παρακάτω ζευγάρια αριθμών:

Ένας άνθρωπος εύκολα συμπεραίνει πως ο επόμενος αριθμός είναι το 81, γιατί παρατηρεί πως οι αριθμοί στην δεξιά στήλη είναι το τετράγωνο των αριθμών στην αριστερή. Εξετάζει τα δεδομένα, και βρίσκει μία σχέση μεταξύ τους.

Ένα συμβατικό πρόγραμμα, γραμμένο ειδικά για να λύσει αυτό το πρόβλημα, απλά θα ξεκινούσε να βάζει αριθμούς 1, 2, 3, 4 στη θέση του ερωτηματικού. Όταν θα έφτανε στο 81, θα έπρεπε να έχουμε προγραμματίσει μια επιβεβαίωση πως είναι η σωστή απάντηση. Αλλιώς, το πρόγραμμα θα συνέχιζε να μετράει αριθμούς μέχρι να ξεμείνει από μνήμη.

Βέβαια, με βάσει τα παραπάνω, το πρόγραμμα αυτό θα έβρισκε την απάντηση πιο γρήγορα από άνθρωπο, γιατί ένας υπολογιστής μπορεί να κάνει δισεκατομμύρια υπολογισμούς κάθε δευτερόλεπτο.

Όμως, για κάποιο άλλο πρόβλημα, το συγκεκριμένο πρόγραμμα θα ήταν άχρηστο, θα έπρεπε να γραφτεί ένα νέο. Και για προβλήματα που οι λύσεις δεν είναι τόσο μαθηματικά συγκεκριμένες, είναι αδύνατον να βρεθεί λύση δοκιμάζοντας όλες τις πιθανότητες.

Μέσω του machine learning, προσπαθούμε να επιδιώξουμε έναν υπολογιστή που να λειτουργεί περισσότερο όπως ο άνθρωπος. Θέλουμε οι αλγόριθμοί μας να είναι σε θέση να μαθαίνουν εμπειρικά, βασιζόμενοι σε παρατηρήσεις – δείγματα που τους δίνουμε.

Όπως θα δούμε, το machine learning επιτρέπει στους αλγορίθμους να βελτιώνουν την απόδοσή τους στην πάροδο του χρόνου. Όσο ο αριθμός των διαθέσιμων δειγμάτων αυξάνεται, τόσο ο αλγόριθμος γίνεται πιο αποδοτικός.

Πού χρησιμοποιείται το machine learning

Τα παραπάνω που αναφέραμε, δεν είναι θεωρητικά. Ήδη τη στιγμή που διαβάζετε αυτές τις γραμμές, η τεχνητή νοημοσύνη, υπό τη μορφή αλγορίθμων, βρίσκεται παντού γύρω μας.

Εδώ να τονίσουμε πως δεν αναφερόμαστε σε μια γενική τεχνητή νοημοσύνη, που να σκέφτεται συνολικά σαν άνθρωπος. Μιλάμε για εξειδικευμένες εφαρμογές τεχνητής νοημοσύνης για συγκεκριμένες εργασίες.

Για παράδειγμα, αν μας ενδιαφέρει το θέμα του προγραμματισμού και θέλουμε να κάνουμε μαθήματα, το πιθανότερο είναι να έχουμε κάνει μια αναζήτηση για αυτό σε κάποια μηχανή αναζήτησης.

Τα αποτελέσματα της αναζήτησης που εμφανίζονται στην οθόνη μας, δεν τα διάλεξε χειροκίνητα κάποιος υπάλληλος της Google. Ειδικοί αλγόριθμοι επιχειρούν να κατανοήσουν για τι ψάχνουμε και να εμφανίσουν τα πιο σχετικά αποτελέσματα.

Ομοίως, μηχανές είναι αυτές που αποφασίζουν τι και με ποια σειρά θα μας εμφανιστεί στη ροή ειδήσεων του Facebook, αν μια συναλλαγή μας με το ATM είναι έγκυρη, πώς μπορεί να συμπληρωθεί (με auto-complete) η αναζήτησή μας στο Google, κοκ.

Όλες οι παραπάνω λειτουργίες βελτιώνονται θεαματικά με τη βοήθεια του machine learning. Ας δούμε λοιπόν με ποιον τρόπο έχουμε καταφέρει ώστε αλγόριθμοι σαν αυτούς ουσιαστικά να μαθαίνουν μόνοι τους.

Εξέλιξη των αλγορίθμων

Κάποτε, οι επιστήμονες δημιουργούσαν αλγορίθμους, με τον προφανή τρόπο: δίνοντάς τους εντολές, όπως τις κατανοούν οι άνθρωποι.

Σταδιακά, όμως, αρχίσαμε να ερχόμαστε αντιμέτωποι με προβλήματα τόσο πολύπλοκα ώστε να είναι δύσκολο να τις δώσουμε υπό την μορφή εντολών σε κάποια μηχανή για να τα επιλύσει.

Η προβολή προτάσεων βίντεο στο YouTube, μεταξύ των χιλιάδων διαθεσίμων, ή η εύρεση πλαστών συναλλαγών, μεταξύ των εκατομμυρίων που γίνονται κάθε δευτερόλεπτο αποτελούν παράδειγμα τέτοιων προβλημάτων.

Απαντήσεις στα ερωτήματα αυτά μας δίνουν μηχανές – αλγόριθμοι. Συχνά, βέβαια, πρόκειται για ανακριβείς ή ελλιπείς απαντήσεις.

Και πάλι, όμως, είναι πολύ καλύτερες από αυτές που θα έδινε ο άνθρωπος για το ίδιο ερώτημα, καθώς θα έπαιρνε ενδεχομένως χρόνια ώστε ακόμα και μια ομάδα χιλιάδων ανθρώπων να επεξεργαστεί τα δεδομένα που παράγονται σε ένα δευτερόλεπτο.

Πώς λειτουργεί το machine learning

Πριν επιχειρήσουμε να εξηγήσουμε το πώς λειτουργεί το machine learning, θα πρέπει να τονίσουμε μπορούμε να γνωρίζουμε μόνο τις πολύ βασικές αρχές αυτής της μεθόδου.

Ένας λόγος είναι πως η ακριβής φύση των αλγορίθμων που χρησιμοποιεί κάθε επιχείρηση αποτελεί σημαντικό εμπορικό μυστικό.

Υπάρχει λόγος που η Google είναι τόσο μεγαλύτερη σαν μηχανή αναζήτησης σε σχέση πχ με το Bing. Μια αναζήτηση στη Google θα επιστρέψει καλύτερα αποτελέσματα. Οι αλγόριθμοι αναζήτησης της Google είναι κατά πολύ ανώτεροι από των ανταγωνιστών της.

Ενώ λοιπόν μπορούμε να υποθέσουμε με ασφάλεια πως στη Google εφαρμόζουν κάποια μέθοδο machine learning για την λειτουργία των αλγορίθμων, οι λεπτομέρειες είναι απόρρητες εκτός του περιβάλλοντος ανάπτυξης της εταιρείας.

Όμως, αυτό που είναι πραγματικά εντυπωσιακό, είναι πως με τη χρήση του machine learning, σταδιακά ούτε οι ίδιοι οι δημιουργοί ενός συστήματος καταλήγουν να μην γνωρίζουν πώς ακριβώς λειτουργεί.

Ένα απλό παράδειγμα machine learning

Η ανάπτυξη αλγορίθμων που να βασίζονται στο machine learning βασίζεται σε νευρωνικά δίκτυα και εξαιρετικά περίπλοκα μαθηματικά, που θέλουν χρόνια σπουδών για να τα κατανοήσουμε ακόμα και στο μικρότερό τους κομμάτι.

Μπορούμε όμως με ένα απλό παράδειγμα να δούμε πως λειτουργεί η όλη λογική. Έστω λοιπόν ότι θέλουμε να κατασκευάσουμε έναν αλγόριθμο – bot που να αναγνωρίζει τι περιέχει μια εικόνα.

Ποια φωτογραφία δείχνει δέντρο και ποια πλοίο? Αυτή είναι μια ερώτηση που μπορεί να απαντήσει ένα παιδί δύο ετών, όμως το να προγραμματίσουμε έναν υπολογιστή ώστε να δίνει πάντοτε τη σωστή απάντηση, είναι εξαιρετικά πιο δύσκολο.

Ο εγκέφαλος, κοιτάζοντας μια εικόνα, άμεσα γνωρίζει περί τίνος πρόκειται. Όμως, ενώ κατανοούμε σε κάποιο βαθμό πως λειτουργούν τα κέντρα του εγκεφάλου και οι συνάψεις μεταξύ των νευρώνων, η συνολική λειτουργία του μυαλού παραμένει ένα μυστήριο.

Μπορούμε να εξηγήσουμε με λέξεις γιατί η μία εικόνα δείχνει ένα δέντρο (έχει κορμό, έχει φύλλα, έχει ρίζες) και η άλλη ένα πλοίο (έχει πανιά, έχει κατάρτια). Όμως οι υπολογιστές δεν καταλαβαίνουν τι σημαίνουν οι λέξεις. Δεν καταλαβαίνουν τίποτα.

Η κατανόηση εξακολουθεί να είναι αποκλειστικότητα του εγκεφάλου.

Αλγόριθμοι κατασκευής και αλγόριθμοι δημιουργίας

Επειδή λοιπόν δεν ξέρουμε πώς ακριβώς ο εγκέφαλος μπορεί να κατανοήσει το περιεχόμενο μιας εικόνας, δεν μπορούμε να προγραμματίσουμε άμεσα έναν αλγόριθμο που να κάνει το ίδιο.

Αυτό που κάνουμε, στην πράξη, είναι να φτιάξουμε δύο αλγόριθμους-bot. Έναν που να κατασκευάζει δικούς του αλγόριθμους-bot, και έναν που να τους διδάσκει.

Τέτοιες μηχανές-αλγόριθμοι είναι λιγότερο περίπλοκες, επομένως μπορεί να τις κατασκευάσει ένας έξυπνος προγραμματιστής.

Το bot-κατασκευαστής θα δημιουργήσει έναν αριθμό από bot, με σκοπό να ελέγχουν εικόνες και να απαντούν για το αν η εικόνα περιέχει ένα πλοίο, ή ένα δέντρο.

Τα bot προφανώς δεν θα είναι ίδια μεταξύ τους, θα έχουν μικρές διαφορές στον τρόπο λειτουργίας τους, αλλιώς δεν θα είχε κανένα νόημα όλη αυτή η δημιουργία. Οι διαφορές αυτές διαμορφώνονται σχεδόν τυχαία.

Αυτό δεν μας απασχολεί ιδιαίτερα, καθώς αργότερα, με τη βοήθεια του machine learning, θα διαμορφωθούν στην επιθυμητή κατεύθυνση.

Στη συνέχεια, τα νέα bot θα οδηγηθούν στο bot-δάσκαλο, για να εκπαιδευτούν στην αναγνώριση δέντρων και πλοίων.

Προφανώς ούτε ο αλγόριθμος-δάσκαλος μπορεί να ξεχωρίσει αν μια εικόνα δείχνει ένα δέντρο ή ένα πλοίο. Αν μπορούσε να το κάνει, τότε θα είχαμε λύσει το πρόβλημα, δεν θα χρειαζόταν όλη η υπόλοιπη διαδικασία.

Αυτό που κάνουμε, είναι να τροφοδοτούμε τον αλγόριθμο διδασκαλίας με όσο γίνεται περισσότερες εικόνες, που να δείχνουν είτε ένα δέντρο, είτε ένα πλοίο.

Με κάθε εικόνα, παρέχουμε και την πληροφορία για το αν είναι δέντρο ή πλοίο, τη σωστή απάντηση. Έτσι, ενώ ο αλγόριθμος-δάσκαλος δεν καταλαβαίνει τι είναι το δέντρο και τι είναι το πλοίο, μπορεί να ξεχωρίσει τις σωστές και τις λάθος απαντήσεις.

Στο επόμενο βήμα, αρχίζει η εξέταση. Κάθε bot που έφτιαξε ο αλγόριθμος-κατασκευαστής πηγαίνει στον αλγόριθμο-δάσκαλο. Ο αλγόριθμος-δάσκαλος δείχνει μια εικόνα, και το bot πρέπει να απαντήσει αν είναι πλοίο ή δέντρο.

Σε αυτή την πρώτη γενιά, τα περισσότερα κατασκευασμένα bot θα αποτύχουν.

Ουσιαστικά, είναι θέμα τύχης κάποιο bot να βρει τη σωστή απάντηση, με βάση τις διαφορές κατά την κατασκευή του σε σχέση με τα άλλα bot.

Όσα bot απάντησαν σωστά, τα ξεχωρίζει αυτόματα ο αλγόριθμος-δάσκαλος. Όσα απέτυχαν, είναι άχρηστα, και καταστρέφονται.

Τώρα, ο αλγόριθμος-κατασκευαστής παίρνει τα bot που πέρασαν το τεστ, και δημιουργεί αντίγραφά τους, κάνοντας πάλι μικρές αλλαγές στον προγραμματισμό τους.

Στη συνέχεια, οι φάσεις που μόλις περιγράψαμε επαναλαμβάνονται: η μηχανή-δάσκαλος επαναλαμβάνει τα τεστ στα νέα bot, η μηχανή-κατασκευαστής κρατάει όσα πήγαν καλύτερα και ετοιμάζει νέες εκδόσεις, κοκ.

Επαναλήψεις

Ίσως θεωρητικά η όλη μέθοδος να δείχνει μπακάλικη, αλλά στην πράξη αποδίδει καρπούς.

Ουσιαστικά, είναι όμοια με τον τρόπο που λειτουργεί η εξέλιξη των ειδών στη φύση. Με βάση τυχαίες μεταλλάξεις, οι ικανότεροι αναπαράγονται περισσότερο, και μετά από αρκετές γενιές, το αποτέλεσμα δεν θυμίζει σε τίποτα το αρχικό.

Σε κάθε επανάληψη, ο αλγόριθμος κατασκευής κρατάει μόνο τα καλύτερα bot, ενώ εκείνα που κατευθύνονται κάθε φορά στον αλγόριθμο διδασκαλίας είναι αμέτρητα.

Το ίδιο ισχύει και με τα τεστ, που αποτελούνται από εκατομμύρια απαντημένων ερωτήσεων προς εξέταση. Όσο περισσότερα δεδομένα προς εξέταση παρέχουν οι δημιουργοί του συστήματος, τόσο το καλύτερο για το machine learning.

Με κάθε νέα γενιά bot, ο κώδικας που αρχικά τα έκανε τυχαία να απαντούν σωστά στο τεστ όλο και βελτιώνεται. Σιγά-σιγά, και μετά από αμέτρητες επαναλήψεις, φτάνουμε σε μηχανές που κάνουν τον διαχωρισμό δέντρων-πλοίων αρκετά καλά.

Επειδή η όλη διαδικασία είναι αυτοματοποιημένη, ο τελικός αλγόριθμος που θα προκύψει και θα ξεχωρίζει καλύτερα από τους άλλους το δέντρο από το πλοίο, κανείς δεν γνωρίζει πως ακριβώς είναι φτιαγμένος.

Με τις συνεχείς αλλαγές και εξελίξεις, έχει αυξηθεί η πολυπλοκότητά του. Και από τη στιγμή που έχει γραφτεί από μηχανές, και όχι από ανθρώπους, ακόμα και αν εξετάσουμε τον κώδικά του, δεν πρόκειται να καταλάβουμε συνολικά τη λειτουργία του.

Επανερχόμαστε δηλαδή στο θέμα του ανθρώπινου εγκεφάλου. Καταλαβαίνουμε τα μέρη που αποτελείται, όχι όμως πώς λειτουργεί συνολικά.

Συλλογή δεδομένων

Αξίζει να σημειωθεί πως η διαδικασία του machine learning είναι διαρκής, εκ των πραγμάτων δεν έχει κάποια στιγμή που να ολοκληρώνεται.

Ένας αλγόριθμος που θεωρητικά έχει μάθει να ξεχωρίζει τέλεια εικόνες δέντρων και πλοίων, θα έχει και πάλι πρόβλημα αν του δώσουμε ένα βίντεο με πλοία και κάτι που μοιάζει με δέντρο, αλλά δεν είναι.

Αυτό μας οδηγεί στην ανάγκη για συνέχιση της εκπαίδευσης των bot μας.

Εφόσον δεν έχουμε κάποια άλλη εναλλακτική, η μόνη λύση είναι να συνεχίζουμε να τροφοδοτούμε με τεστ τις μηχανές που εκπαιδεύουν τους αλγορίθμους μας, περιλαμβάνοντας όλο και πιο δύσκολες ερωτήσεις.

Που μπορεί να βρει κανείς τόσο υλικό, όμως?

Χμμμ…

Να λοιπόν γιατί τόσες εταιρείες έχουν πάθει υστερία με τη συλλογή δεδομένων, και αναφέρονται στην έννοια των “Big Data”.

Όσο περισσότερα τα δεδομένα, τόσο περισσότερο εκπαιδευτικό υλικό έχουμε στη διάθεσή μας, προκειμένου να βελτιώσουμε τους αλγορίθμους μας. Και, καθώς το υλικό με αρκετή ποικιλία είναι δυσεύρετο, η αξία του μεγαλώνει.

Ακούσια συμμετοχή μας στο machine learning

Όταν συναντάμε το κλασικό quiz “Είστε ρομπότ?” σε μια ιστοσελίδα, δεν αποδεικνύουμε μόνο ότι είμαστε άνθρωποι.

Παράλληλα συνεισφέρουμε στην κατασκευή τεστ για τους αλγορίθμους που μαθαίνουν να διαβάζουν, να μετρούν, ή να ξεχωρίζουν άλογα από ανθρώπους.

Μάλιστα, θα έχουμε προσέξει τελευταία πόσο συχνά τα quiz αυτά περιλαμβάνουν δρόμους, οχήματα, ή σήματα οδικής κυκλοφορίας.

Αυτό μάλλον σημαίνει ότι αφορούν στην εκπαίδευση αλγορίθμων που σύντομα θα μας αντικαταστήσουν στη θέση του οδηγού στα οχήματα.

Ηθικά και Νομικά Προβλήματα με τα Αυτόνομα Αυτοκίνητα

Τα αυτόνομα αυτοκίνητα θα φέρουν επανάσταση στις μεταφορές. Όμως, απέχουμε ακόμα μέχρι η τεχνολογία να είναι 100% έτοιμη για γενική χρήση. Όχι τόσο σε τεχνικό επίπεδο,…

Υπάρχει, όμως, και ένα άλλου είδους τεστ στο οποίο συμμετέχουμε, ως άνθρωποι, με διαφορετικό τρόπο: αποτελώντας το αντικείμενο υπό εξέταση.

Τυπικό παράδειγμα αποτελούν οι αλγόριθμοι του YouTube. Ένας από τους στόχους τους είναι να μας προωθούν προτεινόμενα βίντεο, ανάλογα με τα γούστα του καθενός, με σκοπό να συνεχίσουμε την περιήγησή μας στη σελίδα όσο το δυνατόν περισσότερο.

Πώς θα συμβεί αυτό όμως; Απλά, ο αλγόριθμος εκμάθησης αναθέτει σε κάθε υπό εκπαίδευση αλγόριθμο έναν αριθμό χρηστών προς παρακολούθηση. Αυτοί με τη σειρά τους κάνουν ό,τι καλύτερο μπορούν για να προτείνουν κατάλληλα βίντεο σε κάθε χρήστη τους.

Οι αλγόριθμοι των οποίων οι χρήστες παρέμειναν για μεγαλύτερο χρονικό διάστημα στη σελίδα, είναι οι ικανότεροι. Έτσι, μετά από εκατομμύρια επαναλήψεις, το machine learning μας οδηγεί σε έναν αλγόριθμο που είναι αρκετά καλός στο να διατηρεί αμείωτο το ενδιαφέρουν του χρήστη για τα βίντεο.

Για άλλη μια φορά, δεν γνωρίζουμε πώς ακριβώς λειτουργεί ο αλγόριθμος που μας προωθεί προτεινόμενα βίντεο. Το μόνο που ξέρουμε είναι με ποιον τρόπο οργανώσαμε το machine learning του, και τι δεδομένα χρησιμοποιήσαμε για την εκπαίδευσή του.

Machine learning σήμερα

Συνειδητοποιούμε, λοιπόν, ότι το machine learning βρίσκεται κυριολεκτικά παντού γύρω μας. Στις περισσότερες πτυχές της καθημερινότητάς μας υπάρχουν ήδη αλγόριθμοι που χρησιμοποιούν machine learning.

Ακόμα και όπου δεν συμβαίνει αυτό, η δυνητική εφαρμογή του μπορεί να φανεί χρήσιμη. Ως παράδειγμα έρχεται η είδηση μιας νέας εφαρμογής του machine learning στον φαινομενικά αθώο τομέα της (νόμιμης) πορνογραφίας.

Το πάντα ψηλά στις προτιμήσεις των Ελλήνων (και Ελληνίδων) Pornhub,  επιχειρεί να δώσει τέλος στη μάστιγα των εσφαλμένων περιγραφών στα online βίντεο.

Για να το πετύχει, χρησιμοποιεί AI και machine learning. Με διαδικασία παρόμοια με αυτήν που έχουμε περιγράψει, ο αλγόριθμός τους τροφοδοτείται με πληθώρα δειγμάτων από πρόσωπα, στάσεις, “τεχνικές”, κλπ.

Στη συνέχεια, θα προχωρήσει στην καταλογογράφηση των βίντεο της σελίδας, περιγράφοντας τα είδη των πράξεων που περιέχουν, τους ηθοποιούς, αλλά και διαγράφοντας τυχόν διπλότυπα.

Αν θέλουμε, τώρα, να πάρουμε μια καλύτερη ιδέα για τον τρόπο που λειτουργεί το machine learning, μας παρέχεται η δυνατότητα μέσα από τη σελίδα Teachable Machine.

Εδώ μπορούμε να διδάξουμε μια μηχανή, δίνοντάς της τα δείγματα που χρειάζεται. Παρακολουθούμε έτσι στην πράξη τη διαδικασία μέσω της οποίας μαθαίνει.

Ποια είναι η γνώμη σας για το machine learning?

Με τις μηχανές που μαθαίνουν μόνες τους, όλο και περισσότερο χρησιμοποιούμε (ή μας χρησιμοποιούν) εργαλεία που δεν ξέρουμε πώς λειτουργούν.

Το βέβαιο είναι ότι αναπόφευκτα θα πρέπει να συνηθίσουμε στην ιδέα αυτή. Αργά ή γρήγορα, το machine learning θα μπει σε κάθε τομέα της ζωής μας. Το αν αυτό είναι θετικό ή αρνητικό, το αφήνουμε σαν άσκηση για τον αναγνώστη.

Γράψτε μας στα σχόλια πώς βλέπετε εσείς αυτήν την προοπτική. Θα δούμε θετικές αλλαγές, ή μήπως πρόκειται για την αρχή μιας νέας εποχής μηχανών?