Η Ανάλυση της Τεχνητής Νοημοσύνης στην καθημερινότητά μας προβλέπει σ’ έναν νέο και πολλά υποσχόμενο κόσμο μας όπως αναφέρει ο κ. Γ. Μαστρογεωργίου Δ/ντής του ΔΙΚΤΥΟΥ. Πρώτη φορά στην Ιστορία του Ανθρώπινου είδους θα έρθει τόσο κοντά οι μηχανές με τον άνθρωπο. Καταλήτης και πυρήνας της εξέλιξης αυτής είναι η Τεχνητή Νοημοσύνη -Artificial Intelligence(ΑΙ).
Σήμερα, στο «εδώ και τώρα» ζούμε την εποχή της 4ης Βιομηχανικής Επανάστασης όπου τα συστήματα Τεχνητής Νοημοσύνης (AI) ήδη τα συναντάμε παντού σχεδόν στην καθημερινή μας ζωή όπως λ.χ. να οδηγούν αυτοκίνητα, να αποφασίζουν σχετικά με τις αιτήσεις υποθηκών ή δανείων, να βοηθούν στη μετάφραση κειμένων, στην αναγνώριση προσώπων, στα κοινωνικά δίκτυα, στον εντοπισμό της θέσης, να δημιουργούν έργα τέχνης, να παίζουν παιχνίδια κλπ. Η AI άρχισε να κορυφώνεται σταδιακά από τη δεκαετία του 2000 και προέκυψε από το συνδυασμό της ικανότητας της μηχανής να «μαθαίνει» (machine learning) με τα «μεγάλα δεδομένα» (big data). Οι αλγόριθμοι πίσω από αυτά τα συστήματα λειτουργούν μέσα από τη στατιστική συσχέτιση των δεδομένων που αναλύονται και συνθέτονται έτσι ώστε να δίνουν τη δυνατότητα στις μηχανές να εκτελούν βασικές λειτουργίες υπολογισμού και άλλες δραστηριότητες, όπως ο άνθρωπος.
Η AI βασίζεται σε δεδομένα, μπορεί να εκτελεί μόνο μία εργασία κάθε φορά και δεν μπορεί, ακόμα, να μεταφέρει τις γνώσεις που παράγονται.
Η γνωστή «Strong AI» ή αλλιώς «Ισχυρή Τεχνητή Νοημοσύνη», ικανή να εμφανίζει στοιχεία ανθρώπινης νοημοσύνης και κοινής λογικής, και η οποία να μπορεί να θέσει τους δικούς της στόχους, δεν είναι ακόμα εφικτή.
Παρά τους φόβους που απεικονίζονται συχνά στον κινηματογράφο, η ιδέα μιας «υπερφυσικής» τεχνητής νοημοσύνης, ικανής να αυτονομείται και να κυριαρχεί ενδεχομένως πάνω στους ανθρώπους, παραμένει ως πιθανότητα που αυτή τη στιγμή φαντάζει ως σενάριο υψηλής φαντασίας.
Επιπλέον, η ανάπτυξη συστημάτων ΑΙ που βασίζονται στη χρήση δεδομένων συνεπάγεται επίσης και απαιτεί την προσαρμογή των νομικών μας πλαισίων σχετικά με τη συλλογή, τη χρήση και την αποθήκευση τους.
Ένα εξίσου σημαντικό ζήτημα που πρέπει να μας απασχολήσει πέρα από την ιδιωτικότητα, είναι η πιθανή παρεκτροπή στα δεδομένα – μέσω της προκατάληψης- που παρέχονται στα συστήματα AI. Οι μηχανικοί υπολογιστικών συστημάτων χρησιμοποιούν συχνά τη φράση: «σκουπίδια βάζεις στο σύστημα, σκουπίδια θα σου δώσει», με άλλα λόγια με ό,τι δεδομένα «φορτώσεις» το σύστημα, αντίστοιχης ποιότητας αποτελέσματα θα πάρεις. Αυτό σημαίνει ότι πρέπει να βρούμε τρόπο να παρακάμψουμε τη μεροληψία που υπάρχει σε καθένα από εμάς, γύρω από διάφορα θέματα, κάθε φορά που δίνουμε εντολή σε μία μηχανή τεχνητής νοημοσύνης γιατί εκείνη μετά θα αναπαράγει ή θα ενισχύσει τη μεροληψία μας στις αποφάσεις που θα λάβει.
Το βασικό φιλοσοφικό, εν πολλοίς, ζήτημα σήμερα παραμένει το επίπεδο αυτονομίας που δίνεται κάθε φορά στα AI συστήματα για τη λήψη αποφάσεων που θα μπορούσαν να αλλάξουν τη ζωή μας, έχοντας πάντα κατά νου ότι τα συστήματα αυτά παρέχουν μόνο βοήθεια, ότι δεν καταλαβαίνουν τα καθήκοντα που εκτελούν και ότι δεν υπάρχει τρόπος να μάθουν πώς καταλήγουν στα συμπεράσματά τους.
Είναι αντιληπτό ότι τα συστήματα AI θα επηρεάσουν την κοινωνία, και ιδίως την αγορά εργασίας, ενώ παράλληλα θα μπορούσαν ενδεχομένως να αυξήσουν και τις ανισότητες, αν κάναμε χρήση της γνώσης, της σωστής προσαρμογής, της ευελιξίας και της πρόβλεψης. Ο τρόπος που αντιμετωπίζει ο άνθρωπος τις παραπάνω έννοιες είναι σίγουρο ότι θα αλλάξει την κοινωνία του.
Το 1936, ο Βρετανός μαθηματικός Alan Turing εισήγαγε την μηχανή Turing, ένα μοντέλο υπολογισμού που προκάλεσε την ανάπτυξη της πληροφορικής και των υπολογιστών. Το 1950, ο Turing δημοσίευσε μία μελέτη με τίτλο «Υπολογιστικά μηχανήματα και νοημοσύνη», η οποία αναφέρεται ως η αφετηρία της σύγχρονης τεχνητής νοημοσύνης, δηλαδή της ικανότητας της μηχανής να εμφανίζει ανθρώπινες δυνατότητες, όπως είναι η Συλλογιστική, η Μάθηση, η Δημιουργικότητα.
Η Τεχνητή Νοημοσύνη Συμβόλων – Symbolic AI άρχισε να αναπτύσσεται στη δεκαετία του 1960 γύρω από την ιδέα ότι μπορούμε να αποκωδικοποιήσουμε τις έξυπνες ανθρώπινες συμπεριφορές ως μια ακολουθία λογικών κανόνων, που μεταγράφονται σε αλγόριθμους, τους οποίους οι μηχανές θα μπορούσαν να ακολουθήσουν για να εμφανίσουν και εκείνες μία «έξυπνη» συμπεριφορά. Οι πληροφορίες που δίνονταν στη μηχανή στη συνέχεια να μετατρέπονταν σε σύμβολα (γραφήματα, λογικούς τύπους) που ο υπολογιστής μπορούσε να χειριστεί χρησιμοποιώντας ένα σύνολο κανόνων.
Αυτή η προσέγγιση οδήγησε στο σχεδιασμό πληροφοριακών συστημάτων και συστημάτων γνώσης που αναπαράγουν τα γνωστικά βήματα του ανθρώπου για την επίλυση των προβλημάτων του. Ένα σύστημα γνώσης αποτελείται από μια βάση πληροφοριών που αντιπροσωπεύει -αντανακλά- τον πραγματικό κόσμο και από μια μηχανή συμπερασμάτων που εφαρμόζει ένα σύνολο λογικών κανόνων για την εξαγωγή νέων γνώσεων. Αυτά τα συστήματα είναι σε θέση να παρέχουν υποστήριξη σε μια μεγάλη γκάμα εργασιών, από τον έλεγχο της συμπεριφοράς ενός συστήματος μέχρι την παροχή διάγνωσης που χρειάζεται για τη λήψη μίας απόφασης ή την εκτίμηση μίας κατάστασης, ενός περιστατικού ή ενός φαινομένου.
Παράλληλα, η έρευνα στο χώρο των Νευροεπιστημών άρχισε να μας δείχνει ότι ο ανθρώπινος εγκέφαλος δούλευε με διαφορετικό τρόπο, από ό,τι είχε αρχικά εκτιμηθεί και από ό,τι ακόμα και μέχρι σήμερα γνωρίζουμε.
Το 1997 όμως, η νίκη του υπερυπολογιστή Deep Blue επί του Γκάρι Κασπάροφ στο σκάκι, πυροδότησε ξανά το ενδιαφέρον. Ο Deep Blue βασίστηκε σε έναν αλγόριθμο που αναλύει εκατομμύρια δυνατότητες ανά δευτερόλεπτο και επιλέγει την πιο ελπιδοφόρα κίνηση, υποστηριζόμενος από μια τεχνική «ωμής δύναμης» με τεράστια υπολογιστική ισχύ που απλώς εμφανίστηκε εκείνη την περίοδο σαν νοημοσύνη χωρίς όμως, να είναι. Ήταν μία τεράστια και ακατέργαστη υπολογιστική υπερδύναμη. Ήταν η αρχή για την περαιτέρω ανάπτυξη της AI.
Στις αρχές της δεκαετίας του 2000, ένα νέο κύμα AI θα προέκυπτε από το συνδυασμό δύο στοιχείων: αφ’ ενός τους αλγόριθμους που επιτρέπουν στις μηχανές να μάθουν και αφ’ ετέρου τη μεγάλη ποσότητα δεδομένων που παράγονται από την ανάπτυξη του ψηφιακού κόσμου, δηλαδή από εμάς, τους ανθρώπους. Μιλάγαμε πλέον για Τεχνητή νοημοσύνη με γνώμονα τα δεδομένα – data driven AI.
Η μάθηση είναι ένα από τα βασικά χαρακτηριστικά της ανθρώπινης νοημοσύνης. Στον τομέα της τεχνητής νοημοσύνης, η μάθηση νοείται ως η ικανότητα χρήσης της εμπειρίας μέσα από τα δεδομένα, για τη βελτίωση της γνωστικής συμπεριφοράς της (Machine learning).
Η επιστήμη της νευροεπιστήμης έχει αποδείξει ότι οι ανθρώπινες νοητικές ικανότητες βασίζονται στην ενεργοποίηση σύνθετων δικτύων νευρώνων στον εγκέφαλο μας. Αυτά τα νευρωνικά δίκτυα είναι σε θέση να αποθηκεύουν πληροφορίες και γνώσεις και κατά συνέπεια να παρέχουν τις ικανότητες της μάθησης.
Εμπνευσμένοι από αυτή τη διαδικασία, οι προγραμματιστές δημιούργησαν τεχνητά νευρωνικά δίκτυα (ANN). Σε ένα ANN, ένας μεγάλος αριθμός μονάδων (τεχνητοί νευρώνες) συνδέονται μεταξύ τους για να δημιουργήσουν ένα πολύπλοκο δίκτυο αλληλεπιδράσεων με διαφορετικά επίπεδα. Όταν δοθεί ένα δεδομένο, ως σήμα εισόδου, τότε το δίκτυο παράγει απαντήσεις, ως ένα σήμα εξόδου που προκύπτει από τις αλληλεπιδράσεις μεταξύ των τεχνητών νευρώνων. Η βασική πτυχή του ANN είναι ότι το πρόγραμμα είναι σε θέση να τροποποιήσει τις αλληλεπιδράσεις στο δίκτυο, έως ότου παράξει το αναμενόμενο αποτέλεσμα, παρέχοντας στις μηχανές τη δυνατότητα συνεχώς να εκπαιδεύονται και να μαθαίνουν.
Οι Εφαρμογές της Τεχνητής Νοημοσύνης με βάση τα δεδομένα στη ζωή μας είναι αδιαμφισβήτητη. Η ΑΙ είναι παντού γύρω μας. Στην καθημερινότητα μας συνέχεια και ας μην το φανταζόμαστε ή το υποψιαζόμαστε. Η εκμάθηση των μηχανών οδήγησε σε ένα ευρύ φάσμα εφαρμογών σε διάφορους τομείς. Πιο συγκεκριμένα:
- Αυτόματη μετάφραση, που παρέχεται για παράδειγμα από το Google Translate, DeepL ή SYSTRAN.
- Αναγνώριση ομιλίας και ερμηνεία μαζί, όπως το παράδειγμα μεταξύ αγγλικών και κινέζικων που παρουσιάστηκε το Νοέμβριο του 2012 από τη Microsoft.
- Συστήματα αναγνώρισης προσώπων που χρησιμοποιούνται σε δικαστικές έρευνες ή για ξεκλείδωμα ενός smartphone.
- Μηχανές που παίζουν παιχνίδια: από την επιτυχία του Deep Blue στο σκάκι, στο IBM Watson που κερδίζει το Jeopardy ή το πόκερ του DeepStack. Η νίκη στο AlphaGo από το DeepMind της Google εναντίον του παγκόσμιου πρωταθλητή Lee Sedol τον Μάρτιο του 2016, αποτέλεσε μία ιστορική καμπή, καθώς το μηχάνημα έδειξε σημάδια για αυτό που αναφέρουν οι σχολιαστές ως δημιουργικότητα.
- Αυτό-οδήγηση οχημάτων: εξοπλισμένο με αισθητήρες και με όπλο την ανάλυση των gigabytes των δεδομένων και των πληροφοριών που λαμβάνει ανά δευτερόλεπτο, η νέα γενιά αυτοματοποιημένων οχημάτων συνδυάζει διαφορετικά συστήματα AI (Tesla, Waymo)
- Ιατρική διάγνωση: Η ΑΙ μπορεί να βοηθήσει τους γιατρούς να διαπιστώσουν ή να επιβεβαιώσουν μια διάγνωση (Human Dx).
- Στρατιωτικά Ρομπότ: επικίνδυνα αυτόνομα συστήματα όπλων είναι σε θέση να επιλέξουν και να βάλουν εναντίον στόχων με μικρή ή καθόλου ανθρώπινη παρέμβαση…
- «Μηχανές Eureka» που υποστηρίζουν τη διαδικασία δημιουργικότητας για την παραγωγή νέων εφευρέσεων (βοήθεια στο σχεδιασμό νέων αντικειμένων και υλικών), βελτιστοποίηση υφιστάμενων λύσεων ή εύρεση νέων λύσεων σε προβλήματα χωρίς προκαταλήψεις που θα μπορούσαν να περιορίσουν τον άνθρωπο δημιουργικότητα. Αυτά τα μηχανήματα δημιουργούν επίσης νέες συνταγές (Chef Watson) ή μπορούν να βοηθήσουν μαθηματικούς να ερευνήσουν νέους τομείς μαθηματικών.
- Καλλιτεχνική AI, ικανή να γράφουν ιστορίες ή να δημιουργούν έργα τέχνης όπως πίνακες ζωγραφικής (The Fooling Painting) ή μουσικές συνθέσεις (Aiva).
- Τα συστήματα AI χρησιμοποιούνται επίσης για την άμεση εξυπηρέτηση μας, όπως οι προσωπικοί βοηθοί (Siri, Sally), κλπ.
Με άλλα λόγια, η AI βασίζεται σε χρήση δεδομένων, μπορεί να θεωρηθεί ως μια νέα μορφή νοημοσύνης, διαφορετική από αυτή του ανθρώπινου εγκεφάλου, που επιτρέπει στις μηχανές να εκτελούν καθήκοντα, όπως άλλωστε και οι άνθρωποι, αλλά πολύ γρηγορότερα. Χρησιμοποιώντας στατιστική συσχέτιση προερχόμενη από μία τεράστια ποσότητα δεδομένων, τα μηχανήματα είναι σε θέση να εκτελούν εργασίες που απαιτούν ευφυΐα όταν εκτελούνται από τον άνθρωπο. Ωστόσο, οι μηχανές το κάνουν με μη ανθρώπινες μεθόδους.
Ένας, λοιπόν, βασικός περιορισμός της ΑΙ είναι ότι δεν διαθέτει κοινή λογική και βούληση. Αυτή η ικανότητα κατανόησης των «κανόνων του κόσμου», αποτελεί τη βασική ικανότητα του ανθρώπου, που αναπτύσσεται σε νεαρή ηλικία, και είναι αυτό που λέμε με απλά λόγια «κοινή λογική». Τα μηχανήματα δεν έχουν κοινή λογική και δεν κατανοούν α)το τι συνιστά τη λειτουργία ενός αντικειμένου, β) σε τι χρησιμεύει…. κλπ.
Η μη εποπτευόμενη μάθηση (unsupervised) μπορεί να φέρει τις μηχανές πιο κοντά στην απόκτηση κοινής λογικής, αλλά και στην εκμάθηση του τρόπου διαχείρισης της αβεβαιότητας. Η μη εποπτευόμενη μάθηση χρησιμοποιείται όλο και περισσότερο, ώστε οι μηχανές να μάθουν τα καθήκοντα τους χωρίς να τα διδάσκονται: να μάθουν να παίζουν, δηλαδή, παιχνίδια παρακολουθώντας τα απλώς.
Οι μηχανές ΑΙ είναι προγραμματισμένες να εκτελούν μία εργασία που μπορεί να βοηθήσει τους ανθρώπους να επιτύχουν ένα στόχο, αλλά δεν μπορούν να μοιραστούν αυτόν τον στόχο ως νόημα, ως αξία ή να τον κατανοήσουν πλήρως. Όπως επίσης οι μηχανές δεν μοιράζονται τη σκοπιμότητα με τον χειριστή τους. Είναι απλά εργαλεία που δεν μπορούν να συνεργαστούν. Αυτό έχει σημαντικές επιπτώσεις στην υπό εκκόλαψη σχέση μεταξύ ανθρώπων και συστημάτων ΑΙ. Οι άνθρωποι πρέπει να είναι σε θέση να αναλάβουν τον έλεγχο και να διορθώσουν το σύστημα όταν εμφανιστεί κάτι απρόσμενο ή όταν υπάρξει ανάγκη.
Η διασφάλιση ότι η συλλογή, η πρόσβαση, η χρήση και η αποθήκευση δεδομένων για εφαρμογές AI δεν θα απειλήσουν την προστασία της ιδιωτικής ζωής των χρηστών, είναι μια από τις σύγχρονες και πιο σημαντικές προκλήσεις της AI. Ωστόσο, ένα άλλο θέμα εξίσου σοβαρό θέμα αφορά στην ποιότητα των δεδομένων. Η ανεπαίσθητη πολλές φορές μεροληψία στα δεδομένα που χρησιμοποιούνται για την εκπαίδευση των συστημάτων ΑΙ, μπορεί να οδηγήσει σε μία ανεπιθύμητη προκατάληψη ως προς το φύλο ή τη φυλή πχ στις αποφάσεις που λαμβάνει ένα σύστημα.
Έχει παρατηρηθεί ότι τα συστήματα ΑΙ εμφανίζουν μεροληπτική στάση, ανάλογα με τα δεδομένα που τους δοθούν. Τα συστήματα μηχανικής μάθησης όχι μόνο «μαθαίνουν» και μιμούνται τις προκαταλήψεις από τα δεδομένα με τα οποία εμείς τα τροφοδοτούμε, αλλά μπορούν να ενισχύσουν αυτή τη μεροληψία και την ανισότητα στις αποφάσεις που λαμβάνουν!
Το μεγαλύτερο ζήτημα ως προς την ΑΙ, είναι η θεωρητική δυνατότητα της να μπορεί να λαμβάνει αυτόνομες αποφάσεις. Σήμερα, αυτή η πιθανότητα φαίνεται ακόμα μακρινή, αλλά όχι τελείως ανέφικτη.
Η πρόληψη είναι η καλύτερη μέθοδος οργάνωσης, ιδιαίτερα δε όταν υπάρχει ένα ρυθμιστικό πλαίσιο για τον έλεγχο των αλγορίθμων και τον αντίκτυπό τους θεωρείται ότι είναι απαραίτητο, προκειμένου να αποφευχθούν ενδεχόμενοι κίνδυνοι για την ιδιωτική ζωή και την αυτονομία του ανθρώπου. Είναι πολύ σημαντικό να αντισταθούμε στον πειρασμό να χρησιμοποιήσουμε τα συστήματα AI προτού προσαρμοστεί κατάλληλα το νομικό μας πλαίσιο.
Η πρόσφατη πρόοδος στην ΑΙ και η ανάπτυξη της ρομποτικής δημιουργεί φόβους, όσον αφορά στην εξέλιξη της αγοράς εργασίας, καθώς αρκετές θέσεις απασχόλησης φαίνεται να διατρέχουν όλο και περισσότερο κίνδυνο από την αυτοματοποίηση των επόμενων δεκαετιών. Οι ερευνητές της AI εκτιμούν πιθανή την πλήρη αυτοματοποίηση των ανθρώπινων δραστηριοτήτων σε περίπου 120 χρόνια από τώρα. Η αυτοματοποίηση της εργασίας εξαρτάται βέβαια και από τον τύπο της εργασίας και από τις απαιτούμενες δεξιότητες.
Σε κάθε περίπτωση ο απόλυτος αυτοματισμός δεν είναι δυνατόν να υπάρξει. Εκείνο που θα δούμε, όμως, να αναπτύσσεται ραγδαία τα επόμενα χρόνια, είναι η προσαρμογή σχεδόν κάθε επαγγέλματος στη νέα εποχή. Η σύζευξη ανθρώπου και μηχανής. Η αλληλεπίδραση μεταξύ τους. Αυτό συνιστά μία προσαρμογή που απαιτεί αναδιάρθρωση της εκπαίδευσης και της δια βίου μάθησης. Τα παιδιά μαζί με Ιστορία θα πρέπει να μαθαίνουν και κώδικα προγραμματισμού…
Επίσης, έντονες είναι οι συζητήσεις σχετικά και με τον αντίκτυπο των συστημάτων AI στην κοινωνική ανισότητα. Ορισμένοι προβλέπουν ότι η αυτοματοποίηση των θέσεων εργασίας θα μειώσει τη δυνατότητα κοινωνικής κινητικότητας και θα ωφελήσει τους πλουσιότερους, οι οποίοι θα μπορούν να προσαρμοστούν καλύτερα στην αλλαγή. Τα εργαλεία AI μπορούν να αναδιαμορφώσουν τον τρόπο με τον οποίο παράγεται ο πλούτος και να μεταβάλλουν την παγκόσμια ισορροπία εξουσίας, οδηγώντας σε περαιτέρω ανισότητες.
Άλλοι υποστηρίζουν, αντιθέτως, ότι η AI έχει μεγάλη δυνατότητα αναδιανομής του πλούτου και ότι μπορεί να αποφευχθεί το σενάριο της συγκέντρωσης πλούτου σε λίγους. Το ζήτημα της ΑΙ και της πιθανής ανισότητας έχει απασχολήσει ανά καιρούς τα Ηνωμένα Έθνη και ο ΟΟΣΑ.
Επιπλέον, το νομικό πλαίσιο της ΕΕ σχετικά με τα δεδομένα, τους αλγόριθμους και τα ρομπότ είναι σαφές ότι πρέπει να εμπλουτιστεί και να τροποποιηθεί. Τον Απρίλιο του 2016, το Ευρωκοινοβούλιο και το Συμβούλιο, ενέκριναν κανονισμό για την προστασία των φυσικών προσώπων έναντι της επεξεργασίας των δεδομένων προσωπικού χαρακτήρα και για την ελεύθερη κυκλοφορία των δεδομένων αυτών.
Μία σημαντική πτυχή του κανονισμού είναι ότι: Ο υπεύθυνος επεξεργασίας των δεδομένων εφαρμόζει κατάλληλα μέτρα για την προστασία των δικαιωμάτων, των ελευθεριών και των έννομων συμφερόντων του υποκειμένου των δεδομένων.
Αυτός ο κανονισμός οδήγησε κατόπιν στην έκδοση κατευθυντήριων γραμμών για την αυτοματοποιημένη λήψη αποφάσεων, τον Οκτώβριο του 2017. Αυτές οι κατευθυντήριες γραμμές απαιτούν από τους υπεύθυνους επεξεργασίας δεδομένων να βρίσκουν απλούς τρόπους να ενημερώσουν το υποκείμενο των δεδομένων σχετικά με το σκεπτικό ή τα κριτήρια πάνω στα οποία βασίστηκε η χρήση των αλγόριθμων. Εν κατακλείδι, οι προγραμματιστές θα πρέπει να εξηγούν κατανοητά τι και γιατί το κάνουν κάθε φορά που θα τους ζητείται.
Μία σημαντική στιγμή για την ευρωπαϊκή έννομη τάξη είναι η έγκριση του ψηφίσματος του Ευρωπαϊκού Κοινοβουλίου τον Φεβρουάριο του 2017, σχετικά με τους κανόνες και τη νομοθεσία για τη ρομποτική. Το Κοινοβούλιο κάλεσε την Ευρωπαϊκή Επιτροπή να διαμορφώσει τους ορισμούς της νέας κατηγορίας των έξυπνων ρομπότ. Το ψήφισμα υποστηρίζει ότι το νομικό πλαίσιο της Ένωσης για τη ρομποτική και την ΑΙ πρέπει να επικαιροποιηθεί και να συμπληρωθεί με κατάλληλες αρχές δεοντολογίας. Το Κοινοβούλιο υπογράμμισε ζητώντας να υπάρχει πάντα η δυνατότητα αιτιολόγησης κάθε απόφασης που λαμβάνεται με τη βοήθεια της AI και που δύναται να έχει ουσιαστικό αντίκτυπο στη ζωή ενός ή περισσοτέρων ατόμων. Το ΕΚ, ζητά, τη σύσταση ενός ευρωπαϊκού οργανισμού για τη ρομποτική και την Τεχνητή Νοημοσύνη, που θα παράσχει υποστήριξη σε αυτά τα θέματα.
Συνοπτικά, η πρόκληση και συνάμα πρόσκληση των ημερών μας είναι η δημιουργία του ρυθμιστικού εκείνου πλαισίου που θα οδηγήσει με ασφάλεια και όραμα την ανθρωπότητα σε νέα μονοπάτια, σε εκείνους τους δρόμους που έχει πάει μόνο η φαντασία μας. Είναι πλέον, θέμα χρόνου…
Η ανθρώπινη νοημοσύνη και η συνείδηση είναι πολύ περίπλοκες έννοιες που ακόμα δεν είναι καλά κατανοητές. Ο δε, τρόπος για να δημιουργηθεί μία ιδιαίτερα ρεαλιστική τεχνητή οντότητα είναι να αντιληφθούμε πλήρως το πώς λειτουργεί το αρχικό πρότυπο. Κι αυτό μπορεί να συμβεί αφού πρώτα βελτιώσουμε την κατανόηση του εαυτού μας και του συνανθρώπου μας. Αυτό σημαίνει μεγαλύτερη εστίαση στην ψυχολογική και κοινωνική μας λειτουργία, όχι μόνο στα αναλυτικά και γνωστικά πεδία που ήδη έχουν μελετηθεί και ανιχνευτεί, αλλά επίσης και στα τμήματα που μας παραλείπουν ακόμα όπως είναι η φαντασία, η αυτογνωσία, η ταυτότητα, η δημιουργικότητα, η ανασφάλεια, την ηθική, τα συναισθήματα κλπ. Μόνο με αυτό τον τρόπο θα έχουμε τη δυνατότητα να ελπίζουμε να δημιουργήσουμε έναν πραγματικά ρεαλιστικό σύντροφο – συνοδοιπόρο με τον οποίο θα μπορέσουμε να συνυπάρξουμε με επιτυχία στο άμεσο ή στο απώτερο μέλλον.
ΔΗΜΗΤΡΗΣ ΝΙΚ. ΓΙΑΚΟΥΜΑΚΗΣ
MSc.(Ph.D) Κλινικός – Πολιτικός
Ψυχολόγος, Γνωστικός Επιστήμων Τεχνητής
Νοημοσύνης – Ρομποτικής, Ομαδικός
Αναλυτής, Ψυχοθεραπευτής -Σύμβουλος
Ανάπτυξης και Υποστήριξης
Bold Advisor
