Όταν οι μηχανές «διαβάζουν» τον άνθρωπο

ΑΦΙΕΡΩΜΑ - Ο πολιτισμός στην εποχή των αλγορίθμων

Του ΓΙΑΝΝΗ ΠΑΥΛΟΠΟΥΛΟΥ,
Επίκουρου Καθηγητή του Τμήματος Πληροφορικής του ΟΠΑ και Ερευνητή, Αρχιμήδης, Ερευνητικό Κέντρο «Αθηνά»

Τι σημαίνει να «διαβάζεις» ένα κείμενο; Για έναν φιλόλογο, είναι μια πράξη ερμηνείας: η αναζήτηση νοημάτων, αποχρώσεων και υπαινιγμών. Για έναν ιστορικό, είναι ένα παράθυρο σε μια άλλη εποχή. Για τον μη ειδικό, μπορεί να είναι μια είδηση, ένα σχόλιο ή μια άποψη. Σήμερα, σε αυτή τη διαδικασία μπαίνει δυναμικά και ένας νέος «αναγνώστης»: η τεχνητή νοημοσύνη. Ένας αναγνώστης που δεν κουράζεται, δεν περιορίζεται σε λίγα κείμενα και μπορεί να επεξεργαστεί τεράστιες ποσότητες πληροφορίας. Μπορεί να ανιχνεύσει μοτίβα σε χιλιάδες άρθρα ή να εντοπίσει αλλαγές στον τρόπο που γράφουμε μέσα στον χρόνο.

Μιλώντας με το παρελθόν

Ας μεταφερθούμε σε ένα αρχαίο αρχείο γεμάτο χειρόγραφα. Εκεί συναντά κανείς σελίδες φθαρμένες, γραμμένες με διαφορετικούς τρόπους, σε διαφορετικές εποχές. Μέχρι πρόσφατα, η μελέτη τους απαιτούσε χρόνια εξειδίκευσης. Σήμερα, χρησιμοποιούμε αυτή την εξειδίκευση για να «διδάξουμε» σε υπολογιστικά μοντέλα να αναγνωρίζουν τα γράμματα από τις φωτογραφίες τους, ακόμη και όταν αυτά αλλάζουν μέσα στους αιώνες. Αυτό φαίνεται καλύτερα όμως με μία εικόνα, όπου ένας αλγόριθμος εστιάζει στη γραφή για να χρονολογήσει τον πάπυρο (Εικόνα 1).

Εικόνα 1. Ένας αλγόριθμος χρονολογεί έναν πάπυρο και τα κόκκινα εικονοστοιχεία (pixel) δείχνουν τα σημεία όπου εστιάζει ο αλγόριθμος για να προβλέψει τον αιώνα. Όταν τμήματα της εικόνας καλύπτονται πλήρως με μαύρο (α) κατά τη διαδικασία της πρόβλεψης, ο αλγόριθμος εξακολουθεί να εστιάζει σε περιγράμματα που θυμίζουν χαρακτήρες.

Η ίδια ανθρώπινη εξειδίκευση είναι απαραίτητη σήμερα και για να επικυρώσουμε τα αποτελέσματα της «διδασκαλίας». Αυτός είναι ο λόγος που τις ανακαλύψεις αυτές οδηγούν συχνά διεπιστημονικές ομάδες. Σε σχετική έρευνα, για παράδειγμα, εξετάζουμε πώς εξελίσσονται οι ελληνικοί χαρακτήρες στον χρόνο και πώς αυτή η εξέλιξη μπορεί να αποτυπωθεί υπολογιστικά. Το αποτέλεσμα; Μπορούμε πλέον να απεικονίσουμε αυτόματα την ομοιότητα μεταξύ χαρακτήρων στους αιώνες (βλ. https://github.com/ipavlopoulos/diachronic-greekletterforms ). Η απεικόνιση αυτή θα ήταν αδύνατη χωρίς τα κατάλληλα υπολογιστικά μοντέλα, ενώ η ανάλυσή της απαιτεί εξειδικευμένη φιλολογική γνώση που προσέφερε στην περίπτωσή μας η διεπιστημονική φύση της ερευνητικής ομάδας.

Όταν η ερμηνεία δεν είναι μία

Η τεχνητή νοημοσύνη μπορεί να βοηθήσει με έναν ακόμη τρόπο: μπορεί να αναγνωρίσει πώς διαφορετικοί άνθρωποι κατανοούν το ίδιο κείμενο με διαφορετικό τρόπο. Mία απλή παροιμία, για παράδειγμα, όπως το «όποιος βιάζεται σκοντάφτει», για άλλους λειτουργεί ως συμβουλή για υπομονή, για άλλους ως ειρωνικό σχόλιο προς κάποιον που έκανε λάθος ή ως έμμεση κριτική. Το ίδιο σχόλιο μπορεί για κάποιους να είναι αθώο και για άλλους προσβλητικό. Η ίδια είδηση μπορεί από άλλους να εκληφθεί ως ουδέτερη και από άλλους ως μεροληπτική. Ποια είναι λοιπόν τα στοιχεία που μας κάνουν να συμφωνούμε μεταξύ μας και να διαφωνούμε με άλλους, που πιθανώς επίσης συμφωνούν μεταξύ τους; Η κατανόηση αυτού του φαινομένου της πόλωσης είναι ιδιαίτερα σημαντική για την καλύτερη χρήση και εφαρμογή της τεχνητής νοημοσύνης. Για να γίνει αυτό πιο εύκολα κατανοητό αρκεί να σκεφτεί κανείς το ανάποδο: την αγνόηση της πόλωσης. Το αποτέλεσμα θα ήταν τα περισσότερα μοντέλα να υιοθετήσουν την άποψη που εκφράζουν οι κυρίαρχοι πόλοι, παραγκωνίζοντας τις απόψεις άλλων πόλων, ακόμη και αν είναι λογικές και βάσιμες.

Ποιος έχει τον τελευταίο λόγο; Οι νέες δυνατότητες της τεχνητής νοημοσύνης συνοδεύονται από ένα κρίσιμο ερώτημα: ποιος ερμηνεύει; Τα υπολογιστικά μοντέλα βασίζονται σε δεδομένα, τα οποία αντανακλούν προκαταλήψεις, πολιτισμικά συμφραζόμενα, και ιστορικές ανισότητες. Επιπλέον, οι ερμηνείες μπορούν να είναι πολλές. Η τεχνητή νοημοσύνη, λοιπόν, δεν πρέπει να επιλέγει δογματικά «τη σωστή», αλλά να αναδεικνύει τη διαφορετικότητα. Και αυτό απαιτεί όχι μόνο τεχνικές λύσεις, αλλά και ουσιαστική συνεργασία με τις ανθρωπιστικές σπουδές.

Πλήθος ελληνικών συνόλων δεδομένων και κατηγοριοποίηση της διαθεσιμότητάς τους. Τα διαθέσιμα δεδομένα (με πράσινο χρώμα) αυξήθηκαν τελευταία.

Μια επιλογή για το μέλλον

Για να αξιοποιήσουμε αυτή τη δυναμική, χρειάζονται συγκεκριμένες αποφάσεις. Χρειάζεται επένδυση στην ψηφιοποίηση και στήριξη διεπιστημονικών ομάδων. Επίσης, χρειάζεται ανάπτυξη ανοικτών δεδομένων και αξιοποίησή τους μέσα από μελέτες, εστιάζοντας στην ελληνική γλώσσα και κοιτάζοντας ευρύτερα το διεπιστημονικό πεδίο. Ευτυχώς παρατηρούμε αύξηση τέτοιων δεδομένων πρόσφατα, όπως φαίνεται και στο ραβδόγραμμα. Χρειάζεται όμως και ενσωμάτωση όλων αυτών των θεμάτων στην εκπαίδευση, χτίζοντας τη διεπιστημονικότητα στις βάσεις. Γιατί η τεχνητή νοημοσύνη δεν πρέπει να αντικαταστήσει την ανθρώπινη εξειδίκευση, αλλά να βοηθήσει τον άνθρωπο να δει πιο καθαρά τον εαυτό του μέσα από κείμενα, εικόνες, και ιστορίες που αφήνει πίσω του.