Παρασκευή, 29 Μαρτίου, 2024

Η αληθινή ζωή είναι «δύσκολη πίστα» για τα ρομπότ

Όχι, ο υπολογιστής δεν πρόκειται να σας κλέψει τη δουλειά. Τουλάχιστον όχι ακόμη… Αλλά αν θέλετε να παίξετε μαζί του ένα επιτραπέζιο παιχνίδι, καλύτερα να το ξανασκεφτείτε, ακόμα κι αν πρόκειται για κάποιο που θα παίζει για πρώτη φορά. Το να κερδίζει ένας υπολογιστής τους κορυφαίους παίκτες του κόσμου δεν είναι κάτι νέο.

Η DeepMind της Google όμως προχώρησε μερικά βήματα ακόμη αυτή την εβδομάδα: ο αλγόριθμος βαθιάς μάθησης παιχνιδιών που διαθέτει, έμαθε από το μηδέν τρία διαφορετικά παιχνίδια σε λίγες ώρες και αναδείχθηκε πρωταθλητής σε αυτά, ξεπερνώντας τα καλύτερα συστήματα τεχνητής νοημοσύνης.

Ο Όρεν Ετζιόνι, επικεφαλής του Ινστιτούτου Τεχνητής Νοημοσύνης Άλεν, ήταν ένας από τους εμπειρογνώμονες που επιβράβευσαν την προσαρμοστικότητα του DeepMind και το αποκάλεσε «εντυπωσιακό τεχνολογικό επίτευγμα». «Η θυγατρική της Google έχει γίνει διάσημη νικώντας τον έναν μετά τον άλλον στα επιτραπέζια παιχνίδια, αλλά είναι σημαντικό να κρατήσουμε ανοιχτή την προοπτική».

Τα στατιστικά των τελευταίων ετών όσον αφορά στις νίκες της Τεχνητής Νοημοσύνης σε επιτραπέζια παιχνίδια επιδεικνύουν αισθητή βελτίωση στα ποσοστά.

Οι πρόοδοι που έχουν σημειωθεί στην αναγνώριση εικόνας και φωνής τα τελευταία πέντε χρόνια ήταν εντυπωσιακές και τα εκθετικά κέρδη σε αυτά τα πεδία πιθανότατα θα εξαπλωθούν και σε άλλους τομείς. Ωστόσο, θα χρειαστούν εντελώς νέες τεχνολογικές δομές καθώς αλλάζει η φύση των προβλημάτων.

Οι περιορισμοί εμπίπτουν σε δύο βασικούς τομείς. Τα συστήματα εκμάθησης μηχανών συχνά διατηρούνται σαν «παρθένοι αλγόριθμοι», έτοιμοι να διαμορφωθούν για οποιαδήποτε εργασία, ανάλογα με τα δεδομένα στα οποία εκπαιδεύονται. Αλλά στην πραγματικότητα πρέπει να προσαρμοστούν και να «συντονιστούν» σε συγκεκριμένους σκοπούς.

Όπως περιγράφουν οι ερευνητές της DeepMind, τα καλύτερα συστήματα σκακιού είναι προσαρμοσμένα πάνω στο παιχνίδι και βασίζονται σε «εξειδικευμένες προσαρμογές», για τη βελτίωση της απόδοσής τους.

Ένας προσαρμοσμένος αλγόριθμος που μπορεί να διδάξει τον εαυτό του ώστε να γίνει κορυφαίος παίκτης σκακιού είναι σίγουρα ένα επίτευγμα. Αλλά αυτό δεν σημαίνει ότι η Τεχνητή Νοημοσύνη είναι έτοιμη να ξεφύγει από τον κόσμο των παιχνιδιών, όπου οι κανόνες είναι άκαμπτοι και οι παίκτες έχουν πάντα τέλεια γνώση της κατάστασης.

Ο άλλος μεγάλος περιορισμός έγκειται στο ότι τα μηχανικά συστήματα εκμάθησης βασίζονται σε μεγάλο όγκο δεδομένων, πολλά από τα οποία ελέγχονται από τον άνθρωπο. Αυτό κοστίζει και όσο ο όγκος των δεδομένων μειώνεται η απόδοση των συστημάτων «πέφτει».

Η τεχνική που εφαρμόζεται από το DeepMind, που ονομάζεται ενισχυμένη εκπαίδευση, είναι ιδιαίτερα απαιτητική ως προς τα δεδομένα που χρειάζεται. Περιλαμβάνει τη διεξαγωγή μεγάλου αριθμού δοκιμών από το οποίο μπορεί να μάθει το σύστημα. Το αποτέλεσμα κάθε ενέργειας σταθμίζεται και αποθηκεύεται στη μνήμη του μηχανήματος, καθώς προσπαθεί να βελτιώσει την απόκρισή του σε όλες τις καταστάσεις που θα αντιμετωπίσει.

Αυτό μπορεί να λειτουργεί ως μέθοδος μέσα στον αυτόνομο κόσμο ενός παιχνιδιού, αλλά στη… σκληρή και αφιλόξενη πραγματικότητα είναι πιο δύσκολο να λειτουργήσει ως μοντέλο, πάνω στο οποίο θα μάθει κανείς να αντιδρά με συγκεκριμένο τρόπο.

Η επίλυση πραγματικών προβλημάτων μέσω Τεχνητής Νοημοσύνης θα είναι πιο σύνθετη υπόθεση. Και αυτό γιατί απαιτεί όχι μόνο την πρόβλεψη μιας σειράς σεναρίων αλλά και την αντιμετώπιση αστάθμητων παραγόντων.

Η επόμενη μεγάλη πρόκληση για το DeepMind θα είναι το StarCraft, ένα sci-fi στρατηγικό παιχνίδι που περιλαμβάνει έναν αγώνα μεταξύ εξωγήινων ειδών. Οι παίκτες έχουν περιορισμένες πληροφορίες και πρέπει να σχεδιάζουν, να εκτελούν και να προσαρμόζουν στρατηγικές. Σε αυτήν την άγνωστη περιοχή, δεν υπάρχει εγγύηση ότι τα μηχανήματα θα μάθουν τα γνωρίσματα που απαιτούνται για να κερδίσουν.

By