Τεχνητή νοημοσύνη και ρομποτική
Αισθητήρες, αποφάσεις, και μηχανές που μαθαίνουν από δεδομένα.
35 λεπτά
Στο σχολικό βιβλίο: Εφαρμογές Πληροφορικής Α΄ Λυκείου, §3
Θα μάθεις να
- Να περιγράφεις ένα ρομπότ ως κύκλο αισθητήρας, απόφαση, ενεργοποιητής.
- Να ξεχωρίζεις ένα σύστημα με γραμμένους κανόνες από ένα σύστημα που μαθαίνει από δεδομένα.
- Να εξηγείς την επιβλεπόμενη μάθηση με δεδομένα εκπαίδευσης, ετικέτες και δεδομένα ελέγχου.
- Να αναγνωρίζεις τα όρια της τεχνητής νοημοσύνης και ηθικά ζητήματα όπως η μεροληψία, η ιδιωτικότητα και η ευθύνη.
Τι είναι ένα ρομπότ
Ρομπότ είναι μια μηχανή που αντιλαμβάνεται το περιβάλλον της, αποφασίζει τι να κάνει, και ενεργεί πάνω του, χωρίς άνθρωπο να την κατευθύνει σε κάθε βήμα. Η σκούπα-ρομπότ, το αυτόματο όχημα μιας αποθήκης και ο ρομποτικός βραχίονας ενός εργοστασίου αυτοκινήτων κάνουν όλα το ίδιο πράγμα, ξανά και ξανά:
┌──────────────┐ ┌──────────────┐ ┌──────────────┐
│ Αισθητήρας │ ──▶ │ Απόφαση │ ──▶ │ Ενεργοποιητής│
│ (αντίληψη) │ │ (πρόγραμμα) │ │ (δράση) │
└──────────────┘ └──────────────┘ └──────┬───────┘
▲ │
└──────── το περιβάλλον αλλάζει ◀─────────┘
| Μέρος | Τι κάνει | Παραδείγματα |
|---|---|---|
| Αισθητήρας (sensor) | μετρά κάτι από το περιβάλλον και το κάνει αριθμό | υπερήχων για απόσταση, φωτός, θερμοκρασίας, κάμερα, μικρόφωνο |
| Ελεγκτής (controller) | ένας μικρός υπολογιστής που τρέχει το πρόγραμμα της απόφασης | μικροελεγκτής, πλακέτα όπως το Arduino ή το micro:bit |
| Ενεργοποιητής (actuator) | μετατρέπει την απόφαση σε κίνηση ή δράση | μοτέρ, τροχοί, λαβίδα, ηχείο, λαμπάκι |
Ο κύκλος δεν τελειώνει ποτέ: μόλις το ρομπότ κινηθεί, το περιβάλλον αλλάζει, ο αισθητήρας δίνει νέα μέτρηση, και η απόφαση ξαναπαίρνεται. Ένα ρομπότ είναι στην ουσία του ένας βρόχος.
Η απόφαση ως πρόγραμμα
Η απόφαση είναι κώδικας, με τις δομές που ήδη ξέρεις. Ένα ρομπότ με αισθητήρα απόστασης μπροστά του:
Στο πραγματικό ρομπότ η λίστα δεν υπάρχει: κάθε τιμή έρχεται από τον αισθητήρα τη στιγμή που χρειάζεται, και το print είναι εντολή προς τα μοτέρ. Η λογική όμως είναι ακριβώς αυτή: ένας βρόχος, και μέσα του μια δομή επιλογής.
Κανόνες ή μάθηση
Το παραπάνω ρομπότ ακολουθεί κανόνες που έγραψε ένας άνθρωπος: «κάτω από εκατοστά, στρίψε». Για πολλά προβλήματα αυτό αρκεί. Για άλλα όμως κανείς δεν ξέρει να γράψει τους κανόνες. Πώς θα έγραφες, με if, τον κανόνα που ξεχωρίζει μια φωτογραφία γάτας από μια φωτογραφία σκύλου;
Η τεχνητή νοημοσύνη (ΤΝ) είναι ο κλάδος της πληροφορικής που φτιάχνει συστήματα για εργασίες που θεωρούμε ότι θέλουν νοημοσύνη: αναγνώριση εικόνας και ομιλίας, μετάφραση, παιχνίδια στρατηγικής, προτάσεις. Ο πιο διαδεδομένος τρόπος σήμερα είναι η μηχανική μάθηση (machine learning): αντί να γράψεις τους κανόνες, δίνεις στο σύστημα παραδείγματα και το αφήνεις να βρει μόνο του τον κανόνα.
Επιβλεπόμενη μάθηση με ένα παράδειγμα
Στην επιβλεπόμενη μάθηση (supervised learning) κάθε παράδειγμα έχει μια ετικέτα: τη σωστή απάντηση, που τη δίνει ένας άνθρωπος. Ας πούμε ότι ένα ρομπότ πρέπει να ακολουθεί μια μαύρη γραμμή σε άσπρο δάπεδο, με έναν αισθητήρα φωτός που δίνει μικρές τιμές στο σκούρο και μεγάλες στο ανοιχτό. Πού μπαίνει το όριο ανάμεσα σε «γραμμή» και «δάπεδο»;
Αντί να το μαντέψουμε, τοποθετούμε το ρομπότ σε οκτώ σημεία, γράφουμε τη μέτρηση και σημειώνουμε τι ήταν. Αυτά είναι τα δεδομένα εκπαίδευσης. Μετά, το πρόγραμμα δοκιμάζει κατώφλια από το ως το και κρατά αυτό που κάνει τα λιγότερα λάθη:
values = [12, 20, 25, 31, 58, 64, 70, 85]
labels = ["γραμμή", "γραμμή", "γραμμή", "γραμμή",
"δάπεδο", "δάπεδο", "δάπεδο", "δάπεδο"]
def classify(value, threshold):
if value < threshold:
return "γραμμή"
return "δάπεδο"
def errors(threshold):
wrong = 0
for i in range(len(values)):
if classify(values[i], threshold) != labels[i]:
wrong = wrong + 1
return wrong
best = 0
for t in range(0, 101, 5):
if errors(t) < errors(best):
best = t
print("κατώφλι:", best, "λάθη:", errors(best))
for v in [18, 47, 90]:
print(v, classify(v, best))
κατώφλι: 35 λάθη: 0
18 γραμμή
47 δάπεδο
90 δάπεδο
Αυτή είναι η εκπαίδευση: το πρόγραμμα βρήκε τον κανόνα «κάτω από είναι γραμμή» από τα δεδομένα, χωρίς να του τον πει κανείς. Οι τρεις τελευταίες μετρήσεις είναι νέες, και το σύστημα τις κατατάσσει με τον κανόνα που έμαθε. Αυτό λέγεται πρόβλεψη.
Τα πραγματικά συστήματα, όπως αυτά που αναγνωρίζουν πρόσωπα ή μεταφράζουν, δουλεύουν με εκατομμύρια παραδείγματα και δισεκατομμύρια αριθμούς αντί για ένα κατώφλι. Η ιδέα όμως είναι η ίδια: ψάχνουν τις τιμές που κάνουν τα λιγότερα λάθη στα παραδείγματα.
Τα όρια
Τα συστήματα ΤΝ κάνουν εντυπωσιακά πράγματα, αλλά έχουν όρια που δεν φαίνονται από την επιφάνεια:
- Ξέρουν μόνο όσα είδαν. Ένα σύστημα που εκπαιδεύτηκε με φωτογραφίες τη μέρα μπορεί να αποτυγχάνει τη νύχτα, χωρίς να «ξέρει» ότι αποτυγχάνει.
- Κάνουν λάθη με σιγουριά. Ένα γλωσσικό μοντέλο μπορεί να γράψει μια πηγή, έναν αριθμό ή ένα γεγονός που δεν υπάρχει, με το ίδιο ύφος που γράφει τα σωστά. Ό,τι σημαντικό σού πει, το ελέγχεις.
- Δεν καταλαβαίνουν όπως ο άνθρωπος. Βρίσκουν μοτίβα στα δεδομένα. Αν το μοτίβο είναι σύμπτωση, π.χ. όλες οι φωτογραφίες λύκων είχαν χιόνι, το σύστημα μπορεί να μάθει «χιόνι» αντί για «λύκος».
Ηθικά ζητήματα
Μεροληψία. Αν τα δεδομένα εκπαίδευσης αδικούν μια ομάδα ανθρώπων, το σύστημα θα αναπαραγάγει την αδικία, και μάλιστα με το κύρος μιας «αντικειμενικής» μηχανής. Ένα σύστημα αναγνώρισης προσώπου που εκπαιδεύτηκε κυρίως με πρόσωπα μίας ομάδας θα κάνει περισσότερα λάθη στις άλλες.
Ιδιωτικότητα. Η μηχανική μάθηση χρειάζεται δεδομένα, και πολλά από αυτά είναι δικά μας: φωτογραφίες, μηνύματα, φωνή, το πού πήγαμε. Ποιος τα μάζεψε, με ποια συγκατάθεση, και τι άλλο μπορεί να συμπεράνει κανείς από αυτά;
Ευθύνη. Αν ένα αυτόνομο όχημα προκαλέσει ατύχημα, ποιος ευθύνεται: ο κατασκευαστής, ο προγραμματιστής, ο ιδιοκτήτης; Η απόφαση δεν πάρθηκε από κανέναν άνθρωπο εκείνη τη στιγμή, αλλά κάποιος άνθρωπος έφτιαξε το σύστημα που την πήρε.
Παραπληροφόρηση. Εικόνες, ήχος και βίντεο που μοιάζουν αληθινά μπορούν πλέον να παραχθούν αυτόματα (deepfakes). Μια φωτογραφία ή μια ηχογράφηση δεν είναι πια από μόνη της απόδειξη.
Εργασία. Κάποιες δουλειές αυτοματοποιούνται, άλλες αλλάζουν, και νέες δημιουργούνται. Το ερώτημα δεν είναι μόνο τεχνικό αλλά και κοινωνικό: ποιος ωφελείται από την αυτοματοποίηση;
Παραδείγματα
Παράδειγμα 1
Μια αυτόματη πόρτα σούπερ μάρκετ ανοίγει όταν πλησιάζει κάποιος. Ποιος είναι ο αισθητήρας, ποια η απόφαση και ποιος ο ενεργοποιητής;
Δοκίμασέ το πρώτα. Μετά δες τη λύση.
Αισθητήρας: ένας αισθητήρας κίνησης ή παρουσίας πάνω από την πόρτα, που ανιχνεύει αν υπάρχει κάποιος μπροστά της.
Απόφαση: ένας απλός κανόνας. Αν ανιχνεύεται κάποιος, άνοιξε· αν δεν ανιχνεύεται κανείς για λίγα δευτερόλεπτα, κλείσε.
Ενεργοποιητής: το μοτέρ που σύρει τα φύλλα της πόρτας.
Είναι αυτόματο σύστημα, αλλά δεν έχει τεχνητή νοημοσύνη: ο κανόνας γράφτηκε από άνθρωπο και δεν αλλάζει ποτέ. Το σχήμα αισθητήρας, απόφαση, ενεργοποιητής δεν απαιτεί μάθηση.
Παράδειγμα 2
Στα δεδομένα εκπαίδευσης του αισθητήρα φωτός προστίθεται ένα ακόμα παράδειγμα: τιμή 40, με ετικέτα «γραμμή». Ποιο κατώφλι θα βρει τώρα το πρόγραμμα, και τι θα πει για τη μέτρηση 47;
Δοκίμασέ το πρώτα. Μετά δες τη λύση.
Οι μετρήσεις της γραμμής είναι πλέον , , , και . Για μηδέν λάθη, το κατώφλι πρέπει να είναι πάνω από .
Οι μετρήσεις του δαπέδου ξεκινούν από το , οπότε το κατώφλι πρέπει να είναι το πολύ . Από τα πολλαπλάσια του που δοκιμάζει το πρόγραμμα, το πρώτο με μηδέν λάθη είναι το .
Η μέτρηση είναι πάνω από το , οπότε κατατάσσεται ακόμα ως «δάπεδο».
values = [12, 20, 25, 31, 40, 58, 64, 70, 85] labels = ["γραμμή"] * 5 + ["δάπεδο"] * 4 def errors(threshold): wrong = 0 for i in range(len(values)): if values[i] < threshold: guess = "γραμμή" else: guess = "δάπεδο" if guess != labels[i]: wrong = wrong + 1 return wrong best = 0 for t in range(0, 101, 5): if errors(t) < errors(best): best = t print(best)45Ένα νέο παράδειγμα μετακίνησε τον κανόνα από το στο . Ο κανόνας δεν είναι «αλήθεια»· είναι ό,τι ταιριάζει καλύτερα με όσα έχει δει το σύστημα ως τώρα.
Παράδειγμα 3
Ένα σύστημα που προτείνει ποιους υποψηφίους να καλέσει μια εταιρεία σε συνέντευξη εκπαιδεύτηκε με τα βιογραφικά όσων προσλήφθηκαν τα τελευταία δέκα χρόνια. Ποιος είναι ο κίνδυνος;
Δοκίμασέ το πρώτα. Μετά δες τη λύση.
Οι ετικέτες είναι οι παλιές αποφάσεις. Το σύστημα μαθαίνει «ποιος μοιάζει με όσους προσλάβαμε», όχι «ποιος θα κάνει καλά τη δουλειά».
Αν οι παλιές αποφάσεις ευνοούσαν μια ομάδα, π.χ. περισσότερους άνδρες από γυναίκες για τεχνικές θέσεις, το σύστημα θα μάθει αυτή την προτίμηση ως κανόνα. Μπορεί να τη μάθει ακόμα κι αν το φύλο δεν υπάρχει στα δεδομένα, από έμμεσες ενδείξεις όπως ένας σύλλογος ή ένα σχολείο.
Ο κίνδυνος είναι η μεροληψία με κύρος μηχανής: η αδικία του παρελθόντος γίνεται αυτόματη και φαίνεται αντικειμενική.
Αυτό δεν διορθώνεται με καλύτερο κώδικα. Διορθώνεται με έλεγχο των δεδομένων, με μέτρηση των αποτελεσμάτων για κάθε ομάδα, και με έναν άνθρωπο που παίρνει την τελική απόφαση και έχει την ευθύνη της.
Πολλαπλή επιλογή
Ασκήσεις
Σε ένα ρομπότ που αποφεύγει εμπόδια, τι είδους εξάρτημα είναι ο αισθητήρας υπερήχων;
Τα κατάφερες;
- Να περιγράφεις ένα ρομπότ ως κύκλο αισθητήρας, απόφαση, ενεργοποιητής.
- Να ξεχωρίζεις ένα σύστημα με γραμμένους κανόνες από ένα σύστημα που μαθαίνει από δεδομένα.
- Να εξηγείς την επιβλεπόμενη μάθηση με δεδομένα εκπαίδευσης, ετικέτες και δεδομένα ελέγχου.
- Να αναγνωρίζεις τα όρια της τεχνητής νοημοσύνης και ηθικά ζητήματα όπως η μεροληψία, η ιδιωτικότητα και η ευθύνη.
Λύσε τις ασκήσεις πιο πάνω και θα δεις εδώ πού στέκεσαι.