# Τεχνητή νοημοσύνη και ρομποτική

> Αισθητήρες, αποφάσεις, και μηχανές που μαθαίνουν από δεδομένα.

Πληροφορική, Α΄ Λυκείου. https://www.akademio.gr/el/lyk-a/informatics/ai-robotics

## Τι θα μάθεις

- 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:

```text
  ┌──────────────┐     ┌──────────────┐     ┌──────────────┐
  │  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:

*Διαδραστικό στη σελίδα: Το ρομπότ αποφασίζει*

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 $20$ 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.

> **Κλειδί**
>
> **Στον κλασικό προγραμματισμό δίνεις κανόνες και δεδομένα, και παίρνεις απαντήσεις. Στη μηχανική μάθηση δίνεις δεδομένα και απαντήσεις, και παίρνεις τον κανόνα.**
>
> Αυτό κάνει τη μηχανική μάθηση ισχυρή για προβλήματα που δεν ξέρουμε να περιγράψουμε. Την κάνει όμως και όσο καλή είναι τα παραδείγματά της: ένα σύστημα που έμαθε από λάθος ή μονόπλευρα δεδομένα θα βγάλει λάθος ή μονόπλευρο 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 $0$ ως το $100$ και κρατά αυτό που κάνει τα λιγότερα λάθη:

```python
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))
```

```text
κατώφλι: 35 λάθη: 0
18 γραμμή
47 δάπεδο
90 δάπεδο
```

Αυτή είναι η **εκπαίδευση**: το πρόγραμμα βρήκε τον κανόνα «κάτω από $35$ 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.**

> **Πρόσεχε**
>
> **Μηδέν λάθη στα δεδομένα εκπαίδευσης δεν σημαίνει ότι το σύστημα είναι σωστό.**
>
> Κάθε κατώφλι από το $35$ ως το $55$ κάνει μηδέν λάθη στα οκτώ παραδείγματα. Το πρόγραμμα κράτησε το $35$ απλώς επειδή το βρήκε πρώτο. Για τη μέτρηση $47$, ένα κατώφλι $50$ θα έλεγε «γραμμή». Η απάντηση για το $47$ δεν βγαίνει από τα δεδομένα, γιατί κανένα παράδειγμα δεν έμοιαζε μ' αυτό.
>
> Γι' αυτό ένα σύστημα ελέγχεται πάντα με **δεδομένα ελέγχου**: παραδείγματα με γνωστή ετικέτα, που **δεν** χρησιμοποιήθηκαν στην εκπαίδευση. Μόνο αυτά λένε πόσο καλά θα τα πάει με ό,τι δεν έχει ξαναδεί.

## 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;

> **Θυμήσου**
>
> - Ρομπότ: αισθητήρας, απόφαση, ενεργοποιητής, σε βρόχο που δεν τελειώνει.
> - Κλασικός προγραμματισμός: γράφεις τους κανόνες. Μηχανική μάθηση: το σύστημα βρίσκει τον κανόνα από παραδείγματα.
> - Επιβλεπόμενη μάθηση: παραδείγματα με ετικέτες, εκπαίδευση, και έλεγχος με **άλλα** παραδείγματα.
> - Ένα σύστημα είναι τόσο καλό όσο τα δεδομένα του. Τα λάθη και οι αδικίες των δεδομένων γίνονται λάθη και αδικίες του συστήματος.

## Παραδείγματα

### Παράδειγμα 1: Μια αυτόματη πόρτα σούπερ μάρκετ ανοίγει όταν πλησιάζει κάποιος. Ποιος είναι ο αισθητήρας, ποια η απόφαση και ποιος ο ενεργοποιητής;

1. **Αισθητήρας:** ένας αισθητήρας κίνησης ή παρουσίας πάνω από την πόρτα, που ανιχνεύει αν υπάρχει κάποιος μπροστά της.
2. **Απόφαση:** ένας απλός κανόνας. Αν ανιχνεύεται κάποιος, άνοιξε· αν δεν ανιχνεύεται κανείς για λίγα δευτερόλεπτα, κλείσε.
3. **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;

1. **Οι μετρήσεις της γραμμής** είναι πλέον $12$, $20$, $25$, $31$ και $40$. Για μηδέν λάθη, το κατώφλι πρέπει να είναι **πάνω από $40$**.
2. **Οι μετρήσεις του δαπέδου** ξεκινούν από το $58$, οπότε το κατώφλι πρέπει να είναι **το πολύ $58$**. Από τα πολλαπλάσια του $5$ που δοκιμάζει το πρόγραμμα, το πρώτο με μηδέν λάθη είναι το $45$.
3. **Η μέτρηση $47$** είναι πάνω από το $45$, οπότε κατατάσσεται ακόμα ως «δάπεδο».
   ```python
   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)
   ```
   ```text
   45
   ```
   Ένα νέο παράδειγμα μετακίνησε τον κανόνα από το $35$ στο $45$. 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;

1. **Οι ετικέτες είναι οι παλιές αποφάσεις.** Το σύστημα μαθαίνει «ποιος μοιάζει με όσους προσλάβαμε», όχι «ποιος θα κάνει καλά τη δουλειά».
2. **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.
3. **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.

## Ερωτήσεις

1. Σε μια σκούπα-ρομπότ, τι είναι τα μοτέρ που γυρίζουν τους τροχούς;
   - Ενεργοποιητές
   - Αισθητήρες
   - Ελεγκτές
   - Δεδομένα εκπαίδευσης
2. Γιατί λέμε ότι ένα ρομπότ λειτουργεί σε βρόχο;
   - Γιατί κάθε δράση αλλάζει το περιβάλλον, και η νέα μέτρηση οδηγεί σε νέα απόφαση
   - Γιατί εκτελεί την ίδια κίνηση ξανά και ξανά, ό,τι κι αν συμβαίνει
   - Γιατί το πρόγραμμά του είναι γραμμένο μόνο με for
   - Γιατί κινείται πάντα κυκλικά
3. Ποια είναι η βασική διαφορά της μηχανικής μάθησης από τον κλασικό προγραμματισμό;
   - Το σύστημα βρίσκει τον κανόνα από παραδείγματα, αντί να τον γράψει άνθρωπος
   - Η μηχανική μάθηση δεν χρησιμοποιεί καθόλου κώδικα, μόνο δεδομένα
   - Η μηχανική μάθηση δεν κάνει ποτέ λάθη, ενώ ο κλασικός προγραμματισμός κάνει
   - Ο κλασικός προγραμματισμός δεν χρειάζεται δεδομένα, μόνο τον κώδικα
4. Στην επιβλεπόμενη μάθηση, τι είναι η ετικέτα ενός παραδείγματος;
   - Η σωστή απάντηση για το παράδειγμα, που τη δίνει άνθρωπος
   - Το όνομα του αρχείου στο οποίο έχει αποθηκευτεί το παράδειγμα
   - Η πρόβλεψη του συστήματος
   - Η τιμή που μέτρησε ο αισθητήρας για το παράδειγμα
5. Γιατί ένα σύστημα μηχανικής μάθησης ελέγχεται με δεδομένα που δεν χρησιμοποιήθηκαν στην εκπαίδευση;
   - Για να φανεί πόσο καλά τα πάει με παραδείγματα που δεν έχει ξαναδεί
   - Για να εκπαιδευτεί γρηγορότερα
   - Γιατί τα δεδομένα εκπαίδευσης σβήνονται μετά την εκπαίδευση
   - Δεν χρειάζεται: μηδέν λάθη στην εκπαίδευση αρκούν
6. Με δεδομένα εκπαίδευσης γραμμή: 12, 20, 25, 31 και δάπεδο: 58, 64, 70, 85, ποιο από τα κατώφλια κάνει μηδέν λάθη;
   - 50
   - 30
   - 60
   - 20
7. Ένα σύστημα αναγνώρισης προσώπου κάνει πολύ περισσότερα λάθη σε μια ομάδα ανθρώπων. Ποια είναι η πιθανότερη αιτία;
   - Τα δεδομένα εκπαίδευσης είχαν λίγα παραδείγματα από αυτή την ομάδα
   - Οι υπολογιστές δεν μπορούν τεχνικά να αναγνωρίσουν αυτά τα πρόσωπα
   - Κάποιος προγραμματιστής έγραψε κανόνα που το προκαλεί
   - Η κάμερα ήταν χαμηλής ανάλυσης
8. Ένα γλωσσικό μοντέλο σου δίνει μια πηγή για την εργασία σου, με συγγραφέα, τίτλο και έτος. Τι κάνεις;
   - Ελέγχεις ότι η πηγή υπάρχει πριν τη χρησιμοποιήσεις
   - Τη χρησιμοποιείς, αφού έχει όλα τα στοιχεία
   - Τη χρησιμοποιείς αν το μοντέλο λέει ότι είναι σίγουρο
   - Ρωτάς το ίδιο μοντέλο αν η πηγή υπάρχει
9. Ένας θερμοστάτης ανάβει το καλοριφέρ όταν η θερμοκρασία πέσει κάτω από 20 βαθμούς, με κανόνα που όρισε ο κατασκευαστής. Είναι σύστημα μηχανικής μάθησης;
   - Όχι, είναι αυτόματο σύστημα με κανόνα που έγραψε άνθρωπος
   - Ναι, γιατί αποφασίζει μόνος του πότε θα ανάψει το καλοριφέρ
   - Ναι, γιατί μετράει τη θερμοκρασία με αισθητήρα και αντιδρά
   - Όχι, γιατί δεν έχει ενεργοποιητή που να κινεί κάτι μόνος του
10. Ένα σύστημα προτείνει ποιους υποψηφίους να καλέσει μια εταιρεία σε συνέντευξη. Ποια πρακτική μειώνει περισσότερο τον κίνδυνο αδικίας;
   - Έλεγχος των αποτελεσμάτων ανά ομάδα και τελική απόφαση από άνθρωπο που έχει την ευθύνη
   - Να αφαιρεθεί το φύλο από τα δεδομένα, και μετά να εμπιστευτούν πλήρως το σύστημα
   - Να εκπαιδευτεί με περισσότερα βιογραφικά από τις ίδιες παλιές προσλήψεις
   - Να μη μάθουν οι υποψήφιοι ότι χρησιμοποιήθηκε σύστημα

## Ασκήσεις

1. Σε ένα ρομπότ που αποφεύγει εμπόδια, τι είδους εξάρτημα είναι ο αισθητήρας υπερήχων;
2. Με το πρόγραμμα του ρομπότ απόστασης (κάτω από 20: στροφή, κάτω από 50: αργά, αλλιώς μπροστά), τι κάνει για απόσταση 50;
3. Δεδομένα εκπαίδευσης: γραμμή 10, 18, 22 και δάπεδο 40, 55, 60. Το πρόγραμμα δοκιμάζει κατώφλια 0, 5, 10, … και κρατά το πρώτο με τα λιγότερα λάθη.
   α) Ποιο κατώφλι βρίσκει;
   β) Πόσα λάθη κάνει στα δεδομένα εκπαίδευσης;
   γ) Πώς κατατάσσει τη νέα μέτρηση 30;
4. Με τα ίδια δεδομένα εκπαίδευσης, δοκιμάζεις το σύστημα με δεδομένα ελέγχου: γραμμή 24 και 28, δάπεδο 35.
   α) Πόσα από τα τρία κατατάσσει σωστά;
   β) Ποια μέτρηση κατατάσσει λάθος;

---

Οι απαντήσεις, τα διαδραστικά και τα παιχνίδια είναι στη σελίδα της ενότητας: https://www.akademio.gr/el/lyk-a/informatics/ai-robotics
