Στο πλαίσιο της συμμετοχής του Κώστα Μπέκα, Διευθυντή του Foundations of Cognitive Computing της IBM Research Ζυρίχης στο 1ο συνέδριο τεχνητής νοημοσύνης που διοργανώθηκε από τη BOUSSIAS τον περασμένο Μάρτιο, είχαμε τη δυνατότητα να κάνουμε μια συζήτηση για τις τεχνολογικές εξελίξεις και τις δυνατότητες που υπάρχουν για αξιοποίηση της τεχνητής νοημοσύνης σε επιχειρηματικές διαδικασίες.

NW: Στο πλαίσιο της ομιλίας σας στο Artificial Intelligence Conference σας ακούσαμε μεταξύ άλλων να λέτε ότι η έρευνα στην τεχνητή νοημοσύνη, είναι πρακτικά έρευνα σε πολλούς διαφορετικούς τομείς. Ποιοι από αυτούς παρουσιάζουν αυτήν την περίοδο το μεγαλύτερο ενδιαφέρον;

Κώστα Μπέκας: Όντως απαιτείται έρευνα σε πολλούς διαφορετικούς τομείς, όπως η ανάλυση φυσικής γλώσσας, η γνωσιακή επεξεργασία εικόνας, να καταλαβαίνουμε δηλαδή τι βλέπει το σύστημα μέσα σε μια εικόνα, την αντιπροσώπευση της γνώσης, που σημαίνει την οργάνωση της πληροφορίας έτσι ώστε να μπορεί να εξαχθεί σε ένα γνωσιακό σύστημα για την μετατροπή της σε γνώση– άλλο πληροφορία άλλο γνώση – μετά τη δημιουργία λογικής πάνω στην γνώση, όταν δηλαδή έχουμε μια ερώτηση πως αυτή μετατρέπεται σε αλγόριθμους που «τρέχουν» πάνω στη γνώση – αυτό λέγεται reasoning – και τέλος τη βελτίωση αυτής της γνώσης μέσω ανάδρασης, δηλαδή κάθε φορά που καταλαβαίνουμε ότι κάτι είναι λάθος ή μπορεί να γίνει με διαφορετικό τρόπο, την γνώση που αποκομίζουμε να μπορούμε να την επιστρέφουμε στο σύστημα έτσι ώστε να γίνεται καλύτερο, να «μαθαίνει».

Αυτή την περίοδο, η έρευνα στο machine learning κινείται κυρίως στην περιοχή του deep learning, το οποίο είναι μια εξαιρετική τεχνολογία τεχνητής νοημοσύνης, αλλά για να δώσει τα βέλτιστα αποτελέσματα χρειάζεται δεδομένα που διαθέτουν ετικέτες,ταμπέλες τα λεγόμενα labels. Ας πούμε ότι έχουμε ένα εκατομμύριο εικόνες και αναζητούμε σε αυτές ένα συγκεκριμένο αντικείμενο, όπως για παράδειγμα ένα τραπέζι. Στην περίπτωση που οι εικόνες συνοδεύονται και από μια ετικέτα (label) που ορίζει σε ποιες υπάρχει τραπέζι και σε ποιες όχι, τότε ο αλγόριθμος αναγνωρίζει ποιο είναι το τραπέζι και εντοπίζει που βρίσκεται μέσα στην εικόνα. Μια άλλη περίπτωση είναι τα ιατρικά δεδομένα. Έχουμε για παράδειγμα μια ακτινογραφία, στην οποία ο γιατρός έχει γράψει κάποια διάγνωση ότι υπάρχει κάταγμα στο κόκκαλο του καρπού. Αυτό πρακτικά είναι ένα labeling, το οποίο σου επιτρέπει να χρησιμοποιήσεις μηχανισμούς deep learning.

Όσα μας αναφέρατε παραπάνω έχουν να κάνουν κυρίως με τον τομέα του λογισμικού. Στο hardware αντίστοιχα υπάρχουν εξελίξεις;

Η IBM ανέκαθεν σχεδίαζε μηχανές που ήταν για μεγάλη βιομηχανική χρήση. Ένα κομμάτι της έρευνας σχετίζεται με την παραγωγή επεξεργαστών που συνδυάζουν επιδόσεις και αξιόπιστη λειτουργία και οι οποίοι χρησιμοποιούνται για κρίσιμες εφαρμογές, όπως σε τράπεζες και σε δημόσιους ή ιδιωτικούς τομείς που έχουν ανάγκη από high performance computing. Τις προηγούμενες τέσσερις δεκαετίες, όλη η βιομηχανία πληροφορικής βασίζονταν στο λεγόμενο νόμο του Moore. Ωστόσο, αυτό που ίσως δε γνωρίζει πολύς κόσμος είναι ότι δε γίνονταν οι υπολογιστές ταχύτεροι επειδή βάζαμε μικρότερα στοιχεία μέσα στον επεξεργαστή.

Η φυσική μας λέει ότι όταν μικραίνει ένα τρανζίστορ, τότε αναλογικά μπορεί να μικρύνει ανάλογα και το voltage που κάνει το τρανζίστορ να λειτουργεί ως διακόπτης. Αν όμως μικρύνουμε το voltage μπορούμε να αυξήσουμε τη συχνότητα. Κάποτε το voltage ήταν 1,8 volt, τώρα είναι 0,6 volt. Πλέον όμως έχουμε φτάσει σε τόσο μικρό μέγεθος ολοκλήρωσης που δεν έχουμε πλέον τη δυνατότητα να μικρύνουμε το voltage. Για αυτό και οι συχνότητες των υπολογιστών έχουν παραμείνει σχεδόν σταθερές την τελευταία δεκαετία. Έτσι προέκυψαν οι επεξεργαστές πολλών πυρήνων, οι οποίοι για να συντονιστούν χρειάζονται προγραμματισμό και επιπλέον προέκυψαν νέες αρχιτεκτονικές που αφορούν στη βελτίωση της ταχύτητας ολόκληρου του συστήματος και όχι μόνο του επεξεργαστή. Με αυτούς τους συνδυασμούς μπορούμε πλέον να επιτύχουμε πολύ υψηλές επιδόσεις. Σύντομα θα παραδώσουμε δύο συστήματα στις ΗΠΑ, τα οποία θα χρησιμοποιηθούν από το Department of Energy και συνολικά θα ξεπερνούν τα 300 petaflops. Πάνω σε αυτά τα συστήματα, εκτός από τις παραδοσιακές εφαρμογές, αναμένεται να λειτουργήσουν και πολλές εφαρμογές υπολογιστικής νοημοσύνης.

Σε αυτά τα νέα συστήματα που θα είναι ειδικά διαμορφωμένα για cognitive computing, το σύνολο των επιμέρους στοιχείων θα είναι made by IBM;

Το 2013, η IBM δημιούργησε το Open Power Foundation. Πρακτικά, η εταιρεία αντιλήφθηκε ότι το περιβάλλον είναι πλέον πολύ περίπλοκο και χρειάζεται μια ανοιχτή αρχιτεκτονική για να τροφοδοτείται η καινοτομία. Έχουμε ήδη παραδώσει συστήματα, όπως αυτό που χρησιμοποιείται από το Human Brain Project, το οποίο συνδυάζει στοιχεία των ΙΒΜ, Nvidia και Mellanox, γιατί πιστεύουμε στην ανοιχτή καινοτομία.

Θεωρείτε ότι η τελική λήψη κρίσιμων αποφάσεων θα μείνει για πολλά χρόνια στην αρμοδιότητα της ανθρώπινης νοημοσύνης ή στο βραχυπρόθεσμο μέλλον θα δούμε τις ευφυείς μηχανές να λαμβάνουν αποφάσεις, όπως γίνεται ήδη σε αρκετές περιπτώσεις στον χρηματοοικονομικό τομέα και στον τομέα της άμυνας;

Υπάρχουν ήδη κάποιοι τομείς, όπου οι μηχανές έχουν αποκτήσει το δικαίωμα να λαμβάνουν αποφάσεις, όπως για παράδειγμα το Algorithmic Trading, το οποίο ξεκίνησε στα μέσα της δεκαετίας του 80. Οπότε θεωρούμε ότι θα υπάρξουν τομείς που τα ευφυή συστήματα θα λαμβάνουν την τελική απόφαση. Για παράδειγμα στη βιομηχανία PET, υπάρχουν άνθρωποι που ελέγχουν αν ένα μπουκάλι είναι σε καλή κατάσταση για να προχωρήσει στο επόμενο στάδιο της εμφιάλωσης. Αυτή είναι μια διαδικασία που σύντομα θα δούμε να γίνεται από ευφυή συστήματα, δεδομένου ότι ένα σφάλμα στην αναγνώριση δεν συνεπάγεται μεγάλη ζημιά, όπως θα ήταν για παράδειγμα, η απώλεια μιας ανθρώπινης ζωής. Γνωρίζουμε ότι ήδη στην αεροπορία, ο κανονισμός επιτρέπει στον πιλότο να αφήσει τον έλεγχο του αεροπλάνου στον αυτόματο πιλότο, όχι όμως στις κρίσιμες φάσεις της προσγείωσης και απογείωσης.

Επομένως, σε αποφάσεις που έχουν άμεση σχέση με κίνδυνο απώλειας ανθρώπινων ζωών, ο άνθρωπος θα συνεχίσει να βρίσκεται για πολύ καιρό ακόμα στο κέντρο λήψης των αποφάσεων. Εδώ θα ήθελα να αναφέρω ότι η ΙΒΜ έχει καθορίσει 3 αρχές για την τεχνητή νοημοσύνη για να καθοδηγήσει επιστήμονες σαν και μένα, οι οποίοι εργάζονται στην εταιρεία καθώς σχεδιάζουμε τις εν λόγω τεχνολογίες:

Αρχικά, ο σκοπός των γνωσιακών συστημάτων είναι να επαυξήσουν την ανθρώπινη ευφυία και όχι να την αντικαταστήσουν, επιπλέον στόχος είναι η διαφάνεια – δηλαδή εξετάζουμε από που έρχονται τα δεδομένα και πώς χρησιμοποιούνται – και τρίτον, η οικονομική ανάπτυξη, δηλαδή να βοηθήσουμε στην κατεύθυνση της ανάπτυξης των κατάλληλων δεξιοτήτων για την κάλυψη των θέσεων εργασίας που θα δημιουργηθούν στο μέλλον.

Ποιοι είναι οι παράγοντες που θεωρείτε ότι θα καθορίσουν τη διαμόρφωση της αγοράς τεχνητής νοημοσύνης, αφενός από την πλευρά των προμηθευτών και αφετέρου από την πλευρά των αγοραστών;

Για να απαντήσουμε σε αυτό το ερώτημα θα χρειαστεί να διαχωρίσουμε την αξιοποίηση της τεχνητής νοημοσύνης στην ευρεία αγορά, δηλαδή στο επίπεδο του καταναλωτή, και στην αγορά των επιχειρήσεων. Στον επιχειρηματικό τομέα από την πλευρά των προμηθευτών, θα ηγηθούν αυτοί που θα μπορέσουν να επιτύχουν με τον γρηγορότερο, οικονομικότερο, αποδοτικότερο τρόπο την ενσωμάτωση της υπολογιστικής νοημοσύνης στις επιχειρηματικές διαδικασίες των πελατών τους.

Όσον αφορά τις εταιρείες, ανταγωνιστικό πλεονέκτημα θα έχουν αυτές που θα μπορούν να είναι data driven, δηλαδή να παίρνουν αποφάσεις με βάση τα δεδομένα και να μπορούν να αναιρούν αποφάσεις με βάση τα δεδομένα.

Λείπετε αρκετά χρόνια από την Ελλάδα, ωστόσο θεωρώ ότι παρακολουθείτε τις εξελίξεις. Θα είχατε κάποιες προτάσεις για την άμεση αξιοποίηση τεχνολογιών τεχνητής νοημοσύνης στην ελληνική αγορά;

Η τεχνητή νοημοσύνη μπορεί να αξιοποιηθεί σε οποιοδήποτε τομέα όπου θέλεις να επιτύχεις αύξηση της παραγωγικότητας, π.χ. στον τουρισμό ή και σε αυτό που λέμε ιατρικό τουρισμό, στην υγεία ή σε τομείς όπως η πρωτογενής παραγωγή (π.χ. στο Ισραήλ υπάρχουν startups που χρησιμοποιούν τεχνολογία υπολογιστικής μάθησης και τεχνητής νοημοσύνης για να αυξήσουν την παραγωγή). Οι υπηρεσίες του κράτους προς τους πολίτες και τις επιχειρήσεις θα μπορούσαν να είναι ένας τομέας επενδύσεων, ο οποίος μάλιστα θα είχε πολύ γρήγορη απόσβεση της επένδυσης.

Η ελληνική ακαδημαϊκή κοινότητα από όπου ξεκινήσατε την καριέρα σας περνά μια δύσκολη φάση, στο πλαίσιο της γενικότερης οικονομικής κρίσης. Με ποιο τρόπο θα μπορούσαν να βοηθήσουν ερευνητικά κέντρα, όπως αυτό που εργάζεστε, ώστε να μπορέσουν οι Έλληνες ερευνητές να συνεχίσουν το έργο τους;

Η κρίση οφείλεται κυρίως στη μείωση της χρηματοδότησης του κράτους και στο μεγαλύτερο ανταγωνισμό μεταξύ των χωρών της ΕΕ. Ενώ η ΕΕ έχει αυξήσει τον προϋπολογισμό έρευνας, οι πιθανότητες να γίνει αποδεκτή μια πρόταση έχουν μειωθεί, δεδομένου ότι πλέον υπάρχουν 27 χώρες που διεκδικούν συμμετοχή. Με κάποιο τρόπο λοιπόν θα πρέπει τα ελληνικά ερευνητικά κέντρα να καλύψουν αυτό το κενό χρηματοδότησης.

Είμαι ξέρετε, προϊόν της ελληνικής ακαδημαικής παιδείας και έρχομαι συχνά στην Ελλάδα. Υπάρχει ικανή μαγιά στην Ελλάδα, επιστήμονες υψηλοτάτου επιπέδου οι οποίοι αναπτύσσουν ιδέες και τεχνολογίες που δεν έχουν τίποτα να ζηλέψουν από κανέναν. Ικανότητα λοιπόν έχουμε. Επίσης διαθέτουμε πανεπιστήμια τα οποία εν μέσω κρίσης είναι εξαιρετικά επιτυχημένα, έχουν πολλά προγράμματα και επιτελούν εξαιρετικό ακαδημαϊκό και ερευνητικό έργο. Άρα, επι της ουσίας, χρειάζεται περισσότερη εξωστρέφεια προς τον επιχειρηματικό κόσμο και τα ερευνητικά κέντρα του εξωτερικού με τα οποία μπορούν να δημιουργήσουν δυνατότερα σχήματα και να διεκδικήσουν περισσότερες συμμετοχές σε έργα, αποκτώντας παράλληλα διεθνή εμπειρία στον τομέα της έρευνας. Έχουμε ήδη πολλά προγράμματα συνεργασίας σαν ΙΒΜ lab στη Zυρίχη με ελληνικά πανεπιστήμια και στον ακαδημαϊκό και στο ερευνητικό πεδιο. Αυτό που θα μπορούσαν να κάνουν τα ελληνικά πανεπιστήμια είναι να ενισχύσουν από την μια τα κέντρα καινοτομίας που διαθέτουν με παράλληλη εστίαση από την άλλη, στη δημιουργία ενός περιβάλλοντος που επιτρέπει την όσο πιο απρόσκοπτη εργασία στα πανεπιστήμια. Να δοθούν δηλαδή κίνητρα που βέβαια άπτονται και του θεσμικού περιβάλλοντος της χώρας.