Τεχνητή Νοημοσύνη: Ανταποκρίνεται στις προσδοκίες μας;
Η Τεχνητή Νοημοσύνη υπάρχει από τη δεκαετία του 1950, όταν οι επιστήμονες και οι μαθηματικοί ήθελαν ουσιαστικά να δουν αν θα μπορούσαν να κάνουν τις μηχανές να σκέφτονται όπως οι άνθρωποι. Η αύξηση των δεδομένων ανάλυσης, η εμφάνιση συσκευών με υψηλή υπολογιστική ισχύ, καθώς και η υποδομή των δικτύων…
Η Τεχνητή Νοημοσύνη υπάρχει από τη δεκαετία του 1950, όταν οι επιστήμονες και οι μαθηματικοί ήθελαν ουσιαστικά να δουν αν θα μπορούσαν να κάνουν τις μηχανές να σκέφτονται όπως οι άνθρωποι. Η αύξηση των δεδομένων ανάλυσης, η εμφάνιση συσκευών με υψηλή υπολογιστική ισχύ, καθώς και η υποδομή των δικτύων, οδήγησαν στη περαιτέρω ανάπτυξη της ΤΝ που σήμερα, έχει προσελκύσει το ενδιαφέρον πολλών κατασκευαστών.
Η τεχνητή νοημοσύνη είναι η τεχνολογία που προσφέρει νοημοσύνη στα μηχανήματα, κάτι που επιτυγχάνεται με τη συνεργασία πολλών επεξεργαστών όπως η CPU, η GPU και η NPU. Η CPU, γνωστή και ως «εγκέφαλος», είναι το κέντρο ελέγχου που επεξεργάζεται, υπολογίζει και μετατρέπει τα δεδομένα. Ωστόσο με την αύξηση του όγκου των δεδομένων εικόνας, μία GPU μπορεί να προσφέρει ακόμα ταχύτερους υπολογισμούς, ενώ η NPU, που συχνά συνδέεται με τη βαθιά εκμάθηση, είναι ένα τσιπ βασισμένο στη τεχνητή νοημοσύνη που χρησιμοποιεί το νευρωνικό δίκτυο για να μαθαίνει και να προσαρμόζεται συνεχώς από τα ανακριβή αποτελέσματα μειώνοντας τα ποσοστά σφάλματος.
Σήμερα, οι καινοτομίες στο hardware έχουν ενισχύσει την υπολογιστική ισχύ και ως αποτέλεσμα, έχουμε περάσει από τις Κεντρικές Μονάδες Επεξεργασίας (CPU) και τις Μονάδες Επεξεργασίας Γραφικών (GPU), στους επεξεργαστές ειδικού σκοπού ASIC (Application-specific integrated circuit). Η μετάβαση αυτή άνοιξε την πόρτα για τη δημιουργία λύσεων on-premise και συσκευών edge-και πολλές βιομηχανίες αρχίζουν τώρα να συνειδητοποιούν τη σημασία τόσο του υλικού όσο και του λογισμικού.
Από τις CPU, τις GPU και τους επεξεργαστές ASIC έως και τις Μονάδες Επεξεργασίας Deep Learning-DLPU και τα SOC (System on a Chip), η τεχνητή νοημοσύνη άλλαξε τελικώς τον τρόπο με τον οποίο πολλοί κατασκευαστές προσεγγίζουν το σχεδιασμό και τη λειτουργικότητα των νέων συσκευών. Παρόλο που η τεχνητή νοημοσύνη υπάρχει εδώ και πολλές δεκαετίες, οι πρόσφατες εξελίξεις στην τεχνολογία είναι αυτές που επέτρεψαν στην τεχνολογική κοινότητα να βελτιστοποιήσει την υπολογιστική ισχύ που απαιτεί η τεχνητή νοημοσύνη και οι τεχνικές που χρησιμοποιεί για να εξάγει συμπεράσματα. Μερικές από αυτές τις τεχνικές, είναι η Μηχανική μάθηση, που χρησιμοποιεί αλγόριθμους για την επίλυση βασικών προβλημάτων και τη βελτιστοποίηση των προβλέψεων, η βαθειά εκμάθηση, που χρησιμοποιεί αλγόριθμους που βασίζονται σε προσομοιωμένα νευρωνικά δίκτυα-και τα τεχνητά νευρωνικά δίκτυα (ANN), που αποτελούν τον πυρήνα των αλγορίθμων DL(deep learning), των οποίων η δομή έχει σχεδιαστεί για να προσομοιώνει τον τρόπο λειτουργίας του ανθρώπινου εγκεφάλου και των νευρώνων του.
Στη πράξη
Ποιο είναι λοιπόν το επόμενο βήμα για την τεχνητή νοημοσύνη; Κοινός στόχος είναι η εμπορευματοποίηση της τεχνολογίας AI. Υπάρχουν ήδη δισεκατομμύρια συσκευές που συνδέονται σε ιδιωτικά και δημόσια δίκτυα και πολλές ακόμα που προστίθενται καθημερινά. Τώρα η πρόκληση για τις περισσότερες εταιρείες είναι το πώς θα εφαρμόσουν την τεχνητή νοημοσύνη σε ένα πραγματικό περιβάλλον για να λύσουν ένα ή περισσότερα προβλήματα. Η ικανότητα επίλυσης προβλημάτων του πραγματικού κόσμου απαιτεί πολλά δεδομένα…
Για την απόκτηση πολλών και «ποιοτικών» δεδομένων, απαιτείται μεθοδικότητα και είναι σημαντικό να έχουμε κατά νου ότι η Μηχανική και η Βαθιά Μάθηση απαιτούν εκατοντάδες χιλιάδες, αν όχι εκατομμύρια σύνολα δεδομένων για την εκμάθηση. Η δημιουργία ενός μοντέλου τεχνητής νοημοσύνης που θα αποδώσει τα αναμενόμενα, είναι δύσκολη υπόθεση και μία πολύπλοκη διαδικασία η οποία απαιτεί τεράστια ανθρώπινη αλληλεπίδραση για τη δοκιμή και τον επανέλεγχο των αποτελεσμάτων. Η Μηχανική Μάθηση είναι αποτελεσματική επειδή οι αλγόριθμοί της είναι καλοί στην ανάλυση δομημένων, ωστόσο είναι πολλές φορές αναποτελεσματική στην επεξεργασία μη δομημένων δεδομένων. Ως εκ τούτου, η βαθειά εκμάθηση( Deep Learning), με τους αλγόριθμους της που βασίζονται σε προσομοιωμένα νευρωνικά δίκτυα, φαίνεται πως είναι αποτελεσματικότερη. Άρα ποιες είναι στην πραγματικότητα οι προσδοκίες μας από την εν λόγω τεχνολογία;
Παρά τις πολλά υποσχόμενες εξελίξεις στην τεχνητή νοημοσύνη, είναι σημαντικό να θέσουμε και κάποιες προσδοκίες γύρω από το τι μπορεί και τι δεν μπορεί να κάνει. Για παράδειγμα, πολλά Video Analytics σήμερα ταξινομούν εικόνες για να ανιχνεύσουν άτομα και οχήματα, αλλά αυτό δεν σημαίνει απαραίτητα ότι κατανοούν πλήρως μία σκηνή. Επιπρόσθετα, πολλά σύγχρονα VA που βασίζονται σε AI δεν μπορούν να «διαβάσουν» τη συμπεριφορά ενός ατόμου. Η χαρά ή η λύπη, είναι συναισθήματα όπου μία λύση που βασίζεται στην τεχνητή νοημοσύνη δεν μπορεί να τα καθορίσει ή να τα συμπεράνει. Σε μια σκηνή όπου συγκεντρώνεται πλήθος κόσμου, τα analytics (τουλάχιστον τα περισσότερα) δεν μπορούν να καταλάβουν αν πρόκειται για μία εκδήλωση χαράς/γιορτής ή για έναν καβγά.
Είναι σαφές ότι εξακολουθούν να υπάρχουν ορισμένα δύσκολα εμπόδια που αντιμετωπίζει ο κλάδος της ασφάλειας και για αυτόν το λόγο- τα Video Analytics που χρησιμοποιούνται ευρέως στη βιομηχανία απαιτούν και κάποιο βαθμό ανθρώπινης αλληλεπίδρασης και κρίσης. Μετά είναι και ο χειρισμός των δεδομένων. Εκτός από αυτές τις εκτιμήσεις, υπάρχουν και τρωτά σημεία στον χειρισμό των δεδομένων των νευρωνικών δικτύων, τα οποία μπορούν να οδηγήσουν ένα AI λογισμικό σε ανακριβή αποτελέσματα. Σε μία σκηνή για παράδειγμα, όπου ο φωτισμός μεταβάλλεται συνεχώς, μπορεί να επηρεαστεί η ταξινόμηση μίας εικόνας ή ενός αντικειμένου. Φυσικά, η κοινότητα των προγραμματιστών τα γνωρίζει όλα αυτά και έχει κάνει μεγάλα βήματα προόδου.
Η τεχνητή νοημοσύνη έχει ήδη επηρεάσει τη βιομηχανία ασφάλειας και είναι πολλά υποσχόμενη, ανεξάρτητα με το αποτέλεσμα. Πολλές εταιρείες σήμερα, επενδύουν και εξερευνούν λύσεις με επίκεντρο την τεχνητή νοημοσύνη, αναζητώντας ταυτόχρονα συνεργάτες για να βελτιστοποιήσουν την όλη διαδικασία. Δεν υπάρχει αμφιβολία ότι οι καινοτομίες στην τεχνητή νοημοσύνη θα αυξηθούν εκθετικά τα επόμενα χρόνια, μεταμορφώνοντας τον κλάδο και επαναπροσδιορίζοντας το μέλλον της δημόσιας ασφάλειας και της επιχειρηματικής ευφυΐας.
