Των Γιώργου Ατσαλάκη*-Κωνσταντίνου Ζοπουνίδη**-Γιώργου Μπαουράκη***
Ομάδες ιδιωτικών ειδικών συμφερόντων όπως: οι κοινοπραξίες ομοειδών επιχειρήσεων (καρτέλ), τα λόμπι (ακόμα και οι ομάδες συμπαιγνίας χωρίς επίσημη αναγνώριση), οι επαγγελματικές ενώσεις , οι αγροτικές οργανώσεις, τα εργατικά σωμάτια κ.λπ., αγωνίζονται για να πετύχουν ευνοϊκές αλλαγές, πιέζοντας για ψήφιση νομοθεσίας που τις ευνοεί (βλ. Mancur Olson στο βιβλίο του «Η άνοδος και η παρακμή των εθνών», εκδ. Παπαζήση, 2007 (έκδοση στα αγγλικά το 1982).
Η ανεξέλεκτη δράση τέτοιων ομάδων-οργανώσεων σε βάρος του δημοσίου συμφέροντος και της κοινωνίας μιας χώρας είναι οι κύριοι υπεύθυνοι της παρακμής των οικονομιών και των κοινωνιών. Το κίνητρο για παραγωγή και αύξηση της παραγωγικότητας φθίνει ενώ το κίνητρο επιδίωξης μεγαλύτερου μεριδίου εισοδήματος μέσω τροπολογιών και νόμων που προστατεύουν την ομάδα, αυξάνει. Αντί για να αναπτυχθεί ένας υγιής ανταγωνισμός για παραγωγή και ικανοποίηση των αναγκών των πελατών, αναπτύσσεται ένας στρεβλός ανταγωνισμός για την νομοθετική προστασία και διανομή του εισοδήματος μέσα από προστατευτικές νομοθετικές ρυθμίσεις στα μέλη της ομάδας πιέζοντας να ψηφισθούν «μικρό-νομοθεσίες» που τίς ευνοούν. Η «μικρό-νομοθεσία» είναι ένας όρος για μικρά μέρη ενός προτεινόμενου νόμου (τροπολογίες) που εξυπηρετούν στενά συμφέροντα.
Τα υπολογιστικά μοντέλα της τεχνητής νοημοσύνης μπορούν να προβλέψουν την πιθανή τύχη των προτεινόμενων νομοθετικών τροποποιήσεων, καθώς και τους τρόπους με τους οποίους οι εκπρόσωποι των ομάδων συμφερόντων μπορούν να εξασφαλίσουν αποτελεσματικότερα τα επιθυμητά αποτελέσματά τους. Αυτό είναι ένας κρίσιμος παράγοντας της δημιουργίας ενός λόμπι τεχνητής νοημοσύνης. Η άσκηση πίεσης αποτελεί μέρος του δούναι και λαβείν μεταξύ των υπευθύνων χάραξης πολιτικής και των υποστηρικτών που εργάζονται για την εξισορρόπηση των ανταγωνιστικών συμφερόντων τους. Ο κίνδυνος της μικρό-νομοθέτησης είναι ένας κίνδυνος που επιδεινώνεται σε μεγάλο βαθμό από την τεχνητή νοημοσύνη και μπορεί να χρησιμοποιηθεί με τρόπο που καθιστά δύσκολο να καταλάβουμε ποιους ωφελεί πραγματικά η νομοθεσία.
Τα μοντέλα μεγάλων γλωσσών, όπως το ChatGPT, μπορούν εύκολα να προσαρμοστούν για να γράψουν σε διαφορετικούς εξειδικευμένους τομείς αφού δουν έναν σχετικά μικρό αριθμό παραδειγμάτων. Αυτή η διαδικασία ονομάζεται τελειοποίηση. Για παράδειγμα, ένα μοντέλο «προ-εκπαιδευμένο» σε μια μεγάλη βιβλιοθήκη γενικών δειγμάτων κειμένου από βιβλία και το διαδίκτυο μπορεί να τελειοποιηθεί για να λειτουργήσει αποτελεσματικά δημιουργώντας μια βιβλιοθήκη με τεχνικές και μεθόδους χρήσιμες για τις ομάδες συμφερόντων.
Εν τω μεταξύ, μεγάλα γλωσσικά μοντέλα όπως αυτό στο οποίο βασίζεται το ChatGPT χρησιμοποιούνται συνήθως για τη σύνοψη μεγάλων, σύνθετων εγγράφων όπως οι νόμοι για την καταγραφή των βασικών σημείων και είναι βελτιστοποιημένα ώστε να ταιριάζουν με τις ανθρώπινες προσδοκίες. Αυτή η δυνατότητα θα μπορούσε να επιτρέψει σε έναν βοηθό τεχνητής νοημοσύνης να προβλέψει αυτόματα πόσο ανιχνεύσιμο μπορεί να είναι το πραγματικό αποτέλεσμα μιας εισαγωγής πολιτικής σε κάποιον άνθρωπο.
Η πραγματική πρόκληση στην εκτίμηση επιπτώσεων για τα παραγωγικά μοντέλα τεχνητής νοημοσύνης θα ήταν η ανάλυση της παραγωγής κειμένου, ενός μοντέλου όπως το ChatGPT με όρους που θα μπορούσε εύκολα να χρησιμοποιήσει ένα οικονομικό μοντέλο. Η αυτοματοποίηση αυτού θα απαιτούσε την εξαγωγή δομημένων χρηματοοικονομικών πληροφοριών από τη τροπολογία. Αυτό το είδος εξαγωγής πληροφοριών, επίσης, είναι ένας τομέας όπου η τεχνητή νοημοσύνη έχει ήδη μακρά ιστορία. Οι πρώτες ενδείξεις είναι ότι τα μεγάλα γλωσσικά μοντέλα είναι αρκετά καλά στην αναγνώριση οικονομικών πληροφοριών σε κείμενα που ενδιαφέρουν τους επενδυτές. Ενώ παραμένει μια ανοιχτή πρόκληση στο να είναι σε θέση να γράψουν σχέδια με πολλαπλά βήματα με βάση περιγραφές σε ελεύθερο κείμενο.
Η θέσπιση νομοθεσίας απαιτεί έντονη κατανόηση των πολύπλοκων αλληλένδετων δικτύων νομοθετικών γραφείων, εξωτερικών ομάδων, εκτελεστικών οργανισμών και άλλων ενδιαφερόμενων μερών που ανταγωνίζονται για την εξυπηρέτηση των δικών τους συμφερόντων. Οι προγραμματιστές τεχνητής νοημοσύνης είναι πολύ έμπειροι στη μοντελοποίηση αυτών των δικτύων. Μοντέλα μηχανικής μάθησης για γραφήματα δικτύου έχουν κατασκευαστεί, βελτιωθεί και επαναληφθεί από εκατοντάδες ερευνητές που εργάζονται σε απίστευτα διαφορετικά προβλήματα: σαρώσεις που χρησιμοποιούνται για την καθοδήγηση αυτό-οδηγούμενων αυτοκινήτων, τις χημικές λειτουργίες των μοριακών δομών, τη σύλληψη της κίνησης στις αρθρώσεις των ηθοποιών για γραφικά υπολογιστών, συμπεριφορές στα κοινωνικά δίκτυα και πολλά άλλα. Επίσης μπορεί να σχεδιαστεί μια στρατηγική άσκησης πίεσης για ποιες ενέργειες πρέπει να κάνει για να πείσει τους νομοθέτες να υιοθετήσουν την τροπολογία.
Στα πλαίσια της άσκησης πίεσης με τη βοήθεια τεχνητής νοημοσύνης, πολιτικοί παράγοντες όπως οι νομοθέτες και οι εκπρόσωποι ομάδων συμφερόντων είναι κόμβοι, ακριβώς όπως οι χρήστες σε ένα κοινωνικό δίκτυο. Οι σχέσεις μεταξύ τους είναι, όπως οι κοινωνικές συνδέσεις. Οι πληροφορίες μπορούν να διαβιβαστούν σε αυτές τις συνδέσεις, όπως τα μηνύματα που αποστέλλονται σε έναν φίλο ή οι συνεισφορές εκστρατείας που γίνονται σε ένα μέλος. Τα μοντέλα τεχνητής νοημοσύνης μπορούν να χρησιμοποιήσουν προηγούμενα παραδείγματα για να μάθουν να εκτιμούν πώς αυτές οι πληροφορίες αλλάζουν το δίκτυο. Σημαντικό θα ήταν ο υπολογισμός της πιθανότητας ότι μια συνεισφορά εκστρατείας ενός δεδομένου μεγέθους θα ανατρέψει την ψήφο ενός νομοθέτη για μια τροπολογία.
Αναμένουμε ότι η κλίμακα, οι στρατηγικές και η αποτελεσματικότητα των ανθρώπων που ασχολούνται με την άσκηση πίεσης θα εξελιχθούν με την πάροδο των ετών και των δεκαετιών. Οι εξελίξεις στην τεχνητή νοημοσύνη, εν τω μεταξύ, φαίνεται να κάνουν εντυπωσιακές ανακαλύψεις με πολύ ταχύτερο ρυθμό που εξακολουθεί να επιταχύνεται. Η νομοθετική διαδικασία είναι ένας συνεχής αγώνας μεταξύ των κομμάτων που προσπαθούν να ελέγξουν τους κανόνες της κοινωνίας μας καθώς ενημερώνονται, ξαναγράφονται και επεκτείνονται σε εθνικό επίπεδο. Η ισομερή και ισοδύναμη εκπροσώπηση ομάδων συμφερόντων είναι ένα σημαντικό εργαλείο για την εξισορρόπηση διαφόρων ομάδων συμφερόντων. Εάν είναι καλά ρυθμισμένο, ίσως η άσκηση πίεσης μπορεί να υποστηρίξει τους υπεύθυνους χάραξης πολιτικής στη λήψη δίκαιων αποφάσεων για λογαριασμό όλης της κοινωνίας.
*Αναπλ. Καθηγητής Γιώργος Ατσαλάκης
Οικονομολόγος
Εργαστήριο Ανάλυσης Δεδομένων και Πρόβλεψης
Πολυτεχνείου Κρήτης
**Καθηγητής Κωνσταντίνος Ζοπουνίδης, Ακαδημαϊκός
Βασιλική Ακαδημία Οικονομικών & Χρηματοοικονομικών
Βασιλική Ευρωπαϊκή Ακαδημία των Διδακτόρων
Επίτιμος Δρ. ΑΠΘ
Πολυτεχνείο Κρήτης & Audencia Business School, France
CIHEAM – International Center for Advanced Mediterranean Agronomic Studies, France, Greece
***Δρ. Γιώργος Μπαουράκης
Διευθυντής
Μεσογειακό Αγρονομικό Ινστιτούτο, Χανιά
Πηγή: ot.gr
