Των Κωνσταντίνου Ζοπουνίδη & Άγγελου Κωστή*
Για παράδειγμα, εφαρμογές τεχνητής νοημοσύνης μπορούν να επιτρέψουν προβλέψεις σε σχέση με διαδικασίες διοίκησης ανθρώπινου δυναμικού και προσλήψεων, να συμβάλλουν στην καλύτερη διάγνωση δερματικών παθήσεων, αλλεργιών και όγκων σε ασθενείς, να βελτιστοποιήσουν χρονοδιαγράμματα παραγωγής και ελέγχων παραγωγής και να μειώσουν ενεργειακό κόστος (βλ. Κ. Ζοπουνίδης, τεχνητή νοημοσύνη και εξελίξεις στην καθημερινότητα, Ναυτεμπορική, 25.01.2018).
Αναμφίβολα, η ΤΝ, που συχνά ορίζεται ως η επιστήμη που καθιστά υπολογιστικές μηχανές να πραγματοποιούν διαδικασίες που παραδοσιακά απαιτούσαν ανθρώπινη παρέμβαση και νοημοσύνη, προσφέρει ευκαιρίες σε επιχειρήσεις που δραστηριοποιούνται σε μια πληθώρα βιομηχανιών, αλλά ο τρόπος με τον οποίο μπορούν να επωφεληθούν αυτής παραμένει γρίφος για τις περισσότερες και ιδιαίτερα για μικρομεσαίες επιχειρήσεις.
Στην προσπάθεια επιχειρήσεων και οργανισμών να βρουν την απαραίτητη τεχνογνωσία, συχνά προτρέπουν τους/τις υπαλλήλους και στελέχη τους να παρακολουθήσουν μεταπτυχιακά προγράμματα ή σεμινάρια που στοχεύουν σε διάφορα πεδία που σχετίζονται με την ΤΝ, όπως για παράδειγμα προγράμματα που εστιάζουν στην επιστήμη δεδομένων. Μια βασική ερώτηση λοιπόν αναφέρεται στο πώς η εκπαίδευση για ΤΝ θα μπορέσει να καλύψει την ανάγκη για γνώση όσον αφορά το σημαντικό αυτό πεδίο και πρωτίστως πώς θα προετοιμάσει την κοινωνία για τους πολύπλευρους μετασχηματισμούς που μπορεί να επιφέρει η ΤΝ.
Στο παρόν άρθρο εστιάζουμε σε αυτό το ερώτημα, το οποίο απαντάμε επιχειρηματολογώντας για την ανάγκη η εκπαίδευση για ΤΝ να δώσει έμφαση στην καλλιέργεια μιας νοοτροπίας ΤΝ: AI mindset. Μια τέτοια νοοτροπία θα ωθήσει στελέχη επιχειρήσεων να αντιληφθούν την TN ως ένα πολυδιάστατο φαινόμενο η κατανόηση του οποίου απαιτεί όχι μόνο βασικές γνώσεις σχετικά με τους τύπους τεχνολογιών TN και τις δυνατότητες και απατήσεις αυτών όσον αφορά την τεχνολογική διάσταση αλλά και τις προκλήσεις που σχετίζονται με τη διαχείριση της TN στις επιχειρήσεις
Μία νοοτροπία TN σημαίνει ότι δεν χρειάζεται η εκπαίδευση να περιορίζεται μονάχα στον προγραμματισμό, στις αρχές της επιστήμης δεδομένων και στα τεχνικά χαρακτηριστικά μοντέλων ΑΙ, ακολουθώντας μια agenda επηρεασμένη μόνο από Computer Science. Σε έναν κόσμο που φαινόμενα αλγοριθμο-κρατίας είναι αισθητά στην καθημερινή μας ζωή, είναι σημαντικό να είμαστε σε θέση να αντιλαμβανόμαστε τον ρόλο των δεδομένων, των αλγορίθμων και των μοντέλων TN όπως επίσης να εφοδιάζουμε την κοινωνία μας με βαθύτερη γνώση για τη σχέση μεταξύ οργανισμών και τεχνητής νοημοσύνης και για πώς η TN μπορεί να πυροδοτήσει νέες οργανωσιακές και κοινωνικές αλλαγές αλλά και προκλήσεις (βλ. Κ. Ζοπουνίδης, από τη δημοκρατία στην αλγοριθμοκρατία, Ναυτεμπορική, 23.10.2017). Η καλλιέργεια ενός τέτοιου AI mindset είναι από μόνη της μια πρόκληση για την εκπαίδευση μιας και προϋποθέτει τέσσερις βασικούς παράγοντες.
Για να καλλιεργηθεί ένα ΑΙ mindset, η εκπαίδευση καλείται να δημιουργήσει ένα πλαίσιο όπου ακόμη και φοιτητές ή στελέχη επιχειρήσεων μη εξοικειωμένα με τον όρο ΤΝ να μπορούν να αποκτήσουν γραμματισμό TN (ΑΙ literacy) σε ικανοποιητικό βαθμό ώστε να είναι σε θέση να αντιλαμβάνονται τις διαφορετικές μεθόδους και τεχνικές και τις προϋποθέσεις αυτών. Για παράδειγμα, στελέχη επιχειρήσεων θα πρέπει στις μέρες μας να είναι εξοικειωμένα με βασικές έννοιες και τεχνικές ΤΝ όπως machine learning, deep learning, natural language processing, και η εκπαίδευση θα πρέπει να εστιάζει στην ανάπτυξη γνώσεων και δεξιοτήτων που θα τους/τις επιτρέπουν να συμμετέχουν ενεργά σε συζητήσεις για τη δημιουργία μιας λύσης ΤΝ χωρίς να νιώθουν ανασφάλεια λόγω μη εξοικείωσης.
Είναι σημαντικό να δοθεί έμφαση στο τι είναι ΤΝ και πώς λειτουργεί. Όπως προαναφέραμε, η ΤΝ αφορά ένα σύνολο τεχνικών επιστήμης υπολογιστών που επιτρέπουν σε υπολογιστικές μηχανές να μάθουν, να προσαρμοστούν σε νέες εισροές δεδομένων και να πραγματοποιήσουν εργασίες με τέτοιο τρόπο που να προσομοιάζεται η ανθρώπινη νοημοσύνη. Η εκπαίδευση λοιπόν οφείλει να παρέχει τεχνογνωσία σε σχέση με τις διάφορες αυτές τεχνικές, του τι αυτές απαιτούν αλλά και το πώς λειτουργούν και να αναδείξει μελλοντικά στελέχη επιχειρήσεων που είναι σε θέση να αντιλαμβάνονται ότι ο όρος ΤΝ είναι ιδιαίτερα ευρύς και γενικός.
Για παράδειγμα, η περισσότερο αποτελεσματική και δημοφιλής τεχνική ΤΝ σήμερα ονομάζεται deep learning και αναδεικνύει έναν τρόπο με τον οποίο οι υπολογιστές μπορούν να μιμηθούν την αρχιτεκτονική του ανθρώπινου εγκεφάλου για να επιτύχουν μεγαλύτερη υπολογιστική ισχύ. Σε επόμενο άρθρο μας θα επανέλθουμε σε βασικές έννοιες και τεχνικές ΤΝ για τις οποίες πιστεύουμε ότι φοιτητές και στελέχη επιχειρήσεων καλούνται να έχουν γνώση. Επίσης, για την καλλιέργεια ενός ΑΙ mindset, η εκπαίδευση είναι σημαντικό να συμβάλει στην κατανόηση του τρόπου με τον οποίο επιχειρήσεις μπορούν να εισάγουν λύσεις ΤΝ, να διαχειρίζονται τις αλλαγές που επιφέρει η εισαγωγή μιας λύσης βασισμένη σε ΤΝ και να δημιουργούν αξία για τις ίδιες, τους/τις υπαλλήλους τους και το ευρύτερο κοινωνικό πλαίσιο στο οποίο δραστηριοποιούνται.
Σε αυτό το πλαίσιο, η σύγχρονη εκπαίδευση καλείται να προσφέρει τα κατάλληλα εφόδια για βαθύτερη κατανόηση των διαδικασιών και αλλαγών που απαιτούνται για να ληφθεί αξία από TN τόσο σε επιχειρησιακό όσο και σε στρατηγικό επίπεδο (βλ. Κ. Ζοπουνίδης, Α. Κωστής, τεχνητή νοημοσύνη και διαχείριση του θορύβου, Ναυτεμπορική, 26.12.2021).
Βασικό συστατικό για την καλλιέργεια ενός ΑΙ mindset είναι η προώθηση και εδραίωση της ιδέας ότι οι σύγχρονοι οργανισμοί και επιχειρήσεις θα πρέπει να έχουν σαφείς διαδικασίες για τη συλλογή, αποθήκευση και αξιοποίηση δεδομένων. Επίσης, τα δεδομένα προσεγγίζονται ως πόροι με βάση τους οποίους λαμβάνονται αποφάσεις και καθοδηγούν τις επιχειρήσεις στην επίτευξη των επιχειρηματικών τους στόχων και στη δημιουργία οποιασδήποτε λύσης ΤΝ.
Όπως μας εξήγησε ένας Machine Learning Expert της Σουηδικής Εταιρείας Peltarion, «Οι λύσεις τεχνητής νοημοσύνης θα είναι τόσο ισχυρές όσο η ποιότητα των δεδομένων με τα οποία τροφοδοτούν και εκπαιδεύουν ένα μοντέλο ΤΝ. Οι επιχειρήσεις που ενδιαφέρονται για λύσεις deep learning θα πρέπει να δώσουν έμφαση στο τρόπο με τον οποίο συλλέγουν, δημιουργούν επισημάνσεις και αξιοποιούν τα δεδομένα τους».
Συμπερίληψη ηθικών ζητημάτων βρίσκονται στο επίκεντρο ενός AI mindset αφού η νοοτροπία αυτή δίνει έμφαση σε προκλήσεις και ζητήματα που εγείρονται από τη χρήση της ΤΝ στις επιχειρήσεις και υπογραμμίζει ότι τα στελέχη πρέπει να είναι διορατικά για τη διασφάλιση υπεύθυνης καινοτομίας ΤΝ. Εξασφάλιση της ικανότητας των εμπλεκόμενων μερών για κριτική σκέψη όσον αφορά φαινόμενα αλγοριθμο-κρατίας και αλγοριθμικής προκατάληψης (algorithmic bias) και διαδικασίες “keeping the human in the loop” αποτελεί θεμέλιο λίθο για την καλλιέργεια ενός AI mindset που θα βοηθήσει τον άνθρωπο να είναι σε θέση να αντιλαμβάνεται τυχόν ανισότητες ισχύος που μπορεί να προκύψουν στο χώρο εργασίας ως αποτέλεσμα χρήσης λύσεων ΤΝ (βλ. Lebovitz, S., Levina, N., & Lifshitz-Assaf, H. (2021). Is AI ground truth really “true”? The dangers of training and evaluating AI tools based on experts’ know-what. Management Information Systems Quarterly).
Για να επιτευχθεί η καλλιέργεια ενός ΑΙ mindset βέβαια, η εκπαίδευση για ΤΝ επιτάσσει διεπιστημονικά προγράμματα σπουδών με ταυτόχρονη συμμετοχή από τμήματα computer science, information systems, και business administration. Αυτό επιβάλλει να ανοίξουμε τους ορίζοντες μας, να αποδεχτούμε τα ούτως ή άλλως ευάλωτα όρια μεταξύ διαφορετικών ακαδημαϊκών κλάδων που προσφέρουν σημαντική γνώση για την καλλιέργεια μιας νοοτροπίας TN και να συνεχίζουμε να στελεχώνουμε τα πανεπιστήμιά μας με ακαδημαϊκό προσωπικό προερχόμενο από ένα ευρύ φάσμα επιστημονικών κλάδων.
Επίσης, απαιτείται μεγαλύτερη προσοχή και χρήση εκπαιδευτικών μεθόδων που φέρνουν τους/τις σπουδαστές/στριες αντιμέτωπους/ες με πραγματικά προβλήματα ΤΝ και περιλαμβάνουν συνεργασίες με επιχειρήσεις του ευρύτερου κοινωνικού πλαισίου μέσα στο οποίο λειτουργεί το σύγχρονο πανεπιστήμιο (βλ. Mathiassen, L., & Nielsen, P. A. (2008). Engaged scholarship in IS research. Scandinavian Journal of Information Systems, 20(2), 1)
*Ο καθηγητής Κωνσταντίνος Ζοπουνίδης (φωτ. αριστερά) είναι Ακαδημαϊκός, Βασιλική Ακαδημία Οικονομικών & Χρηματοοικονομικών, Βασιλική Ευρωπαϊκή Ακαδημία των Διδακτόρων, Επίτιμος Δρ. ΑΠΘ, Πολυτεχνείο Κρήτης, Audencia Business School, France
Ο Δρ. Άγγελος Κωστής είναι Μεταδιδακτορικός Ερευνητής στο Lab Τεχνητής Νοημοσύνης, Σουηδικό Κέντρο για Ψηφιακή Καινοτομία, Πανεπιστήμιο του Ούμεο, Σουηδία, Επισκέπτης Ακαδημαϊκός στο Πανεπιστήμιο Στάνφορντ, Καλιφόρνια, Αμερική
1. Διασφάλιση γραμματισμού τεχνητής νοημοσύνης
2. Αποφυγή τεχνολογικού ντετερμινισμού
3. Προώθηση μιας data-driven κουλτούρας λήψης αποφάσεων
4. Παρακίνηση για συμπερίληψη ηθικών ζητημάτων σχετικά με τη χρήση ΤΝ
Πώς μπορούμε να εκπαιδευτούμε στην Τεχνητή Νοημοσύνη… Των Κωνσταντίνου Ζοπουνίδη & Άγγελου Κωστή
Oι απόψεις που διατυπώνονται σε ενυπόγραφο άρθρο γνώμης ανήκουν στον συγγραφέα και δεν αντιπροσωπεύουν αναγκαστικά, μερικώς ή στο σύνολο, απόψεις του Euro2day.gr.
Πηγή: euro2day.gr
