Ένα γεγονός κοσμοϊστορικής σημασίας έχει συμβεί (για πολλοστή φορά), και με αθόρυβο τρόπο, έχει αλλάξει τον κόσμο ανεπιστρεπτί. Πρόκειται για κάτι που θα μεταβάλει όλα όσα θεωρούμε δεδομένα για τον τρόπο λειτουργίας της παγκοσμιοποιημένης οικονομίας μας. Κυρίως όμως, για τον τρόπο ύπαρξης των ανθρώπων μέσα σε αυτή.
Πρόκειται για μία νέα τάξη μηχανικής εκμάθησης (machine learning) που αποκαλείται “deep learning”. Το κοσμοϊστορικής σημασίας γεγονός συντελέστηκε όταν ένας υπολογιστής έκανε χρήση του deep learning για να κερδίσει τον τρεις φορές Ευρωπαίο πρωταθλητή του Go, Φαν Χούι. Και το έκανε πέντε συνεχόμενες φορές, χωρίς να ηττηθεί.
Όσοι έμαθαν την είδηση θεώρησαν ότι ο υπολογιστής δε θα μπορούσε να κερδίσει τον Lee Se-dol, τον πανθομολογουμένως καλύτερο παίκτη παγκοσμίως. Ο ίδιος ο Λη προέβλεψε ότι θα χάσει το πολύ ένα παιχνίδι. Η πραγματικότητα όμως τον διέψευσε: έχασε τα 4 από τα 5 παιχνίδια που έπαιξε ενάντια στον υπολογιστή.
Το AlphaGo, μία τεχνητή νοημοσύνη (Artificial Intelligence), είναι πλέον ο καλύτερος παίκτης του Go, ένα παιχνίδι με 10¹⁷⁰ πιθανούς συνδυασμούς κινήσεων. (Συγκριτικά: το γνωστό σύμπαν περιέχει 1080 άτομα.) Η ιστορία επαναλαμβάνεται, όπως έγινε πριν μερικά χρόνια με το τηλεπαιχνίδι Jeopardy και ακόμα νωρίτερα με το σκάκι, όταν ο Deep Blue της ΙΒΜ κέρδισε τον Κασπάροφ.
Τι σημαίνει αυτό;
Η ιστορική αυτή νίκη του AlphaGo, καταδεικνύει ότι από γραμμική ανάπτυξη (της τεχνητής νοημοσύνης), έχουμε πάει ήδη στην παραβολική. Η πρόοδος που συντελείται στην τεχνολογία είναι πλέον τόσο ορατά εκθετική που μπορούμε να περιμένουμε με βεβαιότητα ότι θα ξεπεράσουμε πολλά ορόσημα, πολύ συντομότερα απ' ό,τι είχαμε υπολογίσει.
Εφόσον συνεχίσουμε να επιμένουμε στην εργασία ως το κύριο μέσο εξασφάλισης εισοδήματος, είμαστε παντελώς ανέτοιμοι για αυτή την εκθετική πρόοδο, συγκεκριμένα εκείνη της τεχνητής νοημοσύνης που αφορά συγκεκριμένες εργασίες. Εάν αυτό ακούγεται υπερβολικό, δείτε το παρακάτω γράφημα: οι υπολογιστές έχουν ήδη μειώσει τις θέσεις εργασίας, από τη δεκαετία του 1990.
Δουλειές Επαναλαμβανόμενης Ρουτίνας
Το σύνολο των θέσεων εργασίας μπορούν να καταταγούν σε 4 κατηγορίες: επαναλαμβανόμενες (ρουτίνας), μη-επαναλαμβανόμενες (μη-ρουτίνας), πνευματικές και χειρονακτικές. Ενώ στο παρελθόν όλες οι κατηγορίες αυξάνονταν, από τη δεκαετία του 1990 και μετά, οι επαναλαμβανόμενες δουλειές (ρουτίνας), ξαφνικά έπαψαν να αυξάνονται. Αυτό συνέβη επειδή μπορούμε να γράψουμε αλγόριθμους και κανόνες και να αφήσουμε τις μηχανές να το χειρίζονται.
Δυστυχώς, αυτού του είδους εργασίες ήταν κάποτε η ραχοκοκαλιά της Αμερικανικής μεσαίας τάξης.
Με τέτοιου είδους δουλειές ο Χένρι Φορντ έχτισε την μεσαία τάξη, και αργότερα αυτές γέμιζαν τα γραφεία στις ΗΠΑ. Τώρα όμως εξαφανίζονται, αφήνοντας πίσω τους δύο είδη εργασίας ως πιθανότητες: εκείνες που χρειάζονται τόσο ελάχιστη σκέψη που πληρώνονται με μισθούς πείνας και τις άλλες που χρειάζονται μεγάλη πνευματική ικανότητα, ώστε αυτοί που τις κάνουν πληρώνονται αδρά.
Μπορεί κάποιος να παρομοιάσει την οικονομία των ΗΠΑ με ένα τετρακινητήριο αεροπλάνο: και με τους δύο κινητήρες εν λειτουργία, μπορεί ακόμα να πετάξει. Τι γίνεται όμως όταν αρχίσουν να ρετάρουν και αυτοί οι δύο τελευταίοι κινητήρες του αεροπλάνου;
Αυτό αντιπροσωπεύουν οι τελευταίες εξελίξεις στη ρομποτική και την τεχνητή νοημοσύνη, την κατάρευση των τελευταίων δύο κινητήρων. Επειδή, για πρώτη φορά, έχουμε – επιτυχώς – διδάξει στις μηχανές να μαθαίνουν.
Big Data
Η φράση “big data” δεν είναι απλά ένας νεολογισμός της μόδας. Παράγουμε διαρκώς αυξανόμενες ποσότητες πληροφορίας σε σημείο που, μία σχετική αναφορά του 2013, εκτιμούσε ότι το 90% όλων των πληροφοριών στον κόσμο είχαν παραχθεί στα τελευταία 2 χρόνια (2011-2012).
Ο ταχύτατος αυτός ρυθμός δημιουργίας νέων πληροφοριών, διπλασιάζεται κάθε ενάμισυ έτος, χάρη στο διαδίκτυο. Σε κάθε ένα λεπτό του 2015, κάναμε 4,2 εκατομμύρια Likes στο φέησμπουκ, αναρτούσαμε 300 ώρες βίντεο στο YouTube και στέλναμε 350 χιλιάδες τιτιβίσματα στο τουίτερ.
Παράγουμε δεδομένα όπως δεν είχε ξαναγίνει ποτέ στο παρελθόν, και αυτό ακριβώς χρειάζονται οι μηχανές για να μάθουν να μαθαίνουν.
Γιατί;
Προσπαθήστε να φανταστείτε πώς θα προγραμματίζατε έναν υπολογιστή να αναγνωρίσει μία καρέκλα. Θα του δίνατε ένα σωρό οδηγίες αλλά και πάλι το αποτέλεσμα θα ήταν ένα λογισμικό που αναγνωρίζει καρέκλες που δεν υπάρχουν, ενώ δεν αναγνωρίζει άλλες που υπάρχουν.
Εμείς λοιπόν, πώς μάθαμε να αναγνωρίζουμε τις καρέκλες; Οι γονείς μας μας έδειξαν μία καρέκλα και είπαν “καρέκλα”. Και πάνω που νομίζαμε ότι το μάθαμε, δείχναμε ένα τραπέζι και λέγαμε “καρέκλα”. Και τότε πάλι οι γονείς μας είπαν “τραπέζι”.
Αυτή η μέθοδος λέγεται reinforcement learning (εκμάθηση μέσω ενίσχυσης). Η ταμπέλα “καρέκλα” συνδέεται με κάθε καρέκλα που βλέπουμε, έτσι ώστε τελικά, ορισμένες νευρικές διαβιβάσεις να σταθμίζονται καταλλήλως. Ουσιαστικά, ολόκληρη η ζωή μας είναι big data που φιλτράρεται μέσα από το μυαλό μας.
Deep Learning
Η ισχύς του Deep Learning έγκυται στο ότι χρησιμοποιούμε τεράστιους όγκους δεδομένων ώστε να μαθαίνουμε στις μηχανές να λειτουργούν περισσότερο όπως εμείς, χωρίς να τους δίνουμε αναλυτικές οδηγίες. Αντί δηλαδή να περιγράψουμε τι καθιστά την καρέκλα “καρέκλα” στον υπολογιστή, μπορούμε να τον συνδέσουμε με το διαδίκτυο και να του δείξουμε εκατομμύρια φωτογραφίες από καρέκλες. Μπορεί έτσι να αποκτήσει μία γενική ιδέα του τι συνιστά μία καρέκλα.
Στη συνέχεια, το δοκιμάζουμε, με ακόμα περισσότερες εικόνες. Όταν κάνει λάθος, το διορθώνουμε, κάτι που βελτιώνει περισσότερο την ικανότητά του να ανιχνεύει την καρέκλα. Η επανάληψη αυτής της διαδικασίας, έχει ως αποτέλεσμα έναν υπολογιστή που μπορεί πλέον να αναγνωρίσει μία καρέκλα, όταν τη δει, όσο καλά την αναγνωρίζουμε κι εμείς.
Μία σημαντική διαφορά βεβαίως είναι ότι μόνο ο υπολογιστής μπορεί να περιηγηθεί σε εκατομμύρια δείγματα καρεκλών, σε απειροελάχιστο χρόνο.
Ο συνδυασμός της διαδικασίας του Deep Learning με τα big data έχει παράξει εκπληκτικά αποτελέσματα, μόλις τον περασμένο χρόνο. Η τεχνητή νοημοσύνη που ανέπτυξε η Google, DeepMind, έμαθε όχι απλά να διαβάζει αλλά και να κατανοεί το κείμενο που διαβάζει. Μάλιστα δίδαξε τον εαυτό του να παίζει δεκάδες παιχνίδια Ατάρι 2600, καλύτερα από τους ανθρώπους, απλά κοιτάζοντας την οθόνη και το σκορ, και παίζοντας διαρκώς παιχνίδια.
Μία τεχνητή νοημοσύνη με το όνομα Giraffe (καμηλοπάρδαλη), έμαθε αυτοδίδακτα να παίζει σκάκι, χρησιμοποιώντας 175 εκατομμύρια κινήσεις σκακιού. Μετά από 72 ώρες παιχνιδιού ενάντια στον εαυτό του, το Giraffe απέκτησε το επίπεδο του διεθνούς Μάστερ.
Πρέπει να κατανοήσουμε ότι το AlphaGo δεν διαθέτει την υπολογιστική δύναμη να προβλέψει όλες τις πιθανές κινήσεις του Go για να καθορίσει πώς θα κερδίσει. Όπως όμως κάνει ο ανθρώπινος εγκέφαλος, έμαθε να εκτιμά ποια “αισθάνεται” ότι είναι η καλύτερη κίνηση. Αυτό, το κάνουμε μέσα από την παρατήρηση και την εμπειρία μας. Το ίδιο έκανε και το AlphaGo, παρατηρώντας εκατομμύρια παιχνίδια και κάνοντας εξάσκηση.
Αυτοματοποίηση μη-επαναλαμβανόμενης εργασίας
Οσονούπω. Αυτή είναι η σωστή απάντηση για κάθε ερώτημα που αφορά κάτι καινούριο που οι μηχανές θα μπορούν να κάνουν καλύτερα από τον άνθρωπο.
Πρέπει να κατανοήσουμε τι θα σημάνει η είσοδος στην αγορά εργασίας, σε θέσεις μη-επαναλαμβανόμενης εργασίας, αυτής της εκθετικά βελτιούμενης τεχνολογίας. Καμία ανθρώπινη θέση εργασίας δεν είναι ασφαλής πλέον, τώρα που οι μηχανές απέκτησαν την ικανότητα να μαθαίνουν. Από την εργασία σε φαστφουντάδικα μέχρι την παροχή υπηρεσιών υγείας, μπορούμε να κατασκευάσουμε μηχανές που να εκτελούν όλα τα καθήκοντα χωρίς καθόλου (ή ελάχιστη) ανάγκη για ανθρώπους, και με χαμηλότερο κόστος από τους ανθρώπους.
Η τεχνητή νοημοσύνη Amelia, εκπαιδεύθηκε για να κάνει τη δουλειά τηλεφωνητή, σε κέντρο εξυπηρέτησης. Μπορεί να μάθει σε δευτερόλεπτα ό,τι οι άνθρωποι χρειάζονται μήνες και γνωρίζει 20 ξένες γλώσσες. Το κυριότερο όμως είναι ότι μαθαίνει διαρκώς. Σε δοκιμαστική λειτουργία, διαχειρίστηκε επιτυχώς ένα στα 10 τηλεφωνήματα, την πρώτη εβδομάδα. Στο τέλος των δύο μηνών, μπορούσε να διαχειριστεί επιτυχώς 6 στα 10. Εκτιμάται ότι μπορεί να αφήσει άνεργους 250 εκατομμύρια εργαζόμενους, παγκοσμίως.
Οι δημιουργοί της Siri, τώρα ετοιμάζουν την τεχνητή νοημοσύνη με το όνομα Viv. Θα είναι προσωπική βοηθός, θα εκτελεί εργασίες για μας online και θα μας διαβάζει το facebook news feed με επιλογές που θεωρεί ότι θα μας αρέσουν περισσότερο. Αναμένεται επίσης να προκαλέσει μεγάλη ζημιά στη διαφημιστική βιομηχανία, καθώς εξαιτίας της, θα βλέπουμε πολύ λιγότερες διαφημίσεις.
Βασικό Εγγυημένο Εισόδημα
Αυτός ο νέος κόσμος, είναι ένας κόσμος όπου οι μηχανές θα κάνουν και τα τέσσερα είδη εργασίας, κάτι που θα επιφέρει σημαντικότατη κοινωνική επαναθεώρηση.
Εάν θα υπάρχει μηχανή που μπορεί να κάνει μία δουλειά, γιατί να πρέπει να την κάνει άνθρωπος;
Θα πρέπει το εισόδημα να παραμένει συνδυασμένο με την εργασία;
Ποιος θα καρπώνεται το κέρδος από την εργασία που θα κάνουν μηχανές;
Και τι θα αγοράζει ή δε θα αγοράζει κανείς με αυτό;
Μήπως θα δημιουργούμε δουλειές για τις οποίες δεν υπάρχει πραγματική ανάγκη, μόνο και μόνο για να διατηρούμε το εισόδημα των εργαζομένων;
Αυτές και πολλές ακόμα ερωτήσεις σχετίζονται με το δημόσιο διάλογο για το Κατώτατο Εγγυημένο Εισόδημα που έχει ανοίξει σε αρκετές χώρες. Οι ειδικοί στην τεχνητή νοημοσύνη έχουν ήδη κρούσει τον κώδωνα του κινδύνου, καλώντας τους πολιτικούς να το εφαρμόσουν εδώ και τώρα.
Σε μία αναφορά του Αμερικανικού Κονγκρέσου εκτιμάται ότι ένας εργαζόμενος που το 2010 είχε μισθό μικρότερο των 20 δολαρίων την ώρα, κινδυνεύει να αντικατασταθεί από μία μηχανή, κατά 83%. Ένας εργαζόμενος που κερδίζει μέχρι 40 δολάρια την ώρα, κινδυνεύει κατά 31% να αντικατασταθεί.
Επιμέλεια / επιλογές αποσπασμάτων: espoir
Πηγή άρθρου: https://medium.com/basic-income/deep-learning-is-going-to-teach-us-all-the-lesson-of-our-lives-jobs-are-for-machines-7c6442e37a49
https://omniatv.com/blog/5891-%CE%BF-%CE%B8%CE%B1%CF%85%CE%BC%CE%B1%CF%83%CF%84%CF%8C%CF%82-%CE%BA%CE%B1%CE%B9%CE%BD%CE%BF%CF%8D%CF%81%CE%B9%CE%BF%CF%82-%CE%BA%CF%8C%CF%83%CE%BC%CE%BF%CF%82-%CE%BA%CE%B1%CF%84%CE%B1%CF%86%CE%B8%CE%AC%CE%BD%CE%B5%CE%B9
Πρόκειται για μία νέα τάξη μηχανικής εκμάθησης (machine learning) που αποκαλείται “deep learning”. Το κοσμοϊστορικής σημασίας γεγονός συντελέστηκε όταν ένας υπολογιστής έκανε χρήση του deep learning για να κερδίσει τον τρεις φορές Ευρωπαίο πρωταθλητή του Go, Φαν Χούι. Και το έκανε πέντε συνεχόμενες φορές, χωρίς να ηττηθεί.
Όσοι έμαθαν την είδηση θεώρησαν ότι ο υπολογιστής δε θα μπορούσε να κερδίσει τον Lee Se-dol, τον πανθομολογουμένως καλύτερο παίκτη παγκοσμίως. Ο ίδιος ο Λη προέβλεψε ότι θα χάσει το πολύ ένα παιχνίδι. Η πραγματικότητα όμως τον διέψευσε: έχασε τα 4 από τα 5 παιχνίδια που έπαιξε ενάντια στον υπολογιστή.
Το AlphaGo, μία τεχνητή νοημοσύνη (Artificial Intelligence), είναι πλέον ο καλύτερος παίκτης του Go, ένα παιχνίδι με 10¹⁷⁰ πιθανούς συνδυασμούς κινήσεων. (Συγκριτικά: το γνωστό σύμπαν περιέχει 1080 άτομα.) Η ιστορία επαναλαμβάνεται, όπως έγινε πριν μερικά χρόνια με το τηλεπαιχνίδι Jeopardy και ακόμα νωρίτερα με το σκάκι, όταν ο Deep Blue της ΙΒΜ κέρδισε τον Κασπάροφ.
Τι σημαίνει αυτό;
Η ιστορική αυτή νίκη του AlphaGo, καταδεικνύει ότι από γραμμική ανάπτυξη (της τεχνητής νοημοσύνης), έχουμε πάει ήδη στην παραβολική. Η πρόοδος που συντελείται στην τεχνολογία είναι πλέον τόσο ορατά εκθετική που μπορούμε να περιμένουμε με βεβαιότητα ότι θα ξεπεράσουμε πολλά ορόσημα, πολύ συντομότερα απ' ό,τι είχαμε υπολογίσει.
Εφόσον συνεχίσουμε να επιμένουμε στην εργασία ως το κύριο μέσο εξασφάλισης εισοδήματος, είμαστε παντελώς ανέτοιμοι για αυτή την εκθετική πρόοδο, συγκεκριμένα εκείνη της τεχνητής νοημοσύνης που αφορά συγκεκριμένες εργασίες. Εάν αυτό ακούγεται υπερβολικό, δείτε το παρακάτω γράφημα: οι υπολογιστές έχουν ήδη μειώσει τις θέσεις εργασίας, από τη δεκαετία του 1990.
Δουλειές Επαναλαμβανόμενης Ρουτίνας
Το σύνολο των θέσεων εργασίας μπορούν να καταταγούν σε 4 κατηγορίες: επαναλαμβανόμενες (ρουτίνας), μη-επαναλαμβανόμενες (μη-ρουτίνας), πνευματικές και χειρονακτικές. Ενώ στο παρελθόν όλες οι κατηγορίες αυξάνονταν, από τη δεκαετία του 1990 και μετά, οι επαναλαμβανόμενες δουλειές (ρουτίνας), ξαφνικά έπαψαν να αυξάνονται. Αυτό συνέβη επειδή μπορούμε να γράψουμε αλγόριθμους και κανόνες και να αφήσουμε τις μηχανές να το χειρίζονται.
Δυστυχώς, αυτού του είδους εργασίες ήταν κάποτε η ραχοκοκαλιά της Αμερικανικής μεσαίας τάξης.
Με τέτοιου είδους δουλειές ο Χένρι Φορντ έχτισε την μεσαία τάξη, και αργότερα αυτές γέμιζαν τα γραφεία στις ΗΠΑ. Τώρα όμως εξαφανίζονται, αφήνοντας πίσω τους δύο είδη εργασίας ως πιθανότητες: εκείνες που χρειάζονται τόσο ελάχιστη σκέψη που πληρώνονται με μισθούς πείνας και τις άλλες που χρειάζονται μεγάλη πνευματική ικανότητα, ώστε αυτοί που τις κάνουν πληρώνονται αδρά.
Μπορεί κάποιος να παρομοιάσει την οικονομία των ΗΠΑ με ένα τετρακινητήριο αεροπλάνο: και με τους δύο κινητήρες εν λειτουργία, μπορεί ακόμα να πετάξει. Τι γίνεται όμως όταν αρχίσουν να ρετάρουν και αυτοί οι δύο τελευταίοι κινητήρες του αεροπλάνου;
Αυτό αντιπροσωπεύουν οι τελευταίες εξελίξεις στη ρομποτική και την τεχνητή νοημοσύνη, την κατάρευση των τελευταίων δύο κινητήρων. Επειδή, για πρώτη φορά, έχουμε – επιτυχώς – διδάξει στις μηχανές να μαθαίνουν.
Big Data
Η φράση “big data” δεν είναι απλά ένας νεολογισμός της μόδας. Παράγουμε διαρκώς αυξανόμενες ποσότητες πληροφορίας σε σημείο που, μία σχετική αναφορά του 2013, εκτιμούσε ότι το 90% όλων των πληροφοριών στον κόσμο είχαν παραχθεί στα τελευταία 2 χρόνια (2011-2012).
Ο ταχύτατος αυτός ρυθμός δημιουργίας νέων πληροφοριών, διπλασιάζεται κάθε ενάμισυ έτος, χάρη στο διαδίκτυο. Σε κάθε ένα λεπτό του 2015, κάναμε 4,2 εκατομμύρια Likes στο φέησμπουκ, αναρτούσαμε 300 ώρες βίντεο στο YouTube και στέλναμε 350 χιλιάδες τιτιβίσματα στο τουίτερ.
Παράγουμε δεδομένα όπως δεν είχε ξαναγίνει ποτέ στο παρελθόν, και αυτό ακριβώς χρειάζονται οι μηχανές για να μάθουν να μαθαίνουν.
Γιατί;
Προσπαθήστε να φανταστείτε πώς θα προγραμματίζατε έναν υπολογιστή να αναγνωρίσει μία καρέκλα. Θα του δίνατε ένα σωρό οδηγίες αλλά και πάλι το αποτέλεσμα θα ήταν ένα λογισμικό που αναγνωρίζει καρέκλες που δεν υπάρχουν, ενώ δεν αναγνωρίζει άλλες που υπάρχουν.
Εμείς λοιπόν, πώς μάθαμε να αναγνωρίζουμε τις καρέκλες; Οι γονείς μας μας έδειξαν μία καρέκλα και είπαν “καρέκλα”. Και πάνω που νομίζαμε ότι το μάθαμε, δείχναμε ένα τραπέζι και λέγαμε “καρέκλα”. Και τότε πάλι οι γονείς μας είπαν “τραπέζι”.
Αυτή η μέθοδος λέγεται reinforcement learning (εκμάθηση μέσω ενίσχυσης). Η ταμπέλα “καρέκλα” συνδέεται με κάθε καρέκλα που βλέπουμε, έτσι ώστε τελικά, ορισμένες νευρικές διαβιβάσεις να σταθμίζονται καταλλήλως. Ουσιαστικά, ολόκληρη η ζωή μας είναι big data που φιλτράρεται μέσα από το μυαλό μας.
Deep Learning
Η ισχύς του Deep Learning έγκυται στο ότι χρησιμοποιούμε τεράστιους όγκους δεδομένων ώστε να μαθαίνουμε στις μηχανές να λειτουργούν περισσότερο όπως εμείς, χωρίς να τους δίνουμε αναλυτικές οδηγίες. Αντί δηλαδή να περιγράψουμε τι καθιστά την καρέκλα “καρέκλα” στον υπολογιστή, μπορούμε να τον συνδέσουμε με το διαδίκτυο και να του δείξουμε εκατομμύρια φωτογραφίες από καρέκλες. Μπορεί έτσι να αποκτήσει μία γενική ιδέα του τι συνιστά μία καρέκλα.
Στη συνέχεια, το δοκιμάζουμε, με ακόμα περισσότερες εικόνες. Όταν κάνει λάθος, το διορθώνουμε, κάτι που βελτιώνει περισσότερο την ικανότητά του να ανιχνεύει την καρέκλα. Η επανάληψη αυτής της διαδικασίας, έχει ως αποτέλεσμα έναν υπολογιστή που μπορεί πλέον να αναγνωρίσει μία καρέκλα, όταν τη δει, όσο καλά την αναγνωρίζουμε κι εμείς.
Μία σημαντική διαφορά βεβαίως είναι ότι μόνο ο υπολογιστής μπορεί να περιηγηθεί σε εκατομμύρια δείγματα καρεκλών, σε απειροελάχιστο χρόνο.
Ο συνδυασμός της διαδικασίας του Deep Learning με τα big data έχει παράξει εκπληκτικά αποτελέσματα, μόλις τον περασμένο χρόνο. Η τεχνητή νοημοσύνη που ανέπτυξε η Google, DeepMind, έμαθε όχι απλά να διαβάζει αλλά και να κατανοεί το κείμενο που διαβάζει. Μάλιστα δίδαξε τον εαυτό του να παίζει δεκάδες παιχνίδια Ατάρι 2600, καλύτερα από τους ανθρώπους, απλά κοιτάζοντας την οθόνη και το σκορ, και παίζοντας διαρκώς παιχνίδια.
Μία τεχνητή νοημοσύνη με το όνομα Giraffe (καμηλοπάρδαλη), έμαθε αυτοδίδακτα να παίζει σκάκι, χρησιμοποιώντας 175 εκατομμύρια κινήσεις σκακιού. Μετά από 72 ώρες παιχνιδιού ενάντια στον εαυτό του, το Giraffe απέκτησε το επίπεδο του διεθνούς Μάστερ.
Πρέπει να κατανοήσουμε ότι το AlphaGo δεν διαθέτει την υπολογιστική δύναμη να προβλέψει όλες τις πιθανές κινήσεις του Go για να καθορίσει πώς θα κερδίσει. Όπως όμως κάνει ο ανθρώπινος εγκέφαλος, έμαθε να εκτιμά ποια “αισθάνεται” ότι είναι η καλύτερη κίνηση. Αυτό, το κάνουμε μέσα από την παρατήρηση και την εμπειρία μας. Το ίδιο έκανε και το AlphaGo, παρατηρώντας εκατομμύρια παιχνίδια και κάνοντας εξάσκηση.
Αυτοματοποίηση μη-επαναλαμβανόμενης εργασίας
Οσονούπω. Αυτή είναι η σωστή απάντηση για κάθε ερώτημα που αφορά κάτι καινούριο που οι μηχανές θα μπορούν να κάνουν καλύτερα από τον άνθρωπο.
Πρέπει να κατανοήσουμε τι θα σημάνει η είσοδος στην αγορά εργασίας, σε θέσεις μη-επαναλαμβανόμενης εργασίας, αυτής της εκθετικά βελτιούμενης τεχνολογίας. Καμία ανθρώπινη θέση εργασίας δεν είναι ασφαλής πλέον, τώρα που οι μηχανές απέκτησαν την ικανότητα να μαθαίνουν. Από την εργασία σε φαστφουντάδικα μέχρι την παροχή υπηρεσιών υγείας, μπορούμε να κατασκευάσουμε μηχανές που να εκτελούν όλα τα καθήκοντα χωρίς καθόλου (ή ελάχιστη) ανάγκη για ανθρώπους, και με χαμηλότερο κόστος από τους ανθρώπους.
Η τεχνητή νοημοσύνη Amelia, εκπαιδεύθηκε για να κάνει τη δουλειά τηλεφωνητή, σε κέντρο εξυπηρέτησης. Μπορεί να μάθει σε δευτερόλεπτα ό,τι οι άνθρωποι χρειάζονται μήνες και γνωρίζει 20 ξένες γλώσσες. Το κυριότερο όμως είναι ότι μαθαίνει διαρκώς. Σε δοκιμαστική λειτουργία, διαχειρίστηκε επιτυχώς ένα στα 10 τηλεφωνήματα, την πρώτη εβδομάδα. Στο τέλος των δύο μηνών, μπορούσε να διαχειριστεί επιτυχώς 6 στα 10. Εκτιμάται ότι μπορεί να αφήσει άνεργους 250 εκατομμύρια εργαζόμενους, παγκοσμίως.
Οι δημιουργοί της Siri, τώρα ετοιμάζουν την τεχνητή νοημοσύνη με το όνομα Viv. Θα είναι προσωπική βοηθός, θα εκτελεί εργασίες για μας online και θα μας διαβάζει το facebook news feed με επιλογές που θεωρεί ότι θα μας αρέσουν περισσότερο. Αναμένεται επίσης να προκαλέσει μεγάλη ζημιά στη διαφημιστική βιομηχανία, καθώς εξαιτίας της, θα βλέπουμε πολύ λιγότερες διαφημίσεις.
Βασικό Εγγυημένο Εισόδημα
Αυτός ο νέος κόσμος, είναι ένας κόσμος όπου οι μηχανές θα κάνουν και τα τέσσερα είδη εργασίας, κάτι που θα επιφέρει σημαντικότατη κοινωνική επαναθεώρηση.
Εάν θα υπάρχει μηχανή που μπορεί να κάνει μία δουλειά, γιατί να πρέπει να την κάνει άνθρωπος;
Θα πρέπει το εισόδημα να παραμένει συνδυασμένο με την εργασία;
Ποιος θα καρπώνεται το κέρδος από την εργασία που θα κάνουν μηχανές;
Και τι θα αγοράζει ή δε θα αγοράζει κανείς με αυτό;
Μήπως θα δημιουργούμε δουλειές για τις οποίες δεν υπάρχει πραγματική ανάγκη, μόνο και μόνο για να διατηρούμε το εισόδημα των εργαζομένων;
Αυτές και πολλές ακόμα ερωτήσεις σχετίζονται με το δημόσιο διάλογο για το Κατώτατο Εγγυημένο Εισόδημα που έχει ανοίξει σε αρκετές χώρες. Οι ειδικοί στην τεχνητή νοημοσύνη έχουν ήδη κρούσει τον κώδωνα του κινδύνου, καλώντας τους πολιτικούς να το εφαρμόσουν εδώ και τώρα.
Σε μία αναφορά του Αμερικανικού Κονγκρέσου εκτιμάται ότι ένας εργαζόμενος που το 2010 είχε μισθό μικρότερο των 20 δολαρίων την ώρα, κινδυνεύει να αντικατασταθεί από μία μηχανή, κατά 83%. Ένας εργαζόμενος που κερδίζει μέχρι 40 δολάρια την ώρα, κινδυνεύει κατά 31% να αντικατασταθεί.
Επιμέλεια / επιλογές αποσπασμάτων: espoir
Πηγή άρθρου: https://medium.com/basic-income/deep-learning-is-going-to-teach-us-all-the-lesson-of-our-lives-jobs-are-for-machines-7c6442e37a49
https://omniatv.com/blog/5891-%CE%BF-%CE%B8%CE%B1%CF%85%CE%BC%CE%B1%CF%83%CF%84%CF%8C%CF%82-%CE%BA%CE%B1%CE%B9%CE%BD%CE%BF%CF%8D%CF%81%CE%B9%CE%BF%CF%82-%CE%BA%CF%8C%CF%83%CE%BC%CE%BF%CF%82-%CE%BA%CE%B1%CF%84%CE%B1%CF%86%CE%B8%CE%AC%CE%BD%CE%B5%CE%B9
Μεγάλη
συζήτηση γίνεται το τελευταίο διάστημα και πολύ περισσότερο τις
τελευταίες ώρες μετά το τρομοκρατικό χτύπημα στις Βρυξέλλες για τη φύση
του Ισλαμικού Κράτους, για τα πλοκάμια του στη Δύση, για τις ευθύνες της
μιας ή της άλλης πλευράς.
