Λίγα λόγια για εμένα
Πριν μπω στο θέμα, νομίζω ότι σας χρωστάω ένα μικρό background. Είμαι ο Κωνσταντίνος Μαλάκης, ένας από τους τρεις συνιδρυτές της Rhooa Labs.
Ολοκλήρωσα τις σπουδές μου στο τμήμα Ηλεκτρολόγων Μηχανικών και Μηχανικών Υπολογιστών του Δημοκριτείου Πανεπιστημίου Θράκης, με εξειδίκευση στην τομέα ενέργειας.
Στο διάστημα αυτό ήρθα σε επαφή με τις μεθοδολογίες της μηχανικής μάθησης, τα νευρωνικά δίκτυα που μου φαινόταν οικεία επειδή διέπονται από μαθηματικά, και τα μαθηματικά είναι απλά αν τα καταλαβαίνεις.
Τα τελευταία έτη μελετώ και να ανακαλύπτω τις δυνατότητες της τεχνητής νοημοσύνης και πώς ένα άτομο μπορεί να παράξει κάτι χρήσιμο από αυτήν. Η προσέγγισή μου όμως δεν είναι ερευνητική αλλά πρακτική, σκέφτομαι και δρω σαν μηχανικός. Αξία έχει κάτι όταν το δημιουργείς και προσφέρει, λειτουργεί για να αποσυμφορίζει, να βοηθά.
Αυτό είναι το δικό μου υπόβαθρο στην πραγματικότητα όμως, δεν έχει τόση σημασία. Αυτό που έχει σημασία είναι ότι μέσα από αυτή τη διαδρομή, έχω καταλάβει πως οι άνθρωποι χωρίς ακαδημαϊκό υπόβαθρο έχουν μια θολή, σχεδόν μυστηριακή εικόνα για το τι είναι η Τεχνητή Νοημοσύνη.
Και αυτό είναι πρόβλημα. Όχι δικό τους. Δικό μας.
Γιατί γράφω αυτή τη σειρά
Όταν μιλάω για πρώτη φορά με έναν πελάτη, συνήθως καταλήγουμε στις ίδιες κουβέντες:
«Ούτε για σύνταξη εμαιλ δεν είναι καλό »
«Δεν καταλαβαίνω πώς θα με βοηθήσει»
«Δεν είμαι σίγουρος αν είναι για εμένα»
Έχουν δίκιο να μην καταλαβαίνουν. Ο τρόπος που παρουσιάζεται το AI σήμερα, στις διαφημίσεις, στα ειδησεογραφικά, στα LinkedIn posts, είναι σχεδιασμένος να μοιάζει μαγικός. Γιατί όταν κάτι μοιάζει μαγικό, σε κάνει να αμφισβητείς την κρίση σου. Και αυτό βολεύει αυτούς που θέλουν να σου πουλήσουν εργαλεία προτού καταλάβεις τι αγοράζεις.
Αυτή η σειρά άρθρων δεν είναι μια εμπορική παρουσίαση. Δεν θα σας πουλήσω κάτι. Θα προσπαθήσω να σας δείξω τι είναι πραγματικά η Τεχνητή Νοημοσύνη, με ειλικρίνεια, με αναφορές, με παραδείγματα από τη δουλειά μου, ώστε στο τέλος να μπορείτε να πάρετε τις δικές σας αποφάσεις.
Τι είναι (πραγματικά) η Τεχνητή Νοημοσύνη
Ας ξεκινήσουμε από την πιο σημαντική κουβέντα: η ΤΝ δεν είναι μαγεία.
Δεν σκέφτεται. Δεν έχει συνείδηση. Δεν θέλει τίποτα.
Η ΤΝ, στη μορφή που έχει σήμερα, είναι μαθηματικά, συν δεδομένα, συν υπολογιστική ισχύς.
Συγκεκριμένα: είναι ένα σύνολο τεχνικών στατιστικής και θεωρίας υπολογισμού που, όταν εκπαιδευτούν σε αρκετά μεγάλα σύνολα δεδομένων, μπορούν να αναγνωρίζουν μοτίβα. Αυτό είναι το ένα και μοναδικό της «υπερόπλο»: η αναγνώριση μοτίβων σε κλίμακες που για έναν άνθρωπο μοιάζουν αδύνατες.
Όταν το ChatGPT «γράφει» ένα κείμενο, δεν σκέφτεται. Υπολογίζει, λέξη προς λέξη, ποια είναι η επόμενη πιθανότερη λέξη με βάση τα δισεκατομμύρια κείμενα στα οποία εκπαιδεύτηκε. Όταν ένα αυτοκίνητο «βλέπει» έναν πεζό, δεν τον κατανοεί. Έχει μάθει να αναγνωρίζει την φιγούρα ενός ανθρώπινου σώματος μέσα σε εκατομμύρια εικόνες με ετικέτες.
Είναι εντυπωσιακό πράγματι. Δεν είναι μαγικό.
Αναδρομή στο παρελθόν
Η ιδέα της Τεχνητής Νοημοσύνης δεν είναι καινούργια. Είναι πάνω από 75 χρονών.
Το 1950, ο Alan Turing έγραψε ένα paper με τίτλο "Computing Machinery and Intelligence", όπου πρότεινε ένα ερώτημα που στοιχειώνει τον χώρο μέχρι σήμερα: «Μπορούν οι μηχανές να σκέφτονται;». Δεν μας έδωσε απάντηση. Μας έδωσε ένα τεστ, το λεγόμενο Turing Test, για να μπορούμε να συζητάμε το ερώτημα σοβαρά.
Το 1956, ένα μικρό συνέδριο στο Dartmouth College γέννησε επίσημα τον όρο "Artificial Intelligence". Οι ερευνητές νόμιζαν ότι μέσα σε μία γενιά θα είχαμε μηχανές που σκέφτονται σαν άνθρωποι. Έκαναν λάθος, με μεγάλη διαφορά.
Ακολούθησαν δύο AI Sprints: εποχές όπου ο τομέας χρηματοδοτήθηκε υπερβολικά, υποσχέθηκε ακόμη περισσότερα, και μετά κατέρρευσε λόγω έλλειψης αποτελεσμάτων. Είναι μια ιστορία που θα μπορούσε κάλλιστα να επαναληφθεί και σήμερα. Κάτι που πρέπει να έχουμε υπόψη μας.
Η σύγχρονη εποχή της ΤΝ δεν ξεκίνησε με το ChatGPT. Ξεκίνησε το 2012, όταν ένα σύστημα ονόματι AlexNet κέρδισε με τεράστια διαφορά τον διαγωνισμό αναγνώρισης εικόνων ImageNet, χρησιμοποιώντας μια τεχνική που λεγόταν deep learning. Από εκείνο το σημείο και μετά, ο χώρος εκτοξεύτηκε.
Το 2017, το paper με τίτλο "Attention Is All You Need" από ερευνητές της Google παρουσίασε την αρχιτεκτονική Transformer, που αποτελεί τη βάση κάθε σημερινού LLM.
Όλα τα υπόλοιπα, ChatGPT, Claude, Gemini, Llama, είναι εφαρμογές αυτής της θεμελιακής ιδέας.
Τι ΔΕΝ είναι η ΤΝ
Πριν προχωρήσουμε, να ξεκαθαρίσουμε τι δεν είναι. Εδώ ξεκινάει η μαγεία και εδώ πρέπει να σταματήσει.
- Δεν είναι AGI: η Artificial General Intelligence, δηλαδή μια ΤΝ που μπορεί να κάνει οτιδήποτε κάνει ένας άνθρωπος, δεν υπάρχει. Όσο και αν μερικοί CEO προσπαθούν να μας πείσουν για το αντίθετο.
- Δεν είναι αναξιόπιστη επειδή «σκέφτεται διαφορετικά»: είναι αναξιόπιστη επειδή είναι πιθανοκρατική. Δεν γνωρίζει πραγματικά τι ξέρει.
- Δεν είναι «έξυπνη»: είναι καλή στην αναγνώριση μοτίβων. Αυτές οι δύο έννοιες δεν είναι το ίδιο.
- Δεν είναι έτοιμη να αντικαταστήσει ανθρώπους: είναι πολύ καλή στο να επιταχύνει διαδικασίες. Η διαφορά είναι τεράστια.
Τι έρχεται στα επόμενα άρθρα
Αυτή η σειρά έχει έναν στόχο: να σας δώσει, μια ήρεμη και ειλικρινή εικόνα του τι είναι η ΤΝ και τι μπορεί ή δεν μπορεί να κάνει για εσάς.
Δεν είναι μάθημα προγραμματισμού. Είναι μια κουβέντα ανάμεσα σε δύο ανθρώπους.
Στα επόμενα άρθρα θα δούμε:
- Πώς μαθαίνει ένα AI σύστημα: η εκπαίδευση, τα δεδομένα, οι περιορισμοί.
- Τι είναι τα LLMs: ChatGPT, Claude, Gemini και πώς πραγματικά λειτουργούν.
- Πού μπαίνει το AI σε μια επιχείρηση: συγκεκριμένα παραδείγματα, χωρίς υπερβολές.
- Οι μύθοι και οι ανησυχίες: δουλειές, privacy, EU AI Act.
- Πώς ξεκινάει μια επιχείρηση με AI: σωστά, χωρίς να σπαταλήσει πόρους.
- Το μέλλον: τι να παρακολουθείτε και τι να αγνοείτε.
Αν θέλετε να με ακολουθήσετε σε αυτή τη σειρά, σας ευχαριστώ εκ των προτέρων. Αν έχετε ερωτήσεις στην πορεία, στείλτε μου email →. Διαβάζω κάθε email και θα απαντήσω προσωπικά.
Κλείνοντας, δεν χρειάζεται να γίνετε ειδικός. Χρειάζεται να καταλάβετε αρκετά ώστε να μην σας πουλάει κανείς παραμύθια.
Καλώς ήρθατε.