γράφουν οι: Κωνσταντίνος Ζοπουνίδης* – Άγγελος Κωστής*

Η Τεχνητή Νοημοσύνη (ΤΝ) χαρακτηρίζει όλο και περισσότερες αναδυόμενες τεχνολογίες που χρησιμοποιούνται από επιχειρήσεις με σκοπό τη βελτίωση προβλέψεων και τη διαδικασία λήψης αποφάσεων βάσει πολυεπίπεδων αναλύσεων πολυδιάστατων δεδομένων μεγάλου όγκου. Έτσι, η επιστήμη δεδομένων που εστιάζει στο πώς επιχειρήσεις μπορούν να εξορύξουν αξία από τέτοιου είδους δεδομένα μεγάλου όγκου έχει τελευταία πλαισιωθεί από αλγόριθμους ΤΝ και πιο συγκεκριμένα αλγόριθμους βαθιάς μάθησης (deep learning) που εκπαιδεύονται για να μιμούνται την ανθρώπινη ευφυΐα.

Διαβάστε ακόμα: Οι αγορές συνεχίζονται και στο metaverse

Ενώ τέτοιου είδους αλγόριθμοι μπορούν να χρησιμοποιηθούν για αυτόνομη εξόρυξη αξίας και επίλυση ποικίλων προβλημάτων μέσω ανάλυσης δεδομένων όπως για παράδειγμα εικόνων, η απόδοσή τους βασίζεται στην ποιότητα των δεδομένων που χρησιμοποιούνται για την εκμάθηση του μοντέλου ΤΝ να πραγματοποιεί προβλέψεις. Βέβαια, ένα κυρίαρχο πρόβλημα αποτελεί το γεγονός ότι στην επιστήμη δεδομένων, τα δεδομένα συχνά παρουσιάζονται ως απλές εισροές σε αλγόριθμους, το επίκεντρο αποτελεί η δουλειά των αναλυτών/επιστημόνων δεδομένων και ως αποτέλεσμα, υπάρχει λίγη γνώση σε σχέση με τις ενέργειες που απαιτούνται από τις επιχειρήσεις που κατέχουν τα δεδομένα και ενδιαφέρονται να εξορύξουν γνώση από αυτά.

Διαβάστε ακόμα: Μηχανική μάθηση «διαβάζει» στα μάτια τη βιολογική μας ηλικία

Στο παρόν άρθρο εστιάζουμε σε αυτό το ζήτημα και ρίχνουμε φως στις διαδικασίες που λαμβάνουν χώρα στα «παρασκήνια της επιστήμης δεδομένων» (βλ. Parmiggiani, E., Østerlie, T., & Almklov, P. G. (2022). In the Backrooms of Data Science. Journal of the Association for Information Systems, 23(1), 139-164). Υπογραμμίζουμε ότι η ποιότητα δεδομένων είναι άρρηκτα εξαρτώμενη από το τι αντιπροσωπεύουν αυτά τα δεδομένα και κατά πόσο η γνώση που θα εξορυχθεί μπορεί να δημιουργήσει ουσιαστικές ευκαιρίες ΤΝ ή να λύσει ουσιαστικά προβλήματα για μια επιχείρηση. Έτσι, το να ριχθεί φως στις διαδικασίες που λαμβάνουν χώρα στα «παρασκήνια της επιστήμης δεδομένων» επιβάλλει να δοθεί περισσότερη προσοχή στο ρόλο των επιχειρήσεων που συλλέγουν τα δεδομένα και στις αλληλεπιδράσεις μεταξύ αυτών και των επιστημόνων δεδομένων για τη δημιουργία ενός μοντέλου ΤΝ που θα έχει νόημα.

Το παράδειγμα της Amexci

Για να εξεταστούν οι ενέργειες που απαιτούνται από τις επιχειρήσεις που ενδιαφέρονται για την επιστήμη δεδομένων και για την επένδυση σε λύσεις ΤΝ, παίρνουμε ως παράδειγμα μια Σουηδική επιχείρηση, ονόματι Amexci, που δραστηριοποιείται στη χρήση βιομηχανικής τρισδιάστατης εκτύπωσης για τη βελτίωση διαδικασιών παραγωγής. Η Amexci συνεργάστηκε με μια εταιρεία (Peltarion) που παρέχει τόσο τεχνογνωσία σχετικά με ΤΝ όσο και μια ψηφιακή πλατφόρμα για ανάπτυξη μοντέλων ΤΝ ώστε να βελτιώσει τον τρόπο με τον οποίο λαμβάνει χώρα ο ποιοτικός έλεγχος της κατασκευής μετάλλων μέσω βιομηχανικής τρισδιάστατης απεικόνισης (Industrial 3D printing). Η Amexci αντιμετώπιζε ένα σύνηθες πρόβλημα σε σχέση με την κατασκευή μετάλλων.

Συγκεκριμένα, οι υψηλές θερμοκρασίες που αναπτύσσονται κατά τη διαδικασία της κατασκευής μετάλλων μπορούν να οδηγήσουν ένα μεταλλικό αντικείμενο να παραμορφωθεί με απροσδόκητους τρόπους, γεγονός που δημιουργεί μια ανάγκη για αυξημένο έλεγχο της διαδικασίας.

Η χρήση βιομηχανικής τρισδιάστατης εκτύπωσης επιτρέπει πιο ενδελεχή ποιοτικό έλεγχο της παραγωγής μετάλλων μιας και δημιουργεί αναπαραστάσεις όλων των επιμέρους στρωμάτων που συντήκονται για να δημιουργηθεί ένα κράμα.

Έτσι η ανίχνευση πιθανών ελαττωμάτων δεν περιορίζεται στις επιφάνειες ενός μεταλλικού αντικειμένου αλλά περιλαμβάνει και έλεγχο του καθενός μεμονωμένου στρώματος. Η χρήση βιομηχανικής τρισδιάστατης εκτύπωσης προσφέρει τη δυνατότητα συλλογής ενός μεγάλου όγκου εικόνων για κάθε μεμονωμένο στρώμα και δυνατότητα πραγματοποίησης προβλέψεων για την ποιότητα κάθε στρώματος του μετάλλου.

Η Amexci χρησιμοποιεί αυτή τη μέθοδο αλλά ο μεγάλος αριθμός των στρωμάτων των οποίων γίνεται σύντηξη οδηγεί σε έναν πολύ μεγάλο όγκο δεδομένων τα οποία ο ανθρώπινος νους δυσκολεύεται να επεξεργασθεί.

Η εταιρεία ήρθε αντιμέτωπη με ένα ζήτημα που παρατηρούμε σε πολλές σύγχρονες επιχειρήσεις: η συλλογή και αποθήκευση δεδομένων μεγάλου όγκου που παραμένουν αδρανή λόγω έλλειψης γνώσης σε σχέση με το πώς μπορούν να χρησιμοποιηθούν και να αναλυθούν για τη δημιουργία προβλέψεων.

Όπως αναφέρεται και από την Peltation: «Ως αποτέλεσμα, πολλές εταιρείες βιομηχανικής τρισδιάστατης εκτύπωσης κατέχουν τώρα τεράστιες ποσότητες δεδομένων που απλά δεν έχουν την πολυτέλεια να αναλύσουν. Έχοντας σκεφτεί αυτό το πρόβλημα για λίγο, η Amexci επικοινώνησε με εμάς για να δούμε αν θα μπορούσαμε να φτιάξουμε ένα μοντέλο ΤΝ γύρω από αυτό το πρόβλημα».

Το παραπάνω οδηγεί στο συμπέρασμα ότι μια επιχείρηση μπορεί να συνάψει συνεργασίες με αναλυτές δεδομένων ή ακόμη και να δημιουργήσει νέους ρόλους στο εσωτερικό της που θα επιτρέψει ουσιαστική αναζήτηση ευκαιριών ΤΝ βάσει ήδη υπαρχόντων δεδομένων. Βέβαια, αυτό επιβάλει την ενεργή συμμετοχή των ανθρώπων της επιχείρησης στη διαδικασία και δεν θα πρέπει να προσεγγίζεται ως μια αμιγώς τεχνική διαδικασία ανάλυσης μιας και οι αναλυτές δεδομένων δεν έχουν την γνώση του τι απεικονίζουν τα δεδομένα και τι αυτά σημαίνουν για τις διαδικασίες που λαμβάνουν χώρα σε έναν κλάδο.

Το πρωτόκολλο Rosetta

Δεύτερον, μια προσεκτική ανάλυση των βημάτων που ακολουθήθηκαν από την εν λόγω εταιρεία είναι ότι η αναζήτηση ευκαιριών ΤΝ δεν περιορίστηκε στο να μοιραστεί, να συζητήσει και να εξηγήσει τα υπάρχοντα δεδομένα σε αναλυτές δεδομένων αλλά αποφάσισε να ξεκινήσει μια πρωτοβουλία με το όνομα πρωτόκολλο Rosetta.

Η πρωτοβουλία αυτή είναι ένα ευρύ κάλεσμα σε εταιρείες που δραστηριοποιούνται στον κλάδο βιομηχανικής τρισδιάστατης εκτύπωσης να προσφέρουν τα δεδομένα που κατέχουν (εικόνες) για να επιτρέψουν την περαιτέρω εκπαίδευση του μοντέλου ώστε αυτό να πραγματοποιεί πιο ακριβείς προβλέψεις.

Όπως αναφέρουν και επιστήμονες δεδομένων της Peltation: «Η ανταπόκριση του κλάδου ξεπέρασε κατά πολύ τις προσδοκίες, υποδεικνύοντας ότι αυτός ακριβώς είναι ο τύπος πρωτοβουλίας που ο κόσμος ήθελε να δει».

Αυτό λοιπόν δείχνει ότι θα πρέπει οι επιχειρήσεις να επεκτείνουν τα όριά τους και ακόμη και να δημιουργήσουν συν-ανταγωνιστικές σχέσεις για την κατασκευή μιας «πισίνας δεδομένων» από παρόμοιες εταιρίες που θα επιτρέψουν τη βέλτιστη εκπαίδευση μοντέλων ΤΝ και θα αυξήσουν κατά πολύ την ακρίβεια των παραγόμενων προβλέψεων.

Επένδυση σε εξατομικευμένα εκπαιδευτικά προγράμματα ΤΝ

Τρίτον, βλέπουμε ότι οι επιχειρήσεις αλλάζουν τον τρόπο με τον οποίο σκέφτονται τη δυνατότητα χρήσης ΤΝ και τον τρόπο με τον οποίο προσεγγίζουν το φαινόμενο αυτό. Όλο και περισσότεροι οργανισμοί και επιχειρήσεις επενδύουν σε εξατομικευμένα εκπαιδευτικά προγράμματα ΤΝ που παρέχονται από πανεπιστήμια και επιχειρήσεις ώστε να αντιλαμβάνονται τις βασικές έννοιες ΤΝ και να καλλιεργήσουν στο εσωτερικό τους μια νέα νοοτροπία ΤΝ (βλ. Κ. Ζοπουνίδης & Α. Κωστής, Εκπαίδευση και Τεχνητή Νοημοσύνη: Προκλήσεις και Διέξοδοι ή Ανάγκη για Καλλιέργεια ενός AI Mindset, Πολυτεχνείο Κρήτης, 5.4.2022).

Τέλος, μια πρακτική που παρατηρείται είναι ότι επιχειρήσεις που βλέπουν την ΤΝ ως μόχλευση για συνεχή βελτίωση διαδικασιών αφιερώνουν χρόνο και δημιουργούν ομάδες εργασίας που εστιάζουν σε αυτό που αποκαλούμε ανίχνευση (και σύγκριση) λύσεων ΤΝ σε άλλες επιχειρήσεις για να καλλιεργήσουν δημιουργικές ιδέες όσον αφορά τη δυνατότητα χρήσης αντίστοιχων λύσεων ΤΝ (Benchmarking others’Artificial Intelligence for boosting Creativity).

Συνοπτικά, η αναζήτηση ευκαιριών τεχνητής νοημοσύνης και η επιτυχής εξόρυξη γνώσης από δεδομένα μεγάλου όγκου απαιτούν από τη σύγχρονη επιχείρηση να προσεγγίσει τις αναδυόμενες αυτές τεχνολογίες υπό ένα σχεσιακό πρίσμα (βλ. Bailey, D. E., Faraj, S., Hinds, P. J., Leonardi, P. M., & von Krogh, G. (2022). We are all theorists of technology now: A relational perspective on emerging technology and organizing. Organization Science, 33(1), 1-18). Υπό ένα τέτοιο πρίσμα, η προσοχή των επιχειρήσεων στρέφεται στην πολύπλευρη σύμπλεξη αναδυόμενων τεχνολογιών με διαδικασίες οργάνωσης και στις αλλαγές που απαιτούνται τόσο στις υπάρχουσες σχέσεις της επιχείρησης όσο και στις διαδικασίες που λαμβάνουν χώρα. Με αυτόν τον τρόπο, η επιστήμη δεδομένων δεν προσεγγίζεται ως μια τεχνική διαδικασία με την οποία δεν έχουν εξοικείωση αλλά ως ένα φαινόμενο που αποτελεί μόχλευση για ανάπτυξη και βελτίωση υπαρχουσών σχέσεων και διαδικασιών.

*Καθηγητής Κωνσταντίνος Ζοπουνίδης, Ακαδημαϊκός, Βασιλική Ακαδημία Οικονομικών & Χρηματοοικονομικών, Βασιλική Ευρωπαϊκή Ακαδημία των Διδακτόρων, Επίτιμος Καθηγητής ΑΠΘ, Πολυτεχνείο Κρήτης & Audencia Business School, France

*Δρ. Άγγελος Κωστής, Μεταδιδακτορικός Ερευνητής στο Lab Τεχνητής Νοημοσύνης Σουηδικό Κέντρο για Ψηφιακή Καινοτομία, Πανεπιστήμιο του Ούμεο, Σουηδία, Επισκέπτης Ακαδημαϊκός στο Πανεπιστήμιο του Στάνφορντ, Καλιφόρνια, Αμερική

Headlines