Huber Krivine
Ed. Cassini, 2018
Του Καθηγητή Κωνσταντίνου Ζοπουνίδη, Πολυτεχνείο Κρήτης, Ακαδημαϊκός, Βασιλική Ακαδημία Οικονομικών και Χρηματοοικονομικών της Ισπανίας, Ακαδημαϊκός, Βασιλική Ευρωπαϊκή Ακαδημία των Διδακτόρων, Distinguished Research Professor, Audencia Business School
Γενικά
Στο βιβλίο αυτό ο συγγραφέας προσεγγίζει το θέμα υπό εξέταση με βαθυστόχαστα ερωτήματα. Τι σημαίνει «καταλαβαίνω»; Τί σημαίνει «προβλέπω»; Η επιστημονική δημιουργικότητα περιέχει συχνά διαστάσεις συναισθηματικές, σχεσιακές, της ευφυΐας μας, ονειροπολήσεις, προβληματισμούς, η τυχαιότητα των διαισθημάτων και των συναντήσεων μας. Όλες αυτές οι έννοιες ανήκουν στο ρήμα «καταλαβαίνω».
Ο Καθηγητής Κωνσταντίνος Ζοπουνίδης
Σε ότι αφορά το ρήμα «προβλέπω», δεν υπάρχει μαγική σφαίρα που επιτρέπει σε κάποιον να διαβάζει το μέλλον. Κάθε πρόβλεψη είναι μια προβολή με βάση το παρελθόν. Πολλές φορές, «προβλέπω» μπορεί να σημαίνει «κάποιο γεγονός να μην πραγματοποιηθεί», οπότε κάνω πρόληψη. Στην περίπτωση αυτή περιορίζω το πεδίο των πιθανών δυνατοτήτων (για παράδειγμα προβλέπω ότι αν εμβολιαστώ η πιθανότητα να συναντήσω στη ζωή μου τον ιό της ιλαράς είναι πολύ μικρή.
Ο συγγραφέας διατυπώνει με έμφαση ότι «καταλαβαίνω» δε σημαίνει υποχρεωτικά «προβλέπω». Αναπτύσσει θεωρητικές προσεγγίσεις που οδηγούν μέσω μαθηματικών υποδειγμάτων στη διαδικασία του «προσδιοριστικού χάους». Σύμφωνα με το Δημόκριτο, το προσδιοριστικό χάος είναι ένα μίγμα τύχης και αναγκαιότητας. Το χάος, δηλαδή, η αταξία, η διαταραχή, μια συμπεριφορά τυχαία, μια ανικανότητα πρόβλεψης του μέλλοντος και, ωστόσο προσδιοριστική, δηλαδή που διέπεται από κανόνες της φύσης, σχέσεις αιτιότητας. Στις διαδικασίες αυτές, οι πολύ μικρές διαφορές στην αρχή, μπορούν να οδηγήσουν σε πολύ μεγάλες διαφορές στο τέλος. Για παράδειγμα, το πέταγμα μιας πεταλούδας στη Βραζιλία, μπορεί να προκαλέσει ένα ανεμοστρόβιλο στο Texas (Edward Lorenz). Για το συγγραφέα, η «γνώση των ορίων» δεν είναι το ίδιο με το «όριο των γνώσεων». Προσδιορίζοντας από ποιό στάδιο, από ποιό χρονικό ορίζοντα υπάρχει δυσκολία στην πρόβλεψη, αυτό μπορεί να σημαίνει «κάνω πρόβλεψη».
Ο Krivine μελετά επίσης το δύσκολο πρόβλημα μεταξύ των διαφορών της ανθρώπινης ευφυΐας και της τεχνητής νοημοσύνης. Ακόμη θεωρεί ότι η χρησιμοποίηση μεγάλων δεδομένων (big data), από τα οποία προκύπτουν εύρωστες συσχετίσεις οι οποίες χρησιμοποιούνται για να βγουν χρήσιμα συμπεράσματα, νέες ανακαλύψεις, προβλέψεις, παρόλα αυτά δεν επιτρέπει υποχρεωτικά να οδηγήσουν σε κατανόηση του προβλήματος.
Οι αλγόριθμοι, τα big data, η τεχνητή νοημοσύνη μας αποδίδουν καθημερινά και στο μέλλον αναρίθμητες υπηρεσίες. Πολλές φορές επιθυμούμε η τεχνητή νοημοσύνη να μας δώσει μια απροσδόκητα καλή λύση την οποία δε σκεφτήκαμε. Όσο περισσότερο τα αποτελέσματα είναι μη αναμενόμενα και ενδιαφέροντα, τόσο περισσότερο πρέπει να υπάρχει χρόνος για έρευνες επικύρωσης, διερεύνησης των συνεπειών και , τελικά, κατανόησης αυτών. Η τεχνητή νοημοσύνη επιτρέπει σήμερα και αύριο να επιτύχουμε να λύσουμε προβλήματα και εργασίες μακριά από τις δυνατότητές μας με τρόπο γρήγορο αλλά και αξιόπιστο.
Ο Krivine αναλύει το ενδιαφέρον βιβλίο του σε δύο μεγάλα κεφάλαια: το πρώτο: «Καταλαβαίνω χωρίς να προβλέπω» και το δεύτερο: «Προβλέπω χωρίς να καταλαβαίνω».
Μερικά σημαντικά ευρήματα
Η αιτιότητα στις φυσικές επιστήμες είναι μια έννοια που περιγράφεται καλύτερα από ότι σε άλλους τομείς της ανθρώπινης δραστηριότητας. Εκφράζεται με νόμους. Παρόλα αυτά, οι νόμοι αυτοί δεν επιτρέπουν να γίνει πρόβλεψη πέρα από ένα χρονικό ορίζοντα. Είναι το φαινόμενο του προσδιοριστικού χάους. Τέσσερα παραδείγματα προτείνει που εμπίπτουν στο προσδιοριστικό χάος: (1) το μπιλιάρδο του Sinai (2) η λογιστική εξίσωση, (3) η μετεωρολογία και (4) η κίνηση των πλανητών.
Ως γενικό συμπέρασμα στο πρώτο αυτό κεφάλαιο είναι ότι το προσδιοριστικό χάος δεν απαγορεύει την πρόβλεψη, αλλά της επιβάλλει ένα χρονικό ορίζοντα ο οποίος μπορεί να μεταβάλλεται από μερικά δισεκατομμυριοστά του δευτερολέπτου έως μερικά δισεκατομμύρια χρόνια. Βέβαια σήμερα διαθέτουμε μέσα σε πολλούς τομείς εκατομμύρια – δισεκατομμύρια δεδομένα, τα οποία μπορούν να γίνουν άμεσα προσβάσιμα. Παραμένουν ανεκμετάλλευτα λόγω του μεγάλου όγκου τους. Ονομάζονται big data. Το ερώτημα που τίθεται είναι: μπορεί να εκμεταλλευτούν ευφυώς (ρόλος της τεχνητής νοημοσύνης) και να γίνουν σωστές προβλέψεις;
Σε πολλούς άλλους τομείς, η μαζική συσσώρευση δεδομένων (big data) και η εκμετάλλευσή τους (τεχνητή νοημοσύνη), επιτρέπει να ανακαλύψουμε απρόσμενες συσχετίσεις και να καταλήξουμε ενδεχομένως σε νέες προβλέψεις. Όμως, αυτές οι προβλέψεις δεν είναι ίδιες με αυτές που προκύπτουν από θεωρίες. Δεν εξηγούν το «γιατί».
Προβλέπω χωρίς να καταλαβαίνω δεν είναι ένας νεοτερισμός. Από της καταβολής του κόσμου η ανθρωπότητα μπορούσε να έχει μια κατανόηση αρκετά περιορισμένη ή αφελή. Για παράδειγμα, η διαδοχή των εποχών, οι παλίρροιες, η κίνηση των πλανητών, οι εκλείψεις της Σελήνης, κ.α., δηλαδή ένα μεγάλο μέρος της ανθρώπινης δραστηριότητας προεπιστημονικά. Το δίδυμο «πρόβλεψη χωρίς εξήγηση» και «εξήγηση χωρίς πρόβλεψη», αποδίδει πολλές φορές τις «εξηγήσεις» τις αστραπής, της ξηρασίας, των πλημμύρων, των ασθενειών σε μαγικές δυνάμεις, ή σε οξύθυμες θεότητες. Μερικές φορές αποδίδεται στον Laplace η απάντηση που έδωσε στο Ναπολέοντα, ο οποίος ανησυχούσε για την απουσία του Θεού από την κοσμολογία του: «ο Θεός μπορεί να εξηγήσει τα πάντα αλλά δεν προβλέπει τίποτα».
Θέματα προς συζήτηση
Ο συγγραφέας θέτει επίσης μερικά σημαντικά θέματα προς συζήτηση.
- Η επιστημονική κατανόηση απαιτεί να διακρίνουμε τις αιτιατές συσχετίσεις από τις άλλες που δεν είναι αιτιατές. Για παράδειγμα, συσχέτιση από τύχη (ποσοστό διαζυγίων – κατανάλωση μαργαρίνης ανά κάτοικο).
- Τα big data και η χρησιμότητά τους. Στον τομέα του εμπορίου, οι καλές προβλέψεις για μεγιστοποίηση του κέρδους, στόχευση δυναμικών πελατών, η τάση των αγορών, κ.α.
- Κοινωνικοποίηση των δεδομένων και των υπολογισμών.
- Ανταγωνισμός ανθρώπου – μηχανής
- Η επιστήμη δεν προοδεύει με τη συσσώρευση δεδομένων.
- Τα όρια των big data.
- «Ένα μέλλον προς ανακάλυψη»
Ο συγγραφέας τελειώνει με μερικά αντικρουόμενα αποτελέσματα που μπορεί να δημιουργήσει η χρησιμοποίηση των big data, στους χώρους της ιατρικής, των ασφαλιστικών εταιρειών, της κοινωνιολογίας, των μαθηματικών, της Wikipedia, της αστυνόμευσης και της δικαιοσύνης.
Σε ένα επιστημονικό κλάδο τόσο θεαματικό, θέλει μεγάλη προσοχή. Όπως αναφέρει και ο Niels Bohr (ένας από τους θεμελιωτές της κβαντικής μηχανικής) «Prediction is very difficult, especially about the future». Όπως κάθε νέα προοπτική, η εκμετάλλευση των big data μπορεί να θεωρηθεί ότι είναι για το καλό ή το χειρότερο. Εξαρτάται από τους στόχους του καθενός.
