Δεν είναι εύκολο να πείσεις φοιτητές ότι η τεχνητή νοημοσύνη κάνει λάθη. Όχι γιατί είναι αφελείς, αλλά γιατί είναι η γενιά που τη χρησιμοποιεί καθημερινά, που τη δοκιμάζει πριν από εμάς, που έχει μάθει να κινείται μέσα στα εργαλεία της με μια φυσικότητα την οποία εμείς συχνά προσπαθούμε ακόμη να κατακτήσουμε. Ακριβώς γι’ αυτό όμως είναι και πιο δύσκολο να την αμφισβητήσει. Γιατί όταν ένα εργαλείο απαντά γρήγορα, με αυτοπεποίθηση και με ύφος αυθεντίας, η πρώτη (και μόνη) εντύπωση είναι ότι ξέρει.
Στο μάθημα προσπάθησα πολλές φορές να τους εξηγήσω ότι η παραγωγική τεχνητή νοημοσύνη δεν είναι ένας σοφός μηχανισμός που έχει πάντα πρόσβαση στην αλήθεια. Είναι ένα σύστημα που παράγει πιθανές απαντήσεις. Και μερικές φορές και πιθανές ανοησίες τις οποίες σερβίρει με πειστικό τρόπο.
Δεν με πίστευαν. Ή, για να είμαι πιο ακριβής, με άκουγαν με εκείνη την βαριεστημένη δυσπιστία που έχουν συχνά, εκείνο το «ναι, καλά, λέγε εσύ, εγώ θα συνεχίσω να γράφω εργασίες με τεχνητή νοημοσύνη». Κι έτσι έκανα ένα πείραμα.
Βρήκα σε ένα αμερικανικό περιοδικό έναν πίνακα με τους κορυφαίους σκόρερ του NBA την τελευταία δεκαετία. Οι συνάδελφοι δημοσιογράφοι είχαν απλώς προσθέσει τους πόντους κάθε παίκτη στα χρόνια που εξέταζαν, τους είχαν διαιρέσει με τα παιχνίδια και είχαν βγάλει τον μέσο όρο πόντων. Σιγά το δύσκολο!
Ζήτησα από τους φοιτητές να δοκιμάσουν διάφορα εργαλεία τεχνητής νοημοσύνης και να τους ζητήσουν το ίδιο. Να βάλουν τους παίκτες στη σειρά με βάση τον μέσο όρο των πόντων τους.
Κανένα εργαλείο δεν τα κατάφερε πλήρως. Και κάποια στιγμή ήρθε και η απάντηση που έκανε την αίθουσα να ξυπνήσει. Ένα από τα εργαλεία έβγαλε τον Γιάννη Αντετοκούνμπο όγδοο (είναι δεύτερος πίσω από τον Λούκα Ντόντσιτς).
Εκεί η αίθουσα πάγωσε. Όχι επειδή ο Αντετοκούνμπο είναι Έλληνας και άρα το λάθος μας αφορά συναισθηματικά. Αλλά επειδή ξαφνικά είδαν να υλοποιείται η «θεωρία» που τους δίδασκα: η τεχνητή νοημοσύνη μπορεί να απαντήσει λάθος σε κάτι απλό.
Και ναι, αυτή είναι μια άσκηση που θα έπρεπε να γίνεται ήδη από το δημοτικό. Όχι απαραίτητα με το NBA. Με κάτι που τα παιδιά ξέρουν καλά. Με ποδοσφαιριστές, τραγούδια, ήρωες παιχνιδιών, χάρτες, ζώα, πλανήτες, ιστορικά γεγονότα, οτιδήποτε ανήκει στον δικό τους κόσμο. Να ρωτούν την τεχνητή νοημοσύνη για κάτι που γνωρίζουν. Να βλέπουν την απάντηση. Να τη συγκρίνουν με την πραγματικότητα. Να εντοπίζουν το λάθος. Να αποκαθηλώνουν την υποτίθεται αυθεντία της.
Αν δεν γίνει αυτό νωρίς, θα μεγαλώσουμε μια γενιά που δεν θα αμφισβητεί τις απαντήσεις. Και αυτό είναι πολύ πιο επικίνδυνο γιατί δημιουργεί σχέση εξουσίας. Αν ο χρήστης νιώθει ότι η μηχανή ξέρει καλύτερα, τότε έχει ήδη παραδώσει ένα μέρος της κρίσης του.
Μετά το μάθημα, ένας φοιτητής ήρθε και μου είπε κάτι πολύ ενδιαφέρον. Ότι τα prompts που είχα δώσει ήταν απλοϊκά. Ότι θα δοκίμαζε με πιο σύνθετες εντολές. Θα ζητούσε από τα εργαλεία να πάνε σε συγκεκριμένες πηγές, να βρουν τους πόντους κάθε παίκτη για τα τελευταία χρόνια, να τους προσθέσουν και μετά να τους κατατάξουν. Του είπα ότι περιμένω το αποτέλεσμα. Και όταν το κάνει, θα τον βάλω να το παρουσιάσει στην τάξη.
Γιατί ό,τι κι αν γίνει, το μάθημα θα είναι χρήσιμο. Αν το αποτέλεσμα είναι σωστό, οι φοιτητές θα μάθουν ότι οι απλοϊκές αναζητήσεις δεν σε πάνε μακριά. Ότι η τεχνητή νοημοσύνη χρειάζεται σωστή καθοδήγηση, σαφείς πηγές, έλεγχο και μεθοδολογία. Αν το αποτέλεσμα είναι λάθος, θα δουν ξανά το βασικό. Ότι ακόμη και με καλύτερες εντολές, η τεχνητή νοημοσύνη δεν είναι αλάνθαστη.
Και στις δύο περιπτώσεις, θα έχουν μάθει να μην θεωρούν αυθεντία την τεχνητή νοημοσύνη. Να της αναθέτουν δουλειές, αλλά να κρατούν την ευθύνη. Να της ζητούν να ψάξει, να συγκρίνει, να οργανώσει, να προτείνει. Αλλά να μην της παραχωρούν το δικαίωμα να αποφασίζει τι είναι αλήθεια.
Η τεχνητή νοημοσύνη έχει φαντασιώσεις. Το ζήτημα είναι να τις περιμένουμε και να μπορούμε να τις αναγνωρίζουμε. Και καμιά φορά, για να το καταλάβει μια ολόκληρη αίθουσα, αρκεί να βγει ο Αντετοκούνμπο όγδοος.