StartUpper

Η μηχανική μάθηση και η επιστήμη της meta-θεωρίας

Το machine learning μετέβαλλε τον τρόπο που σκεφτόμαστε ή διερωτόμαστε και άρα παράγουμε επιστήμη εν γένει.

Η μεταθεωρία είναι μια θεωρία της οποίας το αντικείμενο αποτελεί από μόνο του μια θεωρία, εντάσσοντας το στοιχείο της σχετικότητας. Συναντάται σε όλα τα πεδία της έρευνας και της επιστήμης από τα μαθηματικά και την φιλοσοφία μέχρι την κοινωνιολογία για να βοηθήσει στην πρακτική και την μελέτη της ίδιας της επιστήμης.  

Μια θεωρία γίνεται κατανοητή ανάλογα με το timing της εποχής, δηλαδή την ιστορική στιγμή που πάει ένα βήμα μπροστά για να δει καθαρά τι οδήγησε στην διατύπωση και την λογική μιας θεωρίας.  

Πλέον όμως ζούμε σε περιόδους που αρκεί ένα Google search για να βρούμε τι συνέβη κάποτε ή τι ισχύει τώρα και μόνο πιάνοντας το κινητό μας μπορούμε να θυμηθούμε -αντί να σκεφτούμε- την γνώση και τα γεγονότα που συνδέονται με μια θεωρία. Ακόμα και τα συστήματα της Google ή του Facebook ξέρουν καλύτερα από εμάς τους ίδιους τι ψάχνουμε ή τι θέλουμε να διαβάσουμε.  

Τα εργαλεία που βασίζονται στην μηχανική μάθηση έχουν βελτιστοποιήσει τις δυνατότητες των υπολογιστών να αναγνωρίζουν τα δεδομένα και να αναδεικνύουν τις θεωρίες πίσω από αυτά όπως είναι δηλαδή ως υπεραπλουστεύσεις της πραγματικότητας. Σύντομα, η παλιά επιστημονική μέθοδος -υποθέσεις, προβλέψεις, δοκιμές- μπήκε στο συρτάρι και αρκούσαν οι συσχετισμοί.  

Παρά το γεγονός ότι οι άνθρωποι έχουν εν μέρει απομακρυνθεί από την άμεση παραγωγή της θεωρίας χάρη στις theory-free μηχανές πρόβλεψης, αυτή αρνείται  να πεθάνει ακόμη. Η γνώση ή μάλλον η πληροφορία προέρχεται από άλλες πηγές πια, το ίδιο και τα μέσα που κάνουμε επιστήμη. Οι επιστήμονες συνεχίζουν να αναζητούν το γιατί διότι ως γνωστό οι άνθρωποι δεν αρκούνται σε ένα “μαύρο κουτί”. Υπάρχουν πολλά που δεν έχουν ανακαλυφθεί πλήρως – ιδιαίτερα στο σύμπαν.  

Η θεωρία δεν πέθανε απλά αλλάζει, πέρα από κάθε αναγνώριση. Οι θεωρίες έχουν άλλο νόημα τώρα που υπάρχουν τεράστιες ποσότητες δεδομένων και μοιάζουν αρκετά διαφορετικές από εκείνες που βγάζουν νόημα με μικρές ποσότητες δεδομένων. 

Η θεωρία των προοπτικών π.χ. που εφαρμόζεται για την πρόβλεψη του οικονομικού κινδύνου δεν λειτουργεί με τόση ακρίβεια όση αυτή που παρουσιάζουν ορισμένα δίκτυα που εκπαιδεύονται σε βάσεις δεδομένων για να ληφθεί η σωστή απόφαση. Εκεί που η θεωρία έχανε, το δίκτυο εντόπιζε τα κενά και τα διόρθωνε για ορθότερη κατεύθυνση.  

Για παράδειγμα, οι άνθρωποι ζυγίζουν συνεχώς τις πιθανότητες με βάση τις πληροφορίες που έχουν, όπως στη θεωρία των προοπτικών. Αλλά όταν ο ανταγωνισμός επηρεάζει τις πιθανότητες, οι εμπειρίες συγκρούονται, ακολουθώντας μια διαφορετική στρατηγική. Το σύστημα μηχανικής μάθησης χρησιμοποιείται για να εντοπίσει τις περιπτώσεις όπου κάτι δεν συνάδει με τη θεωρία. 

Όσο μεγαλύτερο είναι το σύνολο δεδομένων, τόσο περισσότερες ασυνέπειες μαθαίνει η τεχνητή νοημοσύνη. Το τελικό αποτέλεσμα δεν είναι μια θεωρία με την παραδοσιακή έννοια αλλά ένα σύνολο ισχυρισμών που υπόκειται σε ορισμένους περιορισμούς. Πολλές φορές η θεωρία εμποδίζει την πρόοδο, γεγονός που εγείρει ερωτήματα για το που οδεύει η επιστήμη γενικότερα. 

Κάποια μηχανικά συστήματα εμφανίζουν ψευδείς συσχετισμούς, ειδικά αν τα σύνολα των δεδομένων είναι μικρά ενώ άλλα είναι μεροληπτικά επειδή οι επιστήμονες δεν συλλέγουν τα δεδομένα με ουδέτερο τρόπο αλλά με συγκεκριμένες υποθέσεις ή παραδοχές που έχουν ως άνθρωποι στο μυαλό τους, όπως αυτό που συνέβη με την Al του Facebook και της Amazon. 

Οι άνθρωποι διατηρούν τις προκαταλήψεις τους και απλά τις μεταφέρουν στο ψηφιακό κομμάτι και συγκεκριμένα στην τεχνητή νοημοσύνη όπου εκεί τουλάχιστον μπορούν να διορθωθούν πιο άμεσα. Έτσι, η θεωρία και η μηχανή μπορούν να παράγουν την ίδια ποσότητα μεροληψίας.  

Τι ποσοστό όμως των δεδομένων ερμηνεύεται πραγματικά, αφού δεν μπορεί κανείς να μείνει στην πρόβλεψη, πρέπει να κατανοήσει και αυτό για το οποίο παράγει μια θέση. Μόνο οι άνθρωποι μπορούν να εξάγουν διακριτά παραδείγματα από γενικεύσεις καθώς απαιτείται ένα είδος “ενστικτώδους” εντοπισμού εκείνων των ιδιοτήτων που σχετίζονται με τον γενικό κανόνα. 

Ωστόσο, η DeepMind είχε δημιουργήσει ένα πρόγραμμα μηχανικής μάθησης που ώθησε τους μαθηματικούς σε νέες γνώσεις για έναν συγκεκριμένο τύπο μαθηματικών. Για να καταλήξει όμως κάποιος σε ορισμένα δεδομένα, πρέπει να αγνοήσει και μερικά. Το 2022, λοιπόν, δεν υπάρχει σχεδόν κανένα στάδιο της επιστημονικής διαδικασίας που η Αl να μην έχει αφήσει το αποτύπωμά της και πάλι οι υπολογιστές είναι εκεί για να δίνουν απαντήσεις – εμείς θέτουμε τα ερωτήματα.  

Μάθετε πρώτοι τα τελευταία νέα
Ακολουθήστε μας στο Google News και μάθετε πρώτοι όλες τις ειδήσεις