Ερωτήσεις – Απαντήσεις:
- Τι είναι η Τεχνητή Νοημοσύνη (AI – Artificial Intelligence);
Ένα σύστημα (λογισμικό, ή λογισμικό και υλικό) που επεξεργάζεται δεδομένα για τη λήψη
αποφάσεων και προβλέψεων.
2. Τι είναι η Μηχανική Μάθηση (ML – Machine Learnig) και ποια η σχέση της με την Τεχνητή
Νοημοσύνη;
Αποτελεί υποσύνολο της Τεχνητής Νοημοσύνης. Διδάσκει στους υπολογιστές ή στα συστήματα
λογισμικού ή υλικού – λογισμικού πως να μαθαίνουν από τα δεδομένα και να βελτιώνονται μόνοι
τους με την εμπειρία.
3. Που βασίζονται οι αλγόριθμοι Μηχανικής Μάθησης;
Εκπαιδεύονται να βρίσκουν μοτίβα και συσχετίσεις σε μεγάλα σύνολα δεδομένων και να
λαμβάνουν τις καλύτερες αποφάσεις και προβλέψεις, βάσει των συσχετίσεων.
4. Πως βελτιώνονται οι εφαρμογές Μηχανικής Μάθησης;
Με την χρήση τους και την εμπειρία που αποκτούν από τη μια και από την πρόσβαση σε όσο
περισσότερα σύνολα δεδομένων.
5. Είναι σημαντικός ο ρόλος των δεδομένων στην εκπαίδευση συστημάτων Μηχανικής Μάθησης;
Τα συστήματα Μηχανικής Μάθησης “προγραμματίζονται” ή αλλιώς εκπαιδεύονται από τα σύνολα
δεδομένων. Επομένως η ορθή και ακέραια χρήση τους είναι κομβικής σημασίας στην εκπαίδευση
των συστημάτων Μηχανικής Μάθησης. Άρα, ο προγραμματισμός τους γίνεται από τα δεδομένα
και η βελτίωση τους από την χρήση τους, την απόκτηση εμπειρίας και την ανατροφοδότηση.
6. Παραδείγματα χρήσης συστημάτων Μηχανικής Μάθησης;
Μεταφράσεις (google translate), Εμπειρία πελάτη , chatbots, Αναγνώριση γλώσσας ομιλούντος,
Προσωποποιημένες διαφημίσεις, Ταξινομήσεις εικόνων, Ανίχνευση αντικειμένων, Συστήματα
έξυπνης οδήγησης, Προβλέψεις συστημάτων – Λήψη αποφάσεων
7. Ποιοι δημιουργούν τους αλγορίθμους Μηχανικής Μάθησης;
Οι προγραμματιστές δημιουργούν τους αλγορίθμους Μηχανικής Μάθησης. Στη συνέχεια οι
αλγόριθμοι αναλύουν τα δεδομένα και εκπαιδεύονται από αυτά.
8. Ποια άλλα υποσύνολα υπάρχουν κάτω από την Τεχνητή Νοημοσύνη;
Όπως αναφέρεται παραπάνω, η Μηχανική Μάθηση είναι το 1ο υποσύνολο.
Ακολουθεί το 2ο που είναι η Βαθιά Μάθηση (Deep Learning) και το 3ο τα Νευρωνικά Δίκτυα.
Στο 2ο και 3ο επίπεδο τα συστήματα Μηχανικής Μάθησης λαμβάνουν πολύπλοκές αποφάσεις με
ημιαυτόνομο και αυτόνομο τρόπο, καθώς εξαρτώνται αποκλειστικά από τα σύνολα δεδομένων.
9. Σε ποιο επίπεδο – υποσύνολο βρισκόμαστε τώρα από άποψη εφαρμογών Τεχνητής Νοημοσύνης;
Σε επίπεδο χρήσης και εφαρμογών στο επίπεδο της Μηχανικής Μάθησης.
Σε επίπεδο ερευνών και δοκιμών στο επίπεδο Deep Learning και Neural Networks.
10. Μπορούν να συμβούν παρανοήσεις στην εκπαίδευση ενός συστήματος μηχανικής Μάθησης;
Οι παρανοήσεις στην εκπαίδευση ενός συστήματος Μάθησης μπορούν να προέρθουν από τα
σύνολα δεδομένων και να οδηγήσουν σε προκαταλήψεις (bias) ως προς την πρόβλεψη και λήψη
αποφάσεων. Επομένως είναι πολύ σημαντικός ο ακέραιος, ηθικός και δίχως προκαταλήψεις ρόλος
των δεδομένων στον προγραμματισμό των συστημάτων μηχανικής μάθησης.
11. Τι είδους κίνδυνοι μπορούν να προκληθούν από την ύπαρξη των προκαταλήψεων στην ML;
Μη ορθή χρήση τους, λάθος προβλέψεις και αποφάσεις. Ειδικά σε ζητήματα που σχετίζονται με
τον ανθρώπινο παράγοντα, τα ευαίσθητα προσωπικά δεδομένα, τις κοινωνικές ομάδες θα πρέπει
να υπάρχει όσο το δυνατόν περισσότερη προσπάθεια για την εξάλειψη των προκαταλήψεων.
12. Ποιοι είναι οι γνωστοί τρόποι εκπαίδευσης ενός συστήματος Μηχανικής Μάθησης;
α. Επιτηρούμενη μάθηση (Supervised Learning)
β. Μάθηση με Ενίσχυση (Reinforcement learning)
γ. Ήμι- επιτηρούμενη μάθηση
δ. Αυτόνομη μάθηση