2. Τεχνητή Νοημοσύνη (AI)

Σύμφωνα με το Βιβλίο Πληροφορικής Γ’ Γυμνασίου (ΙΕΠ) και το επίσημο Ψηφιακό Υλικό AI του ΙΕΠ, ο στόχος μας είναι η κατανόηση του τρόπου με τον οποίο οι μηχανές “μαθαίνουν”, η αλληλεπίδρασή μας μαζί τους και ο προβληματισμός γύρω από τις κοινωνικές και ηθικές προεκτάσεις της τεχνολογίας.

Μπορείτε να δουλέψετε τις δραστηριότητες διαδραστικά στην τάξη ή σε online περιβάλλοντα (π.χ. Teachable Machine, Machine Learning for Kids).

—

Τεχνητή Νοημοσύνη (Artificial Intelligence - AI) είναι ο κλάδος της πληροφορικής που ασχολείται με τη δημιουργία υπολογιστικών συστημάτων που μπορούν να εκτελούν εργασίες οι οποίες κανονικά απαιτούν ανθρώπινη νοημοσύνη (π.χ. αναγνώριση εικόνας, λήψη αποφάσεων, κατανόηση γλώσσας).

Στον παραδοσιακό προγραμματισμό, δίνουμε στη μηχανή Δεδομένα + Κανόνες (Κώδικα) για να πάρουμε ένα Αποτέλεσμα. Στη Μηχανική Μάθηση (Machine Learning), δίνουμε στη μηχανή Δεδομένα + Αποτελέσματα και η ίδια η μηχανή βρίσκει/παράγει τους Κανόνες!

Ο κύκλος ανάπτυξης ενός μοντέλου AI περιλαμβάνει 3 βασικά βήματα:

1. **Συλλογή Δεδομένων (Data Collection):** Συγκεντρώνουμε παραδείγματα (π.χ. φωτογραφίες από γάτες και σκύλους).
2. **Εκπαίδευση Μοντέλου (Training):** Η μηχανή μελετά τα δεδομένα και βρίσκει κοινά χαρακτηριστικά (πρότυπα).
3. **Δοκιμή / Έλεγχος (Testing/Prediction):** Δίνουμε στη μηχανή μια νέα, άγνωστη εικόνα για να δούμε αν θα την προβλέψει σωστά.

⚠️ Ηθική & Προκατάληψη (AI Bias):

Αν τα δεδομένα με τα οποία εκπαιδεύουμε μια μηχανή είναι ελλιπή, μονόπλευρα ή περιέχουν ανθρώπινα στερεότυπα, τότε η μηχανή θα μάθει να είναι προκατειλημμένη. Οι αποφάσεις της AI είναι τόσο καλές όσο και τα δεδομένα που της δώσαμε!

—

Σημειώστε ποιες από τις παρακάτω δραστηριότητες απαιτούν Τεχνητή Νοημοσύνη (AI) όταν εκτελούνται από έναν υπολογιστή:

• Ο υπολογισμός του αθροίσματος 456 + 789.
• Η αναγνώριση αν μια φωτογραφία δείχνει ώριμη ή άγουρη ντομάτα.
• Η αυτόματη μετάφραση ενός κειμένου από τα Ελληνικά στα Γαλλικά.
• Η αποθήκευση ενός αρχείου κειμένου στο δίσκο.

Βάλτε στη σωστή χρονική σειρά τα παρακάτω βήματα για τη δημιουργία ενός συστήματος AI που αναγνωρίζει φωνητικές εντολές:

• Α: Δοκιμάζουμε το σύστημα με νέες φωνές για να δούμε αν τις καταλαβαίνει.
• Β: Ηχογραφούμε 200 άτομα να λένε τις λέξεις “Άναψε” και “Σβήσε”.
• Γ: Τροφοδοτούμε τις ηχογραφήσεις στον αλγόριθμο για να εντοπίσει τα κοινά μοτίβα της συχνότητας.

Τι είδους δεδομένα εισόδου (Εικόνα, Ήχος, Κείμενο ή Αριθμητικά Δεδομένα) χρειάζεται να συλλέξουμε για την εκπαίδευση των παρακάτω συστημάτων;

1. Ένα έξυπνο σύστημα που προβλέπει την τιμή ενός σπιτιού με βάση τα τετραγωνικά και την περιοχή.
2. Ένα σύστημα ασφαλείας που ξεκλειδώνει μια πόρτα αναγνωρίζοντας το πρόσωπο του ιδιοκτήτη.
3. Ένα chatbot που απαντάει σε ερωτήσεις πελατών σε ένα e-shop.

Αναφέρετε τρία (3) συστήματα ή εφαρμογές που χρησιμοποιείτε στο smartphone ή στο διαδίκτυο οι οποίες βασίζονται σε αλγορίθμους Τεχνητής Νοημοσύνης.

Ένας μαθητής θέλει να φτιάξτε ένα μοντέλο AI που να ξεχωρίζει τα μήλα από τα πορτοκάλια. Στο σύνολο δεδομένων εκπαίδευσης βάζει 100 φωτογραφίες από κόκκινα μήλα και 100 φωτογραφίες από πορτοκαλί πορτοκάλια. Όταν του δείχνει ένα πράσινο μήλο, το μοντέλο αποτυγχάνει. Γιατί συνέβη αυτό;

—

Εξηγήστε με δικά σας λόγια (1-2 προτάσεις) ποια είναι η βασική διαφορά ανάμεσα στον τρόπο που γράφουμε ένα πρόγραμμα στην Python (κανόνες) και στον τρόπο που εκπαιδεύουμε ένα μοντέλο Μηχανικής Μάθησης.

Σχεδιάστε με απλά λόγια ή διάγραμμα ένα “Δέντρο Απόφασης” με 2-3 ερωτήσεις (Ναι/Όχι) που θα μπορούσε να χρησιμοποιήσει ένα απλό σύστημα AI για να κατατάξει ένα ζώο στις κατηγορίες: Θηλαστικό, Πτηνό ή Ψάρι.

Θέλουμε να εκπαιδεύσουμε ένα σύστημα να αναγνωρίζει τον γραφικό χαρακτήρα διαφόρων ανθρώπων. Το Μοντέλο Α εκπαιδεύεται με 5 παραδείγματα για κάθε γράμμα και το Μοντέλο Β με 500 παραδείγματα. Ποιο μοντέλο αναμένεται να έχει μεγαλύτερη ακρίβεια (accuracy) και γιατί;

Πώς καταφέρνει ένας υπολογιστής να “δει” μια ψηφιακή εικόνα και να αναγνωρίσει σχήματα; Τι αντιπροσωπεύουν οι αριθμοί που επεξεργάζεται στο παρασκήνιο; (Συμβουλή: Σκεφτείτε τα εικονοστοιχεία - pixels).

Στην Εποπτευόμενη Μάθηση, τα δεδομένα μας πρέπει να είναι “επισημασμένα” (labeled). Τι σημαίνει ο όρος “ετικέτα” (label) στα δεδομένα εκπαίδευσης; Δώστε ένα παράδειγμα.

—

Μια μεγάλη εταιρεία τεχνολογίας εκπαίδευσε ένα σύστημα AI να αξιολογεί βιογραφικά σημειώματα για προσλήψεις, χρησιμοποιώντας τα βιογραφικά των υπαλλήλων που είχε προσλάβει τα τελευταία 20 χρόνια. Επειδή στο παρελθόν η εταιρεία προσλάμβανε κυρίως άνδρες, το AI άρχισε να απορρίπτει αυτόματα τις αιτήσεις γυναικών.

• Πώς ονομάζεται αυτό το φαινόμενο;
• Ποιος φταίει: ο αλγόριθμος ή τα δεδομένα;

Τι είναι οι τεχνολογίες Deepfake (κατασκευή πλαστών βίντεο/εικόνων/φωνών) και ποιοι κίνδυνοι δημιουργούνται για την κοινωνία και την αξιοπιστία των ειδήσεων;

Πολλά έξυπνα συστήματα καταγράφουν τις αναζητήσεις, τα likes και τα βίντεο που βλέπουμε για να μας προτείνουν νέο περιεχόμενο ή διαφημίσεις. Πιστεύετε ότι αυτό παραβιάζει την ιδιωτικότητά μας; Να αναπτύξετε ένα σύντομο επιχείρημα.

Η εισαγωγή της AI στην αγορά εργασίας αλλάζει πολλά επαγγέλματα (π.χ. αυτόνομη οδήγηση φορτηγών, αυτόματη συγγραφή αναφορών). Αναφέρετε ένα επάγγελμα που κινδυνεύει να αντικατασταθεί και ένα νέο επάγγελμα που δημιουργείται εξαιτίας της AI.

Ένα αυτοοδηγούμενο αυτοκίνητο χάνει τα φρένα του και πρέπει να επιλέξει ακαριαία ανάμεσα σε δύο πορείες: να πέσει πάνω σε έναν τοίχο (τραυματίζοντας τον οδηγό του) ή να στρίψει και να χτυπήσει έναν πεζό. Ποιος πρέπει να ορίσει τους κανόνες για το πώς θα “αποφασίζει” η AI σε τέτοιες ακραίες περιπτώσεις;

—

Συστήματα όπως το ChatGPT ή εργαλεία δημιουργίας εικόνων (Text-to-Image) μπορούν να γράφουν δοκίμια ή να ζωγραφίζουν πίνακες. Μπορούμε να θεωρήσουμε ότι αυτά τα συστήματα έχουν πραγματική “καλλιτεχνική έμπνευση” και “συναισθήματα”; Δικαιολογήστε την απάντησή σας.

Όταν ένα μοντέλο AI εκπαιδεύεται μελετώντας εκατομμύρια βιβλία και πίνακες ζωγραφικής γνωστών καλλιτεχνών χωρίς την άδειά τους, και στη συνέχεια παράγει ένα νέο έργο, σε ποιον ανήκουν τα πνευματικά δικαιώματα; Στον δημιουργό του AI, στον καλλιτέχνη που χρησιμοποιήθηκε για την εκπαίδευση, ή σε κανέναν;

Τι είναι το περίφημο “Τεστ του Τούρινγκ” και ποιο σκοπό εξυπηρετεί στην επιστήμη των υπολογιστών; Κατά τη γνώμη σας, αν μια μηχανή το περάσει, γίνεται αυτόματα “έξυπνη”;

Όλα τα συστήματα AI που έχουμε σήμερα (π.χ. αλγόριθμοι σκακιού, αυτόματη μετάφραση) ανήκουν στην Ασθενή AI (Narrow AI), δηλαδή κάνουν εξαιρετικά ΜΙΑ μόνο συγκεκριμένη εργασία. Τι είναι η Ισχυρή AI (General AI) και γιατί αποτελεί αντικείμενο έντονης συζήτησης;

Φανταστείτε ότι θέλετε να σχεδιάσετε ένα έξυπνο σύστημα για το σχολείο σας που θα ξεχωρίζει ποια απορρίμματα πάνε στον πράσινο κάδο και ποια στον μπλε κάδο ανακύκλωσης. Περιγράψτε σύντομα:

1. Τι δεδομένα θα συλλέγατε για να το εκπαιδεύσετε.
2. Πώς θα ελέγχατε αν το σύστημα λειτουργεί σωστά πριν το τοποθετήσετε στην αυλή.

—

Προτρέψτε τους μαθητές να πειραματιστούν με το Teachable Machine της Google. Μέσα σε 5 λεπτά, χρησιμοποιώντας την κάμερα του υπολογιστή, μπορούν να εκπαιδεύσουν το πρώτο τους δικό τους μοντέλο AI (π.χ. να ξεχωρίζει αν φοράνε ή όχι τη σχολική τους τσάντα) και να κατανοήσουν βιωματικά όλη τη θεωρία!

🧭 Διαχειριστής Υποδομής: Μακρυπόδης Διονύσιος, Καθηγητής Πληροφορικής & Διευθυντής 2ου Γυμνασίου Ναυπλίου