Τεχνητή νοημοσύνη: Μια διακριτική απομυθοποίηση, του Γιώργου Γιαννακόπουλου (προδημοσίευση)

Τεχνητή νοημοσύνη και επιβίωση της ανθρωπότητας

Για όσους αγωνιούν και τρέμουν στη σκέψη της αξιοποίησης της ΤΝ, μπορώ να δηλώσω το εξής άμεσα: Η ΤΝ δεν θα μας καταστρέψει, αν δεν επιδιώξουμε συλλογικά, συστηματικά και χωρίς καμία αντίληψη κινδύνου να τη στρέψουμε εναντίον μας. 

Βρίσκω πάντα ενδιαφέρον το γεγονός ότι, σε μια ανθρωπότητα που έχει εσκεμμένα παραγάγει το πολυβόλο, τις εμπρηστικές βόμβες, τα βιολογικά και τα πυρηνικά όπλα, έχουμε μια βαθιά αγωνία για το αν θα μας καταστρέψουν οι νοήμονες μηχανές. Από την άλλη, είναι αυτή η ίδια ανησυχία που μας επιτρέπει να κινηθούμε προς κατευθύνσεις που θα μειώσουν οποιονδήποτε κίνδυνο από χρήση τέτοιων μηχανών.

Στις επόμενες παραγράφους, θα προσπαθήσω να συζητήσω με άξονα τις γνώσεις αλλά και τη γνώμη μου συνήθη ερωτήματα που εκφράζονται στο τρίπτυχο ανθρωπότητα, μηχανές, ολική καταστροφή.

Μηχανές και αυτο-εξέλιξη

Μπορούν οι μηχανές να αυτο-εκπαιδευτούν και να αυτο-εξελιχθούν; Όχι. Εντάξει, είμαι προκλητικά αυστηρός οπότε θα αναπτύξω λίγο περισσότερο αυτή την άχαρη απάντηση: Σίγουρα όχι όπως το σκεφτόμαστε.

Για να εξηγήσω τη διαφαινόμενη ισχύ του παραπάνω "όχι", θα σας μεταφέρω τη δική μου εικόνα για την ικανότητα μάθησης που έχουν οι μηχανές σήμερα, ενώ θα συζητήσουμε περισσότερα πράγματα για το πώς διαμορφώνεται αυτή η εικόνα στα επόμενα κεφάλαια του βιβλίου.

Μια μηχανή για να εκπαιδευτεί, χρειάζεται κάποιος να ορίσει με σαφήνεια μια εργασία-στόχο, δηλαδή τι θέλει να μπορέσει να κάνει η μηχανή,

• να οριστεί ο τρόπος (αλγόριθμος) που η μηχανή θα μαθαίνει,
• να κατασκευαστεί η μηχανή,
• να δοθεί στη μηχανή γνώση (βλ. παρακάτω περισσότερα για αυτό),
• να αξιολογηθεί η μηχανή για τη δράση και τις αποφάσεις της (την επίδοσή της) και να κριθεί χρήσιμη ή όχι,
• να εγκατασταθεί σε έναν χώρο όπου θα μπορεί να επιτελέσει την εργασία της,
• να της δοθεί πρόσβαση σε επιπλέον δεδομένα, για να προσπαθήσει να βελτιωθεί

Θα δείτε ότι ο άνθρωπος είναι καθοριστικός σε όλα αυτά τα βήματα. Από τον ορισμό της εργασίας μέχρι το τι γνώση θα δώσουμε και πού θα την εγκαταστήσουμε, είναι όλα δικές μας αποφάσεις και δράσεις. Αντίστοιχα, η αξιολόγηση επιτρέπει σταδιακή ένταξη και δοκιμή μιας μηχανής σε όλο και πιο ρεαλιστικές συνθήκες, ώστε να ελαχιστοποιηθεί ο κίνδυνος αστοχίας στην τελική χρήση. Ομοίως και η περιοδική αξιολόγησή της μετά την εγκατάσταση και τη λειτουργία της.

Θα δείτε ότι ο άνθρωπος είναι καθοριστικός σε όλα αυτά τα βήματα. Από τον ορισμό της εργασίας μέχρι το τι γνώση θα δώσουμε και πού θα την εγκαταστήσουμε, είναι όλα δικές μας αποφάσεις και δράσεις. Αντίστοιχα, η αξιολόγηση επιτρέπει σταδιακή ένταξη και δοκιμή μιας μηχανής σε όλο και πιο ρεαλιστικές συνθήκες, ώστε να ελαχιστοποιηθεί ο κίνδυνος αστοχίας στην τελική χρήση.

Τελικά, αν το σκεφτεί κάποιος, με εξαίρεση το κομμάτι του τρόπου της μάθησης και της τροφοδοσίας γνώσης, μια νοήμων μηχανή δεν απέχει πολύ από έναν ανελκυστήρα, διότι είναι πολύ χρήσιμη, ενέχει έντονο αυτοματισμό και ένα ρίσκο αν δυσλειτουργήσει και τέλος χρειάζεται παρακολούθηση και συντήρηση. Κάποιος παρατηρητικός θα έλεγε ότι χρειάζεται και διασφάλιση συνεπούς συμπεριφοράς μέσα από δικλείδες ασφαλείας (π.χ. φρένο αν σπάσει το καλώδιο στήριξης του ανελκυστήρα). Προσγειώνοντας για μια ακόμα φορά την ιδιαιτερότητα της \TN{}, μπορώ να σας βεβαιώσω ότι τα παραπάνω είναι και οι πρώτες σκέψεις επιστημόνων που ασχολούνται με το θέμα. Έτσι, εμφανίζονται δικλείδες που δεν επιτρέπουν σε μια μηχανή να δράσει, αν δεν δρα στα προκαθορισμένα όρια λειτουργίας της.

Για να μην κρυβόμαστε, τα πράγματα έχουν και μια ιδιαίτερη χροιά. Μια ειδοποιός διαφορά στην περίπτωση της \TN{} είναι ότι ίσως κληθεί ---μετά από δική μας απόφαση--- να αναλάβει εργασίες στις οποίες εμπλέκεται είτε πολύ υψηλό ρίσκο είτε ηθική απόφαση. Για παράδειγμα, καλούνται μηχανές να βγάλουν δικαστικές αποφάσεις για απλές υποθέσεις ή να εντοπίσουν υπόπτους από το πώς εκφράζονται στα κοινωνικά δίκτυα. Ομοίως, μπορεί κάποιος υπολογιστής να κάνει σύσταση για το αν ένας επιχειρηματίας πρέπει ή όχι να λάβει ένα δάνειο. Επίσης, μπορεί να κληθεί μια \TN{} να κάνει μια ιατρική διάγνωση και να προτείνει ένα φάρμακο ή να οδηγήσει ένα αυτοκίνητο. Στις περιπτώσεις αυτές, μια απάντηση μπορεί να προκαλέσει σοβαρά προβλήματα, αν τα πράγματα πάνε στραβά.

Για όλους αυτούς τους λόγους, εμπειρογνώμονες έχουν παραδώσει τόσο στην Ευρώπη, όσο και στην Κίνα και την Αμερική αναφορές με το τι πρέπει να προσέξουμε. Χωρίς να αναλύσω ιδιαίτερα αυτές τις πολύ ενδιαφέρουσες θέσεις, θα περιοριστώ στο εξής: Υπάρχει σαφής οδηγία και ανάγκη για την υλοποίηση ανθρωποκεντρικής TN. Οι επιστήμονες και οι τεχνικοί που ασχολούνται με το θέμα, καλούνται να φτιάξουν συστήματα τα οποία να μπορούν να εξυπηρετήσουν ανθρώπινες αξίες, να εξηγήσουν τις αποφάσεις τους για να είναι ελέγξιμες, να είναι αξιόπιστες και ειλικρινείς. 

Γιατί, θα πει ένας σκεπτικιστής, μια μηχανή να είναι ειλικρινής; Δεν μπορεί να μας ξεγελάσει; Θα ξαναπώ: Όχι, αν δεν έχει προγραμματιστεί για αυτό. Επίσης, κάνουμε το λάθος να εισάγουμε στο παιχνίδι που θα παίξουν οι μηχανές έντονα ανθρωπόμορφα χαρακτηριστικά. Νιώθουμε ότι μια μηχανή είναι γεννημένη να έχει συναισθήματα, προτιμήσεις, ορμές, εγωισμό ή αλτρουισμό ---με άλλα λόγια ηθική στάση--- και άλλα. Όλα τα παραπάνω χαρακτηριστικά προς το παρόν δεν μπορούν να ενταχθούν ως ένα συνεπές σύνολο ιδιοτήτων σε μια μηχανή. Μεμονωμένες προσπάθειες προσπαθούν να κάνουν μια μηχανή να εμφανίζει κάποια από αυτά, αλλά απέχουμε υπερβολικά από κάτι αξιοποιήσιμο.

Ξαναγυρίζω στο κομμάτι της αυτο-εξέλιξης: Δεν υφίσταται τέτοια δυνατότητα. Όταν μια μηχανή εξελίσσεται σήμερα, έχουμε τρεις βασικούς τρόπους να την κάνουμε να μάθει TN. Αρχικά, να της δώσουμε πρόταση πρόταση κάποιες γνώσεις και να της επιτρέψουμε να εφαρμόσει (μαθηματική) λογική πάνω σε αυτές. Δεύτερος τρόπος είναι να ζητήσουμε από τη μηχανή να μάθει με βάση παραδείγματα. Μια τρίτη περίπτωση είναι να της ζητήσουμε να ανακαλύψει τι πρέπει να κάνει μέσα από μια διαδικασία ανταμοιβής και ποινής. Ας δούμε αυτούς τους τρεις τρόπους παρακάτω.

Όταν μια μηχανή εξελίσσεται σήμερα, έχουμε τρεις βασικούς τρόπους να την κάνουμε να μάθει TN. Αρχικά, να της δώσουμε πρόταση πρόταση κάποιες γνώσεις και να της επιτρέψουμε να εφαρμόσει (μαθηματική) λογική πάνω σε αυτές. Δεύτερος τρόπος είναι να ζητήσουμε από τη μηχανή να μάθει με βάση παραδείγματα. Μια τρίτη περίπτωση είναι να της ζητήσουμε να ανακαλύψει τι πρέπει να κάνει μέσα από μια διαδικασία ανταμοιβής και ποινής.

Στην πρώτη περίπτωση, της πρότασης πρότασης, ρητής γνώσης, σκεφθείτε το ακόλουθο παράδειγμα. Λέγοντας (με έναν τυποποιημένο τρόπο που θυμίζει πρόγραμμα) στη μηχανή ότι:

    \item Κάθε άντρας αγαπά τη σύζυγό του.

    \item Ο Κώστας είναι άντρας.

Μπορεί η μηχανή να καταλάβει, χωρίς να της το πούμε ρητά, ότι: Ο Κώστας αγαπά τη σύζυγό του; 

Εύκολα θα δείτε ότι η γνώση αυτή εύκολα μπορεί να μην ισχύει στην πραγματικότητα, γιατί για παράδειγμα δεν έχουν όλοι οι άντρες σύζυγο. Επίσης, στους κανόνες συχνά υπάρχουν εξαιρέσεις. Δυστυχώς, η άμοιρη μηχανή δεν μπορεί να έχει τέτοιες γνώσεις από μόνη της. Αυτή η καθημερινή γνώση (τη λέμε και πραγματολογική γνώση) που οφείλεται στο σύνολο της ανθρώπινης δράσης μας και της αλληλεπίδρασής μας με το περιβάλλον μας, της κοινωνικής μας διάστασης, των συναισθηματικών και γνωστικών μας εμπειριών, φαίνεται ότι είναι πολύ δύσκολο να μεταφερθεί φορμαλιστικά (δηλαδή μέσω μαθηματικών) σε μια μηχανή. Επίσης, χρειάζεται τρομερά μεγάλος αριθμός δηλώσεων για να μεταφέρεις τον πλούτο γνώσης και εμπειριών που ακόμα και ένα παιδί κατέχει.

Στον δεύτερο τρόπο εκπαίδευσης μιας μηχανής, από παραδείγματα, φανταστείτε την περίπτωση που μαθαίνουμε μια μηχανή να ξεχωρίζει μήλα από πορτοκάλια. Της δίνουμε, λοιπόν, ένα ένα κάποια φρούτα, δηλώνοντας κάθε φορά τι της δώσαμε. Έτσι, ευελπιστούμε, μέσα από κατάλληλους αλγορίθμους που της δώσαμε, να βγάλει κανόνες όπως: Αν είναι ζουμερό, ξινό και πορτοκαλί, μάλλον είναι πορτοκάλι.

Μήπως το παραπάνω σας θυμίζει έντονα τη διαδικασία εκπαίδευσης ενός μωρού σε έννοιες και λέξεις; Βέβαια, υπάρχει και πληθώρα διαφορών σε αυτή τη μάθηση. Για παράδειγμα,το μωρό έχει και εγγενείς μηχανισμούς για την εκπαίδευσή του: Αν για παράδειγμα ακουμπήσει ένα αγκάθι, ο πόνος βοηθά (ως αίσθηση) να αξιολογήσει ο εγκέφαλος το αγκάθι ως επικίνδυνο και να ενσωματώσει τη γνώση ότι δεν πρέπει στο μέλλον να ακουμπάει απρόσεκτα αγκάθια. Από την άλλη, ακόμη και όταν του μαθαίνουμε λέξεις, τα πλούσια ανθρώπινα αισθητήρια φαίνεται να αποτυπώνουν όχι μόνο τον ήχο αλλά και την έκφραση του προσώπου, το συναίσθημα, την υφή του αντικειμένου και χιλιάδες ακόμα πράγματα που σχετίζονται με το περιβάλλον της επικοινωνίας. Δηλαδή, η αλληλεπίδραση είναι πολύ πιο πολύπλευρη από ό,τι συνήθως στην εκπαίδευση ενός συστήματος.

Προσέξτε τώρα το εξής: Αν αρχίσουμε να κοροϊδεύουμε τη μηχανή, λέγοντάς της ότι τα μήλα είναι πορτοκάλια και το ανάποδο, δεν θα καταλάβει ότι την κοροϊδεύουμε. Θα μάθει ακριβώς αυτό που τη διδάξαμε. Επίσης, δεν θα έχει εύκολο τρόπο να συνειδητοποιήσει το λάθος, αν εμείς δεν επιδιώξουμε να της δώσουμε νέα δείγματα με νέες, σωστές απαντήσεις. Εδώ, συνειδητοποιούμε πόσο σημαντική είναι η επιλογή των δειγμάτων (μήλων και πορτοκαλιών), για να μάθει σωστά πράγματα η μηχανή. Αν για παράδειγμα την ταΐζουμε μόνο με χρυσά μήλα, μπορεί να μάθει τον ωραιότατο κανόνα: Ό,τι είναι χρυσό είναι μήλο, ενώ όλα τα άλλα είναι πορτοκάλια. 

Στην τρίτη περίπτωση μάθησης, όπου ανταμοίβουμε τις καλές πράξεις ή επιλογές και βάζουμε ποινή στις κακές ή ανεπιθύμητες, επιβάλλουμε ενός άλλου είδους δικτατορία στη μηχανή: τη δικτατορία της ανταμοιβής. Στην πραγματικότητα, μόνο οι ανταμοιβές είναι που κατευθύνουν τη συμπεριφορά της, δεν έχει άλλα αισθητήρια ή προδιαθέσεις. Οπότε, πάλι ο άνθρωπος ορίζει τη συμπεριφορά της.

Με βάση την παραπάνω σύνοψη, θέλω να υποδείξω ότι οι βασικοί τρόποι εκπαίδευσης των μηχανών σε τίποτα δεν υποδεικνύουν δυνατότητα αυτο-εκπαίδευσης ή αυτο-εξέλιξης. Όλους τους όρους του παιχνιδιού τους ορίζει ο άνθρωπος. Το σημείο που χρειάζεται προσοχή από εμάς, είναι τι ακριβώς διδάσκουμε μια μηχανή. Μικρές αστοχίες σε μια πρόταση ή σε ένα παράδειγμα μπορεί να οδηγήσουν τη μηχανή σε λάθος συμπεράσματα.

Για να κλείσω αυτή την παράγραφο, υπενθυμίζω ότι οι μηχανές σήμερα δεν έχουν τον τρόπο να αυτο-εξελιχθούν και να αυτο-εκπαιδευτούν. Θα είναι πάντα έτσι; Δεν το γνωρίζω. Δεν υπάρχει καμία ένδειξη ότι κινούμαστε αποτελεσματικά προς κάποια τέτοια κατεύθυνση. Δεν υπάρχει τίποτα στον ορίζοντα προς το παρόν. Ως επιστήμονας, οφείλω να πω με συναίσθηση των ορίων μου, ότι δεν περιμένω να έχουμε τέτοια εξέλιξη για πολλά χρόνια. Πίσω από αυτή την ερώτηση κρύβεται, άλλωστε, μια βαθιά ανθρώπινη ερώτηση: Πώς καταφέρνουμε ως άνθρωποι να εξελισσόμαστε προσωπικά, να έχουμε το αυτεξούσιο και την επίγνωση εαυτού; Τέτοια ερωτήματα, που συνοδεύουν την ανθρωπότητα επί μακρόν, φαίνεται ότι είναι πολύ ισχυρά συνυφασμένα με το αν θα μπορέσουμε να κάνουμε μια μηχανή σαν εμάς.

Μηχανές και εργασία

Μια δεύτερη κοινή αγωνία σχετικά με την ΤΝ είναι αν οι μηχανές θα μας αντικαταστήσουν στα επαγγέλματά μας. Μια σχολή λέει πως σίγουρα θα μας αντικαταστήσουν, μια άλλη ότι δεν θα μπορέσουν ποτέ να μιμηθούν πράγματα όπως η δημιουργικότητα και η καινοτόμα σκέψη.

Η θέση που επιλέγω εγώ είναι λίγο διαφορετική: Οι νοήμονες μηχανές καλούνται να παίξουν έναν υποβοηθητικό ρόλο σε πληθώρα επαγγελμάτων, αναλαμβάνοντας κομμάτια δουλειάς που συχνά μπορεί να είναι επαναλαμβανόμενα ή και επικίνδυνα για τον άνθρωπο. Κάποιες εργασίες μπορεί να υποκατασταθούν σχεδόν ολοκληρωτικά, αλλά μια πληθώρα νέων απαιτήσεων θα μετασχηματιστεί σε νέα επαγγέλματα. Σύμφωνα με τη δική μου οπτική, αυτή η υποκατάσταση μάλλον έχει μια μορφή συνεχούς εξέλιξης των αυτοματισμών που αξιοποιούμε. Αυτοί οι αυτοματισμοί σιγά σιγά γίνονται πιο "έξυπνοι" στα δικά μας μάτια, χωρίς όμως να είναι εμφανές αν όντως αποτελούν "επανάσταση" με σαφή αρχή και σαφώς ορισμένο χρονικό σημείο ολοκλήρωσης.

Σίγουρα, οι μηχανές έχουν ιδιαίτερη ευχέρεια σε πολύ επαναλαμβανόμενες εργασίες που μπορούν να περιγραφούν με (μαθηματική) σαφήνεια. Από την άλλη, χάρη στην ΤΝ, νοήμονα συστήματα μπορούν να πραγματοποιούν και λιγότερο τετριμμένες εργασίες.

Θα βρείτε ερευνητικές εργασίες και εφαρμογές στις οποίες οι μηχανές:

• συνθέτουν ---φαινομενικά εκ του μηδενός--- μουσική,
• αναλύουν και εφαρμόζουν νομοθεσία, παίρνοντας αποφάσεις ή επιχειρηματολογώντας,
• κάνουν ιατρικές διαγνώσεις,
• ζωγραφίζουν,
• οδηγούν αυτοκίνητα,
• ανακοινώνουν τιμές μετοχών,
• περιγράφουν αγώνες ποδοσφαίρου,
• συνοψίζουν ειδήσεις, διαβάζοντας εκατοντάδες ή και χιλιάδες άρθρα μέσα σε λίγα λεπτά,
• συστήνουν φορέματα που μπορεί να σας ενδιαφέρουν με βάση μια μπλούζα που αγοράσατε,
• σας προειδοποιούν για κίνηση στον κήπο του σπιτιού σας, ενόσω εσείς λείπετε ή κοιμάστε,
• αναγνωρίζουν το πρόσωπό σας, όταν πάτε να βγάλετε μια φωτογραφία, ώστε να εστιάζουν καλύτερα,
• παίζουν παιγνίδια.

Αν θεωρείτε ότι τα παραπάνω επιτεύγματα είναι μοναδικά, ξαναγυρίζω στον ισχυρισμό προηγούμενων παραγράφων: Όλα αυτά οι μηχανές τα κατορθώνουν με τους τρεις τρόπους μάθησης που ανέφερα παραπάνω, οι οποίοι όλοι τους εξαρτώνται από τον άνθρωπο.

Τα παραπάνω μας υποδεικνύουν ότι δεξιότητες που θεωρούσαμε παραδοσιακά ανθρώπινες και μόνο, αποκτούν σφετεριστές έστω και υπό την καθοδήγησή μας. Είναι όμως τόσο απλά και ανώδυνα τα πράγματα; Θα δείτε ότι σε όλες σχεδόν τις παραπάνω περιπτώσεις χρειάζεται πάρα πολλή δουλειά προγραμματισμού, συλλογής δεδομένων, δήλωσης γνώσης, εγκατάστασης και συντήρησης, για να δουλέψει επαρκώς καλά μια τέτοια μηχανή. Επίσης, πολύ συχνά, η μεταφορά μιας μηχανής από μια εργασία σε μια ---φαινομενικά/ανθρώπινα--- πολύ παρεμφερή καταλήγει σε προκλητική αποτυχία και χρειάζεται εκ νέου μελέτη και έρευνα.

Φαίνεται, εκ των αποτελεσμάτων της συλλογικής έρευνας πάνω στην ΤΝ, ότι η προσαρμοστικότητα του ανθρώπου, η δυνατότητα μεταφοράς γνώσης από έναν τομέα σε άλλον, ο πλούτος των αισθητήρων, η μη τετριμμένη (και σίγουρα μη μαθηματική) σκέψη  και ένας σωρός από άλλα χαρακτηριστικά που έρχονται άκοπα στους περισσότερους ανθρώπους, δεν είναι εύκολο να τα μιμηθεί μια μηχανή. Το πιο δύσκολο πράγμα, για την ακρίβεια, φαίνεται να είναι ο συνδυασμός όλων αυτών των δεξιοτήτων σε κάτι αναγνωρίσιμα χρήσιμο και λειτουργικό.

Συνεπώς, μάλλον είναι πιο εύκολο να πούμε ότι μια δουλειά ευνοεί τη χρήση μηχανής, παρά ότι μια μηχανή μαθαίνει μια δουλειά. Για αυτό τον λόγο, το πώς θα δομήσουμε τις δουλειές στο μέλλον, μπορεί εν πολλοίς να καθορίσει ποια επαγγέλματα τελικά θα ξεθωριάσουν ή θα αναδειχθούν ως πεδία αναντικατάστατης ανθρώπινης δράσης.

Οι μηχανές χρειάζονται τον άνθρωπο, για να μάθουν να δρουν ανθρώπινα. Για παράδειγμα, για να μπορεί μια μηχανή να ξεχωρίζει πρόσωπα σε μια φωτογραφία, χρειάζεται να την τροφοδοτήσουμε πιθανώς με χιλιάδες ή εκατομμύρια πρόσωπα σε φωτογραφίες, υποδεικνύοντας σε καθεμιά πού υπάρχουν πρόσωπα.

Μια άλλη όψη του νομίσματος είναι αυτή της εκπαίδευσης των μηχανών. Οι μηχανές χρειάζονται τον άνθρωπο, για να μάθουν να δρουν ανθρώπινα. Για παράδειγμα, για να μπορεί μια μηχανή να ξεχωρίζει πρόσωπα σε μια φωτογραφία, χρειάζεται να την τροφοδοτήσουμε πιθανώς με χιλιάδες ή εκατομμύρια πρόσωπα σε φωτογραφίες, υποδεικνύοντας σε καθεμιά πού υπάρχουν πρόσωπα. Ομοίως, για να μπορεί ένας υπολογιστής να εντοπίσει ποιο είναι το ρήμα σε μια πρόταση, πρέπει να πάρει κανόνες που να ορίζουν πώς να εντοπίσει το ρήμα ή να δει χιλιάδες παραδείγματα. Όλη αυτή η δουλειά της δημιουργίας παραδειγμάτων, που την περιγράφουμε με τον όρο "επισημείωση" (annotation), είναι ξεκάθαρα ένας χώρος για δημιουργία νέων επαγγελματιών. 

Το πιο ενδιαφέρον με αυτό το επάγγελμα είναι ότι ---πολύ συχνά--- αρκούν ανειδίκευτοι άνθρωποι, για να κάνουν τη δουλειά. Σχεδόν όλοι οι άνθρωποι είναι πολύ αποτελεσματικοί, για παράδειγμα στην αναγνώριση προσώπων ή ομιλίας. Ομοίως, στην αναγνώριση αντικειμένων ή την ανίχνευση των ονομάτων σε ένα κείμενο. Ακριβώς, λοιπόν, αυτές οι δεξιότητες είναι που προσπαθούμε να μεταφέρουμε στις μηχανές και για αυτό η εμφάνιση νέων επαγγελμάτων αποτελεί μια βεβαιότητα.

Πριν κλείσω, θα ήθελα να βάλω και μια ακόμα διάσταση στο θέμα. Είναι άραγε ένας δάσκαλος απλώς κάποιος που διαβάζει κείμενα στους μαθητές, τους κάνει ερωτήσεις και τους αξιολογεί; Ή είναι ένα ζωντανό παράδειγμα στο ήθος, το συναίσθημα, την αλληλεπίδραση, τις επιλογές; Μήπως ο μουσικός είναι απλώς ένας παραγωγός αρμονίας ή ένας καταθέτης ψυχής, προσωπικών εμπειριών και αναζητήσεων μέσα από νότες και μουσικά όργανα; Ο φούρναρης είναι απλώς δύο χέρια που ζυμώνουν με τυποποιημένο τρόπο ή κάποιος που εναποθέτει την αγάπη του για τη δουλειά του σε κάθε ψωμί; Ποια είναι η αξία που προσφέρει ο εργαζόμενος και πώς αξιολογείται; Είναι μόνο χρηματική ή έχει μια ολιστική ποιότητα που πρέπει να λάβουμε υπόψη; Το πώς απαντάμε στα παραπάνω ερωτήματα συνδέεται άρρηκτα με το μέχρι πού θα περιμένουμε να φτάσει η ΤΝ στο μέλλον και τι ρόλο θα διαδραματίσει στον επαγγελματικό χώρο. Όπως θα συζητήσουμε και στα επόμενα κεφάλαια, η εργασιακή πραγματικότητα διαμορφώνεται βήμα βήμα και θα συνεισφέρουμε και εμείς, άμεσα ή έμμεσα, στον μετασχηματισμό των επαγγελμάτων.