Πλοήγηση με κινούμενα σχέδια
High contrast mode
Πλοήγηση με κινούμενα σχέδια
High contrast mode

  • 1. Εισαγωγή στην Τεχνητή Νοημοσύνη

    Μέρος Α: Κατανόηση της Τεχνητής Νοημοσύνης

    Τι είναι, τι δεν είναι, και τι σημαίνει για τη δουλειά σου

    Η ενότητα παρέχει το εννοιολογικό υπόβαθρο που χρειάζεται όποιος θέλει να χρησιμοποιήσει ή να αξιολογήσει ένα σύστημα ΤΝ στην εργασία του, χωρίς να προϋποθέτει γνώσεις προγραμματισμού ή μαθηματικών. Καλύπτει τα θεμέλια της μηχανικής μάθησης, το εύρος των εφαρμογών της ΤΝ, τη λειτουργία και τα όρια των γλωσσικών μοντέλων, την αξιολόγηση ισχυρισμών επίδοσης και το ισχύον νομικό πλαίσιο. Από την 1.1 και έπειτα, κάθε υποενότητα κλείνει με ερωτήσεις που ζητούν από τον εκπαιδευόμενο να εφαρμόσει όσα έμαθε σε μια επαγγελματική απόφαση.

    • 15 υποενότητες
    • Ερωτήσεις ελέγχου στο τέλος κάθε υποενότητας (1.1 έως 1.14)
    • Λεξιλόγιο 40 βασικών όρων

    • 1.0 Άνοιγμα

      Παρουσιάζεται η δομή της ενότητας και τρεις διαδεδομένες παρανοήσεις: ότι Τεχνητή Νοημοσύνη σημαίνει ChatGPT, ότι ένα μεγαλύτερο μοντέλο είναι πάντα καλύτερο και ότι ό,τι λειτουργεί σε μια επίδειξη θα λειτουργήσει και στην πράξη. Ο εκπαιδευόμενος καταγράφει τη θέση του για καθεμία και την επανεξετάζει στο κλείσιμο της ενότητας με βάση μετρημένα στοιχεία.

    • 1.1 Τι είναι νοημοσύνη, και τι σημαίνει τεχνητή

      Η νοημοσύνη εξετάζεται ως συνδυασμός δεξιότητας και γενικότητας. Συγκρίνονται τα πεδία στα οποία υπερέχει η μηχανή με εκείνα στα οποία υπερέχει ο άνθρωπος και εξηγείται το παράδοξο του Moravec. Από τους τέσσερις κλασικούς ορισμούς της ΤΝ υιοθετείται εκείνος του ορθολογικού πράκτορα (rational agent), η έννοια πάνω στην οποία στηρίζεται όλο το Bootcamp. Η υποενότητα κλείνει με μια τεκμηριωμένη εκτίμηση της απόστασης που χωρίζει τα σημερινά συστήματα από τη γενική τεχνητή νοημοσύνη (artificial general intelligence, AGI).

    • Διαφάνειες 1.1
      Διαφάνειες 1.1
      Περιορισμένο

    • 1.2 Δεδομένα, μοντέλα, εκπαίδευση

      Οι τρεις όροι που επανέρχονται σε κάθε συζήτηση για την ΤΝ εξηγούνται με παραδείγματα από την καθημερινή εργασία. Ορίζονται το δεδομένο, το χαρακτηριστικό (feature), η ετικέτα (label) και το μοντέλο, και περιγράφεται τι ακριβώς συμβαίνει κατά την εκπαίδευση. Αναλύονται η διαφορά ανάμεσα σε ρητούς κανόνες και μάθηση από δεδομένα, ο διαχωρισμός των δεδομένων σε σύνολα εκπαίδευσης, επικύρωσης και ελέγχου, καθώς και οι έννοιες της υπερπροσαρμογής (overfitting) και της γενίκευσης (generalization). Δίνονται ερωτήσεις για την αξιολόγηση ενός προμηθευτή.

    • 1.3 Νευρωνικά δίκτυα και βάρη

      Χωρίς μαθηματικό φορμαλισμό εξηγούνται η λειτουργία του τεχνητού νευρώνα και η έννοια του βάρους (weight), με ένα αριθμητικό παράδειγμα που ο εκπαιδευόμενος υπολογίζει ο ίδιος. Στη συνέχεια φαίνεται πώς οι νευρώνες συνθέτουν ένα δίκτυο, τι μεταβάλλει η εκπαίδευση στα βάρη και γιατί ένα εκπαιδευμένο δίκτυο δεν μπορεί να διαβαστεί σαν σύνολο κανόνων. Με τη γνώση αυτή αποκτά συγκεκριμένο περιεχόμενο και ο όρος «ανοιχτά βάρη» (open weights).

    • 1.4 Οι τέσσερις τρόποι μάθησης

      Παρουσιάζονται η επιβλεπόμενη (supervised), η μη επιβλεπόμενη (unsupervised), η ενισχυτική (reinforcement) και η αυτοεπιβλεπόμενη μάθηση (self-supervised learning), μαζί με το κριτήριο που τις διακρίνει. Εξηγείται πώς η ενισχυτική μάθηση από ανθρώπινη ανατροφοδότηση (reinforcement learning from human feedback, RLHF) διαμορφώνει τον τρόπο με τον οποίο απαντούν οι σημερινοί βοηθοί συνομιλίας. Στο τέλος κάθε τρόπος μάθησης αντιστοιχίζεται σε είδος προβλήματος και στο κόστος που συνεπάγεται.

    • 1.5 Βαθιά μάθηση

      Εξετάζεται τι προσθέτει το «βάθος» σε ένα νευρωνικό δίκτυο και πώς σχηματίζεται η ιεραρχία αναπαραστάσεων. Παρουσιάζεται ποια αρχιτεκτονική ταιριάζει σε κάθε είδος δεδομένων (πίνακες, εικόνες, κείμενο), από τα πλήρως συνδεδεμένα και τα συνελικτικά δίκτυα (CNN) ως τον Transformer. Συζητούνται οι νόμοι κλίμακας (scaling laws), ο ρόλος των καρτών γραφικών, το κόστος της εκπαίδευσης και η μεταφορά μάθησης (transfer learning), καθώς και περιπτώσεις, όπως τα δεδομένα πίνακα (tabular data) μεσαίου μεγέθους, όπου η βαθιά μάθηση δεν είναι η κατάλληλη επιλογή.

    • 1.6 Οι περιοχές της Τεχνητής Νοημοσύνης

      Εννέα περιοχές της ΤΝ, μεταξύ των οποίων η μηχανική μάθηση, η επεξεργασία φυσικής γλώσσας, η υπολογιστική όραση, η ρομποτική και τα συστήματα σύστασης, παρουσιάζονται με ενιαία δομή: τι είναι, πού συναντώνται ήδη και ποια είναι τα μετρημένα όριά τους. Γίνεται έτσι φανερό ότι η ΤΝ είναι πολύ ευρύτερη από τα γλωσσικά μοντέλα. Εξηγείται επίσης γιατί η σωστή κατάταξη ενός προϊόντος έχει οικονομικές συνέπειες όταν αποφασίζεται η αγορά του.

    • 1.7 Ιστορία της Τεχνητής Νοημοσύνης

      Η ιστορική διαδρομή ξεκινά από το ερώτημα του Turing το 1950 και τη γέννηση του όρου στο Dartmouth και περνά από τους δύο «χειμώνες» της ΤΝ, το AlexNet (2012) και τον Transformer (2017), ως τη μετάβαση από τη συνομιλία στον πράκτορα. Μέσα από αυτήν αναδεικνύονται τρία μοτίβα που επαναλαμβάνονται και βοηθούν στην κριτική αποτίμηση των σημερινών υποσχέσεων.

    • 1.8 Οι διαχωρισμοί των συστημάτων

      Εννέα άξονες ταξινόμησης επιτρέπουν την ακριβή περιγραφή οποιουδήποτε συστήματος. Μεταξύ άλλων, ένα σύστημα διακρίνεται ως προς το αν βασίζεται σε κανόνες ή σε μάθηση, αν είναι προβλεπτικό ή παραγωγικό, αν είναι μονοτροπικό ή πολυτροπικό (multimodal), αν πρόκειται για μοντέλο, βοηθό ή πράκτορα και πού εκτελείται. Ο πίνακας των αξόνων χρησιμοποιείται ως φύλλο εργασίας. Εξετάζονται επίσης ο αυτοματισμός που δεν αποτελεί ΤΝ και οι διαφορετικές σημασίες του χαρακτηρισμού «έξυπνο» στην αγορά.

    • 1.9 Γλωσσικά μοντέλα και παραγωγική Τεχνητή Νοημοσύνη

      Εξηγούνται, χωρίς μαθηματικό φορμαλισμό, τα τρία στάδια εκπαίδευσης ενός μεγάλου γλωσσικού μοντέλου (large language model, LLM): η προεκπαίδευση με πρόβλεψη του επόμενου τεμαχίου ή λεκτικής μονάδας (token), η επιβλεπόμενη λεπτή ρύθμιση (supervised fine-tuning) και η ευθυγράμμιση (alignment) με μεθόδους όπως RLHF, DPO και Constitutional AI. Ακολουθούν ο τρόπος παραγωγής του κειμένου, ο ρόλος της θερμοκρασίας και του παραθύρου συγκειμένου και οι βασικές οικογένειες παραγωγικών μοντέλων. Εξηγείται επίσης γιατί το ελληνικό κείμενο απαιτεί περίπου διπλάσιες λεκτικές μονάδες και, κατά συνέπεια, κοστίζει περίπου διπλά.

    • 1.10 Τι μπορεί και τι δεν μπορεί

      Καταγράφονται συστηματικά οι αδυναμίες που συναντά κάθε χρήστης: παραισθήσεις (hallucinations), ανομοιόμορφη επίδοση σε εργασίες φαινομενικά ίδιας δυσκολίας (jagged technological frontier), κολακεία (sycophancy), σφάλματα αριθμητικής, γνώση που σταματά σε μια ημερομηνία και μεροληψίες. Διακρίνονται τα τέσσερα όρια που δεν αίρονται με ένα καλύτερο μοντέλο και εξετάζεται πού παραμένει η ευθύνη όταν το αποτέλεσμα αξιοποιείται στην εργασία.

    • 1.11 Το τοπίο των μοντέλων

      Εξηγείται η διάκριση ανάμεσα σε κλειστά και ανοιχτά μοντέλα, τι σημαίνει «ανοιχτό» σύμφωνα με τον ορισμό OSAID 1.0 της Open Source Initiative (2024) και ποιες είναι οι τέσσερις βαθμίδες αδειοδότησης. Προτείνονται επτά κριτήρια επιλογής που δεν παλιώνουν, με έμφαση στο πού καταλήγουν τα δεδομένα του χρήστη και στο συνολικό κόστος χρήσης. Περιλαμβάνονται τα μετρημένα αποτελέσματα ενός ελληνικού ανοιχτού μοντέλου και μια καταγεγραμμένη επίδειξη του ίδιου ερωτήματος σε τρία μοντέλα.

    • 1.12 Πώς διαβάζεται μια δήλωση επίδοσης

      Τρία ερωτήματα που πρέπει να τίθενται σε κάθε αριθμό επίδοσης εφαρμόζονται σε γνωστές περιπτώσεις, όπως το AlexNet, η Klarna και ο ισχυρισμός ότι «το 95% των έργων αποτυγχάνει». Εξηγούνται η μόλυνση (contamination) και ο κορεσμός (saturation) των δοκιμασιών αξιολόγησης (benchmarks), η σπάνια χρήση στατιστικού ελέγχου στις δημοσιευμένες συγκρίσεις και η απόσταση ανάμεσα σε επίδειξη και παραγωγή. Ολοκληρώνεται με άσκηση και λίστα ελέγχου οκτώ ερωτήσεων.

    • 1.13 Τι αλλάζει στη δουλειά σου

      Συγκρίνονται τρεις πηγές μετρημένων δεδομένων για την επίδραση της ΤΝ στην απασχόληση, οι οποίες καταλήγουν σε διαφορετικά συμπεράσματα, και εντοπίζονται τα σημεία στα οποία συμφωνούν. Διακρίνεται η αυτοματοποίηση (automation) από την ενίσχυση (augmentation) της εργασίας και εξετάζεται ο βαθμός έκθεσης κάθε ειδικότητας. Ο εκπαιδευόμενος χαρτογραφεί τις δέκα εργασίες που απορροφούν τον περισσότερο χρόνο του και διακρίνει τι τεκμηριώνεται από τα δεδομένα και τι όχι.

    • 1.14 Πλαίσιο, λεξιλόγιο, κλείσιμο

      Παρουσιάζεται ο Κανονισμός (ΕΕ) 2024/1689 για την ΤΝ, με το χρονοδιάγραμμα εφαρμογής όπως τροποποιήθηκε τον Ιούλιο του 2026, τις τέσσερις κατηγορίες κινδύνου και την υποχρέωση γραμματισμού στην ΤΝ (AI literacy), η οποία ισχύει ήδη. Ακολουθούν λεξιλόγιο σαράντα βασικών όρων, δέκα ερωτήσεις που ο εκπαιδευόμενος μπορεί να θέτει για κάθε σύστημα και κανόνες για τον έλεγχο των πηγών.

    • Τεστ αυτοαξιολόγησης Ενότητας 1
      Τεστ αυτοαξιολόγησης Ενότητας 1
      Περιορισμένο