Η AI ή κατά κόσμον τεχνητή νοημοσύνη δεν μαθαίνει μόνη της. Χρειάζεται τεράστιες ποσότητες δεδομένων και, σε πολλές περιπτώσεις, αυτά τα δεδομένα τα προσφέρουν καθημερινά οι ίδιοι οι χρήστες χωρίς καν να το συνειδητοποιούν.
Από τα social media και τους φωνητικούς βοηθούς μέχρι τα CAPTCHA, τα παιχνίδια επαυξημένης πραγματικότητας και την αναφορά spam, πολλές απλές ψηφιακές κινήσεις μετατρέπονται σε «καύσιμο» για την εκπαίδευση αλγορίθμων.
Από τα social media μέχρι την αυτόματη διόρθωση
Οι πιο γνωστοί τρόποι είναι ήδη μπροστά στα μάτια μας. Όταν αλληλεπιδράτε με δημόσιο περιεχόμενο στα social media, βοηθάτε τις πλατφόρμες να βελτιώνουν τα συστήματα που αποφασίζουν τι θα δείτε μετά.
Όταν διορθώνετε τη Siri, την Alexa ή το Google Assistant, ενισχύετε τα μοντέλα αναγνώρισης φωνής. Το ίδιο ισχύει και όταν αποδέχεστε ή απορρίπτετε προτάσεις αυτόματης διόρθωσης και πρόβλεψης κειμένου σε υπηρεσίες όπως το Google Docs ή το Microsoft Word.
Αυτές οι αλληλεπιδράσεις μοιάζουν μικρές, αλλά σε μεγάλη κλίμακα χτίζουν μοτίβα γλώσσας, συμπεριφοράς και πρόθεσης που είναι εξαιρετικά χρήσιμα για τα συστήματα AI.
Τα CAPTCHA εκπαιδεύουν συστήματα για αυτόνομα οχήματα
Ένας από τους πιο απρόσμενους τρόπους με τους οποίους ο χρήστης βοηθά την τεχνητή νοημοσύνη είναι τα CAPTCHA. Τα γνωστά τεστ τύπου «δεν είμαι ρομπότ» σχεδιάστηκαν για να ξεχωρίζουν τους ανθρώπους από τα bots.
Όμως στα reCAPTCHA με πλέγματα εικόνων, όταν επιλέγετε αυτοκίνητα, φανάρια, διαβάσεις ή βιτρίνες, δεν αποδεικνύετε μόνο ότι είστε άνθρωπος. Βοηθάτε και ένα μοντέλο υπολογιστικής όρασης να μάθει να αναγνωρίζει αντικείμενα στον πραγματικό κόσμο.
Η λογική είναι απλή. Αν χιλιάδες ή εκατομμύρια χρήστες επιλέγουν σωστά τα ίδια αντικείμενα σε εικόνες, το σύστημα αποκτά πολύτιμα δεδομένα σήμανσης. Και αυτά τα δεδομένα είναι εξαιρετικά χρήσιμα για εφαρμογές όπως η αυτόνομη οδήγηση.
Στην πράξη, τέτοιου είδους πληροφορίες μπορούν να ενισχύσουν τεχνολογίες όπως αυτές που χρησιμοποιεί η Waymo, η εταιρεία αυτόνομης οδήγησης της Alphabet. Με άλλα λόγια, κάθε φορά που εντοπίζετε ένα φανάρι ή ένα αυτοκίνητο σε ένα CAPTCHA, μπορεί να βοηθάτε έμμεσα ένα αυτοκινούμενο όχημα να «βλέπει» καλύτερα τον δρόμο.
Το Pokémon Go βοήθησε στη χαρτογράφηση
Ένα ακόμη πιο εντυπωσιακό παράδειγμα έρχεται από το Pokémon Go. Το παιχνίδι επαυξημένης πραγματικότητας δεν ήταν μόνο μια τεράστια επιτυχία για κινητά. Ήταν και μια γιγαντιαία μηχανή συλλογής οπτικών δεδομένων από τον πραγματικό κόσμο.
Καθώς εκατομμύρια παίκτες περπατούσαν σε πόλεις, πλατείες, πάρκα και γειτονιές για να πιάσουν Pokémon, τραβούσαν και μοιράζονταν στοιχεία που μπορούσαν να βοηθήσουν στη χαρτογράφηση χώρων και σημείων αναφοράς με πολύ μεγάλη ακρίβεια. Αυτές οι πληροφορίες χρησιμοποιήθηκαν για τη δημιουργία πιο ακριβών μοντέλων τοποθεσιών, τα οποία στη συνέχεια μπορούν να αξιοποιηθούν από τεχνολογίες πλοήγησης.
Η αναγνώριση email ως spam βοηθά τα φίλτρα AI
Κάτι ανάλογο συμβαίνει και με το email. Όταν επισημαίνετε ένα μήνυμα ως spam, δεν καθαρίζετε μόνο το inbox σας.
Ταυτόχρονα βοηθάτε τα φίλτρα μηχανικής μάθησης να γίνουν καλύτερα στο να αναγνωρίζουν ανεπιθύμητα ή ύποπτα μηνύματα στο μέλλον.
Όσο περισσότεροι χρήστες αναφέρουν αντίστοιχα emails, τόσο πιο εύκολα τα συστήματα εντοπίζουν κοινά χαρακτηριστικά, από το περιεχόμενο και τη διατύπωση μέχρι τον αποστολέα και τη δομή του μηνύματος.
Ακολουθήστε το Techmaniacs.gr στο Google News για να διαβάζετε πρώτοι όλα τα τεχνολογικά νέα. Ένας ακόμα τρόπος να μαθαίνετε τα πάντα πρώτοι είναι να προσθέσετε το Techmaniacs.gr στον RSS feeder σας χρησιμοποιώντας τον σύνδεσμο: https://techmaniacs.gr/feed/.
