Τεχνητή νοημοσύνη και COVID-19

του Hubert Krivine

Η κρίση Covid-19, μαζί με την επακόλουθη οικονομική κρίση, θα είναι πιθανώς το πιο σημαντικό γεγονός του 21ου αιώνα. Και η Τεχνητή Νοημοσύνη (ΤΝ ή Artificial Intelligence -AI), από την οποία αναμένονταν κάθε είδους θαύματα -τουλάχιστον όσον αφορά τις προβλέψεις- δεν κατάφερε να το προβλέψει! Αυτό δεν είναι καθόλου παράξενο για εμάς: Η ΤΝ δεν μπορεί να προβλέψει κάτι που δεν έχει συμβεί ποτέ προηγουμένως1.

Μια μηχανή, που λειτουργεί αναγκαστικά με επαγωγή (δηλαδή, με γενίκευση), μπορεί να προβλέψει μόνο με βάση, μια αναμφίβολα γιγαντιαία βάση, όλων αυτών που έχουν ήδη συμβεί. Σχηματοποιώντας υπερβολικά, για τη μηχανή, αυτό που πρόκειται να συμβεί είναι κάτι που έχει ήδη συμβεί ή που ήταν έτοιμο να συμβεί, και χωρίς τα big data [« μεγάλα δεδομένα »] δε θα μπορούσαμε να το είχαμε εντοπίσει.

Δεν υπάρχει κανένας συναινετικός ορισμός της νοημοσύνης, είτε σε επίπεδο ατόμου είτε σε επίπεδο μηχανής. Η μηχανική μάθηση και η ανθρώπινη μάθηση έχουν ομοιότητες και διαφορές. Η πρόβλεψη μέσω επαγωγής έχει τους περιορισμούς της: Όποιος και αν είναι ο όγκος των big data, τα δεδομένα του υπαρκτού κόσμου υπερβαίνουν κατά πολύ τον όγκο του αποθηκευτικού τους χώρου. Αυτό που δείχνει την αδυναμία της ΤΝ είναι το γεγονός ότι ο (ψηφιακός) χάρτης δεν είναι η ίδια η πραγματικότητα. Αντίθετα, το ανθρώπινο ον, πέρα από την επαγωγή, μπορεί να διαθέτει και διαίσθηση και φαντασία. Πράγματα που έχουν δημιουργήσει και διάφορους Einstein και Jules Verne.

Στις λεγόμενες « σκληρές » επιστήμες, όπως η φυσική, ο ερευνητής μπορεί εύλογα να απομονώσει το αντικείμενο της μελέτης του από το υπόλοιπο σύμπαν και την ιστορία του. Ας δούμε δύο υπέρ-σχηματοποιημένα παραδείγματα: 1) Τα άτομα οξυγόνου είναι όλα πανομοιότυπα μεταξύ τους και αυτό συμβαίνει εδώ και δισεκατομμύρια χρόνια. 2) Το επιτραπέζιο παιχνίδι go ή και το σκάκι έχουν έναν τεράστιο αριθμό ενδεχόμενων παρτίδων, πολύ μεγαλύτερο από τον αριθμό των ατόμων στο σύμπαν, αλλά μπορούν να απομονωθούν από οποιοδήποτε πλαίσιο. Με αυτήν την έννοια, και μόνο με αυτήν την έννοια, θέτουν ένα “απλό” πρόβλημα, που η ΤΝ μπορεί να το χειριστεί με επιτυχία. Ο χάρτης -σε αυτήν την περίπτωση είναι η σκακιέρα και το goban– είναι αναμφίβολα ο προνομιακός της χώρος.

Τίποτα από αυτά δεν ισχύει στις επιστήμες της ζωής: Στη βιολογία είναι αδύνατο να γίνει αφαίρεση του περιβάλλοντος και της εξέλιξης. Και στην ιατρική, δύο ασθενείς,για παράδειγμα, δεν είναι ποτέ ταυτόσημοι. Ή ακόμα, ένας ιός δεν μπορεί να γίνει κατανοητός ανεξάρτητα από το ιστορικό του και από την αλληλεπίδρασή του με τα ίδια τα κύτταρα που μολύνει. Νά γιατί η επαγωγική μέθοδος της ΤΝ φτάνει στα όριά της.

Η ΤΝ, λοιπόν, δεν μπορούσε να προβλέψει την πανδημία, ενώ μπορεί να προβλέπει την κατανάλωση μαργαρίνης, την αγορά αυτοκινήτων ή την ανάπτυξη όγκων του δέρματος. Αλλά από τη στιγμή που ξεκίνησε η επιδημία, θα μπορούσαμε να αναμένουμε μια καλή πρόβλεψη της ανάπτυξής της στον κόσμο. Και όμως, τα ινστιτούτα που χρησιμοποιούν ΤΝ δεν την πολυ-προέβλεψαν: μόνο μερικές (λίγες) εταιρείες2 είχαν προειδοποιήσει, πριν από την ΠΟΥ, για την έκταση μιας τέτοιας καταστροφής.

Και όμως, η εξάπλωση άλλων επιδημιών (δάγκειος πυρετός, chikungunya, χολέρα, ελονοσία) έχουν πολλές φορές προβλεφθεί καλύτερα από την ΤΝ.3 Αυτό καταδεικνύει και την ισχυρή εξάρτηση των αποτελεσμάτων από την ποιότητα των big data (μεγάλων δεδομένων). Από τη μία πλευρά, φαίνεται πλέον ξεκάθαρο ότι η κινεζική κυβέρνηση –ακόμα και αν έδωσε την αλληλούχηση του ιού με αξιοσημείωτη ταχύτητα– είχε μαγειρέψει τα επιδημιολογικά δεδομένα. Από την άλλη πλευρά, η γνώση των κινεζικών διαδικτυακών ανταλλαγών, καθώς ελέγχονται από τη λογοκρισία, δεν είναι ούτε τόσο εύκολη αλλά και, ως εκ τούτου, ούτε και πλούσια και, άρα, και ασφαλώς λανθασμένη. Τα ανεπεξέργαστα δεδομένα είναι μύθος: τα δεδομένα πρέπει πάντα να ενταχθούν σε κάποιο πλαίσιο.

Σε μια « κανονική » ασθένεια, περνάμε από τη γνώση της ασθένειας σε εκείνη του άρρωστου. Εδώ είναι μάλλον το αντίστροφο μονοπάτι που πρέπει να διανύσουμε. Χάρη στη διεθνή συνεργασία, διαθέτουμε τώρα μια κολοσσιαία μάζα δεδομένων για τους ασθενείς. Για να μετατρέψουμε αυτά τα δεδομένα σε πληροφορίες για την ασθένεια, η ΤΝ θα είναι απαραίτητο εργαλείο. Για παράδειγμα, ο προστατευτικός ρόλος της νικοτίνης, εάν επιβεβαιωθεί, θα μπορούσε να μας πληροφορήσει για τη φύση των κυτταρικών υποδοχέων του ιού. Ένα άλλο παράδειγμα: διαπιστώθηκε ότι στις ΗΠΑ οι μειονότητες (λατίνοι, μαύροι) είναι πιο ευάλωτοι στη μόλυνση αυτή. Συσχετισμός δεν σημαίνει αιτιότητα. Γιατί αυτόματα μπορεί να σκεφτεί κανείς ότι η μέση κατάσταση της υγείας τους είναι πιο επιδεινωμένη από εκείνη του υπόλοιπου πληθυσμού και ότι αυτοί είναι που εκτελούν τις πιο επικίνδυνες εργασίας χωρίς προστασίες. Μήπως, όμως, και πίσω από αυτές τις προφανείς συνθήκες, κρύβεται και κάποιο άλλο γενετικό στοιχείο επιρροής4;

Πολλές άλλες ερωτήσεις παραμένουν ανοιχτές: η επίδραση των συν-παθολογιών, η ηλικία, το φύλο, η ομάδα αίματος, τα προηγούμενα εμβόλια, το κάπνισμα κ.λπ. Όλα αυτά απαιτούν λεπτομερή ανάλυση, η οποία θα πρέπει να γίνει σε τεράστιους όγκους δεδομένων. Και εδώ, επίσης, είναι η ανθρώπινη σκέψη που θα μπορεί να καθορίσει ποιοι παράγοντες μπορεί να μπερδέψουν, δηλαδή ποιοί συσχετισμοί δεν είναι αιτιακοί. Το ίδιο συμβαίνει και με την αξιολόγηση της αποτελεσματικότητας των θεραπειών, καθώς είναι μια ασθένεια που υποχωρεί αυθόρμητα στη μεγάλη πλειονότητα των περιπτώσεων. Μένει, τέλος, η διάρκεια και η αποτελεσματικότητα της ανοσίας που δημιουργεί η ασθένεια: είναι ένα ερώτημα πολύ σημαντικό για τη δυνατότητα μελλοντικών εμβολίων. Γιατί, άραγε, σε διεθνές επίπεδο, οι φτωχές χώρες -εκεί όπου ο εγκλεισμός μοιάζει αδύνατος και όπου το σύστημα υγείας είναι πολύ ασθενές- είναι ταυτόχρονα, τουλάχιστον για την ώρα, αυτές που πλήττονται λιγότερο; Είναι επαρκείς άραγε εξηγήσεις όπως το νεαρό του πληθυσμού τους ή η απουσία αξιόπιστων στατιστικών τους; Ενώ, αντίθετα, σε εθνικό επίπεδο, είναι τα φτωχότερα στρώματα που πλήττονται περισσότερο.

Για την ανακάλυψη μιας θεραπείας, η ΤΝ μπορεί να λειτουργήσει5 σχετικά εμπειρικά, αναζητώντας ουσίες που έχουν ήδη χρησιμοποιηθεί επιτυχώς σε ανθρώπους για άλλες μολυσματικές ασθένειες. Και πιο θεωρητικά, μπορεί να προσπαθήσει να εντοπίσει τη δομή των ιογενών πρωτεϊνικών στόχων και να βρεί, άρα, και πιθανές θεραπευτικές προσεγγίσεις. Τέλος, θα μπορούσε κανείς να σκεφτεί πιο κλασικές χρήσεις της ΤΝ, στην ερμηνεία ιατρικών απεικονίσεων6 ή στην ιχνηλάτηση των ασθενών. Φυσικά, αυτό το τελευταίο παράδειγμα δείχνει παραδειγματικά και τον ταυτόχρονα διφορούμενο ρόλο που μπορεί να διαδραματίσει η ΤΝ: ιχνηλάτηση ή χαφιεδισμός;

Η διαχείριση της υγειονομικής κρίσης αποκάλυψε και τα πλεονεκτήματα και τις αδυναμίες της ΤΝ. Ωστόσο, δεν υπάρχει αμφιβολία ότι, χάρη σε οξυδερκή εκμετάλλευσή της, θα μπορέσουμε να πετύχουμε εξουδετέρωση του ιού σε πολύ μικρότερο χρόνο από ό,τι στις περιπτώσεις της ευλογιάς, του κίτρινου πυρετού, της ιλαράς ή της πολιομυελίτιδας.

Η προέλευση της πανδημίας δεν είναι « απλή ». Υπάρχει, φυσικά, μια βιολογική αιτία, η ίδια η ύπαρξη ενός κακοήθους ιού. Γιατί όμως αναπτύχθηκε, περνώντας από τα ζώα στον άνθρωπο; Η αποψίλωση των δασών έχει παίξει ρόλο. Ούτε και η εξάλειψή του δεν είναι « απλό » ζήτημα. Υπάρχει σίγουρα μια βιολογική πλευρά (εμβόλια, θεραπεία), αλλά υπάρχει και μια κοινωνική και πολιτική πλευρά.

Πώς πρέπει οι κοινωνίες να οργανωθούν για να περιορίσουν την ασθένεια, παίρνοντας υπόψη και το ότι δεν είμαστε όλοι εξίσου θύματα και ένοχοι; Και αυτό σίγουρα δεν είναι πρόβλημα της ΤΝ.

Hubert Krivine

06/05/2020

Από το Viento Sur: Hubert Krivine Ciencia, Inteligencia artificial y COVID-19

Μετάφραση στα ελληνικά: Περιοδικό « 4 »

Από το ισπανικό & το γαλλικό (Hubert Krivine, « L’Intelligence artificielle et le Covid-19 : qu’offre et n’offre pas l’IA » )

[Ο Hubert Krivine είναι φυσικός. Το πιο πρόσφατο βιβλίο του κυκλοφόρησε το 2018 με τίτλο: « Comprendre sans prévoir, prévoir sans comprendre » [Κατανόηση χωρίς πρόβλεψη, πρόβλεψη χωρίς κατανόηση], Cassini, Παρίσι 2018.]

undefined


Σημειώσεις:

1Βλέπε και το άρθρο Hubert Krivine, « ¿Es inteligente la inteligencia artificial ? » Viento Sur της 5 Ιουλίου 2019. Στα γαλλικά, βλέπε ESSF (Europe Solidaire), άρθρο 39918, Hubert Krivine, « Le Big Data, pour faire quoi ? – Agir sans comprendre ? Savoir sans science ? ».

2Για παράδειγμα, η Dataminer στη Νέα Υόρκη ή η Bluedot στο Τορόντο.

3Με την εντυπωσιακή εξαίρεση της Google flu που θα προέβλεπε την επιδημία της γρίπης και που έκλεισε το 2015.

4Πράγμα που θα μπορούσε να εξηγήσει και γιατί άτομα ταυτόσημης υγειονομικής έκθεσης μπορεί να αντιδρούν τόσο διαφορετικά.

5https://www.theguardian.com/business/2020/mar/31/oxford-firm-to-screen-15000-drugs-in-search-for-coronavirus-treatment

6Review of Artificial Intelligence Techniques in Imaging Data Acquisition, Segmentation and Diagnosis for COVID-19. IEEE Reviews in Biomedical Engineering, April 2020.


https://tpt4.org/?p=4746

Σχολιάστε

Εισάγετε τα παρακάτω στοιχεία ή επιλέξτε ένα εικονίδιο για να συνδεθείτε:

Λογότυπο WordPress.com

Σχολιάζετε χρησιμοποιώντας τον λογαριασμό WordPress.com. Αποσύνδεση /  Αλλαγή )

Φωτογραφία Google

Σχολιάζετε χρησιμοποιώντας τον λογαριασμό Google. Αποσύνδεση /  Αλλαγή )

Φωτογραφία Twitter

Σχολιάζετε χρησιμοποιώντας τον λογαριασμό Twitter. Αποσύνδεση /  Αλλαγή )

Φωτογραφία Facebook

Σχολιάζετε χρησιμοποιώντας τον λογαριασμό Facebook. Αποσύνδεση /  Αλλαγή )

Σύνδεση με %s