Οι τεχνολογίες που βασίζονται στην τεχνητή νοημοσύνη και ποιες εφαρμογές μπορεί να έχουν χρήση στη βελτιστοποίηση της παραγωγικής διαδικασίας των μεγάλων επιχειρήσεων.

Η Τεχνητή Νοημοσύνη (ΤΝ) ξεκίνησε επίσημα ως κλάδος της Επιστήμης των Υπολογιστών το 1956, θέτοντας ως στόχο την κατασκευή συστημάτων ικανών να σκέφτονται ή/και να ενεργούν σαν τον άνθρωπο. Μπορεί ο φιλόδοξος αυτός στόχος να μην έχει επιτευχθεί (και ίσως να μην επιτευχθεί ποτέ), τα επιμέρους όμως επιτεύγματά της ΤΝ είναι σημαντικά και επηρεάζουν κάθε πτυχή της οικονομίας, από το εμπόριο και τη βαριά βιομηχανία μέχρι την καθημερινότητα, ενώ προβάλλονται αρκούντως από τα μέσα ενημέρωσης, συγκρινόμενα ίσως μόνο με αυτά της βιοτεχνολογίας.

Χρήσεις της τεχνητής νοημοσύνης
Κάτω από τον γενικό τίτλο «Τεχνητή Νοημοσύνη» καλύπτονται πλήθος τεχνολογιών, ανεξάρτητων, αλλά και επικαλυπτόμενων μεταξύ τους. Οι σημαντικότερες εξ αυτών είναι:

  • Συστήματα υποβοήθησης λήψης αποφάσεων: Βασικό χαρακτηριστικό των παραδοσιακών συστημάτων ΤΝ είναι η αναπαράσταση γνώσης, είτε με τη μορφή της Αριστοτέλειας Λογικής, είτε ως πιθανοκρατικά μοντέλα. Έχοντας αναπαραστήσει τη γνώση για ένα πεδίο εφαρμογής, το επόμενο βήμα είναι η αξιοποίησή της για την εξαγωγή συμπερασμάτων και τη λήψη αποφάσεων. Το εύρος των εφαρμογών εκτείνεται από προγράμματα που παίζουν επιτραπέζια παιχνίδια (π.χ., σκάκι), έως προγράμματα που πραγματοποιούν ιατρικές διαγνώσεις ή καταστρώνουν επιχειρησιακά πλάνα (π.χ., προβλήματα logistics).
  • Επεξεργασία και κατανόηση φυσικής γλώσσας: Ο αυτοματοποιημένος χειρισμός της φυσικής γλώσσας, τόσο σε προφορική όσο και σε γραπτή μορφή, επιτρέπει μεγάλο πλήθος εφαρμογών, όπως γραμματική/συντακτική διόρθωση κειμένου, μετάφραση, κατηγοριοποίηση κειμένου, σύνοψη κειμένου, έως έξυπνους βοηθούς, που είναι σε θέση να διεξάγουν συζήτηση και να αποσπάσουν πληροφορίες από τον συνομιλητή τους.
  • Μηχανική όραση: Αφορά την αναγνώριση αντικειμένων μέσω μίας ή περισσοτέρων καμερών. Οι εφαρμογές της κυμαίνονται από έλεγχο αντικειμένων σε γραμμή παραγωγής, αναγνώριση της οδικής κίνησης, αναγνώριση προσώπων, έως και εντοπισμό στόχων σε στρατιωτικές εφαρμογές.
  • Μηχανική μάθηση: Αποτελεί ίσως τoν πιο προβεβλημένο κλάδο της ΤΝ, έχοντας επιδείξει σημαντική πρόοδο τα τελευταία 10 χρόνια, υποβοηθούμενη από την τεράστια διαθεσιμότητα δεδομένων (big data) και την πρόοδο στις δυνατότητες των σύγχρονων υπολογιστών, συνεπικουρούμενων από την επεξεργαστική ισχύ των καρτών γραφικών (GPUs). Ουσιαστικά η μηχανική μάθηση αποτελεί μετεξέλιξη της κλασικής στατιστικής και της θεωρίας πιθανοτήτων, όπου όμως, τα μοντέλα που χτίζονται με χρήση μεθόδων ΤΝ (κυρίως Νευρωνικών Δικτύων, αλλά όχι μόνο) δεν είναι ισχυρά θεμελιωμένα σε πιθανοκρατικά μοντέλα, αλλά βασίζονται σε εμπειρική αξιολόγησή τους σε μεγάλους όγκους δεδομένων. Η πρόοδος στο χώρο της μηχανικής μάθησης έχει βοηθήσει και όλους τους προαναφερθέντες κλάδους της ΤΝ, με αποτέλεσμα πολλά από τα σύγχρονα επιτεύγματά σε αυτούς να βασίζονται σε εφαρμογή μεθόδων μηχανικής μάθησης.
  • Ρομποτική: Η ρομποτική αποτελεί έναν κλάδο στον οποίο συναντώνται η ΤΝ με τις επιστήμες του μηχανικού, ειδικότερα του μηχανολόγου και του ηλεκτρολόγου. Η ΤΝ αναλαμβάνει να κατασκευάσει το «μυαλό» ενός ρομπότ, το οποίο λαμβάνει ερεθίσματα από το περιβάλλον του και αποφασίζει τις ενέργειές του. Τα βιομηχανικά ρομπότ έχουν αυτοματοποιήσει πολλές εργασίες σε γραμμές συναρμολόγησης και παραγωγής, όμως ο χώρος έχει ακόμη μεγάλες δυνατότητες εξέλιξης. Στην κατηγορία της ρομποτικής μπορούν να ενταχθούν και τα αυτόνομα οχήματα.

Εφαρμογές στην παραγωγή
Υπάρχουν πολλές ευκαιρίες αξιοποίησης των μεθόδων της ΤΝ στην παραγωγική διαδικασία. Ουσιαστικά πρόκειται για μετεξέλιξη των παλαιότερων μεθόδων αυτοματισμού, ενισχυμένων με αυξημένες δυνατότητες ανάλυσης μεγάλων όγκων δεδομένων και λήψης άμεσων αποφάσεων. Ως παραδείγματα θα μπορούσαν να αναφερθούν τα εξής:

  • Παρακολούθηση λειτουργίας βιομηχανικών μηχανημάτων μέσω αισθητήρων, εκμάθηση μοντέλων κανονικής λειτουργίας με δυνατότητα έγκαιρης διάγνωσης βλαβών μέσω ανίχνευσης μη-αναμενόμενων σημάτων.
  • Επιτήρηση χώρων, παρακολούθηση κίνησης, καταμέτρηση εισερχομένων/εξερχομένων σε εγκαταστάσεις με δυνατότητα ταυτοποίησης προσώπων, έλεγχος τήρησης προδιαγραφών (π.χ., ατομικά μέτρα προστασίας/ασφάλειας), κλπ.
  • Βελτιστοποίηση χρήσης αποθηκευτικού χώρου, με αυτόνομα ρομπότ εισαγωγής/εξαγωγής προϊόντων σε αποθήκες. Δυνατότητα οπτικής αναγνώρισης των προϊόντων, χωρίς να είναι απαραίτητη η αποθήκευσή τους σε συγκεκριμένες θέσεις.
  • Βελτιστοποίηση δρομολόγησης προϊόντων, μέσων μεταφοράς και προσωπικού. Πρόκειται για μια από τις κλασικές εφαρμογές της ΤΝ, η οποία επιτρέπει σε επιχειρήσεις με μεγάλο στόλο οχημάτων και πολλά προϊόντα, που πρέπει να μεταφερθούν μεταξύ των αποθηκών και των τελικών πελατών, να οργανώσουν τις μετακινήσεις τους με τον βέλτιστο δυνατό τρόπο.
  • Έξυπνη και αυτοματοποιημένη γεωργία, από την παραγωγή των προϊόντων (παρακολούθηση των χωραφιών, αυτοματοποίηση των γεωργικών εργασιών με χρήση αυτόνομων οχημάτων και ρομπότ, από το όργωμα μέχρι τη συγκομιδή), μέχρι τη διανομή τους στους τελικούς καταναλωτές. Ο μελλοντικός «γεωργός» θα μπορεί να συντονίζει τις εργασίες από το σπίτι του, χωρίς να χρειάζεται να βρίσκεται (αυτός ή κάποιος άλλος) δίπλα στο χωράφι. Υπηρεσίες μεταφοράς προϊόντων μπορούν να αξιοποιηθούν από πολλές μικρές αγροτικές επιχειρήσεις (και όχι μόνο), όπου αλγόριθμοι ΤΝ θα υπολογίζουν τη βέλτιστη δρομολόγηση των προϊόντων, ώστε να ελαχιστοποιήσουν τόσο τον χρόνο μεταφοράς τους, όσο και το κόστος.
  • Χρήση αυτόνομων εναέριων οχημάτων (drones) για επιτήρηση χώρων και μεταφορά προϊόντων.
  • Εξελιγμένα λογισμικά συνομιλίας (chat bots) για αυτοματοποιημένη εξυπηρέτηση πελατών.
  • Έξυπνη προώθηση προϊόντων, μέσα από στοχευμένες και εξατομικευμένες διαφημίσεις, αξιοποιώντας τις τεχνικές συνεργατικής μάθησης. Δημιουργία έξυπνων προφίλ χρηστών, με σεβασμό στη νομοθεσία περί προστασίας προσωπικών δεδομένων, με αξιοποίηση των δεδομένων για τα οποία οι χρήστες έχουν παραχωρήσει την άδεια χρήσης των.

Κίνδυνος στην πράξη
Ο παραπάνω κατάλογος εφαρμογών της ΤΝ στην παραγωγή σε καμία περίπτωση δεν είναι εξαντλητικός. Εξάλλου, τόσο οι ερευνητές, όσο και οι επιχειρήσεις, συνεχώς μας καταπλήσσουν με τις φρέσκες ιδέες τους. Δεν θα πρέπει ωστόσο να μας αφήνει αδιάφορους η υποκατάσταση πολλών θέσεων εργασίας από αυτοματοποιημένα συστήματα ΤΝ. Η εισαγωγή της ΤΝ στην παραγωγή θα πρέπει να συνοδευτεί από διαρκή επιμόρφωση του εργατικού δυναμικού σε νέες τεχνολογίες, με έμφαση στη νέα γενιά, με αναπροσανατολισμό της τριτοβάθμιας εκπαίδευσης προς σύγχρονες παραγωγικές ειδικότητες, ικανές να στηρίξουν τη χώρα μας στις επόμενες δεκαετίες. Ειδάλλως, υπάρχει ο κίνδυνος η αυξημένη παραγωγή να μην βρίσκει αγοραστές που θα την απορροφήσουν.
*Ο κ. Γιάννης Ρεφανίδης είναι καθηγητής του Τμήματος Εφαρμοσμένης Πληροφορικής του Πανεπιστημίου Μακεδονίας, με γνωστικό αντικείμενο την Τεχνητή Νοημοσύνη