Ο ΒΑΣΙΛΗΣ ΣΥΡΓΚΑΝΗΣ είναι επίκουρος καθηγητής του τμήματος Διοικητικής Επιστήμης και Τεχνολογίας και του τμήματος Επιστήμης Υπολογιστών του Πανεπιστημίου του Στάνφορντ. Η έρευνά του αφορά τους τομείς της τεχνητής νοημοσύνης και της μηχανικής μάθησης, της θεωρίας των παιγνίων και των αλγορίθμων, με απώτερο στόχο τη βέλτιστη λήψη αποφάσεων με τη χρήση δεδομένων.
Γεννήθηκε στη Θεσσαλονίκη το 1986 και για το έργο του έχει τιμηθεί πολλαπλώς. Η ερευνητική του ομάδα δουλεύει πάνω σε θέματα μηχανικής μάθησης και τεχνητής νοημοσύνης με επίκεντρο την ανακάλυψη σχέσεων αιτιότητας και τη λήψη αποφάσεων, χρησιμοποιώντας δεδομένα μεγάλων διαστάσεων που βρίσκουν εφαρμογή κυρίως στη βιοϊατρική, στη διοίκηση επιχειρήσεων και στις ηλεκτρονικές πλατφόρμες. Μένει στο Στάνφορντ μαζί με τη σύζυγό του και τις δυο τους κόρες.
Αυτές τις μέρες ταξίδεψε στην Αθήνα λόγω της βράβευσής του από τα Επιστημονικά Βραβεία 2023 του Ιδρύματος Μποδοσάκη. Να θυμίσουμε ότι από το 1992 έχουν βραβευτεί από το ίδρυμα 61 Έλληνες και Ελληνίδες νέοι/-ες (έως 40 ετών) επιστήμονες που πρωτοπορούν στον παγκόσμιο ερευνητικό χώρο και έχουν ήδη συμβάλει σημαντικά στην πρόοδο της επιστήμης με τις κορυφαίες επιδόσεις τους.
Είμαστε πολύ μακριά από το σημείο που τα συστήματα τεχνητής νοημοσύνης θα αποτελούν κίνδυνο στην κυριαρχία του ανθρώπινου είδους. Τα νέα συστήματα είναι περισσότερο εξελιγμένα εργαλεία που θα μπορέσει να χρησιμοποιεί ο άνθρωπος για να αυξήσει την παραγωγικότητά του σε πολλούς τομείς. Φυσικά, σε λάθος χέρια μπορεί να αποτελέσουν κίνδυνο, αλλά αυτό συμβαίνει με πολλά άλλα «εργαλεία» που έχουμε στη διάθεσή μας.
Στη συνέντευξη που ακολουθεί μιλά για τις προκλήσεις της εποχής μας, την τεχνητή νοημοσύνη, τις έρευνές του στον τομέα της μηχανικής μάθησης, για το αν απειλείται η κυριαρχία του ανθρώπινου είδους, για τους νέους και τι τροφοδοτεί την περιέργειά του.
— Ας ξεκινήσουμε από τη βράβευσή σας. Τι σημαίνει για σας να είστε ανάμεσα στους νέους επιστήμονες που με τις κορυφαίες επιδόσεις τους περιλαμβάνονται στα Επιστημονικά Βραβεία 2023 του Ιδρύματος Μποδοσάκη;
Το βραβείο Μποδοσάκη είναι από τις μεγαλύτερες τιμές που έχω λάβει στην επιστημονική μου καριέρα και θα έλεγα η πιο σημαντική. Παλιότερα το βραβείο αυτό έχει απονεμηθεί σε επιστήμονες που έχουν αποτελέσει και αποτελούν ακόμη πρότυπα για μένα. Η αναγνώριση της προσφοράς μου στον επιστημονικό μου τομέα από την ελληνική ακαδημαϊκή κοινότητα είναι βαθύτατα συγκινητική, αν λάβουμε υπόψη το πλήθος των ταλαντούχων Ελλήνων νέων επιστημόνων στον ευρύτερο τομέα της τεχνητής νοημοσύνης.
— Ζούμε στην εποχή της επιστημονικής φαντασίας;
Ζούμε σίγουρα σε μια εποχή ραγδαίας τεχνολογικής εξέλιξης και σίγουρα πολλών και συχνών τεχνολογικών επιτευγμάτων στον τομέα ειδικά της τεχνητής νοημοσύνης. Είναι σύνηθες ιδέες που βρίσκονται στη σφαίρα της επιστημονικής φαντασίας να είναι προοίμιο κατοπινών τεχνολογικών και επιστημονικών επιτευγμάτων. Ίσως στις μέρες μας αυτή η μετάβαση να γίνεται σε πολύ πιο σύντομο χρονικό διάστημα. Παρά τις εντυπωσιακές πρόσφατες εξελίξεις στον τομέα των μεγάλων γλωσσικών μοντέλων, που σίγουρα θα επηρεάσουν πολλούς τομείς της καθημερινότητάς μας αλλά και βιομηχανικούς, είμαστε ακόμη πολύ μακριά από τη δημιουργία συστημάτων γενικής νοημοσύνης.
— Εσείς ποια πιστεύετε ότι είναι η μεγαλύτερη πρόκληση που έχουμε να αντιμετωπίσουμε στις μέρες μας;
Όσον αφορά τον τομέα της τεχνητής νοημοσύνης, σίγουρα μια μεγάλη πρόκληση είναι η ανάπτυξη ρυθμιστικών νομοθεσιών και πολιτικών που να αποτρέπουν τη μη ηθική χρήση των σύγχρονων τεχνολογικών συστημάτων. Βρισκόμαστε σε ένα κομβικό σημείο όπου η ανάπτυξη νέων συστημάτων τεχνητής νοημοσύνης συμβαίνει με τόσο ραγδαίο ρυθμό που ακόμη και οι ίδιοι οι επιστήμονες του τομέα δεν έχουμε πλήρη κατανόηση των αρχών που διέπουν αυτά τα συστήματα, των προβλημάτων που έχουν και των ορίων των δυνατοτήτων τους. Συνεπώς, η αλόγιστη χρήση τους ενέχει αρκετούς κινδύνους.
— Θέλετε να μας δώσετε κάποια παραδείγματα;
Πρώτον, τα νέα μοντέλα τεχνητής νοημοσύνης βασίζονται σε δεδομένα, όπως κείμενα και έργα τέχνης πολλών ανθρώπων. Δεν είναι αυτονόητο πως τα πνευματικά δικαιώματα αυτών των ανθρώπων διαφυλάσσονται αν κάποιος χρησιμοποιήσει τις εικόνες και τα κείμενά τους για να παραγάγει περιεχόμενο μέσω των συστημάτων τεχνητής νοημοσύνης, που αρκετές φορές είναι ένας συνδυασμός των δεδομένων στα οποία στηρίχθηκαν. Δεύτερον, αν αρχίσουμε να δίνουμε στα συστήματα αυτά τη δυνατότητα να εκτελούν ενέργειες που επηρεάζουν τον πραγματικό κόσμο εκπροσωπώντας μας, δηλαδή να αυτενεργούν (κάτι που σίγουρα είναι πολύ κοντά), δεν θα είναι σαφές ποιος θα είναι υπεύθυνος για τις επιπτώσεις των ενεργειών τους.
— Στόχος σας είναι η λήψη βέλτιστων αποφάσεων με τη χρήση μεγάλου όγκου δεδομένων σε τομείς όπως η βιοϊατρική, η διοίκηση επιχειρήσεων και οι ηλεκτρονικές πλατφόρμες. Πείτε μας λίγα λόγια για το επιστημονικό σας έργο.
Η ερευνά μου αφορά τον ευρύτερο τομέα της μηχανικής μάθησης. Ο κύριος στόχος του τομέα της μηχανικής μάθησης είναι η ανάπτυξη αλγορίθμων που επιτρέπουν στους υπολογιστές να μαθαίνουν μοντέλα πρόβλεψης κάποιας ποσότητας, διαβάζοντας ιστορικά δεδομένα. Αυτό το γενικό πρόβλημα βρίσκει πολλαπλές εφαρμογές. Για παράδειγμα, στον τομέα της οικονομίας, αν έχουμε ιστορικά δεδομένα που περιλαμβάνουν χαρακτηριστικά αγοράς και ζήτηση ενός προϊόντος, μπορεί ο υπολογιστής, κοιτάζοντας αυτά τα δεδομένα, να μάθει έναν κανόνα, ώστε, αν του δώσουμε μια νέα αγορά και τα χαρακτηριστικά της, να προβλέψει τη ζήτηση. Στον τομέα της υγείας, αν έχουμε ιστορικά δεδομένα που περιλαμβάνουν τις γονιδιακές μεταλλάξεις πολλών ατόμων και τις ασθένειες που ανέπτυξαν στην ενήλικη ζωή τους, μπορεί ο υπολογιστής να μάθει έναν κανόνα ώστε αν του δώσουμε ένα άτομο με καινούργιο προφίλ μεταλλάξεων να προβλέψει τις ασθένειες που πιθανώς θα αναπτύξει. Τέτοιοι αλγόριθμοι πρόβλεψης βρίσκονται και στην καρδιά των νέων συστημάτων τεχνητής νοημοσύνης όπως το ChatGPT, όπου ο αλγόριθμος προσπαθεί να μάθει κανόνες που να προβλέπουν ποια είναι η επόμενη λέξη σε ένα κείμενο.
Τα συστήματα μηχανικής μάθησης, παρόλο που λύνουν ένα πρόβλημα πρόβλεψης, αρκετά συχνά χρησιμοποιούνται και για τη λήψη αποφάσεων. Για παράδειγμα, μοντέλα πρόβλεψης ζήτησης ενός προϊόντος συχνά χρησιμοποιούνται για την απόφαση μιας βέλτιστης τιμής. Μοντέλα πρόβλεψης της πιθανότητας ανάπτυξης μιας ασθένειας ή του προσδόκιμου ζωής ενός ασθενούς συχνά χρησιμοποιούνται για τη χορήγηση κάποιας θεραπείας.
— Ελλοχεύει όμως εδώ ο κίνδυνος της αποτυχίας;
Πράγματι, η χρήση τεχνικών μηχανικής μάθησης για τη λήψη αποφάσεων μπορεί να αποτύχει παταγωδώς αν χρησιμοποιηθεί χωρίς δεύτερη σκέψη. Για να σας δώσω ένα παράδειγμα: σε εταιρείες τεχνολογίας όπως η Microsoft συχνά κατασκευάζονται μοντέλα μηχανικής μάθησης που προβλέπουν ποιος από τους χρήστες των προϊόντων είναι πιο πιθανό να συνεχίσει να τα χρησιμοποιεί και το επόμενο έτος. Τέτοια μοντέλα χρησιμοποιούνται για να ληφθούν αποφάσεις, όπως τι αλλαγές θα κάνουμε στο προϊόν. Ένα τέτοιο μοντέλο μηχανικής μάθησης έμαθε από ιστορικά δεδομένα ότι χρήστες που ανέφεραν πιο πολλά τεχνικά λάθη στο λογισμικό ήταν πιο πιθανό να το χρησιμοποιήσουν και την επόμενη χρονιά. Σίγουρα αυτό δεν πρέπει να μας οδηγήσει στην απόφαση να δημιουργήσουμε περαιτέρω τεχνικά λάθη για να αυξήσουμε τη χρήση του προϊόντος μας.
Το πρόβλημα με τα μοντέλα μηχανικής μάθησης είναι ότι μαθαίνουν μοτίβα συσχέτισης μεταξύ των ποσοτήτων που οδηγούν σε πιο ακριβή πρόβλεψη, χωρίς αυτό να σημαίνει ότι αυτά τα μοτίβα συσχέτισης έχουν κατ’ ανάγκη και σχέση αιτιότητας. Όταν όμως θέλουμε να πάρουμε κάποια απόφαση, μας ενδιαφέρουν κατά προτεραιότητα οι σχέσεις αιτιότητας. Πώς θα αλλάξει η ποσότητα που μας ενδιαφέρει αν αλλάξουμε μια μεταβλητή στο σύστημα, για την οποία θέλουμε να πάρουμε μια απόφαση; Πώς θα αλλάξει η ζήτηση, αν αλλάξουμε την τιμή; Πώς θα αλλάξει το προσδόκιμο ζωής, αν χορηγήσουμε μια θεραπεία;
Η ανακάλυψη τέτοιων σχέσεων αιτιότητας από δεδομένα αποτελεί έναν επιστημονικό κλάδο με πολύχρονη ιστορία από τις αρχές του 19ου αιώνα. Όμως πολλές από τις μεθόδους που αναπτύχθηκαν στον κλάδο αυτό, είτε δεν είναι εφαρμόσιμοι στο είδος των δεδομένων που αντιμετωπίζουμε στις μέρες μας, με μεγάλο αριθμό μεταβλητών, είτε χρησιμοποιούν απλοϊκά μοτίβα για τις σχέσεις μεταξύ των εκάστοτε μεταβλητών στα δεδομένα μας.
— Ποιος είναι ο κύριος στόχος της έρευνας σας;
Τα συγκεκριμένα προβλήματα είναι και αυτά ακριβώς στα οποία οι τεχνικές μηχανικής μάθησης μπορούν να βοηθήσουν με καθοριστικό τρόπο. Αυτός είναι και ο κύριος στόχος της έρευνάς μου τα τελευταία χρόνια: πώς μπορούμε να χρησιμοποιήσουμε τις τεχνικές μηχανικής μάθησης για να ανιχνεύσουμε σχέσεις αιτιότητας και όχι για να λύσουμε προβλήματα πρόβλεψης, σε δεδομένα με πολλές μεταβλητές και χωρίς να υποθέτουμε απλοϊκές σχέσεις μεταξύ αυτών των μεταβλητών.
Ένα παράδειγμα της συνεισφοράς μου στο πεδίο είναι η ανάπτυξη αλγορίθμων μηχανικής μάθησης για την ανακάλυψη κανόνων σχετικά με το πώς μια σχέση αιτιότητας αλλάζει βάσει άλλων χαρακτηριστικών. Για παράδειγμα, στον τομέα της υγείας θέλουμε να μάθουμε σε ποιων υποομάδων το προσδόκιμο ζωής θα έχει τη μεγαλύτερη επίδραση μια νέα θεραπεία ως συνάρτηση γονιδιακών και άλλων χαρακτηριστικών του ασθενούς. Στον τομέα των ηλεκτρονικών αγορών θέλουμε να μάθουμε για ποιους επισκέπτες μια εκπτωτική προσφορά θα έχει μεγαλύτερη επίδραση στην απόφαση να αγοράσουν η όχι το προϊόν. Αυτοί οι κανόνες μπορούν να μας οδηγήσουν στη λήψη βέλτιστων εξατομικευμένων αποφάσεων.
Ένας άλλος κύριος στόχος του έργου μου είναι η εφαρμογή αυτών των μεθόδων σε διάφορους τομείς και η ανάπτυξη λογισμικού που να καθιστά εφικτή τη χρήση αυτών των τεχνικών από μη ειδικευμένους επιστήμονες. Για παράδειγμα, κατά τη διάρκεια της θητείας μου στη Microsoft εφαρμόσαμε αυτές τις τεχνικές για να ανακαλύψουμε ποιες από τις επενδύσεις που κάνει η Microsoft στους πελάτες της έχουν τη μεγαλύτερη επίπτωση στην χρήση των προϊόντων της σε βάθος χρόνου.
Παράλληλα, σε συνεργασία με την ηλεκτρονική πλατφόρμα TripAdvisor, εφαρμόσαμε αυτές τις μεθόδους για να ανακαλύψουμε σε ποιων υποομάδων την επισκεψιμότητα οι συνδρομητικές υπηρεσίες που προσφέρει η πλατφόρμα έχουν τη μεγαλύτερη επίπτωση. Με συνεργάτες στο Στάνφορντ προσπαθούμε να εφαρμόσουμε αυτές τις τεχνικές και στην ανακάλυψη γονιδιακών μεταλλάξεων που προκαλούν την ανάπτυξη κάποιας ασθένειας ή διαφοροποιούν την επιτυχία κάποιας θεραπείας.
Τέλος, το λογισμικό EconML που αναπτύξαμε με την ομάδα μου στη Microsoft, χρησιμοποιείται πλέον από πολλές ομάδες ανάλυσης δεδομένων σε εταιρείες του τεχνολογικού κλάδου για την ανακάλυψη τέτοιων πολύπλοκων σχέσεων αιτιότητας και για τη λήψη εξατομικευμένων αποφάσεων. Πλέον έχει ενσωματωθεί στις υπηρεσίες της Microsoft τις σχετικές με την υπεύθυνη χρήση μεθόδων τεχνητής νοημοσύνης στην πράξη.
— Πόσο θα επηρεάσει τη ζωή μας η τεχνητή νοημοσύνη; Ο αλγόριθμος του ChatGPT τι θα αλλάξει στην καθημερινότητά μας;
Θεωρώ πως σύντομα πολλά από τα τεχνολογικά εργαλεία που χρησιμοποιούμε στην καθημερινότητά μας θα βασίζονται σε μεθόδους generative AI. Είμαστε πολύ κοντά στο σημείο που στον καθένα μας θα αντιστοιχεί ένας προσωπικός βοηθός AI, θα μας βοηθάει σε πολλές καθημερινές δουλειές και θα συνεννοείται με βοηθούς ΑΙ συνεργατών και φίλων μας. Όπως δεν μπορούμε σήμερα να φανταστούμε πως πριν από λίγα μόλις χρόνια κάναμε πολλές καθημερινές εργασίες χωρίς τη χρήση έξυπνων κινητών, σύντομα θα φτάσουμε σε ένα σημείο που δεν θα μπορούμε να φανταστούμε πώς κάναμε πολλές καθημερινές εργασίες χωρίς τον προσωπικό μας AI βοηθό.
— Τι σημαίνει σήμερα να είμαστε άνθρωποι σε μια περίοδο που οι μηχανές κάνουν τόσο πολλά; Μήπως βιώνουμε το τέλος της κυριαρχίας του ανθρώπινου είδους;
Είμαστε πολύ μακριά από το σημείο που τα συστήματα τεχνητής νοημοσύνης θα αποτελούν κίνδυνο στην κυριαρχία του ανθρώπινου είδους. Τα νέα συστήματα είναι περισσότερο εξελιγμένα εργαλεία που θα μπορέσει να χρησιμοποιεί ο άνθρωπος για να αυξήσει την παραγωγικότητά του σε πολλούς τομείς. Φυσικά, σε λάθος χέρια μπορεί να αποτελέσουν κίνδυνο, αλλά αυτό συμβαίνει με πολλά άλλα «εργαλεία» που έχουμε στη διάθεσή μας. Βέβαια, σύντομα θα είναι απαραίτητο κάποιος να χρησιμοποιεί εργαλεία AI στην εργασία του για να μπορέσει να παραμείνει ανταγωνιστικός. Για τον ίδιο λόγο που η γνώση του υπολογιστή είναι απαραίτητη στις μέρες μας, η γνώση της σωστής χρήσης συστημάτων τεχνητής νοημοσύνης θα είναι σύντομα εξίσου απαραίτητη. Για παράδειγμα, στον τομέα του προγραμματισμού η χρήση συστημάτων τεχνητής νοημοσύνης ήδη έχει αυξήσει των ρυθμό παραγωγής λογισμικού, σε βαθμό που σύντομα, αν ένας προγραμματιστής δεν χρησιμοποιεί τέτοιο λογισμικό, δεν θα μπορεί να αντεπεξέλθει στους ρυθμούς παραγωγής που θα του ζητούνται.
— Τι συμβουλή θα δίνατε σε έναν νέο; Να μείνει ή να φύγει στο εξωτερικό;
Η ευρεία εφαρμογή της τηλεργασίας και της τηλεκπαίδευσης έχει σίγουρα βοηθήσει ώστε η γνώση νέων τεχνολογιών να είναι πολύ πιο εύκολα προσβάσιμη από παντού και να υπάρχουν περισσότερες εργασιακές ευκαιρίες στον τομέα στην Ελλάδα. Παράλληλα, η ποιότητα εκπαίδευσης στην πληροφορική στην Ελλάδα είναι σε πολύ καλό επίπεδο και συνεχώς βλέπω τη δημιουργία νέων εταιρειών τεχνολογίας στον ελλαδικό χώρο, που έχουν διεθνή απήχηση. Συνεπώς θεωρώ ότι σίγουρα οι λόγοι κάποιος να φύγει στο εξωτερικό, αν θέλει να ακολουθήσει μια καριέρα στις νέες τεχνολογίες και συγκεκριμένα στον τομέα της τεχνητής νοημοσύνης, θα είναι πολύ λιγότεροι απ’ ό,τι πριν από μερικά χρόνια. Σίγουρα η προσωρινή εμπειρία σε τεχνολογικά κέντρα του εξωτερικού είναι πολύτιμη, αλλά πιστεύω ότι αρκεί για να γυρίσει κάποιος και να παραγάγει έργο με διεθνή απήχηση στην Ελλάδα. Αρκεί να αγαπάει τη δημιουργία, τη διαρκή αναζήτηση γνώσης, να είναι εργατικός και να παίρνει πρωτοβουλίες.
— Τι είναι αυτό που τροφοδοτεί την περιέργειά σας; Ζείτε συνεχώς μ’ ένα «γιατί»;
Ένα από τα πιο ωραία συναισθήματα στην έρευνα είναι όταν ανακαλύπτεις κάτι καινούργιο. Όταν συνειδητοποιείς ότι βρίσκεσαι νοητικά σε ένα σημείο που είναι στα όρια της ανθρώπινης γνώσης και βάζεις ένα λιθαράκι για να προχωρήσεις παραπέρα. Αυτή η διαρκής αναζήτηση και προσπάθεια να σπρώξουμε τα όρια της επιστημονικής μας γνώσης είναι το βασικό κίνητρο που καθοδηγεί την καθημερινή μου ενασχόληση με την έρευνα.
— Τι θεωρείτε σημαντικό στη ζωή;
Την οικογένεια, την προσφορά στον συνάνθρωπο και στην επιστήμη μέσω του έργου σου.
