TRADERS´GR 12/01

66 / 76

Βαςίκα
66
12.2016/01.2017
μηχανικής μάθησης και τεχνητής νοημοσύνης, αμείβονται
πλέον με μισθούς ανάλογους των πιο καλοπληρωμένων
τραπεζιτών.
Τί σημαίνει όμως “μηχανική μάθηση” και πώς μπορεί να
προγραμματίσει κάποιος έναν υπολογιστή να “μαθαίνει”; Για
παράδειγμα, πώς αναγνωρίζουν τη φωνή μας τα “έξυπνα
τηλέφωνα” και τα tablet και μας επιτρέπουν να υπαγορεύουμε
κείμενα; Πώς αναγνωρίζει ο ορθογράφος τί λέξη προσπαθούμε
να πληκτρολογήσουμε στο sms που θέλουμε να στείλουμε,
μόνο από την εισαγωγή μερικών γραμμάτων, πολλές
φορές ακόμη και με σφάλμα; Πώς μας καταλαβαίνουν τα
αυτοματοποιημένα κέντρα (“ρομποτικής”) τηλεφωνικής
εξυπηρέτησης των τραπεζών ή της κινητής τηλεφωνίας; Η
απάντηση είναι, αλγοριθμικά ή προγραμματιστικά “πολύ
δύσκολα”. Ωστόσο, χάρη στην υψηλή τεχνολογία πλέον, την
στατιστική και την επιστήμη της μηχανικής μάθησης, πολύ πιο
εύκολα.
οι αλγόριθμοι στην υπηρεσία μας
Είναι πολύ δύσκολο ή περίπλοκο, έως και πρακτικά αδύνατο,
να κατασκευάσουμε αλγορίθμους που να περιγράφουν σε
μηχανές πολλές γνώσεις, ακόμη και απλές. Για παράδειγμα,
είναι αρκετά δύσκολο να κατασκευάσουμε έναν αλγόριθμο,
ένα πρόγραμμα που να περιλαμβάνει ως δεδομένα και
παραμέτρους όλα τα χαρακτηριστικά όλων των αυτοκινήτων
που έχουν ποτέ κατασκευαστεί ώστε ένας υπολογιστής
να μπορεί να αναγνωρίσει εικόνες αυτοκινήτων. Παρότι
ένα αυτοκίνητο είναι σχετικά πολύ απλό για εμάς να το
αναγνωρίσουμε οπτικά, όταν έρθει η ώρα να το περιγράψουμε
σε ένα υπολογιστή με τέτοιο τρόπο ώστε αυτός να μπορεί να
αναγνωρίσει κάθε αυτοκίνητο που έχει ποτέ κατασκευαστεί,
από οποιαδήποτε οπτική γωνία, είναι πολύ πιο δύσκολο από
όσο ακούγεται. Ο λόγος είναι ότι ο ανθρώπινος εγκέφαλος
μαθαίνει περισσότερο με μεθόδους βαθιάς μάθησης, με
παραδείγματα, ενώ ο αλγοριθμικός προγραμματισμός
βασίζεται στην περιγραφή ενός συνόλου μαθηματικών
κανόνων και διαδικασιών που μπορεί να μην είναι σε θέση
να περιγράψουν επιτυχώς σε ένα υπολογιστή και με μεγάλη
ευστοχία, κάποιο αντικείμενο ή ιδέα.
Για παράδειγμα, ένα αυτοκίνητο έχει τέσσερις ρόδες αλλά
το ίδιο έχει και ένα κάρο ή ένα καροτσάκι για μωρά, επομένως η
παραμετροποίηση που απαιτείται στην περίπτωση αυτή, ώστε
ο υπολογιστής να διακρίνει την διαφορά των αντικειμένων
αυτών, οδηγεί σε πολύ περίπλοκη προγραμματιστική
προσέγγιση, τουλάχιστον αλγοριθμικά. Επιπλέον, για να
φτιάξουμε μια μηχανή που “μαθαίνει” όπως ο ανθρώπινος
εγκέφαλος, πρέπει να γνωρίζουμε επακριβώς πώς λειτουργεί
αυτός και πώς αποκτάται η γνώση, πράγμα που ακόμη δεν
έχει γίνει επιστημονικά κατανοητό, σε πολύ μεγάλο βαθμό.
Παράλληλα, ακόμη και εάν είχαμε ξεκλειδώσει τα μυστικά του
ανθρώπινου εγκεφάλου και της σκέψης, θα ήταν εξαιρετικά
περίπλοκο τεχνικά να κατασκευάσουμε μηχανές ή λογισμικό
που προσομοιάζουν στη λειτουργία τους πιστά τον ανθρώπινο
νου. Για το λόγο αυτό, οι επιστήμονες στο χώρο της μηχανικής
μάθησης και της τεχνητής νοημοσύνης, επινόησαν ένα
διαφορετικό μονοπάτι, ορμώμενοι από το πώς (υποθέτουμε
ότι) μαθαίνει ο ανθρώπινος νους.
Το “κλειδί” της λύσης στο παραπάνω πρόβλημα
βρίσκεται στο να μάθουμε με παραδείγματα, έναν
υπολογιστή να διακρίνει διάφορα αντικείμενα ή ιδέες. Τον
τροφοδοτούμε με εκατοντάδες χιλιάδες εικόνες αντικειμένων
(αυτοκινήτων και άλλων), μαζί με τη σωστή απάντηση του
τί περιγράφει η κάθε εικόνα, και ελέγχουμε πώς το σύστημα
χρησιμοποιεί αυτήν την εμπειρία, για να κατηγοριοποιήσει
κάποιες νέες εικόνες που θα του δείξουμε. Ο στόχος μας
είναι να διδάξουμε τη μηχανή με παραδειγματισμό, όπως
θα μαθαίναμε σε ένα παιδάκι να ξεχωρίζει το ζεστό από το
κρύο, το κόκκινο από το πράσινο ή το σκύλο από τη γάτα.
Όπως μπορεί να καταλάβει κανείς, μια διαδικασία μάθησης
τύπου “Deep Learning”, δηλαδή βαθιάς μάθησης (Awad &
Khanna 2015), απαιτεί τεράστιο μέγεθος πληροφόρησης
και υπολογιστικής ισχύος. Στις μέρες μας όμως, 20 χρόνια
περίπου μετά την επιστημονική σύλληψη της “Βαθιάς
Μάθησης”, αυτά τα δύο παραπάνω χαρακτηριστικά δεν
αποτελούν πλέον σημαντικούς περιορισμούς.
η “εξαγωγή χαρακτηριστικών”
Feature Extraction
Μία από τις πιο μεγάλες προκλήσεις με τα παραδοσιακά
μοντέλα μηχανικής μάθησης είναι μια διαδικασία που
ονομάζεται “εξαγωγή χαρακτηριστικών” (feature extraction).
Συγκεκριμένα, ο προγραμματιστής πρέπει να πει στον
υπολογιστή τι είδους πληροφόρηση θα πρέπει να ψάχνει
μέσα στα δεδομένα ώστε να καταλήξει σε ένα “σωστό”
συμπέρασμα. Με άλλα λόγια, αν τροφοδοτήσουμε με απλή,
ακατέργαστη πληροφόρηση χωρίς καμία πρώιμη επεξεργασία
ένα υπολογιστικό σύστημα, όσο εξελιγμένος και εάν είναι ο
Κώστας Βορλόου
Ο Δρ. Κώστας Βορλόου είναι
Οικονομολόγος με ειδίκευση στην
Οικονομετρία και το Finance. Έχει
εργαστεί ως ακαδημαϊκός στην Αγγλία
και Senior Economist στον τραπεζικό και
επενδυτικό τομέα. Ειδικεύεται στο Risk
Management και το Algorithmic Trading.
Οι επενδυτικoί του αλγόριθμοι συνδιάζουν
κλασσικούς τεχνικούς κανόνες με
στατιστική-οικονομετρία, θεωρία του
χάους και τεχνητή νοημοσύνη.
,