Παντελής Λάππας

"Το ρίσκο είναι η πιθανότητα ένα αποτέλεσμα να αποκλίνει από αυτό που περιμένουμε, και η απόκλιση αυτή να έχει συνέπειες. Δεν σημαίνει απλώς κίνδυνος, αλλά αβεβαιότητα με επίπτωση. Το ρίσκο έχει πάντα δύο συστατικά: την αβεβαιότητα —δηλαδή δεν ξέρουμε ακριβώς τι θα συμβεί— και τις συνέπειες, το ότι αυτό που θα συμβεί έχει κόστος ή όφελος. Οπότε, αν λείπει ένα από τα δύο, δεν μιλάμε για ρίσκο."

Παντελής Λάππας

Επεισόδιο #20 — Η Επιστήμη της Απόφασης: Μαθηματικά, Δεδ... →

"Υπάρχει μια πολύ μεγάλη τάση στη βιβλιογραφία τα τελευταία χρόνια, σε αυτό που αποκαλούμε human-in-the-loop approach: ο άνθρωπος πρέπει να είναι μέσα στη διαδικασία της λήψης απόφασης. Ένα έξυπνο μοντέλο, πρακτικά, είναι αυτό που μοντελοποιεί με κάποιον τρόπο τη γνώση και την εμπειρία των ανθρώπων — οπότε ο άνθρωπος είναι αυτός που τελικά θα πάρει την απόφαση."

Παντελής Λάππας

Επεισόδιο #20 — Η Επιστήμη της Απόφασης: Μαθηματικά, Δεδ... →

"Στην επιχειρησιακή έρευνα και τη βελτιστοποίηση, όταν λέμε ότι βρίσκουμε την καλύτερη λύση δεν εννοούμε ότι υπάρχει μια μαγική απάντηση που λύνει τα πάντα. Σημαίνει ότι προσπαθούμε να μεγιστοποιήσουμε ή να ελαχιστοποιήσουμε κάποιο στόχο —παραδείγματος χάρη κέρδος, κόστος, χρόνο— υπό περιορισμούς όμως, όπως πόρους, χρόνο ή κανονισμούς. Άρα στην πράξη συχνά έχουμε πολλαπλούς αντικρουόμενους στόχους και περιορισμούς, και δεν υπάρχει λύση που να ικανοποιεί τα πάντα ταυτόχρονα."

Παντελής Λάππας

Επεισόδιο #20 — Η Επιστήμη της Απόφασης: Μαθηματικά, Δεδ... →

"Στη δουλειά μου, η στατιστική και τα παραδοσιακά μοντέλα χρησιμοποιούνται όταν θέλουμε να κατανοήσουμε τα δεδομένα, να κάνουμε ελέγχους υποθέσεων και να εκτιμήσουμε πιθανότητες με βάση ιστορικά στοιχεία. Το machine learning, η μηχανική μάθηση δηλαδή, μπαίνει στο παιχνίδι όταν τα δεδομένα είναι πιο μεγάλα, πιο πολύπλοκα, ή όταν θέλουμε να ανακαλύψουμε μοτίβα και σχέσεις που δεν είναι εύκολο να δούμε με κλασικές μεθόδους."

Παντελής Λάππας

Επεισόδιο #20 — Η Επιστήμη της Απόφασης: Μαθηματικά, Δεδ... →

"Αν τα δεδομένα είναι λανθασμένα ή μεροληπτικά, τότε ισχύει απολύτως το γνωστό «garbage in, garbage out». Η μηχανική μάθηση βασίζεται στην ιδέα ότι τα συστήματα μαθαίνουν από προηγούμενες εμπειρίες για να ανταποκριθούν σε νέες καταστάσεις· αυτό όμως πρακτικά σημαίνει ότι η ποιότητα των αποφάσεων εξαρτάται άμεσα από την ποιότητα των δεδομένων."

Παντελής Λάππας

Επεισόδιο #20 — Η Επιστήμη της Απόφασης: Μαθηματικά, Δεδ... →

"Η πιο πρακτική συμβουλή, πριν ένας οργανισμός βάλει τεχνητή νοημοσύνη, είναι να βεβαιωθεί ότι έχει τακτοποιήσει πρώτα τα βασικά. Τα δεδομένα του πρέπει να είναι καθαρά, αξιόπιστα και οργανωμένα, οι διαδικασίες του καταγεγραμμένες και κατανοητές, και κυρίως οι στόχοι του απολύτως ξεκάθαροι. Χωρίς αυτά, ακόμη και ο πιο εξελιγμένος αλγόριθμος δεν μπορεί να δώσει χρήσιμα ή αξιόπιστα αποτελέσματα."

Παντελής Λάππας

Επεισόδιο #20 — Η Επιστήμη της Απόφασης: Μαθηματικά, Δεδ... →

"Όταν λέμε εξηγήσιμη τεχνητή νοημοσύνη, πρακτικά εννοούμε ότι ακόμα και κάποιος μη ειδικός μπορεί να καταλάβει πώς και γιατί το μοντέλο παίρνει μία απόφαση. Δεν αρκεί απλώς να λέει «έτσι αποφάσισα» — θέλουμε να δείχνει ποια δεδομένα και ποιοι παράγοντες οδήγησαν σε μία πρόβλεψη ή πρόταση. Η έμφαση είναι δηλαδή στην ερμηνεία, και όχι στην κατασκευή του μοντέλου, έτσι ώστε ο χρήστης να μπορεί να εμπιστευτεί τα αποτελέσματα."

Παντελής Λάππας

Επεισόδιο #20 — Η Επιστήμη της Απόφασης: Μαθηματικά, Δεδ... →

"Αν ένα μοντέλο αποδίδει, αλλά δεν εξηγείται, εγώ προσωπικά είμαι πολύ προσεκτικός. Η καλή απόδοση από μόνη της δεν είναι αρκετή· η εμπιστοσύνη χτίζεται μόνο όταν κατανοούμε και μπορούμε να αξιολογήσουμε τους λόγους πίσω από την απόφαση. Αν δεν μπορούμε να εξηγήσουμε τις αποφάσεις, δεν πρέπει να τις αφήνουμε να καθορίζουν κρίσιμα θέματα, όπως χρηματοοικονομικές ή κοινωνικές επιλογές."

Παντελής Λάππας

Επεισόδιο #20 — Η Επιστήμη της Απόφασης: Μαθηματικά, Δεδ... →

"Το ζητούμενο δεν είναι απλώς να κάνουμε τα μοντέλα πιο έξυπνα, αλλά να κάνουμε τις αποφάσεις πιο υπεύθυνες. Αυτό σημαίνει να καλλιεργήσουμε τη νέα γενιά με κριτική σκέψη, να μάθει να χρησιμοποιεί την τεχνητή νοημοσύνη ως εργαλείο υποστήριξης — όχι ως μαγικό κουμπί που λέει τι να κάνει. Η υπευθυνότητα, η κριτική σκέψη και η παιδεία είναι αυτές που θα καθορίσουν πώς θα χρησιμοποιηθεί σωστά η τεχνητή νοημοσύνη."

Παντελής Λάππας

Επεισόδιο #20 — Η Επιστήμη της Απόφασης: Μαθηματικά, Δεδ... →

"Η διαχείριση κρίσεων είναι στην ουσία μια διαδικασία λήψης αποφάσεων υπό πίεση και αβεβαιότητα. Οπότε στην επιστήμη μας, αν θέλουμε να συνδυάσουμε στατιστική, επιχειρησιακή έρευνα και μηχανική μάθηση, τη βλέπουμε ως ένα πρόβλημα βελτιστοποίησης, όπου προσπαθούμε να δούμε πώς εξισορροπούμε πολλαπλούς στόχους, περιορισμούς και περιορισμένο χρόνο, ώστε να ελαχιστοποιήσουμε ζημίες και να προστατεύσουμε ανθρώπους, υποδομές και πόρους."

Παντελής Λάππας

Επεισόδιο #27 — Διαχείριση κρίσεων με τη βοήθεια της Επι... →

"Ένα εργαλείο υποστήριξης αποφάσεων, φανταστείτε ότι μπορεί να λειτουργήσει σαν ένας εγκεφαλικός χάρτης για τη διαχείριση κρίσεων, όπου συγκεντρώνονται δεδομένα σε πραγματικό χρόνο, δηλαδή θέσεις ανθρώπων, διαθέσιμους πόρους, καιρικές συνθήκες ή τεχνικές παραμέτρους, και παράγει σενάρια δράσης με πιθανολογικές εκτιμήσεις για το αποτέλεσμα κάθε επιλογής."

Παντελής Λάππας

Επεισόδιο #27 — Διαχείριση κρίσεων με τη βοήθεια της Επι... →

"Φανταστείτε μια πυρκαγιά σε ένα μεγάλο βιομηχανικό συγκρότημα. Χωρίς το εργαλείο, οι αποφάσεις βασίζονται σε εμπειρία, εκτιμήσεις και επικοινωνία με διάφορες ομάδες, οπότε εκεί υπάρχει ένα μεγάλο περιθώριο καθυστέρησης ή σύγχυσης. Με το εργαλείο, οι υπεύθυνοι βλέπουν άμεσα ποιοι χώροι πρέπει να εκκενωθούν πρώτοι, ποιοι πόροι πυρόσβεσης είναι διαθέσιμοι, ποιες διαδρομές είναι ασφαλείς και ποια σενάρια μειώνουν τον κίνδυνο για προσωπικό και εγκαταστάσεις. Είναι η διαφορά δηλαδή μεταξύ ενός ενστικτώδους χειρισμού και ενός υπολογισμένου, τεκμηριωμένου σχεδίου δράσης."

Παντελής Λάππας

Επεισόδιο #27 — Διαχείριση κρίσεων με τη βοήθεια της Επι... →

"Συνήθως, τα δεδομένα αυτά τα παίρνεις, τα αναλύεις, τα αξιολογείς και φτιάχνεις ένα σύνολο δεδομένων προκειμένου να εκπαιδεύσεις ένα μοντέλο το οποίο ενδεχομένως σου λέει την ταχύτητα με την οποία επεκτείνεται μια φωτιά, αν λάβει παραμέτρους όπως είναι η φορά του ανέμου, η δύναμη του ανέμου κ.ο.κ. Οπότε, πρακτικά, έχεις ένα μοντέλο το οποίο είναι υπεύθυνο για να κάνει μια πολύ συγκεκριμένη δουλειά. Απ' την άλλη, έχεις ένα μοντέλο το οποίο είναι ένα πρόβλημα βελτιστοποίησης. Δηλαδή, αν έχω περιορισμένους πόρους, θέλω να μου βρεις την κατανομή των περιορισμένων αυτών πόρων προκειμένου να ελαχιστοποιήσω τον κίνδυνο, προκειμένου να μεγιστοποιήσω την ωφέλειά μου."

Παντελής Λάππας

Επεισόδιο #27 — Διαχείριση κρίσεων με τη βοήθεια της Επι... →

"Πριν προκύψει μια οποιαδήποτε κρίση, προσπαθώ σε ένα εικονικό περιβάλλον να δημιουργήσω μια κρίση, να δημιουργήσω προβλήματα και να δω πώς αυτός ο χρήστης θα ανταποκριθεί σε μια τέτοια κρίση. Εκεί λοιπόν μπορείς να τον εκπαιδεύσεις, ώστε να κάνει τη βέλτιστη κατανομή των πόρων, δηλαδή να του δίνεις δεδομένα και να βλέπεις πώς τα χειρίζεται, άρα να μην τα δεις πρώτη φορά σε μια πραγματική κρίση, να τα δεις σε ένα εικονικό περιβάλλον όπου υπάρχει μια κρίση, και αυτό αποσκοπεί στο να προετοιμάσεις καλύτερα το προσωπικό σου να αντιμετωπίζει κρίσεις."

Παντελής Λάππας

Επεισόδιο #27 — Διαχείριση κρίσεων με τη βοήθεια της Επι... →

"Τα συστήματα τεχνητής νοημοσύνης σε κρίσεις προσφέρουν μεγάλη βοήθεια, αλλά φέρουν και κινδύνους. Για παράδειγμα, αν τα δεδομένα που τροφοδοτούν το σύστημα είναι λανθασμένα ή ελλιπή, το μοντέλο θα δώσει λανθασμένες εκτιμήσεις. Αν το ίδιο το μοντέλο δεν έχει σχεδιαστεί σωστά ή βασίζεται σε λανθασμένες υποθέσεις, η πρόταση μπορεί να ξεφύγει από την πραγματικότητα. Οπότε υπάρχει επίσης ο κίνδυνος υπερ-εμπιστοσύνης, να θεωρούμε ότι επειδή το AI λέει κάτι, είναι αυτομάτως σωστό."

Παντελής Λάππας

Επεισόδιο #27 — Διαχείριση κρίσεων με τη βοήθεια της Επι... →

"Όταν ένα σύστημα τεχνητής νοημοσύνης επηρεάζει μία σημαντική απόφαση, η ευθύνη δεν μπορεί να βαραίνει ένα μόνο παράγοντα. Άρα ο οργανισμός που το χρησιμοποιεί έχει την τελική ευθύνη. Ο χρήστης πρέπει να είναι εκπαιδευμένος και να ασκεί κρίση, ο κατασκευαστής του μοντέλου οφείλει να έχει σχεδιάσει το σύστημα με διαφάνεια, ο νομοθέτης να έχει θέσει το πλαίσιο χρήσης τεχνητής νοημοσύνης, για παράδειγμα, στην παραγωγική διαδικασία, οπότε η τεχνητή νοημοσύνη δεν πρέπει να λειτουργεί ως ασπίδα ευθυνών."

Παντελής Λάππας

Επεισόδιο #27 — Διαχείριση κρίσεων με τη βοήθεια της Επι... →

"Αν πάρουμε για παράδειγμα το παράδειγμα των πυρκαγιών, η πράξη δείχνει ότι δεν χρησιμοποιούνται πέρα από την εμπειρία και τη γνώση των ανθρώπων. Δεν υπάρχουν κάποιες καθιερωμένες διαδικασίες, οι οποίες κάνουν χρήση τέτοιων έξυπνων εργαλείων, τουλάχιστον σε ένα αρκετά ικανοποιητικό επίπεδο, ώστε να μπορούν να βοηθήσουν τους ανθρώπους σε αποφάσεις με πολύ γρήγορο τρόπο, ώστε να μειώνουν την επικινδυνότητα μιας κρίσης."

Παντελής Λάππας

Επεισόδιο #27 — Διαχείριση κρίσεων με τη βοήθεια της Επι... →

"Τώρα, αν έπρεπε να προτείνω μια κίνηση που θα αύξανε άμεσα την ετοιμότητα, θα ήταν η δημιουργία, ας το πούμε, ενός κέντρου δεδομένων και αξιολόγησης σε κρίσιμους τομείς, όπου οι οργανισμοί και τα πανεπιστήμια, μέσω κατάλληλων συνεργειών, θα μπορούσαν να μοιράζονται δεδομένα και να δοκιμάζουν εργαλεία σε πραγματικές συνθήκες, με ασφάλεια και εποπτεία. Με αυτόν τον τρόπο θα μαθαίναμε γρήγορα τι λειτουργεί, τι χρειάζεται βελτίωση και πώς τα εργαλεία μπορούν να προσαρμοστούν στην ελληνική πραγματικότητα."

Παντελής Λάππας

Επεισόδιο #27 — Διαχείριση κρίσεων με τη βοήθεια της Επι... →