Σύνταξη άρθρου: Ελευθερία Κρασσά

Επιμέλεια άρθρου: Κωνσταντίνος Ουρανός

Tα τελευταία χρόνια, και κυρίως κατά την περίοδο της εμφάνισης της πανδημίας του ιού SARS-CoV-2, τα διαδικτυακά μέσα και κυρίως οι ιστοσελίδες κοινωνικών δικτύων, προσάρμοσαν και εξέλιξαν τις διαφημιστικές πρακτικές των εταιρειών, τόσο σε διαδικτυακό όσο και σε φυσικό επίπεδο. Ο εγκλεισμός της πανδημίας ενίσχυσε σημαντικά το ηλεκτρονικό εμπόριο σε παγκόσμια κλίμακα, με μια αύξηση της τάξης του 42,7%, ακόμη κι αν και ορισμένες εταιρείες επηρεάστηκαν αρνητικά λόγω της φύσης των προϊόντων ή των υπηρεσιών τους. Καθώς, όμως, οι πελάτες κατευθύνονται -αλλά και καταναλώνουν περισσότερο αγοραστικό χρόνο- σε ψηφιακά κανάλια, οι Εταιρείες Επωνυμιών (τα γνωστά σε όλους μας «brand») στρέφουν με τη σειρά τους την προσοχή τους στις ψηφιακές υπηρεσίες που προσφέρουν οι πλατφόρμες κοινωνικών δικτύων. Τα πρόσφατα τεχνολογικά πλεονεκτήματα επιτρέπουν, πλέον, στις επιχειρήσεις να χρησιμοποιήσουν τα λεγόμενα virtual service agents (e-service agents), που στα ελληνικά θα αποκαλούσαμε «Υπηρεσίες Εικονικής Εξυπηρέτησης». Σκοπός άμεσος των κατασκευών αυτών, πέραν της εξυπηρέτησης του πελάτη, είναι να ενισχύσουν τον προσανατολισμό προς αλλά και την επαφή του χρήστη με την εταιρεία, μέσω της αλληλεπίδρασης με τα «e-service agents», σε πραγματικό χρόνο.

Ορίζοντας τα επιμέρους συστήματα του πράγματος, θα λέγαμε πως οι virtual agents (intelligent virtual agent / virtual rep (εικονικός εκπρόσωπος) / chatbot (ψηφιακός αλληλογράφος)) μπορούν να οριστούν ως κινούμενες ενσωματώσεις σε περιβάλλοντα διαμεσολαβούμενα από υπολογιστή, οι οποίες προσομοιώνουν ανθρώπινα χαρακτηριστικά και διευκολύνουν την επεξεργασία πληροφοριών των χρηστών μέσω λεκτικής καθώς και μη λεκτικής επικοινωνίας μαζί τους. Οι virtual agents μπορούν να πάρουν διάφορες μορφές, ανάλογα με τις ανάγκες της κάθε εταιρείας αλλά και τον σκοπό για τον οποίο χρησιμοποιούνται, συχνότερες εκ των οποίων είναι:

  • Pedagogical assistants (Μαθησιακοί Βοηθοί), οι οποίοι λειτουργούν ως αρωγοί και συμπληρωματικά στην εκπαίδευση και τη μαθησιακή διαδικασία, που η μηχανή αναπτύσσει για να «μαθαίνει».
  • Customer service representatives (Παρουσιαστές Υπηρεσιών Πελάτη), που αποτελούν τμήμα της συνολικής επαφής του καταναλωτή με την εταιρεία κατά τη διάρκεια των αγορών του.
  • Recommendation agents (Οδηγοί επιλογών), που δίνουν οδηγίες για να φτάσουν οι ίδιοι οι εικονικοί βοηθοί σε ένα εφικτό σύνολο επιλογών.
  • Presentation agents (Παρουσιαστές ιστού), οι οποίοι συλλέγουν πληροφορίες με συνάφεια από διάφορες πηγές ιστού, αναδιαμορφώνουν την πληροφορία και την παρουσιάζουν στον χρήστη.
  • Conversational agents-chatbots (Συζητητές), που είναι σε θέση να αντιμετωπίσουν μια μεγάλη ποικιλία εισροών (πληροφοριών), έχοντας πολλούς κανόνες εισόδου, καθένας από τους οποίους ασχολείται με κάποια παραλλαγή μιας εισόδου πρότυπο.

Οι Εικονικοί Βοηθοί μπορούν να εφαρμόσουν τεχνητή νοημοσύνη καθώς μπορούν να εκτελεστούν απλές εργασίες βάσει συγκεκριμένων κανόνων. Πιο συγκεκριμένα, τα τεχνητά νευρωνικά δίκτυα (artificial neural networks) και τα μοντέλα κατάταξης (ranking models) χρησιμοποιούνται για τον σχεδιασμό των conversational agents, ενώ εγκεκριμένα APIs (Διεπαφή Προγραμματισμού Εφαρμογών – Application Programming Interface) είναι διαθέσιμα για τον σχεδιασμό των λοιπών virtual agents. Τέλος, τα τελευταία χρόνια εμφανίζεται έντονα η ύπαρξη των εικονικών βοηθών που χρησιμοποιούν Τεχνητή Νοημοσύνη καθώς το 85% των «έξυπνων κινητών» (smartphones), το 19% των έξυπνων ηχείων και το 18% των φορητών υπολογιστών της αγοράς, χρησιμοποιούν τις υπηρεσίες του εικονικού βοηθού. Παράλληλα, σύμφωνα με την αναφορά στατιστικής έρευνας το 2019, το 27% των ανθρώπων χρησιμοποιούν Πλήρως Ανεπτυγμένους Εικονικούς Βοηθούς (AI-powered virtual agents), όπως Google Assistant, Amazon Alexa, Cortana και Apple Siri, ώστε να πραγματοποιήσουν απλές διαδικασίες.

 

Τεχνητή Νοημοσύνη

Οι επιστήμονες του κλάδου δεν έχουν συμφωνήσει έως και σήμερα σε έναν συγκεκριμένο ορισμό. Σύμφωνα με τον επιστήμονα υπολογιστών Nilsson J. Nils, τεχνητή νοημοσύνη είναι αυτή η δραστηριότητα που αφιερώνεται στο να κάνει τις μηχανές ευφυείς, αφού η νοημοσύνη είναι αυτό το  χαρακτηριστικό ή η ιδιότητα, που επιτρέπει σε μια οντότητα να λειτουργεί σωστά και με προνοητικότητα απέναντι στο περιβάλλον της. Σύμφωνα με αυτόν τον ορισμό, πολλές οντότητες, όπως άνθρωποι, ζώα και μηχανές, μπορούν να θεωρηθούν ευφυείς. Μάλιστα, οι επιστήμονες Roland T. Rust και Ming-Hui Huang υποστηρίζουν ότι η τεχνητή νοημοσύνη που εκδηλώνεται από τις μηχανές και που προσομοιάζει σε πτυχές της ανθρώπινης νοημοσύνης (human intelligence, H.I.) χρησιμοποιείται όλο και περισσότερο σε ανθρώπινες υπηρεσίες και δραστηριότητες, ενώ σήμερα αποτελεί σημαντική πηγή καινοτομίας.

 

Τεστ Τιούρινγκ

 

O Άλαν Τιούρινγκ (Alan Turing), την περίοδο του 1950, έθεσε για πρώτη φορά στο επίκεντρο της επιστημονικής κοινότητας το ερώτημα του εάν οι μηχανές έχουν την ικανότητα σκέψης. Με σκοπό να απαντήσει αποτελεσματικά στο συγκεκριμένο ερώτημα και θέλοντας να καταλήξει σε μια οριστική απάντηση, δημιούργησε αυτό που αποκαλούμε σήμερα Τεστ Τιούρινγκ (Turing Test).

Πιο συγκεκριμένα, το 1950 ο Τιούρινγκ εισήγαγε το πρώτο του τεστ, περιγράφοντάς το πρώτα ως ένα παιχνίδι μίμησης που περιλαμβάνει έναν ανακριτή και δύο αντικείμενα εξέτασης, τα αντικείμενα Α και Β. Το πρωτοφανές ήταν ότι, στο συγκεκριμένο τεστ, το αντικείμενο Α ήταν μια μηχανή και το αντικείμενο Β ένας άνθρωπός. Σκοπός του παιχνιδιού ήταν να μαντέψει ο ανακριτής, μέσα από μια σειρά ερωτήσεων, ποιο από τα δύο εξεταζόμενα αντικείμενα ήταν η μηχανή και ποιος ο άνθρωπος. Για να μπορέσει, μάλιστα, να στηρίξει ακόμα πιο ορθά το τελικό αποτέλεσμα του τεστ αλλά και για να αποκλείσει ερωτήσεις που εύκολα μπορούν να προδώσουν την ταυτότητα των αντικειμένων, η μηχανή είχε προγραμματιστεί με τέτοιον τρόπο ούτως ώστε να μπερδέψει τον ανακριτή, κάνοντάς τον να νομίζει ότι είναι άνθρωπος. Αξίζει να σημειωθεί, μάλιστα, ότι το 2014 ένα πρόγραμμα υπολογιστή, για πρώτη φορά στην ιστορία, κατάφερε να περάσει το πλήρες τεστ Τιούρινγκ, πείθοντας το 33% των κριτών ότι είναι ένα 13χρονο αγόρι από την Ουκρανία.

 

Μηχανική Μάθηση, μία διαδικασία εκπαίδευσης στην αυτοεκπαίδευση

Ο κλάδος της μηχανικής μάθησης έχει εμφανιστεί εδώ και αρκετά χρόνια και είναι γεγονός ότι όλοι οι χρήστες των μέσων κοινωνικής δικτύωσης (social media users), σε κάποια δεδομένη στιγμή, έχουν έρθει σε επαφή με την τεχνολογία της μηχανικής μάθησης. Ένα από τα πιο συνηθισμένα και χαρακτηριστικά παραδείγματα της μηχανικής μάθησης, είναι το λογισμικό αναγνώρισης προσώπων, το οποίο είναι σε θέση να αναγνωρίσει εάν μια δοσμένη ψηφιακή φωτογραφία συμπεριλαμβάνει/παρουσιάζει έναν συγκεκριμένο άνθρωπο. Σήμερα, οι χρήστες, λόγου χάρη, του Facebook χρησιμοποιούν καθημερινά τις βοηθητικές λειτουργίες που προσφέρει η πλατφόρμα, όπως η αυτόματη μετάφραση και η αναγνώριση προσώπων.

Η μηχανική μάθηση (ο όρος απαντάται και λανθασμένα ως «μηχανομάθηση») μπορεί να οριστεί ευρέως ως ένα σύνολο υπολογιστικών μεθόδων, οι οποίες χρησιμοποιούν την εμπειρία για να βελτιώσουν την απόδοσή τους ή για να πραγματοποιήσουν ακριβείς προβλέψεις. Στον συγκεκριμένο ορισμό, εμπειρία ονομάζεται όλη η παλαιότερη πληροφορία που βρίσκεται στο διαδίκτυο σε μορφή δεδομένων ικανών να χρησιμοποιηθούν σε αναλύσεις. Η μηχανική μάθηση είναι ένας επιστημονικός κλάδος, που επικεντρώνεται σε δυο αλληλένδετες ερωτήσεις: στο πώς μπορεί ένα κατασκευασμένο μηχανικό σύστημα να βελτιώνεται συνεχώς μέσω της εμπειρίας και στο ποιοι είναι οι θεμελιώδεις πληροφοριακοί-στατιστικοί-υπολογιστικοί-θεωρητικοί νόμοι που διέπουν τα συστήματα μάθησης. Η αναζήτηση των νόμων αυτών αναζητείται στην εμπειρία όχι μόνο των υπολογιστών αλλά και σε αυτή των ανθρώπων και όλων των εμβίων οργανισμών.

Για την υλοποίηση της μηχανικής μάθησης, χρειάζονται δύο κύρια σύνολα δεδομένων (data set). Το πρώτο σύνολο δεδομένων συνήθως προετοιμάζεται χειροκίνητα, όπου εισάγονται η είσοδος και η αντίστοιχη έξοδος των σχετικών δεδομένων. Στο δεύτερο σύνολο δεδομένων εισάγονται μόνο τα δεδομένα εισόδου και αναμένονται τα δεδομένα εξόδου από το σύστημα. Η εκτέλεση της μηχανικής μάθησης χωρίζεται σε τρεις διαφορετικές φάσεις:

  • Φάση Εκπαίδευσης: Σε αυτήν την πρώτη φάση, πραγματοποιείται η εξαγωγή του μαθησιακού μοντέλου. Πιο συγκεκριμένα, συνδυάζονται κατάλληλα τα δεδομένα εισόδου και εξόδου και χρησιμοποιούνται για την εκμάθηση του μοντέλου. Ας σκεφτούμε, για παράδειγμα, να δίνουμε σε έναν βοηθό δύο λεξικά της ελληνικής γλώσσας εκ των οποίων το ένα περιλαμβάνει τις ελληνικές λέξεις ορθώς τονισμένες ενώ το άλλο περιέχει όλες τις λέξεις χωρίς τόνους. Στη φάση αυτή, ενημερώνουμε τον βοηθό ποια λανθασμένη λέξη συνταιριάζει με την αντίστοιχη σωστή της.
  • Φάση Επιβεβαίωσης και Δοκιμών: Σε αυτή τη φάση μετράται το πόσο καλά έχει εκπαιδευτεί το μαθησιακό μοντέλο που δημιουργήθηκε στη Φάση Εκπαίδευσης. Για την επιβεβαίωση των αποτελεσμάτων χρησιμοποιούνται ελεγκτικά συστήματα. Σύμφωνα με το παραπάνω παράδειγμα, σε αυτήν τη φάση δίνουμε στον βοηθό ένα κείμενο γραμμένο με είτε σωστές είτε λάθος τις λέξεις και ελέγχουμε το ποσοστό σωστής αυτόματης αντιστοίχισης.
  • Φάση Υλοποίησης: Σε αυτήν την τελευταία φάση, το μοντέλο χρησιμοποιείται σε «πραγματικές συνθήκες», με αληθινά δεδομένα.

Η παραπάνω διαδικασία είναι κυκλική και συνεχόμενη καθώς τα νέα πραγματικά δεδομένα οδηγούν σε ακόμα περισσότερη εκπαίδευση του συστήματος, με νέες δοκιμές και νέες φάσεις.

 

Επίλογος

Εξετάζοντας την πορεία των εικονικών βοηθών, τα τελευταία χρόνια παρουσιάζεται μια δραστική αλλαγή στον τρόπο με τον οποίο χρησιμοποιούνται από τις επιχειρήσεις και τους οργανισμούς. Στη σημερινή εποχή, οι περισσότερες μεγάλες εταιρείες έχουν τους δικούς τους εικονικούς βοηθούς ή βρίσκονται σε διαδικασία παραγωγής ενός. Χαρακτηριστικά παραδείγματα μπορούν να θεωρηθούν το Siri της Apple, η Cortana της Microsoft και η Alexa της Amazon. Χαρακτηριστικό των σημερινών και ολοένα εξελισσόμενων εικονικών βοηθών είναι η ικανότητά τους να αποθηκεύουν και να αναλύουν δεδομένα που εισάγουν οι χρήστες, στην προσπάθειά τους να γίνουν πιο φιλικά στον χρήστη (user-friendly). Θεωρείται, κατά συνέπεια, δεδομένο πως σε λίγα χρόνια οι εικονικοί βοηθοί θα είναι αναπόσπαστο τμήμα της κοινωνίας και της οικονομίας συνολικά.

 

Πηγές

  1. Chung, M., Ko, E., Joung, H., & Kim, S. J. (2020). Chatbot e-service and customer satisfaction regarding luxury brands. Journal of Business Research, 117, 587-595.
  2. Hagberg, J., Sundstrom, M., & Egels-Zandén, N. (2016). The digitalization of retailing: an exploratory framework. International Journal of Retail & Distribution Management.
  3. Cassell, J., Bickmore, T., Campbell, L., Vilhjalmsson, H. and Yan, H. (2001), “More than just a pretty face: conversational protocols and the affordances of embodiment”, Knowledge‐Based Systems, Vol. 14 Nos 1/2, pp. 55‐64.
  4. Rickel, J. (2001, September). Intelligent virtual agents for education and training: Opportunities and challenges. In International Workshop on Intelligent Virtual Agents (pp. 15-22). Springer, Berlin, Heidelberg.
  5. Lester, J. C., Converse, S. A., Kahler, S. E., Barlow, S. T., Stone, B. A., & Bhogal, R. S. (1997, March). The persona effect: affective impact of animated pedagogical agents. In Proceedings of the ACM SIGCHI Conference on Human factors in computing systems (pp. 359-366).
  6. Chattaraman, V., Kwon, W. S., & Gilbert, J. (2009). Social presence in online stores: building social support and trust among older consumers. In Retailing Strategic Challenges and Opportunities in Uncertain Times: Special Conference Series (Vol. 12).
  7. Iacobucci, D., Arabie, P., & Bodapati, A. (2000). Recommendation agents on the internet. Journal of Interactive Marketing, 14(3), 2-11.
  8. André, E., Rist, T., & Müller, J. (1998). WebPersona: a lifelike presentation agent for the World-Wide Web. Knowledge-Based Systems, 11(1), 25-36.
  9. Sammut, C. (2001). Managing context in a conversational agent. Linkoping Electronic Articles in Computer & Information Science, 3(7).
  10. Arora, S., Athavale, V. A., Maggu, H., & Agarwal, A. (2021). Artificial intelligence and virtual agents—working model. In Mobile Radio
  11. Communications and 5G Networks (pp. 163-171). Springer, Singapore.
  12. Nilsson, N. J. (2009). The quest for artificial intelligence. Cambridge University Press.
  13. Huang, M. H., & Rust, R. T. (2018). Artificial intelligence in service. Journal of Service Research, 21(2), 155-172.
  14. Copeland, B. J. (2000). The turing test. Minds and Machines, 10(4), 519-539.
  15. Gollapudi, S. (2016). Practical machine learning. Packt Publishing Ltd.
  16. Mohri, M., Rostamizadeh, A., & Talwalkar, A. (2018). Foundations of machine learning. MIT press.
  17. Jordan, M. I., & Mitchell, T. M. (2015). Machine learning: Trends, perspectives, and prospects. Science, 349(6245), 255-260.

Ηλ. Ταχ.: istosel@athinodromio.gr

Ελευθερία Κρασσά

Φοιτήτρια στο Τμήμα Διοικητικής Επιστήμης και Τεχνολογίας, Ο.Π.Α.

 

Αγάθη Πατσιούδη

Δασκάλα – Ειδικός επί των Διαταραχών Λόγου – Ειδικευμένη σε θέματα Ασφάλειας στο Διαδίκτυο