Όταν επικοινωνούμε με ένα chatbot εξυπηρέτησης, σπάνια γράφουμε όπως θα μιλούσαμε σε έναν φίλο. Περιορίζουμε τις παρενθέσεις, διατυπώνουμε πιο καθαρά το αίτημά μας και επιλέγουμε λέξεις που πιστεύουμε ότι η τεχνητή νοημοσύνη «θα καταλάβει». Αυτή η μικρή προσαρμογή είναι συχνά χρήσιμη. Τι συμβαίνει, όμως, όταν επαναλαμβάνεται καθημερινά; Μπορεί να αρχίσει να επηρεάζεται ο τρόπος που μιλάμε ή ο τρόπος που παρουσιάζουμε τον εαυτό μας;
Μια νέα θεωρητική προσέγγιση, που δημοσιεύθηκε στο περιοδικό AI & Society, υποστηρίζει ότι η σχέση ανθρώπων και τεχνητής νοημοσύνης μπορεί να λειτουργεί αμφίδρομα. Τα συστήματα σχεδιάζονται ώστε να φαίνονται πιο ανθρώπινα, να θυμούνται προηγούμενες συνομιλίες και να προσαρμόζονται στον χρήστη. Παράλληλα, εμείς ενδέχεται να γινόμαστε πιο προβλέψιμοι, συνεπείς και «κατανοητοί».
Το φαινόμενο της αμοιβαίας προσαρμογής
Οι ερευνητές ονομάζουν αυτή την πιθανή μετατόπιση «robotoid humanness». Ενώ δεν μετατρεπόμαστε κυριολεκτικά σε ρομπότ, ο όρος περιγράφει τη σταδιακή προσαρμογή του τρόπου με τον οποίο επικοινωνούμε και παρουσιάζουμε τον εαυτό μας ώστε να «ταιριάζει» στα συστήματα τεχνητής νοημοσύνης. Όπως προτείνουν οι ερευνητές, τείνουμε να εκφραζόμαστε με τρόπους που η AI μπορεί να αναγνωρίσει, να ταξινομήσει και να «κατανοήσει» πιο εύκολα.
Η διαδικασία αρχίζει με μια φαινομενικά απλή αλληλεπίδραση. Ο χρήστης γράφει, η AI απαντά και, μέσα από επαναλαμβανόμενες συνομιλίες, δημιουργείται ένας κύκλος αμοιβαίας προσαρμογής. Το σύστημα συγκρατεί μοτίβα, κατασκευάζει ένα προφίλ και δίνει προσωποποιημένες απαντήσεις. Ο χρήστης, με τη σειρά του, μαθαίνει ποιες λέξεις, επιλογές και συμπεριφορές διευκολύνουν την επικοινωνία με το σύστημα.
Έτσι, μια μηχανή μπορεί να ανταποκρίνεται καλύτερα σε ένα σαφές, γραμμικό αίτημα παρά σε μια αφήγηση γεμάτη αμφισημίες, αντιφάσεις ή λεπτές αποχρώσεις. Αν συνηθίσουμε να «κόβουμε» όσα δυσκολεύεται να επεξεργαστεί, η επικοινωνία γίνεται αποτελεσματικότερη αλλά και φτωχότερη.
Όταν λείπει ο ανθρώπινος παράγοντας
Οι άνθρωποι προσαρμόζουμε διαρκώς τη συμπεριφορά μας ανάλογα με τον συνομιλητή μας. Η διαφορά είναι ότι η ανθρώπινη ανταπόκριση παραμένει απρόβλεπτη, καθώς οι άλλοι μπορεί να διαφωνήσουν, να μας εκπλήξουν ή να δουν σε εμάς κάτι που δεν είχαμε αναγνωρίσει. Η αλγοριθμική ανατροφοδότηση, αντίθετα, βασίζεται σε στατιστικές πιθανότητες και συχνά σχεδιάζεται ώστε να μειώνονται οι τριβές.
Σύμφωνα με τους ερευνητές, το ζήτημα δεν είναι απαραίτητα ότι η AI μάς γνωρίζει υπερβολικά καλά, αλλά ότι μπορεί να δημιουργεί μια απλουστευμένη εικόνα μας και να μας την επιστρέφει ως προσωποποιημένη «αναγνώριση». Επειδή αυτή η εκδοχή εξυπηρετείται πιο εύκολα, ενδέχεται σταδιακά να αρχίσει να μας φαίνεται πιο οικεία ή αντιπροσωπευτική.
Μια υπόθεση για την τεχνητή νοημοσύνη που μένει να αποδειχθεί
Η προσέγγιση δεν βασίστηκε σε πείραμα, καθώς οι ερευνητές δεν παρακολούθησαν ανθρώπους για να διαπιστώσουν αν πράγματι άλλαξε η συμπεριφορά ή η εικόνα που έχουν για τον εαυτό τους. Πρόκειται για ένα εννοιολογικό πλαίσιο που προτείνει ερωτήματα για μελλοντικές μελέτες. Για παράδειγμα, μπορεί τα συστήματα που σχεδιάστηκαν για να μας εξυπηρετούν να περιορίζουν, χωρίς να το αντιλαμβανόμαστε, τους τρόπους με τους οποίους εκφραζόμαστε;
Η πρόκληση, συνεπώς, είναι να δημιουργούνται εργαλεία που ανέχονται την ασάφεια, επιτρέπουν στον χρήστη να αμφισβητεί το προφίλ του και δεν αντιμετωπίζουν την ανθρώπινη πολυπλοκότητα ως κάτι που πρέπει να απλοποιηθεί.
vita.gr
