Εισαγωγή

Η Τεχνητή Νοημοσύνη (ΤΝ) και ειδικότερα τα Μεγάλα Γλωσσικά Μοντέλα (ΜΓΜ), εισέρχονται δυναμικά σε κάθε πτυχή της επαγγελματικής και καθημερινής ζωής. Η ικανότητα αποτελεσματικής επικοινωνίας με αυτά τα προηγμένα συστήματα, μια δεξιότητα γνωστή ως «σύνταξη προτροπών», αναδεικνύεται σε θεμελιώδη ψηφιακό γραμματισμό.

Η επιμέλεια του παρόντος οδηγού έγινε από κορυφαίους Έλληνες επιστήμονες ΤΝ με σκοπό να καταστήσει αυτή τη νέα τεχνολογία προσιτή και κατανοητή στο ευρύ κοινό. Απευθύνεται σε κάθε πολίτη, εργαζόμενο και φορέα του δημόσιου και του ιδιωτικού τομέα που επιθυμεί να αξιοποιήσει την ΤΝ στην καθημερινότητα και στην εργασία, χωρίς να απαιτείται προηγούμενη τεχνική γνώση. Με σαφή παραδείγματα και χρήσιμες πρακτικές, παρουσιάζονται τρόποι επικοινωνίας που βελτιώνουν την ποιότητα, τη σαφήνεια και τη χρησιμότητα των απαντήσεων των ΜΓΜ.

Κεντρικός στόχος είναι η ενδυνάμωση του χρήστη: εξηγείται πώς ορίζεται ο ρόλος του συστήματος, πώς διατυπώνονται σαφείς οδηγίες, πώς περιγράφεται το κοινό-στόχος και πώς ζητείται κατάλληλη μορφή απάντησης. Παράλληλα, αναδεικνύονται τα όρια των ΜΓΜ, όπως οι «ψευδαισθήσεις», η μεροληπτικότητα στα δεδομένα και η αβεβαιότητα, με σκοπό να προτρέψει τον αναγνώστη σε κριτική στάση, επαλήθευση πηγών και διασταύρωση πληροφοριών.

Ο οδηγός αποσκοπεί στη διάδοση ασφαλών και ωφέλιμων τρόπων αξιοποίησης της ΤΝ σε ένα μεγάλο εύρος εργασιών. Μέσα από παραδείγματα, προσφέρεται ένα πρακτικό σημείο αναφοράς που βοηθά όλους να αξιοποιούν υπεύθυνα την καινοτομία, μεγιστοποιώντας τα οφέλη και περιορίζοντας τους κινδύνους. Με αυτόν τον τρόπο, ενισχύεται η ψηφιακή εμπιστοσύνη και υποστηρίζεται η διάχυση της ΤΝ προς όφελος της κοινωνίας.

Η Τεχνητή Νοημοσύνη (ΤΝ) αποτελεί έναν ταχέως αναπτυσσόμενο κλάδο της επιστήμης των υπολογιστών, με έντονο διεπιστημονικό χαρακτήρα, καθώς αντλεί γνώσεις από πολλές επιστήμες, συμπεριλαμβανομένων των μαθηματικών, της βιολογίας, της γλωσσολογίας και των οικονομικών. Το πιο πρόσφατο επίτευγμα της ΤΝ είναι τα Μεγάλα Γλωσσικά Μοντέλα (ΜΓΜ), τα οποία ανήκουν στην ευρύτερη κατηγορία της ΤΝ γενικού σκοπού και επηρεάζουν σημαντικά πολλές πτυχές της καθημερινής και επαγγελματικής ζωής. Αυτή η ενότητα αποσκοπεί στην αποσαφήνιση των βασικών εννοιών της ΤΝ και των ΜΓΜ, με σκοπό την κατανόηση της λειτουργίας και των δυνατοτήτων τους.

Η ΤΝ εστιάζει στην ανάπτυξη μηχανικών συστημάτων ικανών να λειτουργούν με διαφορετικά επίπεδα αυτονομίας για την εκτέλεση σύνθετων εργασιών, όπως η μετάφραση ή η οδήγηση οχημάτων. Όπως όλα τα υπολογιστικά συστήματα, η λειτουργία τους βασίζεται σε τρία στάδια:

Τα σύγχρονα συστήματα ΤΝ δεν προγραμματίζονται με αναλυτικές οδηγίες για κάθε βήμα. Αντιθέτως, «εκπαιδεύονται» μέσω της επεξεργασίας πολύ μεγάλου όγκου δεδομένων-παραδειγμάτων. Για παράδειγμα, ένα σύστημα που κάνει απομαγνητοφώνηση, τροφοδοτείται πρώτα με εκατομμύρια ζεύγη ηχογραφήσεων και την αντίστοιχη απομαγνητοφώνησή τους. Μέσα από αυτή τη διαδικασία, το σύστημα προσαρμόζει σταδιακά τη λειτουργία του για να πετύχει συγκεκριμένους, μετρήσιμους και καλά προσδιορισμένους στόχους, στην προκειμένη περίπτωση τη μετατροπή προφορικού λόγου σε γραπτό κείμενο με τη μεγαλύτερη δυνατή ακρίβεια.

Έτσι, η διαδικασία «εκπαίδευσης» των σύγχρονων συστημάτων ΤΝ απαιτεί δύο βασικά στοιχεία:

Τα σύγχρονα συστήματα ΤΝ βοηθούν στην επίλυση εξαιρετικά πολύπλοκων επιστημονικών προβλημάτων, όπως η πρόβλεψη της τρισδιάστατης δομής των πρωτεϊνών (ζωτικής σημασίας για τον σχεδιασμό νέων φαρμάκων), η ταχύτερη ανάλυση ιατρικών εικόνων για έγκαιρη διάγνωση, ή η μοντελοποίηση των επιπτώσεων της κλιματικής αλλαγής. Η συμβολή αυτή είναι τόσο κρίσιμη που έχει υποστηρίξει έρευνες, οι οποίες οδήγησαν σε πρόσφατες βραβεύσεις Νόμπελ.

Τα ΜΓΜ αποτελούν ένα είδος συστημάτων ΤΝ γενικού σκοπού που έχει επιφέρει σημαντικές αλλαγές στον τρόπο αλληλεπίδρασης με την τεχνολογία τα τελευταία χρόνια. Τα ΜΓΜ εκπαιδεύονται σε πολύ μεγάλες συλλογές κειμένων (π.χ. ιστοσελίδες, βιβλία). Στο πρώτο στάδιο, μαθαίνουν να προβλέπουν ποια λέξη είναι η πιο πιθανή να ακολουθήσει ένα δεδομένο τμήμα κειμένου. Για παράδειγμα, αν τους δοθεί μια ημιτελής ιστορία, μπορούν να την ολοκληρώσουν προσθέτοντας λέξη-λέξη τις πιθανότερες επόμενες λέξεις.

Αυτή η ικανότητα επιτρέπει στα ΜΓΜ να απαντούν και σε ερωτήσεις. Αν λάβουν ως είσοδο μια ερώτηση (π.χ. «Ποια είναι η πρωτεύουσα της Ελλάδας;»), μια πολύ πιθανή συνέχεια του κειμένου είναι η σωστή απάντηση (π.χ. «Η Αθήνα»). Προκειμένου οι απαντήσεις να είναι πιο σωστές ή κατάλληλες, τα σύγχρονα ΜΓΜ τροφοδοτούνται με χιλιάδες παραδείγματα οδηγιών (π.χ. «Γράψε μια συνταγή») μαζί με τις ιδανικές, επιθυμητές απαντήσεις. Σε αυτό το στάδιο, λαμβάνουν επίσης θετική «επιβράβευση» όταν δίνουν ευγενικές απαντήσεις και όταν αρνούνται να εκτελέσουν κακόβουλα αιτήματα. Πιο πρόσφατα ΜΓΜ έχουν εκπαιδευτεί και σε πολυμεσικά δεδομένα (εικόνες, ομιλία), δίνοντάς τους τη δυνατότητα να απαντούν σε προφορικά αιτήματα ή να παράγουν εικόνες.

Τα ΜΓΜ βασίζονται στην τεχνολογία των «νευρωνικών δικτύων», ένα είδος ΤΝ του οποίου η έμπνευση προήλθε από το πώς είναι οργανωμένος ο εγκέφαλος των ανθρώπων (και των ζώων), χωρίς να λειτουργεί όμως με τον ίδιο τρόπο. Το επίθετο «μεγάλα» στον όρο «Μεγάλα Γλωσσικά Μοντέλα» οφείλεται στο ότι τα σύγχρονα ΜΓΜ έχουν δισεκατομμύρια τεχνητούς νευρώνες, που ανταλλάσσουν πληροφορίες μεταξύ τους. Οι συνδέσεις μεταξύ των νευρώνων ρυθμίζονται κατά την εκπαίδευση.

Επειδή τα ΜΓΜ έχουν «διαβάσει», πολύ μεγάλες ποσότητες δεδομένων (ιστοσελίδες, βιβλία κ.λπ.), μπορούν να προσομοιώσουν πολλούς διαφορετικούς ρόλους (π.χ. να απαντήσουν σαν ειδικοί ή σαν απλοί πολίτες, να γράψουν με συγκεκριμένο ύφος). Γι’ αυτό είναι σημαντικό ο χρήστης να καθορίζει στα αιτήματά του πώς θέλει να παραχθεί η απάντηση.

Τα αιτήματα αυτά ονομάζονται προτροπές (prompts). Μια καλή προτροπή συνήθως περιλαμβάνει τον ρόλο που πρέπει να παίξει το σύστημα (π.χ. «είσαι έμπειρος τεχνικός αναλυτής») και προσδιορίζει την επιθυμητή μορφή της απάντησης (π.χ. πόσο σύντομη ή εκτενής θέλουμε να είναι, σε τι ύφος). Μέσω κατάλληλων προτροπών, επιτυγχάνονται εντυπωσιακά αποτελέσματα σε ένα πλήθος χρήσιμων διαδικασιών. Γι’ αυτό ο παρών οδηγός παρέχει συμβουλές για τη συγγραφή αποτελεσματικών προτροπών.

Η εμφάνιση των ΜΓΜ αλλάζει τον τρόπο με τον οποίο οι χρήστες αλληλεπιδρούν με τις ψηφιακές πληροφορίες. Η αλληλεπίδραση με τα ΜΓΜ μέσω προτροπών διαφέρει από την παραδοσιακή αναζήτηση στο Διαδίκτυο. Σε αντίθεση με τις απλές λέξεις-κλειδιά των μηχανών αναζήτησης, η προτροπή προς ένα ΜΓΜ μπορεί να είναι μια απλή ερώτηση («Ποια είναι η πρωτεύουσα της Ελλάδας;»), την οποία το σύστημα θα επεξεργαστεί, αλλά μπορεί να καθορίζει επίσης έναν ρόλο που θα πρέπει να προσομοιώσει το ΜΓΜ, να παρέχει σχετικά παραδείγματα ή οδηγίες για την επιθυμητή μορφή της απάντησης. Η μορφή και η σαφήνεια της προτροπής επηρεάζουν άμεσα την ποιότητα και τη χρησιμότητα του αποτελέσματος που παράγεται από το ΜΓΜ.

Οι βασικές διαφορές μεταξύ παραδοσιακής αναζήτησης και προτροπής ΜΓΜ συνοψίζονται ως εξής:

Πολλά ΜΓΜ παρέχουν πλέον τη δυνατότητα οι απαντήσεις τους να συνοδεύονται από παραπομπές προς ιστοσελίδες ή άλλες πηγές πληροφοριών που χρησιμοποιήθηκαν. Αυτό επιτρέπει την επαλήθευση των απαντήσεων των ΜΓΜ, ένα βήμα κρίσιμης σημασίας για την αξιοπιστία τους.

Παράλληλα, παρατηρείται μια σταδιακή ενσωμάτωση των ΜΓΜ στις μηχανές αναζήτησης, η οποία μετασχηματίζει ριζικά την εμπειρία της εύρεσης πληροφοριών. Οι χρήστες των ΜΓΜ, όμως, θα πρέπει πάντα να επαληθεύουν τις απαντήσεις τους, γιατί τα συστήματα αυτά παράγουν συχνά εξαιρετικά πειστικά κείμενα, εικόνες, ομιλία κ.λπ., τα οποία όμως ίσως περιέχουν λανθασμένες πληροφορίες (τις λεγόμενες «ψευδαισθήσεις»).

Τα ΜΓΜ μπορούν να ενισχύσουν σημαντικά την ανθρώπινη παραγωγικότητα και δημιουργικότητα. Ενδεικτικά, μερικά από τα πιο γνωστά ΜΓΜ που είναι διαθέσιμα στο ευρύ κοινό περιλαμβάνουν το ChatGPT της OpenAI, το Claude της Anthropic, το Copilot της Microsoft, το Gemini της Google και το LLaMA της Meta (για περισσότερες πληροφορίες παραπέμπουμε τον αναγνώστη στο Παράρτημα).

Οι δυνατότητές τους περιλαμβάνουν από τη συγγραφή και επεξεργασία κειμένων μέχρι την ανάλυση δεδομένων, τον προγραμματισμό, τη μετάφραση και τη δημιουργία περιεχομένου. Τα ΜΓΜ έχουν, επίσης, ενσωματωθεί σε πολλές καθημερινές εφαρμογές. Παραδείγματα και τεχνικές για αποτελεσματική συγγραφή προτροπών παρατίθενται στα επόμενα κεφάλαια.