Σε συνέντευξή του στο alfavita.gr, ο καθηγητής Χρηματοοικονομικής και Νευρωνικών Συστημάτων στο Πανεπιστήμιο Μακεδονίας Αχιλλέας Ζαπράνης, ανέλυσε εκτενώς ο καταλυτικός ρόλος της Τεχνητής Νοημοσύνης (ΤΝ) στον τραπεζικό και χρηματοοικονομικό τομέα, επισημαίνοντας ότι παρόλο που οι αλγόριθμοι μπορούν να επεξεργαστούν τεράστιους όγκους δεδομένων και να αξιολογήσουν την πιστοδοτική ικανότητα με μεγαλύτερη ακρίβεια, δεν έχουν θεσμική ή ηθική ευθύνη.
Ο ίδιος τόνισε ότι η ΤΝ δεν πρέπει να αποτελεί άλλοθι για αποφάσεις χωρίς υπεύθυνους, ενώ υπογράμμισε πως η αγορά εργασίας μετασχηματίζεται ραγδαία, απειλώντας τις τυποποιημένες θέσεις και απαιτώντας από τους νέους κριτική σκέψη, ισχυρές ακαδημαϊκές βάσεις και συνεχή προσαρμοστικότητα αντί για τυφλή εξάρτηση από τα εργαλεία.
Ακολουθεί η συνέντευξη που παραχώρησε στον δημοσιογράφο Λεωνίδα Βουρλιώτη:
«Μπορεί σήμερα ένας αλγόριθμος να γνωρίζει καλύτερα από έναν τραπεζίτη αν κάποιος θα αποπληρώσει το δάνειό του; Και αν κάνει λάθος, ποιος ευθύνεται;»
Ναι, μπορεί. Αλλά θα ήμουν πολύ προσεκτικός με τη λέξη «γνωρίζει». Ένας σύγχρονος αλγόριθμος μπορεί να επεξεργαστεί πολύ περισσότερα δεδομένα από έναν άνθρωπο, να εντοπίσει σχέσεις που εκείνος δεν μπορεί να διακρίνει και, σε ορισμένες περιπτώσεις, να εκτιμήσει με μεγαλύτερη ακρίβεια την πιθανότητα αθέτησης ενός δανείου. Αυτό όμως δεν σημαίνει ότι κατανοεί τον δανειολήπτη ή ότι γνωρίζει το μέλλον. Υπολογίζει πιθανότητες με βάση δεδομένα και υποθέσεις. Το πραγματικά ενδιαφέρον ερώτημα αρχίζει όταν ο αλγόριθμος κάνει λάθος. Γιατί τότε δεν αρκεί να πούμε ότι «έφταιξε η Τεχνητή Νοημοσύνη». Ένα σύστημα ΤΝ δεν έχει θεσμική ή ηθική ευθύνη. Κάποιος επέλεξε τα δεδομένα, κάποιος σχεδίασε ή προμηθεύτηκε το μοντέλο, κάποιος αποφάσισε πώς θα χρησιμοποιηθεί και κάποιος οργανισμός το ενέταξε στη διαδικασία χορήγησης πιστώσεων. Γι’ αυτό θεωρώ ότι η μεγάλη συζήτηση των επόμενων ετών δεν θα αφορά μόνο το πόσο ακριβείς είναι οι αλγόριθμοι, αλλά πώς κυβερνούμε τις αποφάσεις που παράγονται με τη συμμετοχή τους. Πρέπει να μπορούμε να γνωρίζουμε ποια δεδομένα και ποιες παραδοχές επηρέασαν μια απόφαση, ποιος είχε την αρμοδιότητα να την ελέγξει και, κυρίως, ποιος μπορεί να την αμφισβητήσει όταν είναι λανθασμένη ή άδικη. Η ανθρώπινη επίβλεψη δεν μπορεί να σημαίνει απλώς ότι ένας υπάλληλος πατά στο τέλος το κουμπί «έγκριση». Η Τεχνητή Νοημοσύνη μπορεί να βελτιώσει σημαντικά την πιστοδοτική απόφαση. Δεν μπορεί όμως να γίνει το άλλοθι για μια απόφαση για την οποία τελικά δεν ευθύνεται κανείς.
Ποια επαγγέλματα στον τραπεζικό και χρηματοοικονομικό χώρο κινδυνεύουν περισσότερο από την Τεχνητή Νοημοσύνη;
Δεν θα προσπαθήσω να ωραιοποιήσω την εικόνα. Κάποια επαγγέλματα θα εξαφανιστούν, άλλα θα συρρικνωθούν σημαντικά, τα περισσότερα θα μετασχηματιστούν και ταυτόχρονα θα δημιουργηθούν νέα, αρκετά από τα οποία σήμερα δεν μπορούμε ακόμη να περιγράψουμε. Το πραγματικό ερώτημα, επομένως, δεν είναι αν θα υπάρξει αλλαγή. Είναι πόσο γρήγορη και πόσο επώδυνη θα είναι αυτή η μετάβαση. Στον χρηματοοικονομικό τομέα βρίσκονται περισσότερο εκτεθειμένες οι θέσεις στις οποίες μεγάλο μέρος της εργασίας είναι τυποποιημένο, επαναλαμβανόμενο και βασίζεται στην επεξεργασία μεγάλου όγκου πληροφοριών. Συλλογή και έλεγχος εγγράφων, παραγωγή τυποποιημένων αναφορών, ορισμένες μορφές χρηματοοικονομικής ανάλυσης, πιστωτικής αξιολόγησης, συμμόρφωσης και παρακολούθησης συναλλαγών μπορούν ήδη να αυτοματοποιηθούν σε σημαντικό βαθμό. Αυτό δεν σημαίνει ότι θα εξαφανιστούν αύριο όλοι οι αναλυτές ή οι τραπεζικοί υπάλληλοι. Σημαίνει όμως ότι ο ίδιος όγκος εργασίας μπορεί σταδιακά να παράγεται από πολύ λιγότερους ανθρώπους. Υπάρχει μάλιστα ένα πρόβλημα που συζητούμε λιγότερο. Η Τεχνητή Νοημοσύνη μπορεί να περιορίσει σημαντικά τις εισαγωγικές θέσεις ακόμη και σε επαγγέλματα υψηλής ειδίκευσης. Παραδοσιακά, ένας νέος αναλυτής ξεκινούσε εκτελώντας σχετικά τυποποιημένες εργασίες και μέσα από αυτές αποκτούσε εμπειρία, ώστε αργότερα να μπορεί να ασκήσει κρίση και να αναλάβει ευθύνη. Εάν αυτές οι εργασίες αναληφθούν σε μεγάλο βαθμό από συστήματα ΤΝ, δημιουργείται ένα παράδοξο: πώς θα αποκτήσουμε τους έμπειρους επαγγελματίες του αύριο, εάν εξαφανίσουμε τις θέσεις μέσα από τις οποίες αποκτούσαν την εμπειρία τους; Από την άλλη πλευρά, η τεχνολογική αλλαγή δεν καταστρέφει μόνο θέσεις εργασίας. Δημιουργεί και νέες. Ήδη εμφανίζονται ρόλοι όπως ο Chief AI Officer, ενώ αυξάνεται η ανάγκη για ανθρώπους που ασχολούνται με τη διακυβέρνηση της ΤΝ, την επικύρωση και τον έλεγχο αλγοριθμικών συστημάτων, το model risk, την ασφάλεια, τη συμμόρφωση και την εποπτεία αυτοματοποιημένων αποφάσεων. Και είναι πολύ πιθανό αρκετά από τα σημαντικά επαγγέλματα της επόμενης δεκαετίας να έχουν σήμερα περιγραφές θέσεων που είτε μόλις διαμορφώνονται είτε δεν υπάρχουν ακόμη. Γι’ αυτό δεν θεωρώ δεδομένο ούτε ότι η Τεχνητή Νοημοσύνη θα οδηγήσει τελικά σε μαζική ανεργία ούτε ότι, επειδή θα δημιουργηθούν νέες δουλειές, η μετάβαση θα είναι αυτομάτως ομαλή. Οι θέσεις που χάνονται δεν είναι κατ’ ανάγκη οι ίδιες με αυτές που δημιουργούνται, ούτε απαιτούν τις ίδιες δεξιότητες, ούτε εμφανίζονται την ίδια χρονική στιγμή. Εκεί βρίσκεται το πραγματικό κοινωνικό και εκπαιδευτικό πρόβλημα: πόσο γρήγορα μπορούμε να μεταφέρουμε ανθρώπους από τις δεξιότητες που χάνουν την αξία τους προς εκείνες που αποκτούν αξία. Το κρίσιμο ζήτημα, λοιπόν, δεν είναι αν η Τεχνητή Νοημοσύνη θα αλλάξει την αγορά εργασίας. Αυτό έχει ήδη αρχίσει. Το κρίσιμο είναι αν οι άνθρωποι, οι επιχειρήσεις και τα πανεπιστήμια θα μπορέσουν να προσαρμοστούν με την ίδια ταχύτητα.
«Ένας νέος που ξεκινά σήμερα τις σπουδές του, τι πρέπει να μάθει ώστε το πτυχίο του να εξακολουθεί να έχει αξία το 2035;»
Αν ένας νέος αρχίζει σήμερα τις σπουδές του, θα του έλεγα πρώτα να μην προσπαθήσει να μαντέψει ποια τεχνολογία θα κυριαρχεί το 2035. Πιθανότατα θα πέσει έξω. Πριν από λίγα χρόνια κανείς δεν σχεδίαζε τις σπουδές του θεωρώντας δεδομένο ότι θα μπορούσε να συνομιλεί καθημερινά με ένα σύστημα Τεχνητής Νοημοσύνης, να του ζητά να γράψει κώδικα, να αναλύσει δεδομένα ή να επεξεργαστεί ένα σύνθετο πρόβλημα. Η τεχνολογία εξελίσσεται πολύ γρηγορότερα από τα προγράμματα σπουδών. Γι’ αυτό πιστεύω ότι αποκτούν ακόμη μεγαλύτερη σημασία οι ισχυρές βάσεις. Μαθηματικά, στατιστική, αναλυτική σκέψη, κατανόηση δεδομένων, αλλά και πολύ καλή γνώση του αντικειμένου που κάποιος επιλέγει να σπουδάσει. Παράλληλα, ένας σημερινός φοιτητής πρέπει να αποκτήσει πραγματική εξοικείωση με την Τεχνητή Νοημοσύνη και τον προγραμματισμό. Όχι απαραίτητα για να γίνει προγραμματιστής, αλλά για να καταλαβαίνει τι μπορούν να κάνουν αυτά τα συστήματα, πώς συνεργάζεται μαζί τους και, κυρίως, πού βρίσκονται τα όριά τους. Υπάρχει όμως και κάτι που θεωρώ ακόμη σημαντικότερο. Όσο περισσότερο η Τεχνητή Νοημοσύνη αναλαμβάνει την παραγωγή της πρώτης απάντησης, τόσο μεγαλύτερη αξία αποκτά η ικανότητα του ανθρώπου να κρίνει αν αυτή η απάντηση είναι σωστή. Να θέτει το σωστό ερώτημα, να αμφισβητεί τις παραδοχές, να εντοπίζει αυτό που λείπει, να συνδέει γνώσεις από διαφορετικά πεδία και να παίρνει αποφάσεις όταν δεν υπάρχει μία προφανώς σωστή λύση. Γι’ αυτό δεν συμμερίζομαι την άποψη ότι, επειδή υπάρχει πλέον η Τεχνητή Νοημοσύνη, χρειάζεται να γνωρίζουμε λιγότερα. Συμβαίνει ακριβώς το αντίθετο. Για να ελέγξεις μια εξαιρετικά ικανή μηχανή πρέπει να γνωρίζεις αρκετά ώστε να αντιλαμβάνεσαι πότε κάνει λάθος. Διαφορετικά, δεν χρησιμοποιείς την Τεχνητή Νοημοσύνη. Εξαρτάσαι από αυτήν. Και ίσως αυτή να είναι η σημαντικότερη συμβουλή που θα έδινα σε έναν νέο σήμερα: μην επενδύσεις μόνο σε όσα ξέρεις. Επένδυσε στην ικανότητά σου να μαθαίνεις συνεχώς. Μέχρι το 2035 πολλά από τα εργαλεία που χρησιμοποιούμε σήμερα θα έχουν ξεπεραστεί. Η ικανότητα να μαθαίνεις, να προσαρμόζεσαι και να σκέφτεσαι κριτικά θα εξακολουθεί να έχει αξία.
Μπορεί η Τεχνητή Νοημοσύνη να προβλέψει πραγματικά τις αγορές ή αυτό παραμένει ένας μύθος;
Είναι ένα ερώτημα με το οποίο ασχολούμαι προσωπικά περισσότερο από τριάντα χρόνια. Στις αρχές της δεκαετίας του 1990, στο MSc μου στο University College London, η διπλωματική μου εργασία αφορούσε ακριβώς τη χρήση νευρωνικών δικτύων για την πρόβλεψη αποδόσεων μετοχών, σε συνεργασία με τη NatWest. Στη συνέχεια, στο London Business School, συνέχισα την έρευνα αυτή στο διδακτορικό μου, στο πλαίσιο ενός χρηματοδοτούμενου βρετανικού προγράμματος μεταφοράς τεχνογνωσίας στο οποίο συμμετείχαν το LBS και μεγάλοι χρηματοπιστωτικοί οργανισμοί του City. Εκείνη την εποχή δεν χρησιμοποιούσαμε ακόμη τον όρο Τεχνητή Νοημοσύνη με τη σημερινή του ευρύτητα, αλλά το βασικό επιστημονικό ερώτημα ήταν ουσιαστικά το ίδιο: μπορεί μια μηχανή να ανακαλύψει μέσα στα χρηματοοικονομικά δεδομένα σχέσεις που δεν μπορεί να εντοπίσει ο άνθρωπος και να τις χρησιμοποιήσει για να προβλέψει τι θα συμβεί στη συνέχεια; Η απάντηση, μετά από τριάντα και πλέον χρόνια έρευνας, είναι πιο ενδιαφέρουσα από ένα απλό «ναι» ή «όχι». Ναι, η Τεχνητή Νοημοσύνη μπορεί να εντοπίσει προβλεπτική πληροφορία στις αγορές. Όχι, δεν μπορεί να προβλέψει τις αγορές με την έννοια μιας μηχανής που γνωρίζει τι θα συμβεί αύριο. Μπορεί να αναγνωρίσει πολύπλοκες και μη γραμμικές σχέσεις, να συνδυάσει τεράστιες ποσότητες δεδομένων και να παράγει καλύτερες εκτιμήσεις πιθανοτήτων. Αυτό απέχει όμως πολύ από τη βεβαιότητα. Οι χρηματοοικονομικές αγορές έχουν μια ιδιαιτερότητα που τις διαφοροποιεί από πολλά άλλα προβλήματα πρόβλεψης. Δεν είναι ένα σταθερό φυσικό σύστημα που περιμένει να το ανακαλύψουμε. Προσαρμόζονται. Όταν μια προβλέψιμη σχέση ανακαλυφθεί και αρχίσουν πολλοί επενδυτές να την εκμεταλλεύονται, η ίδια η συμπεριφορά τους μπορεί να την αποδυναμώσει ή ακόμη και να την εξαφανίσει. Επιπλέον, οι σχέσεις που μαθαίνει ένα μοντέλο από το παρελθόν μπορεί να αλλάξουν όταν αλλάξει το οικονομικό καθεστώς, η συμπεριφορά των επενδυτών ή εμφανιστεί ένα γεγονός που δεν έχει ιστορικό προηγούμενο. Εδώ βρίσκεται και ένα από τα μεγαλύτερα λάθη που μπορούμε να κάνουμε με τη σημερινή Τεχνητή Νοημοσύνη: να συγχέουμε την εξαιρετική ικανότητα ενός μοντέλου να εξηγεί το παρελθόν με την ικανότητά του να προβλέπει το μέλλον. Ένα πολύ σύνθετο σύστημα μπορεί να προσαρμοστεί εντυπωσιακά στα ιστορικά δεδομένα και παρ’ όλα αυτά να αποτύχει όταν βρεθεί απέναντι σε πραγματικά νέα δεδομένα. Αυτό το πρόβλημα το γνωρίζουμε εδώ και δεκαετίες. Η τεράστια υπολογιστική ισχύς δεν το εξαφάνισε. Επομένως, δεν θεωρώ μύθο τη χρήση της Τεχνητής Νοημοσύνης στην πρόβλεψη των αγορών. Μύθος είναι η ιδέα ότι η Τεχνητή Νοημοσύνη μπορεί να καταργήσει την αβεβαιότητα. Μπορεί να μας βοηθήσει να εντοπίσουμε καλύτερα σήματα, να εκτιμήσουμε πιθανότητες, να κατασκευάσουμε χαρτοφυλάκια και να διαχειριστούμε αποτελεσματικότερα τον κίνδυνο. Αλλά η επένδυση εξακολουθεί να είναι απόφαση υπό αβεβαιότητα. Και ίσως αυτό είναι το σημαντικότερο συμπέρασμα από τριάντα χρόνια ενασχόλησης με το αντικείμενο: η Τεχνητή Νοημοσύνη δεν μετατρέπει την αβεβαιότητα σε βεβαιότητα. Μπορεί όμως να μας βοηθά να παίρνουμε καλύτερες αποφάσεις μέσα στην αβεβαιότητα.
Υπάρχει κίνδυνος οι αλγόριθμοι και η AI να προκαλέσουν στο μέλλον μια νέα χρηματοπιστωτική κρίση;
Ναι, υπάρχει αυτός ο κίνδυνος. Όχι όμως επειδή κάποια στιγμή μια Τεχνητή Νοημοσύνη θα «αποφασίσει» να προκαλέσει μια χρηματοπιστωτική κρίση. Ο κίνδυνος βρίσκεται στον τρόπο με τον οποίο πολλά αλγοριθμικά συστήματα μπορούν να αλληλεπιδράσουν μεταξύ τους μέσα σε ένα εξαιρετικά διασυνδεδεμένο χρηματοπιστωτικό σύστημα. Οι χρηματοπιστωτικές κρίσεις σπάνια προκαλούνται από έναν μόνο παράγοντα. Μόχλευση, έλλειψη ρευστότητας, λανθασμένη αποτίμηση του κινδύνου, έκθεση πολλών οργανισμών στους ίδιους κινδύνους και συμπεριφορά αγέλης μπορούν να μετατρέψουν ένα αρχικά περιορισμένο πρόβλημα σε συστημική κρίση. Η Τεχνητή Νοημοσύνη μπορεί να προσθέσει σε αυτό το σύστημα κάτι ιδιαίτερα σημαντικό: ταχύτητα και συγχρονισμό. Ας υποθέσουμε ότι πολλές τράπεζες, funds και επενδυτικοί οργανισμοί χρησιμοποιούν διαφορετικά συστήματα ΤΝ, τα οποία όμως έχουν εκπαιδευτεί σε παρόμοια δεδομένα, χρησιμοποιούν παρόμοιες μεταβλητές και καταλήγουν σε παρόμοιες εκτιμήσεις κινδύνου. Όσο οι αγορές είναι ήρεμες, αυτό μπορεί να φαίνεται απολύτως αποτελεσματικό. Σε μια απότομη μεταβολή, όμως, τα συστήματα μπορεί να αρχίσουν σχεδόν ταυτόχρονα να μειώνουν τις ίδιες θέσεις, να περιορίζουν τον ίδιο κίνδυνο ή να αναζητούν την ίδια ρευστότητα. Τότε η ατομικά ορθολογική αντίδραση κάθε συστήματος μπορεί συλλογικά να γίνει συστημικά επικίνδυνη. Υπάρχει μάλιστα ένα ακόμη βαθύτερο πρόβλημα. Όσο περισσότερο αναθέτουμε αποφάσεις σε πολύπλοκα μοντέλα, τόσο δυσκολότερο μπορεί να γίνεται για έναν οργανισμό να κατανοήσει εγκαίρως γιατί αλλάζει η συμπεριφορά του συστήματός του. Και όταν οι αποφάσεις λαμβάνονται σε πολύ μεγάλη ταχύτητα, η ανθρώπινη παρέμβαση μπορεί να έρχεται αφού η αλυσιδωτή αντίδραση έχει ήδη αρχίσει. Γι’ αυτό το πρόβλημα δεν είναι απλώς αν έχουμε «καλούς αλγορίθμους». Μπορεί κάθε μοντέλο ξεχωριστά να είναι εξαιρετικό και παρ’ όλα αυτά το σύστημα που προκύπτει από την αλληλεπίδρασή τους να είναι εύθραυστο. Πρόκειται ουσιαστικά για τη διαφορά ανάμεσα στο model risk και στο systemic risk. Επομένως, η Τεχνητή Νοημοσύνη δεν χρειάζεται να δημιουργήσει έναν εντελώς νέο τύπο χρηματοπιστωτικού κινδύνου για να γίνει επικίνδυνη. Αρκεί να συγχρονίσει, να επιταχύνει και να ενισχύσει κινδύνους που το χρηματοπιστωτικό σύστημα είχε πάντοτε. Και γι’ αυτό η εποπτεία του μέλλοντος δεν μπορεί να περιοριστεί στον έλεγχο του κάθε αλγορίθμου χωριστά. Πρέπει να εξετάζει και τι συμβαίνει όταν χιλιάδες τέτοια συστήματα αρχίζουν να αλληλεπιδρούν.
Πού βρίσκεται η Ελλάδα στο FinTech και την AI; Μπορούμε να δημιουργήσουμε στελέχη διεθνούς επιπέδου ή εξακολουθούμε να χάνουμε τα καλύτερα μυαλά στο εξωτερικό;
Η Ελλάδα μπορεί απολύτως να δημιουργήσει στελέχη διεθνούς επιπέδου. Το έχει ήδη αποδείξει. Το δυσκολότερο ερώτημα είναι αν μπορεί να δημιουργήσει το περιβάλλον μέσα στο οποίο αυτά τα στελέχη θα θέλουν να παραμείνουν, να επιστρέψουν ή να δημιουργήσουν εδώ. Στο FinTech και στην Τεχνητή Νοημοσύνη η εικόνα είναι αντιφατική. Από τη μία πλευρά διαθέτουμε πολύ καλό ανθρώπινο δυναμικό, ισχυρές πανεπιστημιακές ομάδες και μια νέα γενιά επιστημόνων που μπορεί να σταθεί χωρίς κανένα σύμπλεγμα απέναντι στους συναδέλφους της στα καλύτερα πανεπιστήμια και στις επιχειρήσεις του εξωτερικού. Ταυτόχρονα δημιουργούνται σταδιακά υποδομές και θεσμοί που πριν από λίγα χρόνια δεν υπήρχαν. Στο FinTech, για παράδειγμα, η Τράπεζα της Ελλάδος λειτουργεί Innovation Hub και Regulatory Sandbox, ενώ χώρο της ΤΝ, η Ελλάδα συμμετέχει στην ευρωπαϊκή πρωτοβουλία AI Factories με το PHAROS, που δημιουργήθηκε με πρωτοβουλία του Υπουργείου Ψηφιακής Διακυβέρνησης και υλοποιείται από κοινοπραξία κορυφαίων ελληνικών ερευνητικών και ακαδημαϊκών φορέων, με συντονιστή το ΕΔΥΤΕ. Το PHAROS θα αξιοποιεί και την υπολογιστική ισχύ του νέου εθνικού υπερυπολογιστή DAEDALUS, παρέχοντας υποδομές και τεχνογνωσία για την ανάπτυξη εφαρμογών ΤΝ. Από την άλλη πλευρά, δεν πρέπει να συγχέουμε την ύπαρξη νησίδων αριστείας με την ύπαρξη ενός ώριμου οικοσυστήματος. Τα τελευταία ευρωπαϊκά στοιχεία δείχνουν ότι η υιοθέτηση της ΤΝ από τις ελληνικές επιχειρήσεις παραμένει χαμηλή και ότι η Ελλάδα εξακολουθεί να έχει σημαντικό έλλειμμα ειδικών ΤΠΕ. Το 2025 οι ICT specialists αντιστοιχούσαν περίπου στο 2,5% της απασχόλησης, έναντι 5% στην Ευρωπαϊκή Ένωση.
Και εδώ βρίσκεται, κατά τη γνώμη μου, το πραγματικό πρόβλημα. Η Ελλάδα είναι αρκετά καλή στο να παράγει ταλέντο, αλλά όχι ακόμη εξίσου καλή στο να μετατρέπει αυτό το ταλέντο σε επιχειρήσεις, ερευνητικές ομάδες και τεχνολογικά προϊόντα διεθνούς κλίμακας. Για να κρατήσεις έναν πολύ καλό νέο επιστήμονα δεν αρκεί να του πεις να μείνει στην Ελλάδα. Πρέπει να του προσφέρεις ενδιαφέροντα προβλήματα, πρόσβαση σε τεχνολογία και δεδομένα, αξιοκρατικές ευκαιρίες εξέλιξης, ανταγωνιστικές απολαβές και, κυρίως, τη δυνατότητα να δημιουργήσει κάτι που μπορεί να απευθυνθεί στη διεθνή αγορά. Υπάρχει πάντως ένα ενδιαφέρον σημάδι αλλαγής. Τα τελευταία στοιχεία του OECD δείχνουν ότι οι επιστροφές Ελλήνων από το εξωτερικό έχουν αυξηθεί και πλέον οι εισροές μπορούν να υπερβαίνουν τις εκροές. Αυτό δεν σημαίνει ότι λύσαμε το πρόβλημα του brain drain. Σημαίνει όμως ότι ίσως πρέπει να αρχίσουμε να σκεφτόμαστε λιγότερο με όρους brain drain και περισσότερο με όρους brain circulation. Άνθρωποι που σπουδάζουν ή εργάζονται στο εξωτερικό, αποκτούν εμπειρία, διατηρούν διεθνή δίκτυα και μπορούν στη συνέχεια να επιστρέψουν ή να συνεργαστούν παραγωγικά με την Ελλάδα.
Δεν πιστεύω, τέλος, ότι η Ελλάδα χρειάζεται να προσπαθήσει να γίνει μια μικρή Silicon Valley. Πρέπει να επιλέξει πεδία στα οποία μπορεί να αποκτήσει πραγματικό συγκριτικό πλεονέκτημα. Στο FinTech και στην ΤΝ αυτό μπορεί να σημαίνει εξειδικευμένες εφαρμογές στη χρηματοοικονομική, στη διαχείριση κινδύνων, στη ναυτιλία, στην ενέργεια, στην υγεία, αλλά και στη διακυβέρνηση και τον έλεγχο των συστημάτων ΤΝ. Σε μια μικρή χώρα, η στρατηγική δεν μπορεί να είναι να κάνουμε τα πάντα. Πρέπει να είναι να γίνουμε εξαιρετικά καλοί σε ορισμένα πράγματα. Άρα ναι, μπορούμε να δημιουργήσουμε στελέχη διεθνούς επιπέδου. Η πραγματική πρόκληση είναι να δημιουργήσουμε και ένα οικοσύστημα διεθνούς επιπέδου γύρω τους.
Αν ξεκινούσατε σήμερα ξανά ως 20χρονος φοιτητής, τι θα επιλέγατε να σπουδάσετε και σε ποιον τομέα θα επενδύατε τα επόμενα δέκα χρόνια;
Θα σας απογοητεύσω ίσως, αλλά δεν θα απαντήσω ότι αν ήμουν σήμερα είκοσι ετών θα σπούδαζα Τεχνητή Νοημοσύνη επειδή πιστεύω ότι εκεί βρίσκεται το μέλλον. Δεν θα επέλεγα τις σπουδές μου προσπαθώντας να μαντέψω ποιο επάγγελμα θα έχει τη μεγαλύτερη ζήτηση σε δέκα χρόνια. Θα επέλεγα μια επιστήμη που θα μου γεννούσε περιέργεια και θα ήθελα πραγματικά να κατανοήσω. Και αυτό αφήνει πολλές επιλογές ανοιχτές. Η μηχανολογία μπορεί να είναι συναρπαστική, όπως μπορεί να είναι η πληροφορική, η χημεία, η ιατρική ή η νομική. Όταν ήμουν νέος, ήξερα περισσότερο τι δεν ήθελα να κάνω ως επάγγελμα παρά πού ακριβώς θα κατέληγα. Σπούδασα αρχικά μηχανολόγος μηχανικός. Στη συνέχεια, στο UCL, στράφηκα στην επιστήμη των υπολογιστών και εκεί άρχισε η ενασχόλησή μου με τα νευρωνικά δίκτυα. Το επόμενο βήμα ήταν το LBS και η χρηματοοικονομική, όπου άρχισα να χρησιμοποιώ τα νευρωνικά δίκτυα σε προβλήματα των χρηματοοικονομικών αγορών. Έτσι προέκυψε σταδιακά ο συνδυασμός της υπολογιστικής νοημοσύνης με τη χρηματοοικονομική μηχανική και, αρκετά χρόνια αργότερα, η ενασχόλησή μου με το blockchain. Δεν υπήρχε στα είκοσί μου κάποιο σχέδιο που να προέβλεπε αυτή τη διαδρομή. Το ένα ενδιαφέρον πρόβλημα οδηγούσε στο επόμενο. Και πιστεύω ότι αν είχα σπουδάσει νομική, ιατρική ή χημεία, πάλι θα είχα βρει εξαιρετικά ενδιαφέροντα προβλήματα για να ασχοληθώ. Γι’ αυτό, όταν οι φοιτητές μου με ρωτούν τι πρέπει να σπουδάσουν, συνήθως τους απαντώ: «αυτό που επιθυμεί η καρδιά σου». Στην αρχή με κοιτούν λίγο περίεργα. Μετά τους εξηγώ ότι δεν πρόκειται για ρομαντική συμβουλή. Αν πρόκειται να αφιερώσεις χρόνια για να γίνεις πραγματικά καλός σε κάτι, η περιέργεια και η επιθυμία να το καταλάβεις είναι πολύ ισχυρότερο κίνητρο από μια πρόβλεψη για το ποιο επάγγελμα θα έχει ζήτηση σε δέκα χρόνια. Αν όμως με ρωτάτε πού θα επένδυα ανεξάρτητα από το αντικείμενο των σπουδών μου τα επόμενα δέκα χρόνια, εκεί η απάντησή μου είναι σαφέστερη. Θα επένδυα στη συνάντηση του επιστημονικού μου πεδίου με την Τεχνητή Νοημοσύνη. Όχι στην ΤΝ ως αυτοσκοπό. Στην ΤΝ μέσα στη χημεία, στην ιατρική, στη νομική, στη μηχανική, στη χρηματοοικονομική. Οι μεγαλύτερες ευκαιρίες, κατά τη γνώμη μου, θα βρίσκονται όλο και περισσότερο στα όρια μεταξύ επιστημονικών πεδίων. Άρα, αν ήμουν ξανά είκοσι ετών, δεν θα προσπαθούσα να προβλέψω το επάγγελμα του 2036. Θα επέλεγα ένα πεδίο που με συναρπάζει, θα μάθαινα να το γνωρίζω σε βάθος και θα φρόντιζα να βρίσκομαι εκεί όπου αυτό συναντά τις νέες τεχνολογίες. Γιατί, τουλάχιστον από τη δική μου εμπειρία, οι πιο ενδιαφέρουσες διαδρομές δεν είναι πάντοτε εκείνες που σχεδιάζεις από την αρχή. Είναι εκείνες στις οποίες το ένα ενδιαφέρον ερώτημα σε οδηγεί στο επόμενο.
