Alfavita Newsroom Σχεδόν όλοι έχουμε πει κάποια στιγμή: "Αποκλείεται, με άκουσε το κινητό και μου πέταξε διαφήμιση γι’ αυτό που μόλις είπα!". Η ιδέα ότι το smartphone ανοίγει κρυφά το μικρόφωνο είναι γοητευτική και λίγο τρομακτική. Στην πραγματικότητα όμως, δεν χρειάζεται να μας ακούει. Δεν έχει την άδεια, δεν έχει λόγο και δεν έχει καν το πρακτικό κέρδος να ηχογραφεί τα πάντα μόνο και μόνο για να μας δείξει μια διαφήμιση για πάνες, οδοντόκρεμα ή προσφορές σε αεροπορικά εισιτήρια.
Αυτό που κάνει είναι πιο απλό – και ταυτόχρονα πολύ πιο εξελιγμένο: χρησιμοποιεί ένα μοντέλο τεχνητής νοημοσύνης που λέγεται Graph Neural Network (GNN).
Αν σκεφτούμε τα δεδομένα μας όχι σαν λίστες με κείμενα, clicks και τοποθεσίες, αλλά σαν έναν "χάρτη σχέσεων", τότε το GNN είναι ο εγκέφαλος που βλέπει αυτόν τον χάρτη. Οι πληροφορίες μας αναπαρίστανται σαν μικρές κουκκίδες (κόμβοι), και οι συνδέσεις ανάμεσά τους σαν γραμμές. Όχι άνθρωποι και φιλίες, αλλά δεδομένα και σχέσεις.
Τι ακριβώς κάνει ένα GNN;
Φανταστείτε ένα δωμάτιο γεμάτο ανθρώπους που μιλούν. Αντί για ανθρώπους, το GNN έχει δεδομένα. Κάθε κόμβος είναι κάτι μικρό αλλά συγκεκριμένο:
μια λέξη που γράψατε σε ένα μήνυμα,
το site που ανοίξατε εχθές,
η τοποθεσία του σπιτιού σας,
η ώρα που συνήθως ψάχνετε για φαγητό.
Οι ακμές είναι οι σχέσεις ανάμεσα σε αυτά:
ποιες λέξεις εμφανίζονται συχνά μαζί,
ποιες αναζητήσεις ακολουθούν κάποιες άλλες,
πού βρίσκεστε όταν ανοίγετε συγκεκριμένες εφαρμογές.
Το GNN δεν κρατάει μια ανθρώπινη αφήγηση τύπου "τι είπατε σε ποιον". Δεν το ενδιαφέρει το περιεχόμενο ως ιστορία. Αυτό που αποθηκεύει είναι οι συνδέσεις: πώς σχετίζονται αυτά που κάνετε μεταξύ τους.
Αυτή η φαινομενικά απλή ιδέα το κάνει πάρα πολύ αποτελεσματικό στο να προβλέπει τι πιθανότατα θα θελήσετε να δείτε μετά.
Ποια δεδομένα αξιοποιεί;
Για να διαμορφωθούν προτάσεις ειδήσεων, εξατομικευμένες διαφημίσεις ή περιεχόμενο σε εφαρμογές, η τεχνητή νοημοσύνη αντλεί στοιχεία κυρίως από τέσσερις μεγάλες κατηγορίες:
1. Κείμενο
Περιλαμβάνει:
αναζητήσεις,
κείμενα σε πλατφόρμες που επιτρέπουν χρήση δεδομένων,
περιγραφές στο YouTube, σχόλια, posts κ.λπ.
Το GNN δεν βλέπει το μήνυμα ως διάλογο μεταξύ δύο ανθρώπων. Το βλέπει σαν αλληλουχία λέξεων. Αν γράψετε "ψάχνω κουρτίνες για το σπίτι", το μοντέλο κρατά λέξεις-κομμάτια όπως κουρτίνες, σπίτι, αγορά και τη σχέση τους. Δεν ανακατασκευάζει τη συζήτηση, κρατά μόνο τα σημασιολογικά κομμάτια που χρειάζεται.
2. Ιστορικό αναζητήσεων και περιήγησης
Εδώ βρίσκεται και ο θησαυρός πληροφορίας. Το τι ψάχνετε, πού μπαίνετε, με ποια σειρά, τι ώρα.
Για παράδειγμα:
ειδησεογραφικά sites → αθλητικά → αναζήτηση για την ώρα του αγώνα → μετά σελίδες με παπούτσια.
Το GNN τα μετατρέπει αυτά σε διαδρομές μέσα στο γράφημα. Έτσι μαθαίνει μοτίβα συμπεριφοράς.
3. Τοποθεσία (αν την έχετε ενεργή)
Το GPS δίνει σημεία στον χάρτη, τα οποία συνδέονται με άλλα δεδομένα. Σταδιακά, το σύστημα «καταλαβαίνει»:
πότε είστε σπίτι,
πού είναι η δουλειά σας,
σε ποιες γειτονιές κινείστε,
ποιες ώρες είστε έξω.
Γι’ αυτό ίσως βλέπετε διαφήμιση μιας καφετέριας κοντά στο γραφείο σας: όχι επειδή άκουσε ότι θέλετε καφέ, αλλά γιατί βλέπει ότι κάθε μέρα γύρω στις 9:15 είστε εκεί και ανοίγετε μια συγκεκριμένη εφαρμογή.
4. Συνήθειες χρήσης συσκευής
Το σύστημα καταγράφει:
πόσο συχνά ανοίγετε μια εφαρμογή,
πόση ώρα μένετε,
τι κάνετε πριν και μετά.
Έτσι διαμορφώνεται ένας ρυθμός χρήσης της συσκευής, μοναδικός για τον καθένα.
Το μικρόφωνο δεν χρειάζεται να ανοίξει για τις διαφημίσεις:
Νομικά θα ήταν εκρηκτικό για όποια εταιρεία το έκανε.
Τεχνικά δεν προσφέρει κάτι παραπάνω σε σχέση με τα ήδη πλούσια δεδομένα που έχει.
Πού χρησιμοποιούνται όλα αυτά στο κινητό;
Στις προτεινόμενες ειδήσεις του Google Discover.
Στα Reels/shorts στο Instagram ή TikTok.
Στις ειδοποιήσεις και τα recommendations του YouTube.
Στις προτάσεις εφαρμογών στο Play Store.
Στις διαφημίσεις που βλέπετε σχεδόν σε κάθε πλατφόρμα.
Σε όλες αυτές τις περιπτώσεις, η λογική είναι ίδια: δημιουργείται ένας διαρκώς εμπλουτιζόμενος χάρτης σχέσεων, ο οποίος γίνεται όλο και πυκνότερος όσο η συσκευή μαθαίνει τις συνήθειές σας. Τα GNN είναι ειδικά σχεδιασμένα γι’ αυτού του τύπου τα προβλήματα: όσο μεγαλώνει το γράφημα, τόσο καλύτερα καταλαβαίνουν τα μοτίβα.
Στην πράξη, αυτό μεταφράζεται ως εξής:
Αν τα βράδια μπαίνετε κυρίως σε ειδησεογραφικά θέματα, θα βλέπετε περισσότερα τέτοια.
Αν τα Σαββατοκύριακα ψάχνετε ταξίδια, οι διαφημίσεις προσαρμόζονται αναλόγως.
Αν ψάχνετε συχνά delivery σε συγκεκριμένη περιοχή, θα εμφανιστούν προτάσεις γι’ αυτή τη γειτονιά.
Αν τα μηνύματά σας περιλαμβάνουν λέξεις της θεματολογίας υγεία, lifestyle ή προϊόντα, το σύστημα το καταγράφει ως αλλαγή ενδιαφερόντων.
Και όλα αυτά συμβαίνουν χωρίς να αποθηκεύονται «συνομιλίες» με την ανθρώπινη έννοια. Κρατιούνται μόνο οι σχέσεις και τα μοτίβα.
Είναι τελικά καλό ή κακό;
Εδώ οι απόψεις διχάζονται.
Από τη μία:
Η εξατομίκευση μας γλιτώνει από χαοτικά timelines και άσχετο περιεχόμενο.
Από την άλλη:
Δημιουργεί φούσκες όπου βλέπουμε κυρίως αυτά που ήδη μας αρέσουν.
Περιορίζει την επαφή με διαφορετικές απόψεις ή νέες ιδέες.
Μπορεί να ενισχύσει εμμονές, καταναλωτικές ή άλλου τύπου.
Το βέβαιο είναι ότι τα Graph Neural Networks δείχνουν πως η τεχνητή νοημοσύνη δεν χρειάζεται να λειτουργεί σαν κατάσκοπος για να είναι αποτελεσματική. Της αρκεί να παρατηρεί τις σχέσεις ανάμεσα στα δεδομένα που εμείς οι ίδιοι της δίνουμε: τα clicks, τα scroll, τις τοποθεσίες, τις λέξεις που πληκτρολογούμε.
Όλες οι σημαντικές και έκτακτες ειδήσεις σήμερα
Black Friday σε μοριοδοτούμενα σεμινάρια και Πιστοποιήσεις Ξένων Γλωσσών για έξτρα 20 μόρια
Παν.Πατρών: Tο 1ο στην Ελλάδα Πανεπιστημιακό Πιστοποιητικό ΤΕΧΝΗΤΗΣ ΝΟΗΜΟΣΥΝΗΣ για εκπαιδευτικούς
Πανεπιστήμιο Αιγαίου: Το κορυφαίο πρόγραμμα ειδικής αγωγής στην Ελλάδα - Αιτήσεις έως 24/11
Μοριοδοτούμενο σεμινάριο Ειδικής Αγωγής Πανεπιστημίου Πατρών με μόνο 60 ευρώ
