Τεχνητή νοημοσύνη: Δεν είναι πανάκεια βιομηχανίας τυχερών παιχνιδιών

Όταν μια νέα τεχνολογία εμφανίζεται ή μια υπάρχουσα κάνει ένα μεγάλο άλμα ανάπτυξης, πολλοί προσπαθούν να βρουν γρήγορα εφαρμογές για αυτήν, ώστε να αποκτήσουν ανταγωνιστικό πλεονέκτημα. Αυτό ισχύει σήμερα για την τεχνητή νοημοσύνη (Artificial Intelligence – AI), αλλά και η τεχνητή νοημοσύνη έχει περιορισμούς

Μεγάλες εταιρείες τεχνολογίας – ειδικότερα η Google – έχουν πραγματοποιήσει σημαντικές ανακαλύψεις στον τομέα της τεχνητής νοημοσύνης τα τελευταία χρόνια. Πολλά από αυτά, όπως το AlphaGo και άλλα έργα της ομάδας DeepMind της Google, είναι περισσότερο δοκιμές και πειράμματα που αποδεικνύουν τη χρησιμότητα του AI, παρά εμπορεύσιμα προϊόντα. 

Η τεχνητή νοημοσύνη στη βιομηχανία τυχερών παιχνιδιών

Στα μέσα του Σεπτεμβρίου, 2020, πραγματοποιήθηκε ένα συνέδριο από την SBC με θέμα την παγκόσμια αγορά στοιχηματισμού και παιχνιδιών, το οποίο ήταν προγραμματισμένο να γίνει στη Βαρκελώνη, αλλά έγινε διαδικτυακά λόγω της πανδημίας COVID-19. Ένα από τα θέματα που συζητήθηκαν στις 9 Σεπτεμβρίου ήταν οι νέες εφαρμογές της τεχνητής νοημοσύνης στα τυχερά παιχνίδια.

Ο Américo Loureiro, διευθυντής της εταιρείας καζίνο Solverde, ηγήθηκε της συζήτησης. Στην ομιλία του, προέβλεψε ότι σε τρία χρόνια, καμία εταιρεία δεν θα είναι σε θέση να διαχειριστεί τον όγκο εργασίας χωρίς τη χρήση τεχνητής νοημοσύνης.

Άλλοι επιχειρηματικοί ηγέτες μοιράστηκαν τις εμπειρίες τους γύρω από την ανάπτυξη τεχνητής νοημοσύνης για ένα μεγάλο εύρος εφαρμογών, από το σχεδιασμό προωθητικών ενεργείων έως τους εικονικούς αντιπροσώπους (bots) που αναλαμβάνουν σημαντικό όγκο εργασίας από το τμήμα εξυπηρέτησης πελατών.

Εν τω μεταξύ, άνθρωποι τόσο εντός όσο και εκτός της βιομηχανίας έχουν καταπιαστεί με τη δυνατότητα της AI να βοηθήσει με την εφαρμογή μέτρων προστασίας των παικτών που επιδεικνύουν προβληματική συμπεριφορά στα τυχερά παιχνίδια.

Η νορβηγική κρατική εταιρεία Norsk Tipping, για παράδειγμα, πιστεύει ότι ένας καλά εκπαιδευμένος αλγόριθμος θα μπορούσε να εντοπίσει και να παρέμβει όταν διαπιστώνει προβληματικές συμπεριφορές πιο αποτελεσματικά από μια ανθρώπινη ομάδα.

Η τεχνητή νοημοσύνη δεν αποτελεί πανάκεια

Ωστόσο, το AI δεν είναι μαγικό. Η νέα τεχνολογία της τεχνητής νοημοσύνης έχει περιορισμούς και δυσκολίες στην εφαρμογή της. Ακολουθούν κάποια χαρακτηριστικά της τεχνητής νοημοσύνης που μπορεί να αποτελέσουν εμπόδιο στην προσπάθεια εφαρμογής της στον χώρο των διαδικτυακών τυχερών παιχνιδιών.

Η Τεχνητή Νοημοσύνη συχνά περιλαμβάνει αδιαφανείς διαδικασίες

Υπάρχουν πολλές προσεγγίσεις ως προς τη χρήση της τεχνολογίας της τεχνητή νοημοσύνης, αλλά αυτή που έχει προκαλέσει το μεγαλύτερο ενδιαφέρον είναι το “Machine Learning” (Μηχανική Μάθηση). Ο τρόπος που ο άνθρωπος μαθαίνει νέα δεδομένα και δεξιότητες είναι παρατηρώντας πληροφορίες από το περιβάλλον του, μέσα από τις οποίες βγάζει συγκεκριμένα συμπεράσματα. 

Το machine learning βασίζεται σε μια αντίστοιχη λογική. Αντί να προσπαθήσουμε να προγραμματίσουμε κάθε πιθανή παράμετρο για να εισάγουμε στα δεδομένα του υπολογιστή, δημιουργούμε αλγόριθμους που επεξεργάζονται ένα σύνολο από πληροφορίες.

Βάσει των πληροφοριών που δέχεται, δηλαδή των δεδομένων, ο αλγόριθμος στη συνέχεια κατασκευάζει τη δική του λογική, προσαρμόζοντας τη λειτουργία του.

Τα αποτελέσματα της τεχνητής νοημοσύνης που χρησιμοποιεί Machine Learning είναι στην αρχή κυρίως τυχαία. Αλλά μετά από κάθε δοκιμή, αξιολογείται η ποιότητα του αποτελέσματος και τροποποιούνται τα ενδιάμεσα βήματα για να βελτιωθεί η ποιότητα του αποτελέσματος.

Μετά από πολλές επαναλήψεις αυτής της διαδικασίας, ο αλγόριθμος που προκύπτει μπορεί να είναι καλύτερος από έναν άνθρωπο στην εξαγωγή χρήσιμων συμπερασμάτων από ένα σύνολο δεδομένων. Ωστόσο, όλα τα βήματα που χρησιμοποιεί ο αλγόριθμος για να φτάσει στα συμπεράσματά του είναι δική του δημιουργία και δεν είναι πάντα κατανοητά από έναν άνθρωπο.

Οι πιο αδιαφανείς αλγόριθμοι μερικές φορές περιγράφονται ως «μαύρα κουτιά». Όταν ένα από τα συμπεράσματα του αλγόριθμου μοιάζει περίεργο ή παράλογο, είναι δύσκολο να διαπιστωθεί εάν υπάρχει πρόβλημα με τον υπολογιστή ή απλώς με την ικανότητα των ανθρώπων να κατανοήσουν το σκεπτικό του συμπεράσματος.

Αν κάποια επιχείρηση βασιστεί απόλυτα στα συμπεράσματα ενός αλγόριθμου, ο οποίος χρησιμοποιεί Machine Learning, διατρέχει τον κίνδυνο να οδηγηθεί σε λανθασμένες αποφάσεις. Οι άνθρωποι που διαχειρίζονται τα αποτελέσματα ενδέχεται να μην καταλάβουν το σκεπτικό ή τη σημασία των συστάσεων του αλγόριθμου και να κάνουν λάθη ακολουθώντας τυφλά τις οδηγίες του ΑΙ.

Η απόδοση του AI εξαρτάται από την ποιότητα των δεδομένων που εισάγονται

Ένα γνωστό ακρωνύμιο στον χώρο των προγραμματιστών ηλεκτρονικών υπολογιστών είναι το “GIGO”, που σημαίνει “Garbage In, Garbage Out.”(«Σκουπίδια Μπαίνουν, Σκουπίδια Βγαίνουν»). Πρόκειται για μια υπενθύμιση ότι τα αποτελέσματα που παράγονται ακόμη και από έναν τέλειο αλγόριθμο μπορούν να είναι τόσο καλά όσο τα δεδομένα που του παρέχονται ως σημείο εκκίνησης. 

Οι υπολογιστές δεν έχουν αυτό που θα αποκαλούσαμε «κοινή λογική». Ο αυτοέλεγχος ενός αλγόριθμου τεχνητής νοημοσύνης εξαρτάται από την ικανότητα του προγραμματιστή να προβλέπει τα λάθη των άλλων.

Αν δώσουμε σε έναν οικονομικό αναλυτή ένα δελτίο καιρού και τον ρωτήσουμε για τις εκτιμήσεις του για το χρηματιστήριο θα απαντήσει ότι αυτά τα δεδομένα δεν είναι τα κατάλληλα για να απαντηθεί η ερώτηση που του τέθηκε. Ένας υπολογιστής όμως δεν θα κάνει τέτοια παρατήρηση εύκολα και το πιθανότερο είναι να αναλύσει γρήγορα τα δεδομένα από το δελτίο καιρού, χρησιμοποιώντας τους αλγόριθμους που έχει αναπτύξει και να καταλήξει σε ένα εντελώς λανθασμένο συμπέρασμα.

Στην περίπτωση της βιομηχανίας τυχερών παιχνιδιών, υπάρχει ένα αντίστοιχο πρόβλημα που έγκειται στον τεράστιο αριθμό δεδομένων και μεταβλητών. Μερικά από αυτά τα δεδομένα μπορεί να μην φαίνονται σημαντικά, ώστε να συμπεριληφθούν στο σύνολο δεδομένων που εισάγονται σε ένα AI, αλλά αργότερα μπορεί να αποδειχθεί ότι ήταν τελικά πολύ κρίσιμα.

Ας δούμε ένα υποθετικό σενάριο για να κατανοήσουμε καλύτερα το συγκεκριμένο πρόβλημα: ο κλιματισμός σε μια γωνία ενός επίγειου καζίνο κατεβάζει πολύ τη θερμοκρασία και ο χώρος καταλήγει να είναι πολύ κρύος. Ένας άνθρωπος μπορεί να συνειδητοποιήσει ότι αυτός είναι ο λόγος για τον οποίο οι κουλοχέρηδες σε αυτό το μέρος του καζίνο είναι άδειοι.

Ένας υπολογιστής, ωστόσο, μπορεί να προσπαθεί να λύσει το πρόβλημα της χαμηλής κίνησης αντικαθιστώντας συνεχώς τα παιχνίδια που βρίσκονται εκεί, χωρίς αποτέλεσμα. Μπορεί να μην εντοπίσει ποτέ το πραγματικό πρόβλημα, αφού η θερμοκρασία δωματίου δεν ορίστηκε ως σημαντικό δεδομένο από τους ανθρώπους που εισήγαγαν το σύνολο δεδομένων, στο οποίο βασίζεται ο αλγόριθμος του ΑΙ. 

Μπορεί να μεγεθύνει τις αρνητικές επιπτώσεις ανυπόστατων προϋποθέσεων

Στην περίπτωση του Machine Learning, η ποιότητα των δεδομένων δεν είναι το μόνο σημαντικό στοιχείο. Ακόμα πιο σημαντικά είναι τα δεδομένα που χρησιμοποιούνται για την εκπαίδευση του αλγορίθμου. Σε αυτό το στάδιο του προγραμματισμού, αρκετές ανυπόστατες παραδοχές από τους προγραμματιστές μπορεί να εισχωρήσουν στον αλγόριθμο.

Οι συνέπειες ενός τέτοιου προβλήματος έχουν ήδη γίνει εμφανείς σε πρώιμες εφαρμογές της τεχνολογίας σε άλλους τομείς. Οι τεχνολογίες αναγνώρισης προσώπου και φωνής βρέθηκαν να έχουν χαμηλή απόδοση όταν έπρεπε να αναγνωρίσουν ανθρώπους που δεν είχαν λευκό δέρμα, καθώς στο πρόγραμμα εκπαίδευσης του ΑΙ δεν συμπεριλήφθηκαν πλήρη δεδομένα, που να αντιπροσωπεύουν με ακρίβεια τη διαφορετικότητα των ανθρώπων. 

Η τεχνητή νοημοσύνη για τον κλάδο των τυχερών παιχνιδιών θα μπορούσε να αντιμετωπίσει παρόμοιες δυσκολίες εάν δεν λαμβάνει υπόψη διαφορές στην κοινωνικοοικονομική τάξη ή συμπεριφορές τζόγου που προέρχονται εν μέρη από πολιτιστικά χαρακτηριστικά συγκεκριμένων λαών ή τόπων.

Ακόμη όμως και σύνολα δεδομένων του πραγματικού κόσμου μπορεί να είναι προβληματικά. Η Norsk Tipping εκπαίδευσε αλγόριθμους με σκοπό τον καλύτερο εντοπισμό των παικτών που επιδεικνύουν προβληματική συμπεριφορά προς τα τυχερά παιχνίδια. Για να το κάνει αυτό, η Norks Tipping χρησιμοποίησε έναν συνδυασμό δεδομένων συμπεριφοράς παικτών, τα οποία συλλέχθηκαν μέσω αυτοαξιολόγησης των ίδιων των παικτών. 

Υπάρχει, ωστόσο, κίνδυνος οι αυτοαξιολογήσεις των παικτών να οδηγήσουν τον αλγόριθμο να προτείνει παρεμβάσεις μόνο για τους παίκτες που έχουν ήδη συνειδητοποιήσει ότι έχουν πρόβλημα. Ως αποτέλεσμα, ο αλγόριθμος θα μπορούσε να καταλήξει να μην προτείνει παρέμβαση σε περιπτώσεις όπου οι παίκτες δεν αναγνωρίζουν ακόμα το πρόβλημά τους, εκεί δηλαδή που η παρέμβαση μπορεί να είναι ακόμη πιο σημαντική.

Η τεχνητή νοημοσύνη μπορεί να ακολουθήσει μόνο κανόνες κατά γράμμα

Όπως αναφέρθηκε νωρίτερα, η τεχνητή νοημοσύνη δεν έχει «κοινή λογική» και δεν έχει κατανόηση της πρόθεσης πίσω από έναν κανόνα. Θα ακολουθήσει τις παραμέτρους που θα έχει διαθέσιμες με μεγάλη ακρίβεια. Μερικές φορές αυτό φέρνει αποτελέσματα που είναι πολύ διαφορετικά από αυτά που θα περίμενε ένας άνθρωπος.

Υπάρχει η περίπτωση ενός αλγορίθμου μηχανικής μάθησης που δημιουργήθηκε για τη βελτιστοποίηση των κυκλωμάτων. Μερικά από τα σχέδιά που παρήγαγε κατέληξαν να περιλαμβάνουν εξαρτήματα αποσυνδεδεμένα εντελώς από το υπόλοιπο κύκλωμα. Αυτά τα κυκλώματα όμως ήταν απαραίτητα, καθώς η παρουσία τους από μόνη της επηρέαζε τα ηλεκτρομαγνητικά πεδία που παράγονται από το υπόλοιπο κύκλωμα. Ήταν μια σημαντική απόκλιση από αυτό που θα περίμενε ένας άνθρωπος, σχεδιαστής κυκλωμάτων.

Όταν πρόκειται για ένα σύστημα που περιλαμβάνει τον ανθρώπινο παράγοντα, όπως η βιομηχανία τυχερών παιχνιδιών, αυτό δημιουργεί έναν μεγάλο κίνδυνο ηθικής φύσης. Η αλήθεια είναι ότι υπάρχει ήδη πρόβλημα στις περισσότερες βιομηχανίες με ανθρώπους που δικαιολογούν ανήθικες επιχειρηματικές στρατηγικές με το σκεπτικό ότι συμμορφώνονται με το γράμμα του νόμου.

Μια τεχνητή νοημοσύνη που θα έχει σχεδιαστεί για τη μεγιστοποίηση των εσόδων για μια επιχείρηση τυχερών παιχνιδιών, είναι αρκετά πιθανό να καταλήξει σε κάποιες μάλλον επιθετικές στρατηγικές αμφιλεγόμενης ηθικής.

Εάν αυτές οι τεχνολογίες διαδοθούν, το βάρος που θα πέσει στις πλάτες των νομοθετικών αρχών θα είναι μεγάλο. Θα πρέπει να είναι εξαιρετικά ακριβείς στη θεσμοθέτηση κανόνων, αφού η τεχνητή νοημοσύνη έχει αποδειχθεί ιδιαίτερα αποτελεσματική στην εύρεση τρόπων παράκαμψης των ανθρώπινων κανόνων, με τρόπους που δεν μπορούμε να φανταστούμε.

Η τεχνητή νοημοσύνη απαιτεί ποσοτικοποίηση όλων των δεδομένων

Οι προγραμματιστές μπορούν να σχεδιάσουν αλγόριθμους που θα έχουν πάνω από έναν στόχο. Για παράδειγμα, τεχνητή νοημοσύνη που βελτιστοποιεί τα κέρδη για ένα καζίνο θα μπορούσε επίσης να εξετάζει τον κίνδυνο ενθάρρυνσης του προβληματικού παιχνιδιού. Αλλά για να γίνει αυτό, χρειάζεται ένας τρόπος σύγκρισης των δύο.

Ένας άνθρωπος που λαμβάνει αποφάσεις συνήθως βασίζεται στη δική του υποκειμενική ηθική για να σταθμίσει τέτοια δεδομένα. Ένας υπολογιστής όμως βασίζεται αποκλειστικά σε αριθμούς. Πρέπει να ξέρει ακριβώς πόσο κέρδος μπορεί να θυσιάσει για να σώσει ένα άτομο από πιθανό εθισμό στα τυχερά παιχνίδια.

Αξιοποίηση της τεχνητής νοημοσύνης με προσεκτικά βήματα

Από τη μία πλευρά, τα προβλήματα της τεχνητής νοημοσύνης πρέπει σίγουρα να διερευνηθούν σε βάθος. Από την άλλη όμως, είναι μια συζήτηση που κάνει τους ανθρώπους να αισθάνονται άβολα, αφού η περιγραφή των προβλημάτων γίνεται με κάπως αόριστο τρόπο.

Κανένα από αυτά τα προβλήματα δεν είναι ανυπέρβλητο. Ωστόσο, η υπεύθυνη χρήση της τεχνητής νοημοσύνης απαιτεί την κατανόηση των ατελειών της. 

Η ανάπτυξη ενός συστήματος τεχνητής νοημοσύνης με υπεράνθρωπες ικανότητες σε ένα συγκεκριμένο πεδίο, όπως για παράδειγμα το σκάκι, είναι εφικτή εδώ και αρκετά χρόνια. Η λήψη αποφάσεων στον πραγματικό κόσμο όμως απαιτεί συχνά μια πιο ολιστική και υποκειμενική προσέγγιση, κάτι στο οποίο οι υπολογιστές και η τεχνητή νοημοσύνη δεν φαίνεται να τα καταφέρνουν αρκετά καλά μέχρι τώρα. 

Χρησιμοποιώντας την τεχνητή νοημοσύνη προσεκτικά και εστιάζοντας σε ένα βήμα κάθε φορά, η βιομηχανία τυχερών παιχνιδιών μπορεί να αποκτήσει ένα ισχυρό εργαλείο. Είναι σημαντικό, ωστόσο, να μην απαιτούμε περισσότερα από αυτά που μπορεί να προσφέρει, για να μην μας οδηγήσει σε λάθος αποφάσεις και προβλήματα μεγαλύτερα από αυτά που θέλαμε αρχικά να λύσουμε με αυτήν την τεχνολογία. 

Πηγές: opendatascience.com pcsteps.gr onlinepokerreport.com sbcevents.com linkedin.com (Mridula Saini) logicalclocks.com mc.ai lloydmelnick.com el.wikipedia.org