Απόσταξη γνώσεως και αντίστροφη μηχανική πρέπει να καταστούν βασικοί άξονες στην επιστημονική πολιτική της Ελλάδος προκειμένου να καλύψει την τεχνολογική της υστέρηση

 

Η απόσταξη μοντέλων γνωστή και ως απόσταξη γνώσεως (model distillation) είναι μία τεχνική μηχανικής μαθήσεως, η οποία χρησιμοποιείται στον ανταγωνισμό στο πεδίο της τεχνητής νοημοσύνης.

Ένα μικρότερο, πιο αποτελεσματικό μοντέλο "μαθητού", εκπαιδεύεται για να αναπαράγει την συμπεριφορά και τις δυνατότητες ενός μεγαλύτερου, πιο ισχυρού μοντέλου "δασκάλου".

Στόχος είναι η μεταφορά γνώσεως όπως νοητικά σχήματα, αρχιτεκτονικές συλλογισμών, κατανομές πιθανοτήτων ή εκλεπτυσμένες δεξιότητες, από το σύνθετο μοντέλο του "δασκάλου" σε ένα απλούστερο μοντέλο "μαθητού".

Έτσι επιτυγχάνεται παρόμοια απόδοση με πολύ χαμηλότερο υπολογιστικό κόστος, λιγώτερη χρήση μνήμης, και μικρότερη καθυστέρηση στην εξαγωγή συμπερασμάτων.

Η απόσταξη μοντέλων είναι μία νόμιμη, ισχυρή τεχνική συμπιέσεως του χρόνου επεξεργασίας δεδομένων, που όμως έχει καταστεί γεωπολιτικώς φορτισμένη.

Όταν χρησιμοποιείται σε μοντέλα ανοικτού κώδικος, διαχέει την τεχνητή νοημοσύνη σε ευρεία λαϊκά στρώματα. Τώρα όμως γίνεται σε βιομηχανική κλίμακα και λειτουργεί ως μορφή αντιστρόφου μηχανικής (reverse engineering), επιτρέποντας σε χώρες όπως η Κίνα την ταχεία κάλυψη της τεχνολογικής υστερήσεως χωρίς να επωμίζωνται το πλήρες κόστος ερεύνης και αναπτύξεως.

Αυτή η σύγκρουση αποτελεί βασικό στοιχείο στον ανταγωνισμό τεχνητής νοημοσύνης μεταξύ ΗΠΑ και Κίνας.

Η Ελλάδα οφείλει να παρακολουθεί αυτές τις εξελίξεις και από τις δύο πλευρές. Δηλαδή και το πώς αναπτύσσουμε πρωτογενή έρευνα όπως πράττουν οι ΗΠΑ, και πώς καταλύπτουμε την υστέρησή μας όπως πράττει η Κίνα.