scieee AI-readable full text Open interactive document viewer

Τεχνητή Νοημοσύνη: Παροδική μόδα ή φυσική εξέλιξη;

Georgiou, Harris

Abstract

Τρία χρόνια μετά την επίσημη δωρεάν διάθεση του ChatGPT στο Web και μόλις ένα χρόνο μετά τη δημοσίευση του DeepSeek που άλλαξε το αντίστοιχο επιχειρηματικό μοντέλο, δεν είναι ακόμα σαφές στο ευρύ κοινό τι είναι το ΑΙ και πως θα επηρεάσει την καθημερινότητα όλων στο άμεσο μέλλον. Είναι απλά μια παροδική «μόδα» που τροφοδοτεί βραχυπρόθεσμα εταιρικά πλάνα με τεράστια χρηματοπιστωτικά κεφάλαια όπως συνέβη την εποχή της «φούσκας» του dot-com; 'Η είναι μια πραγματική επανάσταση ανάλογη του World Wide Web στο Internet πριν τρεις δεκαετίες; Στην παρουσίαση περιγράφονται οι πρόσφατες εξελίξεις στο ΑΙ, τις αλλαγές που έχουν συμβεί σε τεχνολογικό και θεσμικό-νομοθετικό επίπεδο, καθώς και τι αναμένεται για το αμέσως επόμενο διάστημα. Παρουσίαση: Χάρης Γεωργίου, Ερευνητής Πληροφορικής (MSc,PhD), R&D in AI/ML, Medical Imaging, Rescue Robotics Keywords: Artificial Intelligence, safety, security, lecture, DevOps, MLops, Data Analytics, Machine Learning Video: https://youtu.be/xrg2cez36jA , https://youtu.be/EpJrv3PW0dU

Full text

«Τεχνητή Νοημοσύνη: Παροδική μόδα ή φυσική εξέλιξη?» Χάρης Γεωργίου (MSc, PhD) https://www.epe.org.gr https://www.hiu.gr Ένωση Πληροφορικών Ελλάδας 2 https://www.epe.org.gr 3 Harris Georgiou (MSc, PhD) – https://github.com/xgeorgio/info •R&D: Associate post-doc researcher and lecturer with the University Athens (NKUA) and University of Piraeus (UniPi) •R&D consultant in Medical Imaging, Machine Learning, Data Analytics, Signal Processing, Process Optimization, Dynamic Systems, Complexity & Emergent A.I., Game Theory •Safety-Critical / Quality Assurance, Systems Engineering •Rescue Robotics, Crisis Management, Disaster Response •HRTA member since 2010, field operator (USAR, scuba diver) •HRTA LEAR, R&D coordinator, scientific advisor since 2016 •Wilderness first aid, paediatric (child/infant) •Humanitarian aid & disaster relief in Ghana, Lesvos, Piraeus •Support of unaccomp. minors, teacher in community schools •Streetwork training, psychological first aid & victim support •3+4 books, 240+ scientific papers/articles (and 7 marathons) 4 Επισκόπηση •Περιεχόμενα: –Μέρος Ι: Τι εννοούμε «Τεχνητή Νοημοσύνη» – Βασικές έννοιες DA/ML –Μέρος ΙI: Μελλοντικές προοπτικές, περιορισμοί, προσδοκίες •Σχετικό υλικό: –«Εισαγωγή στη Μηχανική Μάθηση και στην Αναλυτική Δεδομένων», Χ. Γεωργίου, A’ κύκλος ανοικτών μαθημάτων ΕΠΕ – https://youtu.be/mlU4SvyfRqA –«Artificial Intelligence | 60 Minutes Full Episodes» – https://www.youtube.com/watch?v=aZ5EsdnpLMI –Computer History Museum (CHM) – https://www.youtube.com/@ComputerHistory –Peter Norvig, Stuart J. Russell (2010). Artificial Intelligence: A Modern Approach (3rd Ed.) – https://people.engr.tamu.edu/guni/csce625/slides/AI.pdf 5 Πως βλέπετε τις εξελίξεις στις τεχνολογίες Α.Ι. ως προς τη χρήση τους στην καθημερινότητα? → https://tinyurl.com/cb559mth Ποιοι είναι οι κύριοι λόγοι ανησυχίας σας σχετικά με τη χρήση του Α.Ι.? → https://tinyurl.com/2zw2dujh Πως μπορούν να αντιμετωπιστούν οι αρνητικοί παράγοντες της χρήσης Α.Ι.? → https://tinyurl.com/hkad8dru Μέρος Ι: Που βρισκόμαστε σήμερα 7 1. Η «νοημοσύνη» στη Φύση 2. Άλμα στο σήμερα 3. Data Analytics (pipeline) 4. Τι μπορεί να «υπολογιστεί»? 8 Source: https://medium.com/ai-in-plain-english/what-the-new-deepseek-llm-teaches-us-about-ai-as-a-business-model-is-astounding-d4689f363633 9 Source: BBC 16 17 18 Source: Hellenic Informatics Union (HIU), open courses 2024-2025 19 Source: MIT OpenCourseWare 16.982 “Advanced Software Engineering” Also, more recently: • Agile methods (e.g. Scrum) • CI/CD • DevOps • ... 20 Source: H.Georgiou, ”Data Science for Teams: 20 Lessons from Fieldwork” (2025) 21 Source: H.Georgiou, ”Data Science for Teams: 20 Lessons from Fieldwork” (2025) 22 Data Science team roles: • Infrastructure Engineer • A.I. Expert • Software Developer • Team Mentor-Coordinator Source: H.Georgiou, ”Data Science for Teams: 20 Lessons from Fieldwork” (2025) 23 24 Source: https://www.bbc.com/news/articles/c8e9d13x2z7o 25 32 33 34 Δ(ELO) = +677  P{win}  0,99 35 Source: https://medium.com/data-science/sw-hw-co-optimization-strategy-for-large-language-models-llms-855f20a14629 36 Source: https://cacm.acm.org/research/computer-vision-ml-and-ai-in-the-study-of-fine-art/ 37 Source: https://www.paloaltonetworks.com/cyberpedia/what-are-ai-hallucinations 38 Source: https://www.scrut.io/post/ai-hallucinations-grc 39 https://medium.com/ai-advances/the-black-box-ai-cannot-refactor-itself-the-cobol-moment-of-llms-is-looming-39ef0a2aca3f 40 Source: A. AlQuraini, “ChatGPT as seen through the Dunning-Kruger Curve” (26/2/2023) 41 Credits: INTREPID project (EU H2020) Live 3-D optimal route planning: Risk assessment and FR team navigation inside the hotzone 48 Source: “13 minutes to the Moon” (podcast) – https://www.bbc.co.uk/programmes/w13xttx2 Πως βλέπετε τις εξελίξεις στις τεχνολογίες Α.Ι. ως προς τη χρήση τους στην καθημερινότητα? → https://tinyurl.com/cb559mth Ποιοι είναι οι κύριοι λόγοι ανησυχίας σας σχετικά με τη χρήση του Α.Ι.? → https://tinyurl.com/2zw2dujh Πως μπορούν να αντιμετωπιστούν οι αρνητικοί παράγοντες της χρήσης Α.Ι.? → https://tinyurl.com/hkad8dru → https://tinyurl.com/cb559mth → https://tinyurl.com/2zw2dujh → https://tinyurl.com/hkad8dru Σύνοψη 53 •Περιεχόμενα: –Μέρος Ι: Τι εννοούμε «Τεχνητή Νοημοσύνη» – Βασικές έννοιες DA/ML –Μέρος ΙI: Μελλοντικές προοπτικές, περιορισμοί, προσδοκίες •Σχετικό υλικό: –«Εισαγωγή στη Μηχανική Μάθηση και στην Αναλυτική Δεδομένων», Χ. Γεωργίου, A’ κύκλος ανοικτών μαθημάτων ΕΠΕ – https://youtu.be/mlU4SvyfRqA –«Artificial Intelligence | 60 Minutes Full Episodes» – https://www.youtube.com/watch?v=aZ5EsdnpLMI –Computer History Museum (CHM) – https://www.youtube.com/@ComputerHistory –Peter Norvig, Stuart J. Russell (2010). Artificial Intelligence: A Modern Approach (3rd Ed.) – https://people.engr.tamu.edu/guni/csce625/slides/AI.pdf YouTube: @ApneaCoding https://www.youtube.com/@apneacoding https://www.facebook.com/apneacoding Github: @xgeorgio https://github.com/xgeorgio http://apneacoding.blogspot.com Hamming (7,4) error correction codes in R Kmeans clustering in COBOL Bi-directional Associative Memory (BAM) in Arduino/C Linear Regression in SQL, Matlab ... 54 55 https://courses.epe.org.gr Πως βλέπετε τις εξελίξεις στις τεχνολογίες Α.Ι. ως προς τη χρήση τους στην καθημερινότητα? → https://tinyurl.com/cb559mth Ποιοι είναι οι κύριοι λόγοι ανησυχίας σας σχετικά με τη χρήση του Α.Ι.? → https://tinyurl.com/2zw2dujh Πως μπορούν να αντιμετωπιστούν οι αρνητικοί παράγοντες της χρήσης Α.Ι.? → https://tinyurl.com/hkad8dru Χάρης Γεωργίου (MSc,PhD) https://www.linkedin.com/in/xgeorgio https://methodd.substack.com Ερωτήσεις 57