Στο 20ό επεισόδιο του podcast «Τεχνο-λογικά», ο Παντελής Λάππας, επίκουρος καθηγητής στο τμήμα Στατιστικής και Αναλογιστικών-Χρηματοοικονομικών Μαθηματικών του Πανεπιστημίου Αιγαίου, προσεγγίζει την επιστήμη της απόφασης όχι ως μια αναζήτηση της «μαγικής» τέλειας λύσης, αλλά ως ένα σύνθετο πλαίσιο διαχείρισης δεδομένων, πιθανοτήτων και ανθρώπινης κρίσης. Η συζήτηση αποδομεί τον μύθο ότι τα μαθηματικά μοντέλα προσφέρουν αυθαίρετες «σιγουριές» και αναδεικνύει τον κρίσιμο ρόλο της επιχειρησιακής έρευνας στον σύγχρονο κόσμο.
Ο καθηγητής Λάππας διευκρινίζει εξαρχής ότι η επιχειρησιακή έρευνα δεν αφορά μόνο τις μεγάλες επιχειρήσεις, αλλά τη βελτιστοποίηση οποιουδήποτε συστήματος λειτουργεί υπό περιορισμούς πόρων και χρόνου. Στην καθημερινή ζωή, όπως και στη διαχείριση μιας εφοδιαστικής αλυσίδας ή ενός οικονομικού συστήματος, είμαστε υποχρεωμένοι να κάνουμε trade-offs. Σε προβλήματα μεγάλης κλίμακας, η αναζήτηση της απόλυτης μαθηματικής βελτιστοποίησης είναι συχνά αδύνατη λόγω της «υπολογιστικής έκρηξης» (computational explosion). Εδώ, η αξία των αλγορίθμων και της υπολογιστικής νοημοσύνης έγκειται στο ότι μπορούν να βρουν την «καλύτερη εφικτή» λύση σε εύλογο χρόνο, μια λύση που είναι ρεαλιστική και εφαρμόσιμη, σε αντίθεση με μια θεωρητική τελειότητα που παραμένει ανέφικτη.
Κεντρικό πυλώνα της ανάλυσης αποτελεί η διάκριση μεταξύ στατιστικής και μηχανικής μάθησης. Η στατιστική λειτουργεί ως η «γέφυρα» και η βάση, παρέχοντας τα εργαλεία για την ερμηνεία των δεδομένων, ενώ η μηχανική μάθηση προσφέρει τη δύναμη για την αναγνώριση μοτίβων σε τεράστια σύνολα δεδομένων (big data). Ωστόσο, ο κ. Λάππας προειδοποιεί για την παγίδα της τυφλής εμπιστοσύνης στα μοντέλα. Επαναφέρει τον κανόνα «garbage in, garbage out»: αν τα δεδομένα εισόδου είναι ελλιπή, λανθασμένα ή μεροληπτικά, το αποτέλεσμα θα είναι εξίσου αναξιόπιστο, όσο εξελιγμένος κι αν είναι ο αλγόριθμος.
Ιδιαίτερη έμφαση δίνεται στη φιλοσοφία του «human-in-the-loop». Η τεχνολογία δεν αντικαθιστά τον άνθρωπο, αλλά λειτουργεί ως ένας εξελιγμένος σύμβουλος που μοντελοποιεί την ανθρώπινη γνώση και εμπειρία. Ο καλεσμένος ορίζει το ρίσκο όχι ως απλό κίνδυνο, αλλά ως «αβεβαιότητα με επίπτωση» και τονίζει ότι τα μοντέλα πρόβλεψης μας βοηθούν να χαρτογραφήσουμε τις πιθανότητες και να αποφύγουμε δυσάρεστες εκπλήξεις, όχι να προβλέψουμε το μέλλον με ακρίβεια.
Στο ζήτημα της εξηγήσιμης τεχνητής νοημοσύνης (Explainable AI - XAI), ο καθηγητής Λάππας είναι κατηγορηματικός: αν δεν μπορούμε να κατανοήσουμε το «γιατί» πίσω από μια απόφαση ενός συστήματος, τότε δεν πρέπει να του αναθέτουμε κρίσιμους ρόλους. Η εμπιστοσύνη χτίζεται μέσα από τη διαφάνεια, τον έλεγχο των μεταβλητών και τη δυνατότητα ερμηνείας των αποτελεσμάτων. Καθώς εισερχόμαστε σε μια εποχή όπου τα συστήματα αυτά θα επηρεάζουν όλο και περισσότερο τις κοινωνικές και οικονομικές δομές, η πρόκληση δεν είναι απλώς η τεχνολογική ανάπτυξη, αλλά η καλλιέργεια κριτικής σκέψης. Το διακύβευμα της επόμενης δεκαετίας, σύμφωνα με τον καλεσμένο, δεν είναι να φτιάξουμε «πιο έξυπνα» μοντέλα, αλλά να εκπαιδεύσουμε μια γενιά που θα χρησιμοποιεί τα εργαλεία αυτά με υπευθυνότητα, ηθικούς φραγμούς και παιδεία, ενισχύοντας τη λήψη αποφάσεων προς όφελος του συνόλου.
