Η δουλειά του υπολογιστικού γλωσσολόγου αλλάζει ραγδαία στην εποχή της ΤΝ, με τον Αλέξανδρο Τάντο να εξηγεί πώς τα μεγάλα γλωσσικά μοντέλα δοκιμάζονται, ελέγχονται και βελτιώνονται. Ο αναπληρωτής καθηγητής Κειμενογλωσσολογίας και Υπολογιστικής Γλωσσολογίας στο Τμήμα Φιλολογίας του ΑΠΘ περιγράφει ένα πεδίο με αυξανόμενη ζήτηση, αλλά και με νέες προκλήσεις.
Ο Αλέξανδρος Τάντος κάθεται εδώ και ώρα μπροστά στην οθόνη του υπολογιστή του και συνομιλεί με ένα μεγάλο γλωσσικό μοντέλο Τεχνητής Νοημοσύνης, όπως το ChatGPT, το Gemini ή το Claude. Δεν το χρησιμοποιεί, όμως, όπως οι περισσότεροι από εμάς, για να συντάξει ένα κείμενο ή να πάρει γρήγορα μια πληροφορία. Του υποβάλλει προσεκτικά σχεδιασμένες ερωτήσεις, συγκρίνει τις απαντήσεις και παρατηρεί πότε το σύστημα αντιλαμβάνεται σωστά το νόημα και πότε αντιφάσκει ή καταλήγει σε ένα λανθασμένο συμπέρασμα.
Ο Αλέξανδρος είναι υπολογιστικός γλωσσολόγος, μια ειδικότητα με ζήτηση στην αγορά εργασίας στην εποχή της δημιουργικής ή παραγωγικής ΤΝ (GenAI), μιας τεχνολογίας, η οποία -για πρώτη φορά στην ιστορία- μπορεί να συνδιαλέγεται μαζί μας σε φυσική γλώσσα. Είναι παράλληλα αναπληρωτής καθηγητής Κειμενογλωσσολογίας και Υπολογιστικής Γλωσσολογίας στο Τμήμα Φιλολογίας του ΑΠΘ.
Η παραπάνω διαδικασία είναι μόνο ένα μέρος της δουλειάς του υπολογιστικού γλωσσολόγου, ο οποίος αναπτύσσει επίσης εφαρμογές Τεχνητής Νοημοσύνης (ΤΝ) που σχετίζονται με ειδικά γλωσσικές ποικιλίες (π.χ., τα ελληνικά ως δεύτερη γλώσσα), συνεισφέρει στην αύξηση της κατανόησης της φυσικής γλώσσας από τις μηχανές, στη βελτίωση της αναζήτησης στο Διαδίκτυο ή της αυτόματης μετάφρασης, στην καλύτερη λειτουργία του ηλεκτρονικού ταχυδρομείου και των chatbots, αλλά και στην εκπαίδευση των Μεγάλων Γλωσσικών Μοντέλων (ΜΓΜ), ώστε να έχουν λιγότερες προκαταλήψεις και στερεότυπα.
Ο Αλέξανδρος Τάντος ασχολείται με την υπολογιστική γλωσσολογία επί περίπου 25 χρόνια και δουλεύει πάνω στα ΜΓΜ ήδη από το 2020, αλλά -παρά τη μακρά ενασχόλησή του με αυτές τις τεχνολογίες- η ταχύτητα με την οποία αλλάζουν σήμερα τα πράγματα τον αιφνιδιάζει: «από το 2017 βλέπαμε πως κάτι μεγάλο θα έρθει, αλλά νομίζω πως κανένας φανταζόταν την επανάσταση που τελικά είδαμε με την παραγωγική ΤΝ (σ.σ. μοντέλα όπως το GPT)». «Τα πράγματα σε αυτό τον χώρο είναι τόσο ασταθή, ώστε όταν επιχειρείς να περιγράψεις την πραγματικότητα στο τώρα είναι σαν να προσπαθείς να περιγράψεις ένα συγκεκριμένο σημείο στο νερό ενός ποταμιού που ρέει ασταμάτητα» παρατηρεί.
Τι πρέπει να σπουδάσει ο υπολογιστικός γλωσσολόγος και πόση ζήτηση έχει η ειδικότητα;
«Κάποιος μπορεί να ξεκινήσει από τη γλωσσολογία σε ένα Τμήμα Φιλολογίας και στη συνέχεια να αποκτήσει γνώσεις προγραμματισμού, στατιστικής και μηχανικής μάθησης. Αυτή ακριβώς τη διαδρομή επιχειρούμε να υποστηρίξουμε στο Τμήμα Φιλολογίας του ΑΠΘ, όπου έχει ενταχθεί στο πρόγραμμα σπουδών η Υπολογιστική Γλωσσολογία, με στόχο φοιτητές και φοιτήτριες να μπορούν να συνδυάζουν τη φιλολογική και γλωσσολογική τους κατάρτιση με γνώσεις προγραμματισμού, ανάλυσης δεδομένων και σύγχρονων εφαρμογών της ΤΝ. Μπορεί όμως κάποιος να ακολουθήσει την αντίστροφη πορεία: να ξεκινήσει από την πληροφορική, τα μαθηματικά ή την επιστήμη δεδομένων και να ειδικευτεί στη γλωσσική τεχνολογία, αποκτώντας παράλληλα ουσιαστική γνώση της γλώσσας» εξηγεί.
Ως προς την αγορά εργασίας, λέει, υπάρχει ζήτηση, αλλά οι σχετικές θέσεις δεν εμφανίζονται πάντοτε με τον τίτλο «υπολογιστικός γλωσσολόγος». Οι πιο άμεσα συναφείς θέσεις έχουν τίτλους όπως «Language Engineer» ή «AI Language Engineer» και αφορούν, μεταξύ άλλων, τον σχεδιασμό και τη δημιουργία γλωσσικών πόρων, την ανάλυση γλωσσικών δεδομένων και την αξιολόγηση μεγάλων γλωσσικών μοντέλων. Ένας/μια υπολογιστικός γλωσσολόγος με ισχυρές γνώσεις προγραμματισμού και μηχανικής μάθησης μπορεί επίσης να διεκδικήσει θέσεις όπως «NLP Engineer» ή «Machine Learning Engineer» με ειδίκευση στην επεξεργασία φυσικής γλώσσας και στα μεγάλα γλωσσικά μοντέλα. Επομένως, οι επαγγελματικές δυνατότητες εξαρτώνται από το συγκεκριμένο προφίλ και τις τεχνικές δεξιότητες του/της υποψηφίου.
«Δεν θα ήθελα να δώσω την υπερβολικά αισιόδοξη απάντηση ότι, επειδή η ΤΝ αναπτύσσεται, όλες οι ειδικότητες της υπολογιστικής γλωσσολογίας θα έχουν αυτομάτως μεγάλη και διαρκώς αυξανόμενη ζήτηση. Η παραγωγική ΤΝ δημιουργεί νέες θέσεις, αλλά αυτοματοποιεί και μέρος της εργασίας που έκαναν μέχρι σήμερα οι υπολογιστικοί γλωσσολόγοι. Π.χ., η συγγραφή κώδικα ή η εφαρμογή ενός έτοιμου μοντέλου σε ένα απλό πρόβλημα μπορούν πλέον να γίνουν πολύ ταχύτερα και με λιγότερη ανθρώπινη εργασία. Επομένως, κάποιες παραδοσιακές θέσεις εισόδου στο επάγγελμα ενδέχεται να περιοριστούν. Από την άλλη, η γενικευμένη χρήση των ΜΓΜ δημιουργεί νέα προβλήματα, που δεν μπορούν να λυθούν μόνο με περισσότερη υπολογιστική ισχύ. Όσο περισσότερα συστήματα χρησιμοποιούνται σε πραγματικές συνθήκες, τόσο περισσότερο χρειαζόμαστε ανθρώπους που μπορούν να ελέγξουν την ποιότητά τους και να εντοπίσουν σφάλματα. Άρα, δεν θα συμβούλευα σήμερα κάποιον να επιλέξει την υπολογιστική γλωσσολογία απλώς επειδή ακούει ότι η ΤΝ έχει μέλλον, αλλά μόνο αν ενδιαφέρεται πραγματικά να κατανοήσει τη γλώσσα και τα συστήματα που την επεξεργάζονται» υπογραμμίζει.
Ποιες εφαρμογές της υπολογιστικής γλωσσολογίας χρησιμοποιούμε χωρίς καν να το καταλαβαίνουμε;
Η υπολογιστική γλωσσολογία «εμπλέκεται» σε πάμπολλες εφαρμογές στην καθημερινή μας ζωή. Ένα πολύ απλό παράδειγμα είναι το κινητό τηλέφωνο: κάθε φορά που το πληκτρολόγιο διορθώνει ή προτείνει μια λέξη, χρησιμοποιεί γλωσσικά μοντέλα. Το ίδιο συμβαίνει και με τις μηχανές αναζήτησης, εξηγεί. Όταν γράφουμε ένα ερώτημα, το σύστημα δεν αναζητά πλέον μόνο ιστοσελίδες που περιέχουν ακριβώς τις ίδιες λέξεις. Προσπαθεί να καταλάβει τι πραγματικά θέλουμε να μάθουμε, αν μια λέξη έχει γραφτεί λάθος, αν χρησιμοποιούμε μια συντομογραφία ή αν το ερώτημά μας μπορεί να διατυπωθεί με διαφορετικούς τρόπους. Γι’ αυτό μπορούμε να κάνουμε μια ερώτηση με σχετικά φυσικό τρόπο και να λάβουμε αποτελέσματα που δεν περιλαμβάνουν απαραίτητα την ακριβή φρασεολογία που χρησιμοποιήσαμε.
Μια άλλη πολύ χρήσιμη εφαρμογή είναι η αυτόματη μετάφραση. Πριν από μερικά χρόνια, τα συστήματα μετάφρασης παρήγαν αρκετά αφύσικα αποτελέσματα. Σήμερα λαμβάνουν υπόψη τους μεγαλύτερα τμήματα του κειμένου και τις πιθανές σημασίες των λέξεων στα συμφραζόμενα. Οι μεταφράσεις τους δεν είναι πάντοτε σωστές, αλλά έχουν βελτιωθεί εντυπωσιακά. Επιπλέον, όταν το ηλεκτρονικό ταχυδρομείο αναγνωρίζει ένα μήνυμα ως ανεπιθύμητο ή όταν διαχωρίζει τα προσωπικά μηνύματα από τις διαφημίσεις, αναλύει τη γλώσσα του μηνύματος. Ακόμη, οι τράπεζες, οι ασφαλιστικές εταιρείες και οι δημόσιες υπηρεσίες χρησιμοποιούν συστήματα που ταξινομούν αιτήματα, εντοπίζουν το θέμα ενός εγγράφου, εξάγουν ονόματα, ημερομηνίες και ποσά. Και, βέβαια, ας μην ξεχνάμε τις πλατφόρμες κοινωνικής δικτύωσης που χρησιμοποιούν επίσης γλωσσική τεχνολογία για να εντοπίζουν προσβλητικό λόγο ή συντονισμένες καμπάνιες παραπληροφόρησης» σημειώνει, υπενθυμίζοντας και τη χρήση της επιστήμης του στα chatbots. «Θα έλεγα, λοιπόν, ότι η υπολογιστική γλωσσολογία βρίσκεται σχεδόν οπουδήποτε ένας άνθρωπος επικοινωνεί με έναν υπολογιστή χρησιμοποιώντας τη γλώσσα» συνοψίζει.
«Καλύτερα να πας στο πλυντήριο αυτοκινήτων με τα πόδια»
Ο/η γλωσσολόγος βοηθά να σχεδιαστούν κατάλληλες δοκιμασίες για τα ΜΓΜ, ώστε να γίνεται σαφές τι ακριβώς έχει μάθει το μοντέλο και πού αποτυγχάνει. Για παράδειγμα, μπορεί να εξετάσει αν το μοντέλο αναγνωρίζει ένα υπονοούμενο ή αν διατηρεί το ίδιο νόημα όταν αλλάζει λίγο η διατύπωση μιας πρότασης. «Αυτό είναι πολύ σημαντικό, γιατί ένα μοντέλο μπορεί να δίνει την εντύπωση ότι χειρίζεται άψογα τη γλώσσα, αλλά στην πραγματικότητα να βασίζεται σε επιφανειακές συσχετίσεις μεταξύ λέξεων. Ένα πολύ χαρακτηριστικό παράδειγμα είναι το λεγόμενο τεστ του πλυντηρίου αυτοκινήτων. Η ερώτηση ήταν περίπου η εξής: Θέλω να πλύνω το αυτοκίνητό μου. Το πλυντήριο βρίσκεται μόλις εκατό μέτρα μακριά. Να πάω με τα πόδια ή να οδηγήσω;. Πολλά μοντέλα απαντούσαν ότι πρέπει να πάμε με τα πόδια, επειδή η απόσταση είναι μικρή. Δεν έκαναν όμως τον απλό συλλογισμό ότι, για να πλυθεί το αυτοκίνητο, πρέπει να μεταφερθεί στο πλυντήριο. Το μοντέλο συνέδεε μηχανικά τη μικρή απόσταση με το περπάτημα, αλλά έχανε τον πραγματικό στόχο της ενέργειας. Και εδώ βρίσκεται, νομίζω, το μεγαλύτερο παράδοξο. Τα μοντέλα μπορούν να γράψουν εξαιρετικά κείμενα, να εξηγήσουν σύνθετες έννοιες και να φαίνονται πολλές φορές πιο εύγλωττα από έναν άνθρωπο. Ταυτόχρονα, όμως, μπορεί να αποτύχουν σε μια απλή συμπερασματολογία κοινής λογικής» σημειώνει.
Πώς καταφέρνει ο/η γλωσσολόγος να «φιλτράρει» τη γλώσσα της μηχανής, ώστε να μην αναπαράγει προκαταλήψεις και στερεότυπα;
«Η ειλικρινής απάντηση είναι ότι δεν καταφέρνουμε να τις φιλτράρουμε πλήρως. Μπορούμε να τις περιορίσουμε σημαντικά, αλλά δεν υπάρχει φίλτρο που καθαρίζει αυτομάτως τη γλώσσα» απαντά, υπενθυμίζοντας πως η ΤΝ εκπαιδεύεται πάνω στην ανθρώπινη γλώσσα κι έτσι αποτυπώνει αναπόφευκτα τις αντιλήψεις, τις ανισότητες και τις συγκρούσεις των κοινωνιών μας.
Τι κάνει ο/η υπολογιστικός γλωσσολόγος, για να περιοριστεί αυτό το φαινόμενο; «Αρχικά, ελέγχεται το υλικό εκπαίδευσης της ΤΝ και αφαιρείται το ακραία βίαιο και προσβλητικό περιεχόμενο. Αυτό όμως δεν είναι τόσο απλό όσο ακούγεται. Μια προσβλητική λέξη μπορεί να χρησιμοποιείται για να επιτεθεί κάποιος σε μια κοινωνική ομάδα, αλλά μπορεί επίσης να εμφανίζεται σε μια συζήτηση που καταδικάζει τη ρητορική μίσους. Ακολούθως, τα μοντέλα υποβάλλονται σε δεύτερη φάση εκπαίδευσης, κατά την οποία άνθρωποι αξιολογούν τις απαντήσεις τους και τους δείχνουν ποιες θεωρούνται πιο ισορροπημένες. Προστίθενται επίσης κανόνες ασφαλείας και ειδικά συστήματα που ελέγχουν τόσο την ερώτηση του χρήστη όσο και την απάντηση του μοντέλου. Τέλος, ομάδες ειδικών προσπαθούν σκόπιμα να προκαλέσουν το σύστημα, ώστε να εντοπίσουν περιπτώσεις στις οποίες μπορεί να παρακάμψει αυτούς τους περιορισμούς» περιγράφει, προσθέτοντας ότι μεγάλο ζήτημα είναι ποιος αποφασίζει τι πρέπει να φιλτραριστεί, καθώς οι κοινωνίες δεν συμφωνούν πάντοτε για το τι είναι προσβλητικό, αποδεκτό ή πολιτικά ουδέτερο.
Οι υπολογιστικοί γλωσσολόγοι μπορούν επίσης να εισφέρουν στην ανάλυση συναισθήματος και στη σημασιολογική ανάλυση, φέρνοντας την ΤΝ λίγο πιο κοντά στη φύση της ανθρώπινης επικοινωνίας. Όπως εξηγεί ο Αλέξανδρος Τάντος, τα μοντέλα εξακολουθούν να δυσκολεύονται ιδιαίτερα όταν η στάση ή το νόημα εκφράζονται έμμεσα ή πρέπει να διακρίνουν την άποψη του συγγραφέα από μια άποψη την οποία εκείνος απλώς παραθέτει. Σε πρόσφατες αξιολογήσεις, ακόμη και ισχυρά μοντέλα εμφανίζουν σημαντικά προβλήματα στην ερμηνεία πολύ έμμεσου και πραγματολογικά σύνθετου περιεχομένου. «Εδώ βρίσκεται σήμερα η βασική συνεισφορά του υπολογιστικού γλωσσολόγου. Δηλαδή, να επιμελείται τα δεδομένα και τις δοκιμασίες που αποκαλύπτουν αυτά τα συστηματικά λάθη. Θα έλεγα, λοιπόν, ότι τα μεγάλα γλωσσικά μοντέλα μας έχουν φέρει πολύ πιο κοντά στην επιφανειακή φυσικότητα της ανθρώπινης επικοινωνίας: μιλούν με συνοχή, προσαρμόζουν το ύφος τους και αναγνωρίζουν συχνά λεπτές σημασιολογικές διαφορές. Αλλά ας μην ξεχνάμε ότι το γεγονός ότι ένα μοντέλο αναγνωρίζει ή περιγράφει σωστά ένα συναίσθημα δεν σημαίνει ότι αισθάνεται ή κατανοεί το συναίσθημα όπως εμείς» προειδοποιεί.
Θα μπορούσε, κάποτε, μια μηχανή να αποκτήσει πραγματική γλωσσική ικανότητα, αντίστοιχη της ανθρώπινης; «Η απάντηση εξαρτάται από το τι εννοούμε ως πραγματική. Αν εννοούμε ακριβώς την έμφυτη ανθρώπινη ικανότητα, τότε μάλλον όχι, γιατί αυτή είναι προϊόν της ανθρώπινης βιολογίας και της κοινωνικής μας ζωής. Επομένως, δεν θα έλεγα ούτε ότι τα σημερινά μοντέλα κατανοούν τη γλώσσα όπως εμείς ούτε ότι απλώς επαναλαμβάνουν μηχανικά όσα έχουν δει. Βρίσκονται σε μια ενδιάμεση και επιστημονικά πολύ ενδιαφέρουσα περιοχή: έχουν μάθει πραγματικές γλωσσικές κανονικότητες και εσωτερικές δομές, αλλά δεν διαθέτουν τη βιωματική κατανόηση που χαρακτηρίζει τον άνθρωπο. Το αν μια μελλοντική αρχιτεκτονική τεχνητής νοημοσύνης μπορέσει κάποτε να προσεγγίσει αυτή την ικανότητα παραμένει ανοιχτό ερευνητικό και φιλοσοφικό ερώτημα» λέει.
Μπορεί η ΤΝ να αλλάξει τον τρόπο που μιλάμε;
Με την ΤΝ αλληλεπιδρούμε σε πολύ συγκεκριμένη γλώσσα. Ενδέχεται αυτό να επηρεάσει τον τρόπο με τον οποίο εκφέρουμε τον λόγο στην καθημερινή μας επαφή με άλλους ανθρώπους; «Ναι, θα μπορούσε να υπάρξει κάποια επίδραση, αλλά δεν θα θεωρούσα δεδομένο ότι, επειδή μιλάμε κοφτά σε ένα σύστημα, θα αρχίσουμε να μιλάμε με τον ίδιο τρόπο και στους ανθρώπους. Άλλωστε, προσαρμόζουμε διαρκώς τη γλώσσα μας ανάλογα με την περίσταση. Δεν μιλάμε με τον ίδιο τρόπο σε έναν φίλο, έναν συνάδελφο, ένα παιδί ή μια δημόσια υπηρεσία. Ο μεγαλύτερος κίνδυνος, κατά τη γνώμη μου, είναι ν’ αρχίσουμε να υιοθετούμε τυποποιημένο τρόπο γραφής. Όταν χρησιμοποιούμε συνεχώς τα ίδια μοντέλα για να συντάσσουν ή να βελτιώνουν τα κείμενά μας, μπορεί να περνούν σταδιακά στον λόγο μας οι ίδιες λέξεις και δομές και ένα πολύ ομοιόμορφο, προσεκτικό και κάπως απρόσωπο ύφος» σημειώνει, επισημαίνοντας ότι η επίδραση δεν είναι αναγκαστικά αρνητική: η ΤΝ μπορεί να βοηθήσει κάποιον να γράψει με μεγαλύτερη σαφήνεια ή να προσαρμόσει καλύτερα ένα κείμενο στον αποδέκτη του.
Αλεξάνδρα Γούτα
