Η τεχνητή νοημοσύνη εξελίσσεται με ταχύτατους ρυθμούς, όμως οι ειδικοί προειδοποιούν ότι παραμένει μια αμφιλεγόμενη πηγή πληροφόρησης, καθώς τα λεγόμενα «hallucinations» –δηλαδή οι ψευδείς ή κατασκευασμένες απαντήσεις– εξακολουθούν να εμφανίζονται συχνά. Έρευνα του Stanford HAI AI Index για το 2026 δείχνει ότι τα ποσοστά λαθών σε κορυφαία μοντέλα AI κυμαίνονται από 22% έως και 94%, ανάλογα με τη χρήση, σύμφωνα με το Forbes.
Οι ερευνητές διαπίστωσαν ότι τα μοντέλα δυσκολεύονται ιδιαίτερα όταν μια λανθασμένη πληροφορία παρουσιάζεται ως πεποίθηση του ίδιου του χρήστη. Αν και απλές αναζητήσεις χαμηλού ρίσκου δεν απαιτούν πάντα αυστηρό έλεγχο, οι ειδικοί τονίζουν ότι σε ζητήματα όπως η υγεία, τα οικονομικά ή η επιστημονική έρευνα, η επαλήθευση των πληροφοριών είναι απολύτως απαραίτητη.
Το ποσοστό ακρίβειας των απαντήσεων παραμένει ανοιχτό ζήτημα και εξαρτάται από πολλούς παράγοντες, σημειώνει το Forbes. Τουλάχιστον το 45% των απαντήσεων σε έρευνα του BBC και της Ευρωπαϊκής Ένωσης Ραδιοτηλεόρασης παρουσίασε ένα σημαντικό πρόβλημα. Η μελέτη βασίστηκε σε στοιχεία από 22 οργανισμούς μέσων ενημέρωσης. Διαπιστώθηκε ότι το 31% των περιπτώσεων εμφάνιζε ελλιπή, παραπλανητική ή λανθασμένη αναφορά στις πηγές.
Επιπλέον, το 20% των απαντήσεων περιείχε σοβαρά λάθη ακρίβειας, όπως ξεπερασμένες πληροφορίες ή φανταστικές λεπτομέρειες.
Τα συνηθισμένα σφάλματα
Τα τυπικά λάθη της Τεχνητής Νοημοσύνης περιλαμβάνουν παραπληροφόρηση, ξεπερασμένες ειδήσεις και ψευδαισθήσεις (hallucinations).
Επίσης, εμφανίζονται επικαλύψεις, παραλείψεις στοιχείων, κατασκευασμένες αναφορές ή ανάμειξη αληθινών και ψευδών γεγονότων. Τα λανθασμένα αυτά αποτελέσματα ξεγελούν ακόμη και τις πιο σχολαστικές επιχειρήσεις.
Τα μοντέλα βασίζονται αποκλειστικά σε δεδομένα εκπαίδευσης, γεγονός που καθιστά τις απαντήσεις τους ευάλωτες. Αν τα δεδομένα δεν έχουν ανανεωθεί, οι πληροφορίες πέρα από ένα χρονικό σημείο απλώς δεν υπάρχουν. Επιπλέον, οι πληροφορίες ίσως να μην καλύπτουν την εξειδικευμένη γνώση που αναζητά ο χρήστης. Το σύστημα μπορεί να παραδεχτεί την έλλειψη στοιχείων, αλλά ο πραγματικός κίνδυνος υπάρχει όταν ο χρήστης δεν γνωρίζει αυτούς τους περιορισμούς.
Το θετικό είναι ότι ο εντοπισμός των λανθασμένων αποτελεσμάτων παραμένει εφικτός, αν και απαιτείται ιδιαίτερη προσοχή και χρόνος για τον έλεγχο των απαντήσεων.
Ποια είναι τα 6 βήματα ελέγχου για την εγκυρότητα των απαντήσεων
Οι ειδικοί προειδοποιούν ότι, παρά την πρόοδο της τεχνητής νοημοσύνης, οι λανθασμένες ή παραπλανητικές απαντήσεις εξακολουθούν να αποτελούν συχνό πρόβλημα. Για αυτόν τον λόγο, η προσεκτική επαλήθευση των πληροφοριών που παρέχει η AI θεωρείται απαραίτητη, ιδιαίτερα σε σοβαρά ζητήματα.
1. Πλάγια Ανάγνωση: Διασταύρωση Πηγών
Οι χρήστες δεν πρέπει ποτέ να δέχονται τις απαντήσεις της Τεχνητής Νοημοσύνης ως μοναδική πηγή. Σύμφωνα με οδηγίες του Πανεπιστημίου Texas A&M Corpus Christi, η τεχνική της πλάγιας ανάγνωσης επιβάλλει αυτόνομη έρευνα για την επαλήθευση των στοιχείων. Για παράδειγμα, το άνοιγμα μιας νέας καρτέλας για αναζήτηση στο Google ή στο Google Scholar βοηθά να εντοπιστεί ποιος πραγματικά επιβεβαιώνει τις πληροφορίες.
2. Αμφισβήτηση Απαντήσεων
Η κριτική στάση απέναντι στις απαντήσεις ενός μοντέλου είναι απαραίτητη. Η διαδικασία μοιάζει με τη συζήτηση με έναν συνάδελφο, καθώς η επεξεργασία φυσικής γλώσσας επιτρέπει διευκρινιστικές ερωτήσεις για τις πηγές των πληροφοριών. Η Λόρι Κιν Κότσερ, διευθύνουσα σύμβουλος της Different Day, συμβουλεύει την αντίστροφη προσέγγιση: να ζητάτε από την Τεχνητή Νοημοσύνη να υποστηρίξει την αντίθετη θέση ή να εντοπίσει αδυναμίες στα επιχειρήματά της.
3. Επανάληψη και Σύγκριση
Η εξέταση μιας μόνο απάντησης δεν αρκεί. Η υποβολή του ίδιου ερωτήματος σε διαφορετικά συστήματα βοηθά στον έλεγχο των δεδομένων. Ο Σρούτι Τιουάρι, επικεφαλής προϊόντων τεχνητής νοημοσύνης στην Dell Technologies, εξηγεί ότι τα ChatGPT, Claude και Gemini έχουν εκπαιδευτεί σε διαφορετικές βάσεις δεδομένων. Η συμφωνία των μοντέλων προσφέρει μεγαλύτερη σιγουριά, ενώ οι αποκλίσεις δείχνουν πού χρειάζεται έρευνα. Παράλληλα, η υποβολή της ερώτησης με διαφορετικούς τρόπους στο ίδιο μοντέλο ελέγχει τη συνέπειά του. Αν οι λεπτομέρειες αλλάζουν, το σύστημα απλώς μαντεύει.
4. Έλεγχος Επικαιρότητας
Τα μοντέλα Τεχνητής Νοημοσύνης σταματούν να ενημερώνονται μετά την ολοκλήρωση της εκπαίδευσής τους. Η διακοπή αυτή μπορεί να μετρά μήνες ή έτη, εμποδίζοντας την παροχή πρόσφατων δεδομένων. Η ερώτηση προς το ίδιο το σύστημα για αλλαγές μετά τον τελευταίο γύρο εκπαίδευσης κρίνεται απαραίτητη, ειδικά για στατιστικά στοιχεία ή ειδήσεις. Η δοκιμή της ερώτησης σε διαφορετικά μοντέλα βοηθά στον εντοπισμό νεότερων ενημερώσεων.
5. Έλεγχος Παραπομπών
Η αναζήτηση των πηγών και ο έλεγχος των παραπομπών είναι απαραίτητα βήματα. Ο Ντόιλ Άλμπι, διευθύνων σύμβουλος στην Prolexity, τονίζει ότι πρέπει να επιβεβαιώνεται αν το άρθρο αναφέρει όσα ισχυρίζεται η Τεχνητή Νοημοσύνη. Παράλληλα, ο Σαχίλ Ντάτα, μεταδιδακτορικός επιστήμονας στο Νοσοκομείο Παίδων Nationwide, προειδοποιεί ότι το σύστημα κατασκευάζει συχνά ψεύτικες αναφορές. Αυτές δανείζονται ονόματα γνωστών συγγραφέων ή περιοδικών, αλλά δεν υπάρχουν σε βάσεις δεδομένων όπως το PubMed.
6. Εμπιστευτείτε το ένστικτό σας
Η ανθρώπινη διαίσθηση χρησιμεύει ως κίνητρο για περαιτέρω έρευνα, ειδικά όταν βασίζεται σε προϋπάρχουσα γνώση. Ακόμη όμως και σε άγνωστα θέματα, υπάρχουν ενδείξεις σφαλμάτων. Για παράδειγμα, μια λανθασμένη απάντηση παρουσιάζει συχνά υπερβολική βεβαιότητα, χωρίς καμία επιφύλαξη. Παράλληλα, τα εσφαλμένα κείμενα τείνουν να επαναλαμβάνουν κουραστικά τα ίδια σημεία. Όταν μια απάντηση ξενίζει τον χρήστη, η επιστροφή στα προηγούμενα βήματα ελέγχου κρίνεται απαραίτητη.
(Με πληροφορίες από Forbes)
