Tα πιο σημαντικά θέματα σχετικά με την τεχνητή νοημοσύνη συχνά παραμένουν κρυφά από το κοινό. Ο παρών οδηγός, που αποτελεί αποτέλεσμα της συνεργασίας μεταξύ της ομάδας «AI Accountability» του Pulitzer Center και του GIJN, βοηθά τους δημοσιογράφους να τα ανακαλύψουν.
Ο παρών οδηγός δημοσιεύθηκε αρχικά από το Παγκόσμιο Δίκτυο Ερευνητικής Δημοσιογραφίας (GIJΝ) στις 22 Ιουνίου 2026. Αναδημοσιεύεται από το iMEdD κατόπιν άδειας. Οποιαδήποτε άδεια αναδημοσίευσης υπόκειται στην έγκριση του αρχικού εκδότη. Διαβάστε τον αρχικό οδηγό εδώ.
Σημείωση της αρχισυνταξίας: Ο παρών οδηγός αποτελεί αποτέλεσμα της συνεργασίας μεταξύ της ομάδας «AI Accountability» του Pulitzer Center και του GIJN. Οι Κάρεν Χάο (Karen Hao), Λάις Μαρτίνς (Laís Martins) και Πάμπλο Χιμένεζ Αράντια (Pablo Jiménez Arandia) συνεργάστηκαν στην ανάπτυξη ορισμένων από τα στοιχεία που αναφέρονται στο άρθρο.
Μετάφραση: Εβίτα Λύκου
Κεντρική εικόνα: Yasmin Dwiputri & Data Hazards Project / https://betterimagesofai.org / https://creativecommons.org/licenses/by/4.0/
Από την προσδοκία του αντικτύπου στον σχεδιασμό του
Η ευθύνη είναι των δημοσιογράφων, να συναντήσουμε το κοινό εκεί όπου ήδη βρίσκεται – στις πλατφόρμες βίντεο, σε βιβλιοθήκες των τοπικών κοινοτήτων, σε χώρους τέχνης ή ακόμη και σχολικές καντίνες.
Η τεχνητή νοημοσύνη έχει εξελιχθεί σε βασικό πρωταγωνιστή σε πολλούς τομείς της κοινωνίας σε όλο τον κόσμο. Η τεχνολογία διαδραματίζει τεράστιο ρόλο σε πολλές οικονομίες και έχει επιπτώσεις για τους εργαζόμενους στους τομείς της γνώσης σε παγκόσμιο επίπεδο. Οι πιο ισχυροί παίχτες σε αυτόν τον τομέα είναι μια μικρή ομάδα φορέων, με έδρα κυρίως στις ΗΠΑ, στην Ευρώπη ή στην Κίνα, πολλοί από τους οποίους είναι ιδιωτικές εταιρείες της Big Tech, που έχουν συγκεντρώσει επενδύσεις δισεκατομμυρίων και επιδιώκουν να καθορίσουν την κατεύθυνση της ανάπτυξης και της εφαρμογής αυτής της τεχνολογίας σε ολόκληρο τον κόσμο.
Ωστόσο, από την αλυσίδα εφοδιασμού μέχρι τις εφαρμογές της, η τεχνητή νοημοσύνη έχει, επίσης, προκαλέσει πολλές αντιπαραθέσεις. Τα κέντρα δεδομένων (data centers), που απαιτούνται για την ανάπτυξη της τεχνητής νοημοσύνης καταναλώνουν νερό και ενέργεια σε εξαιρετικά μεγάλες ποσότητες. Οι εργαζόμενοι οι οποίοι επισημειώνουν τα δεδομένα που χρειάζεται η τεχνητή νοημοσύνη βρίσκονται αντιμέτωποι με τους χαμηλούς μισθούς και εκτίθενται σε δυνητικά προβλήματα ψυχικής υγείας. Οι ίδιες οι τεχνολογίες τεχνητής νοημοσύνης έχει αποδειχθεί ότι χαρακτηρίζονται από μεροληψία και ψευδαισθήσεις κατά τη χρήση τους.
Ο χώρος της τεχνητής νοημοσύνης είναι γεμάτος με ζητήματα, που μπορούν να αξιοποιήσουν οι ερευνητές δημοσιογράφοι. Ο οδηγός αυτός έχει ως στόχο να βοηθήσει τους δημοσιογράφους να κατανοήσουν ορισμένες από τις λεπτομέρειες της τεχνολογίας που αποτελεί τη βάση της τεχνητής νοημοσύνης και να τους προσφέρει ένα πλαίσιο μέσα από το οποίο μπορούν να την εξετάσουν.
Τι είναι η τεχνητή νοημοσύνη;
Πολλοί άνθρωποι ήρθαν για πρώτη φορά σε επαφή με την έννοια της τεχνητής νοημοσύνης μέσω του ChatGPT. Για αυτόν τον λόγο, πολλοί θεωρούν ότι το ChatGPT είναι η τεχνητή νοημοσύνη και ότι η τεχνητή νοημοσύνη είναι απλώς το ChatGPT.
Η αλήθεια είναι, όμως, πολύ πιο περίπλοκη. Ο όρος «τεχνητή νοημοσύνη» περιγράφει τη χρήση μηχανών για μίμηση της ανθρώπινης διαδικασίας λήψης αποφάσεων και ορίζεται καλύτερα ως ένας όρος «πολύ ευρύς», ο οποίος περιλαμβάνει μεγάλο αριθμό τεχνολογιών.
Επιστήμονες και ερευνητές επινόησαν τον όρο τη δεκαετία του 1950 και έκτοτε έχουν βρει πολλούς και διαφορετικούς τρόπους για να αναπαράγουν την ανθρώπινη νοημοσύνη μέσω της τεχνολογίας.
Μία από τις πιο δημοφιλείς και παραγωγικές μεθόδους τεχνητής νοημοσύνης σήμερα είναι η μηχανική μάθηση (machine learning) και όλες οι μορφές που αυτή λαμβάνει, συμπεριλαμβανομένων υποκατηγοριών της, όπως η βαθιά μάθηση και η παραγωγική τεχνητή νοημοσύνη.
Η μηχανική μάθηση είναι η διαδικασία ανάλυσης δεδομένων με σκοπό τον εντοπισμό μοτίβων που μας επιτρέπουν να κάνουμε προβλέψεις ή να λαμβάνουμε αποφάσεις με βάση τα ευρήματα αυτά. Στις αναλύσεις αυτές χρησιμοποιούνται διάφορες μαθηματικές μέθοδοι, από απλές στατιστικές μέχρι σύνθετα νευρωνικά δίκτυα, συχνά ανάλογα με τον όγκο των δεδομένων που υποβάλλονται σε επεξεργασία. Το αποτέλεσμα αυτής της εκπαίδευσης (training) είναι ένα πρόγραμμα υπολογιστή, ή μοντέλο τεχνητής νοημοσύνης (AI model), το οποίο μπορεί να επεξεργάζεται νέα δεδομένα και να κάνει προβλέψεις ή να παράγει νέες πληροφορίες με βάση τα παλαιότερα δεδομένα. Από πολλές απόψεις, τα αποτελέσματα της μηχανικής μάθησης μπορούν να θεωρηθούν ως μια νέα μείξη παλαιών δεδομένων. Μία περίπτωση χρήσης είναι η εφαρμογή απλών μοντέλων μηχανικής μάθησης από κρατικές υπηρεσίες που αξιολογούν τους δείκτες κινδύνου σε πιθανούς δικαιούχους κοινωνικών επιδομάτων ή σε άτομα που υποβάλλουν αίτηση για επιδόματα στέγασης.
Η βαθιά μάθηση (deep learning) αποτελεί υποκατηγορία της μηχανικής μάθησης που απαιτεί μεγάλο αριθμό δεδομένων, συχνά της τάξης των εκατομμυρίων, και χρησιμοποιεί σύνθετες αναλυτικές μεθόδους, όπως τα νευρωνικά δίκτυα –τα οποία είναι μαθηματικές μέθοδοι που μιμούνται τη δομή του εγκεφάλου και αποτελούνται από διασυνδεδεμένους κόμβους– για την ερμηνεία των δεδομένων. (Μπορείτε να μάθετε περισσότερα σχετικά με τα νευρωνικά δίκτυα εδώ). Αυτός ο τύπος μηχανικής μάθησης χρησιμοποιείται συχνά από μεγάλες εταιρείες τεχνολογίας, οι οποίες μπορούν να τον αξιοποιήσουν για την πρόβλεψη όρων στις μηχανές αναζήτησης ή σε συστήματα προτάσεων για υπηρεσίες streaming.
Επιπλέον, υπάρχει η παραγωγική τεχνητή νοημοσύνη (generative AI), η οποία αποτελεί υποκατηγορία της μηχανικής μάθησης και απαιτεί ακόμη περισσότερα δεδομένα, ενώ κατά τη φάση της εκπαίδευσής της χρειάζεται ακόμη περισσότερη ενέργεια και πολύπλοκες μαθηματικές μεθόδους για τη δημιουργία των μοντέλων της. Η παραγωγική τεχνητή νοημοσύνη διαφέρει από πολλές άλλες μεθόδους μηχανικής μάθησης, καθώς δεν περιορίζεται απλώς στην παροχή μιας πρότασης για μια χρονική περίοδο ή ενός δείκτη πρόβλεψης, αλλά δημιουργεί επίσης νέο περιεχόμενο υπό μορφή κειμένου ή εικόνων. Αυτή είναι η τεχνολογία που συναντάμε σήμερα μέσω των Μεγάλων Γλωσσικών Μοντέλων (LLM), υπό τη μορφή chatbot όπως το ChatGPT ή το Gemini, καθώς και μέσω εφαρμογών που δημιουργούν εικόνες με βάση κειμενικές εντολές, όπως το Midjourney.
Το παρακάτω διάγραμμα παρουσιάζει όλες τις μορφές μηχανικής μάθησης.
Η γενική κατανόηση του τρόπου λειτουργίας της μηχανικής μάθησης μπορεί να βοηθήσει τους δημοσιογράφους να βρουν τρόπους να μιλήσουν για το θέμα, να θέσουν τεκμηριωμένες ερωτήσεις σχετικά με την τεχνολογία και να αξιοποιήσουν καλύτερα τα διάφορα στάδια ανάπτυξης της τεχνητής νοημοσύνης για τα ρεπορτάζ τους.
Πλαίσιο για θέματα σχετικά με τη λογοδοσία της τεχνητής νοημοσύνης
Όταν ξεκινήσαμε να δημιουργούμε τη σειρά «AI Spotlight» μαζί με την Κάρεν Χάο, ένα απλό ερώτημα μας απασχολούσε συνεχώς: Τι θα θέλαμε να είχαμε στη διάθεσή μας όταν αρχίσαμε να ασχολούμαστε με την τεχνητή νοημοσύνη; Η απάντηση ήταν ένα πλαίσιο για τον τρόπο εντοπισμού και διαμόρφωσης των ειδήσεων σχετικά με την τεχνητή νοημοσύνη.
Η τεχνητή νοημοσύνη περιλαμβάνει ένα ευρύ φάσμα τεχνολογιών και θεμάτων, και μερικές φορές είναι δύσκολο να αποφασίσει κανείς από πού πρέπει να ξεκινήσει. Το πλαίσιο μας περιστρέφεται γύρω από τα τέσσερα στάδια της σύγχρονης ανάπτυξης της τεχνητής νοημοσύνης. Στη βάση βρίσκονται οι εισαγωγές, τα δεδομένα και η υπολογιστική ισχύς που καθιστούν δυνατή τη λειτουργία των σημερινών συστημάτων. Από εκεί, δημιουργούνται και εκπαιδεύονται μοντέλα, τα οποία διαμορφώνονται με βάση τα δεδομένα και τις σχεδιαστικές επιλογές. Τέλος, τα μοντέλα αυτά εφαρμόζονται στον πραγματικό κόσμο. Καθένα από αυτά τα στάδια ανάπτυξης συνοδεύεται από το δικό του σύνολο σχετικών προβλημάτων, εμπλεκόμενων φορέων και ατόμων ή δομών που επηρεάζονται.
Θα εξετάσουμε ένα προς ένα αυτά τα στάδια, με ανάλυση των βασικών εννοιών και παραδείγματα.
Ερευνώντας τα δεδομένα
Τα απλούστερα μοντέλα τεχνητής νοημοσύνης μπορεί να χρησιμοποιούν σύνολα εκπαίδευσης που περιέχουν μερικές εκατοντάδες σημεία δεδομένων, ενώ τα πιο σύνθετα μοντέλα, όπως τα μεγάλα γλωσσικά μοντέλα (LLMs), συχνά εκπαιδεύονται με τεράστιες ποσότητες δεδομένων από το διαδίκτυο. Το εύρος του υλικού στα δεδομένα εκπαίδευσης μπορεί να είναι εξίσου μεγάλο. Μπορεί να έχει τη μορφή δομημένων δεδομένων σε πίνακες, τακτοποιημένων σε σειρές και στήλες, ή μη δομημένου κειμένου που έχει συλλεχθεί από πλατφόρμες κοινωνικών δικτύων, ειδησεογραφικούς ιστότοπους και διαδικτυακά φόρουμ. Προοδευτικά, περιλαμβάνει, επίσης, εικόνες και βίντεο.
Τα περισσότερα ρεπορτάζ που επικεντρώνονται στο στάδιο της ανάπτυξης δεδομένων τείνουν να εστιάζουν σε πιο προηγμένα συστήματα τα οποία εκπαιδεύονται με τεράστια σύνολα δεδομένων σε βιομηχανική κλίμακα. Μεγάλο μέρος αυτών των δημοσιευμάτων επικεντρώνεται σε ζητήματα ιδιωτικότητας και πνευματικής ιδιοκτησίας –συγκεκριμένα, στο πώς υλικό που προστατεύεται από πνευματικά δικαιώματα ή προσωπικά δεδομένα καταλήγουν στις ροές εκπαίδευσης των μοντέλων τεχνητής νοημοσύνης. Αυτό το άρθρο του The Atlantic, για παράδειγμα, εξετάζει τον τρόπο με τον οποίο η Meta φέρεται να χρησιμοποίησε χιλιάδες πειρατικά βιβλία για να εκπαιδεύσει το μοντέλο δημιουργικής τεχνητής νοημοσύνης της, το Llama. Ένας εκπρόσωπος της Meta αρνήθηκε να μιλήσει στους δημοσιογράφους του The Atlantic, επικαλούμενος την εν εξελίξει δικαστική διαμάχη κατά της εταιρείας. Ένα άλλο άρθρο, από τους New York Times, αποκάλυψε ότι οι ασφαλιστικές εταιρείες αυτοκινήτων αγοράζουν προσωπικά δεδομένα οδήγησης από εφαρμογές που φαίνονται ακίνδυνες για να αξιολογούν τον δείκτη επικινδυνότητας των οδηγών.
Ωστόσο, η ανάλυση των δεδομένων συνεπάγεται επίσης την εξέταση της ανθρώπινης εργασίας που καθιστά τα σύνολα δεδομένων εκπαίδευσης χρησιμοποιήσιμα εξ αρχής. Ενώ οι εταιρείες τείνουν να παρουσιάζουν τη συλλογή δεδομένων και την εκπαίδευση των μοντέλων τους ως μια εξαιρετικά αυτοματοποιημένη διαδικασία, η πραγματικότητα είναι ότι τα σύνολα εκπαίδευσης συχνά καθαρίζονται και κατηγοριοποιούνται από μια μεγάλη ομάδα εργαζομένων που ασχολούνται με την ετικετοποίηση δεδομένων, οι οποίοι βρίσκονται κυρίως στον Παγκόσμιο Νότο και εργάζονται μέσω εταιρειών εξωτερικής ανάθεσης και πλατφορμών ψηφιακής εργασίας. Αυτοί οι εργαζόμενοι ετικετοποιούν εικόνες γάτων και σκύλων που τροφοδοτούνται σε συστήματα ταξινόμησης εικόνων, σχεδιάζουν πλαίσια γύρω από αντικείμενα σε βίντεο από κάμερες αυτοκινήτων που χρησιμοποιούνται για την εκπαίδευση αυτοοδηγούμενων οχημάτων, ή εντοπίζουν ρητορική μίσους και βίαιο περιεχόμενο, προκειμένου να αποτρέψουν τα LLMs να το αναπαράγουν.
Ρεπορτάζ από όλο τον κόσμο έχουν δείξει ότι οι εργαζόμενοι στον τομέα των δεδομένων υφίστανται εκμετάλλευση, αμείβονται ανεπαρκώς και, σε ορισμένες περιπτώσεις, αναγκάζονται να έρχονται σε επαφή με τραυματικό περιεχόμενο. Αυτή η έρευνα του Γραφείου Ερευνητικής Δημοσιογραφίας (TBIJ) αποκαλύπτει πώς χαμηλόμισθοι εργαζόμενοι σε καθεστώς περιστασιακής εργασίας σε όλο τον κόσμο συμβάλλουν, χωρίς να το γνωρίζουν, στην εκπαίδευση συστημάτων αναγνώρισης προσώπου που χρησιμοποιεί η ρωσική κυβέρνηση. Ένα άλλο ρεπορτάζ του Africa Uncensored εξέτασε τον αναπτυσσόμενο κλάδο των «εκπαιδευτών τεχνητής νοημοσύνης», όπου εργαζόμενοι με υψηλό μορφωτικό επίπεδο εκπαιδεύουν chatbots LLMs ώστε να παράγουν απαντήσεις υψηλότερης ποιότητας.
Ερευνώντας την υπολογιστική ισχύ
Μόλις συλλεχθούν και καθαριστούν τα σύνολα δεδομένων εκπαίδευσης, οι εταιρείες τα χρησιμοποιούν για να εκπαιδεύσουν μοντέλα τεχνητής νοημοσύνης. Ενώ τα απλά μοντέλα τεχνητής νοημοσύνης μπορούν να εκπαιδευτούν σε κλάσματα δευτερολέπτου σε έναν φορητό υπολογιστή γενικής χρήσης, τα πιο σύνθετα μοντέλα, όπως το ChatGPT της OpenAI, απαιτούν τεράστια υπολογιστική ισχύ. Αυτή η υπολογιστική ισχύς παρέχεται συνήθως από εξειδικευμένα τσιπ υπολογιστών που στεγάζονται σε τεράστια κέντρα δεδομένων.
Τα ρεπορτάζ σχετικά με τα στάδια ανάπτυξης στον τομέα της υπολογιστικής ισχύος τείνουν να εστιάζουν στις περιβαλλοντικές, κοινωνικές και οικονομικές επιπτώσεις της εκτεταμένης και ταχέως αναπτυσσόμενης υλικής υποδομής που τροφοδοτεί τη σύγχρονη ανάπτυξη της τεχνητής νοημοσύνης. Όταν ξεκινήσαμε να ετοιμάζουμε τη σειρά «AI Spotlight», το 2024, τα κέντρα δεδομένων αποτελούσαν ακόμα ένα σχετικά νέο ειδησεογραφικό θέμα. Από τότε, έχουν κυκλοφορήσει πολλά ρεπορτάζ από τη Λατινική Αμερική, την Ασία, την Αφρική και τις Ηνωμένες Πολιτείες, τα οποία καταδεικνύουν τις τεράστιες ποσότητες ενέργειας και νερού που καταναλώνουν τα κέντρα δεδομένων, καθώς και τις προσπάθειες εταιρειών ή κυβερνήσεων να αποκρύψουν αυτά τα στοιχεία. Στη Βραζιλία, για παράδειγμα, η υπότροφος του Pulitzer Center Λάις Μαρτίνς διαπίστωσε ότι ένα κέντρο δεδομένων της TikTok θα χρειαζόταν τόση ηλεκτρική ενέργεια όση καταναλώνουν 2,2 εκατομμύρια άνθρωποι· η εταιρεία δεν απάντησε στη δημοσιογράφο.
Τα δυνητικά ρεπορτάζ σχετικά με τα κέντρα δεδομένων εκτείνονται πέρα από τις περιβαλλοντικές επιπτώσεις. Μπορούν, επίσης, να εξετάσουν πώς τα κέντρα δεδομένων μεταμορφώνουν τις τοπικές κοινότητες, τις συχνά ανεκπλήρωτες υποσχέσεις για οικονομική ανάπτυξη, καθώς και τις έντονες πολιτικές πιέσεις που ασκούνται τόσο σε τοπικό όσο και σε εθνικό επίπεδο για την προσέλκυση και την κατασκευή τους. Οι Λάις και Πάμπλο Χιμένεζ Αράντια ανέπτυξαν μια προσαρμοσμένη εκδοχή του πλαισίου μας, η οποία επικεντρώνεται αποκλειστικά σε ρεπορτάζ σχετικά με τα κέντρα δεδομένων και την οποία μπορείτε να βρείτε παρακάτω.
Ο καπιταλισμός της επιτήρησης, η αντικατασκοπεία υπέρ των πολιτών και η δημοσιογραφική έρευνα –μια συζήτηση με τον ιδρυτή του Citizen Lab
Ο Ρον Ντίμπερτ, ιδρυτής και διευθυντής του φημισμένου Citizen Lab του Πανεπιστημίου του Τορόντο, βρέθηκε στην Αθήνα και μας μίλησε για την κρίση που διαβλέπει στη φιλελεύθερη δημοκρατία και το μέλλον του ψηφιακού κατασκοπευτικού λογισμικού.
Ερευνώντας τα μοντέλα
Ο συνδυασμός των δεδομένων εκπαίδευσης και της υπολογιστικής ισχύος οδηγεί στη δημιουργία ενός μοντέλου τεχνητής νοημοσύνης, ενός τεχνικού προϊόντος που πραγματοποιεί προβλέψεις, ταξινομήσεις ή, στην περίπτωση της δημιουργικής τεχνητής νοημοσύνης, δημιουργεί εντελώς νέο περιεχόμενο. Όπως τα δεδομένα και η υπολογιστική ισχύς, τα μοντέλα τεχνητής νοημοσύνης ποικίλλουν ως προς την πολυπλοκότητα και την κλίμακά τους, ξεκινώντας από σχετικά απλά συστήματα μηχανικής μάθησης τα οποία χρησιμοποιούνται για τον υπολογισμό των ασφαλίστρων υγείας έως εξελιγμένα συστήματα βαθιάς μάθησης ικανά να δημιουργούν ρεαλιστικές εικόνες.
Τα άρθρα που ασχολούνται με τα μοντέλα τεχνητής νοημοσύνης τείνουν να εστιάζουν σε ζητήματα που αφορούν τη μεροληψία, τα σφάλματα ή τις αρνητικές επιπτώσεις της αυτοματοποίησης στις κοινότητες και στους θεσμούς.
Οι έρευνες αυτές μπορούν να εξετάσουν λεπτομερώς τις σχεδιαστικές επιλογές, όταν αυτές είναι διαθέσιμες, όπως τα δεδομένα εκπαίδευσης ή οι παράμετροι που χρησιμοποιεί ένα μοντέλο. Για παράδειγμα, αυτή η έρευνα της εφημερίδας El Confidencial εξασφάλισε τον αλγόριθμο ενός συστήματος τεχνητής νοημοσύνης που χρησιμοποιείται στο καταλανικό σωφρονιστικό σύστημα για την πρόβλεψη του ποιος θα διαπράξει μελλοντικά εγκλήματα. Σύμφωνα με τους δημοσιογράφους, το μοντέλο αποδίδει συστηματικά υψηλότερους δείκτες κινδύνου σε ορισμένες ομάδες με βάση μεροληπτικούς ή άσχετους παράγοντες.
Όταν οι πληροφορίες αυτές δεν είναι διαθέσιμες, μπορεί κανείς να αναλύσει τα αποτελέσματα που παράγει το μοντέλο. Σε ένα άρθρο του Rest of World, αναλύθηκαν συστηματικά 3.000 εικόνες που δημιουργήθηκαν από το MidJourney AI, ένα δημοφιλές εργαλείο δημιουργίας εικόνων, και διαπιστώθηκε ότι το σύστημα αναπαράγει χονδροειδή στερεότυπα σχετικά με διάφορους πολιτισμούς. Σύμφωνα με τους δημοσιογράφους, η εταιρεία δεν απάντησε στα αιτήματά τους για δηλώσεις. Μια άλλη έρευνα, που διεξήχθη από το Φιλιππινέζικο Κέντρο Ερευνητικής Δημοσιογραφίας (PCIJ), κατάφερε να αναλύσει τον αλγόριθμο της Grab, μιας δημοφιλούς εφαρμογής μίσθωσης οχημάτων, συλλέγοντας χιλιάδες προσφορές τιμών για διαδρομές. Η έρευνα κατέδειξε ότι η Grab επέβαλε σταθερά στους καταναλωτές επιπλέον χρεώσεις που υποτίθεται ότι ίσχυαν μόνο κατά τις ώρες αιχμής. Σε γραπτή απάντησή της προς το PCIJ, η Grab στις Φιλιππίνες ανέφερε ότι «συνεργάστηκε πλήρως με την έρευνα της [Επιτροπής Αδειοδότησης και Ρύθμισης των Χερσαίων Μεταφορών]» συμμετέχοντας στις ακροάσεις.
Ερευνώντας τις εφαρμογές
Τελευταίο, αλλά εξίσου σημαντικό, είναι να ερευνούν οι δημοσιογράφοι τον τρόπο με τον οποίο η τεχνητή νοημοσύνη εφαρμόζεται στην πράξη. Όταν η τεχνολογία τεχνητής νοημοσύνης δεν λειτουργεί όπως προβλέπεται ή παρουσιάζει δυσλειτουργίες, πολλοί άνθρωποι που εξαρτώνται από αποφάσεις που λαμβάνονται από αυτοματοποιημένα συστήματα, όπως αλγόριθμοι ή εφαρμογές δημιουργικής τεχνητής νοημοσύνης, ενδέχεται να βλαφθούν.
Σε ένα άρθρο της για τον Guardian, η δημοσιογράφος Γιοχάνα Μπουιγιάν (Johana Bhuiyan) κατέδειξε πώς η υπερβολική εξάρτηση της αμερικανικής κυβέρνησης από εφαρμογές μετάφρασης που βασίζονται στην τεχνητή νοημοσύνη είχε ως αποτέλεσμα ένας αιτών άσυλο να παραμείνει εγκλωβισμένος σε κέντρο κράτησης της Υπηρεσίας Μετανάστευσης και Τελωνειακής Επιβολής (ICE) για έξι μήνες. Η εφαρμογή, η οποία δεν λειτουργούσε καλά σε γλώσσες με περιορισμένους πόρους, μετέφραζε λανθασμένα τα λόγια του και έτσι εκείνος δεν μπορούσε να επικοινωνήσει ουσιαστικά με κανέναν. Το Υπουργείο Εσωτερικής Ασφάλειας των HΠA δεν απάντησε στη δημοσιογράφο του Guardian.
Το ρεπορτάζ της Έρα Ριζουάν (Hera Rizwan) σχετικά με τη χρήση της τεχνολογίας αναγνώρισης προσώπου από την ινδική κυβέρνηση αποκάλυψε ότι η εφαρμογή που χρησιμοποιούσαν οι δημόσιοι υπάλληλοι για τη διανομή επείγουσας επισιτιστικής βοήθειας δεν αναγνώριζε ορισμένες έγκυες ή θηλάζουσες γυναίκες, καθώς τα πρόσωπά τους είχαν αλλάξει σε σχέση με τις παλιές φωτογραφίες που ήταν αποθηκευμένες στις κυβερνητικές βάσεις δεδομένων. Το Υπουργείο για τις Γυναίκες και την Ανάπτυξη των Παιδιών δεν απάντησε στις ερωτήσεις της Ριζουάν.
Το ρεπορτάζ σχετικά με τη λογοδοσία της τεχνητής νοημοσύνης είναι για όλους
Όπως δείχνουν τα παραπάνω παραδείγματα, το πλαίσιο λογοδοσίας που έχουμε αναπτύξει μπορεί να βοηθήσει τους δημοσιογράφους να καλύψουν θέματα σχετικά με την τεχνητή νοημοσύνη, ανεξάρτητα από το επίπεδο τεχνικής δυσκολίας και τους διαθέσιμους πόρους. Τα ρεπορτάζ μπορούν να είναι είτε σύντομα είτε εκτενή, είτε πιο επικεντρωμένα στους ανθρώπους είτε πιο θεωρητικά. Και ελπίζουμε ότι αυτές οι προσεγγίσεις και τα παραδείγματα θα βοηθήσουν και άλλους δημοσιογράφους να βρουν τη δική τους τοπική προσέγγιση για τη δημοσιογραφική κάλυψη της λογοδοσίας στον τομέα της τεχνητής νοημοσύνης.
Πηγές
- Αλγοριθμική εκπαίδευση για δημοσιογράφους: ένας οδηγός με επεξηγηματικά άρθρα και άλλα βοηθήματα για δημοσιογράφους.
- Σειρά AI Spotlight, Πρόγραμμα Σπουδών Ανοιχτού Κώδικα: προσφέρει εκπαιδευτικά βίντεο, πλαίσια εργασίας και παρουσιάσεις από την πρωτοβουλία του Pulitzer Center με στόχο την εκπαίδευση δημοσιογράφων από όλο τον κόσμο στον τομέα της τεχνητής νοημοσύνης.
- Οδηγός για Δημοσιογράφους για την Ανίχνευση Περιεχομένου που έχει Δημιουργηθεί από Τεχνητή Νοημοσύνη
- Οδηγός για τη Διερεύνηση των Αλγορίθμων των Μέσων Κοινωνικής Δικτύωσης
Έρευνα
- Algorithmic Justice League: οργανισμός που καταγράφει και διερευνά τις αρνητικές επιπτώσεις των αλγορίθμων.
- AI Now Institute: ανεξάρτητο ινστιτούτο που δημοσιεύει έρευνες σχετικά με την τεχνητή νοημοσύνη και την αλγοριθμική λογοδοσία.
- Center for Democracy and Technology: μη κερδοσκοπικός οργανισμός που δημοσιεύει εκθέσεις σχετικά με τα ατομικά δικαιώματα στην ψηφιακή εποχή.
- Data and Society: μη κερδοσκοπικός ερευνητικός οργανισμός που ασχολείται με την τεχνολογία, τα δεδομένα και τις πολιτικές.
- Algorithm Watch: μη κερδοσκοπική ομάδα με έδρα τη Ζυρίχη και το Βερολίνο.
- Privacy International: μη κερδοσκοπική ομάδα με έδρα το Λονδίνο.
- Derechos Digitales: μη κερδοσκοπική οργάνωση για τα ψηφιακά δικαιώματα που επικεντρώνεται στη Λατινική Αμερική.
- African Digital Rights Network: παν-αφρικανική οργάνωση για τα ψηφιακά δικαιώματα.
