Από τρεις εβδομάδες σε λίγες ημέρες: Πώς ξαναδημιούργησα δύο έργα δημοσιογραφίας δεδομένων με τη βοήθεια της τεχνητής νοημοσύνης

Από τον Ιανουάριο του 2002 έως τον Μάιο του 2012, 915 άνθρωποι έχασαν τη ζωή τους στις ιταλικές φυλακές. Πάνω από τους μισούς θανάτους οφείλονταν σε αυτοκτονίες. Ήθελα να αποτυπώσω στον χάρτη που σημειώθηκαν οι θάνατοι αυτοί.

Το 2012, όσο έμενα σε μια φοιτητική εστία στην Αγγλία, χρειάστηκα περίπου τρεις εβδομάδες για να μετατρέψω ένα άγνωστο στο ευρύ κοινό υπολογιστικό φύλλο σε έναν διαδραστικό χάρτη. Το αρχείο ανήκε στην εφημερίδα Ristretti Orizzonti, η οποία εκδίδεται μέσα στις φυλακές της Πάντοβα και καταγράφει τους θανάτους στις ιταλικές φυλακές από το 1992. Εκείνη την περίοδο ολοκλήρωνα το μεταπτυχιακό μου στην υπολογιστική γλωσσολογία (computational linguistics), έχοντας ήδη σπουδάσει πληροφορική. Το έργο, με τίτλο Patrie Galere (ιταλική αργκό για τις «φυλακές της πατρίδας»), δημοσιεύτηκε στο Guardian Datablog και θεωρείται από πολλούς επαγγελματίες του χώρου το πρώτο έργο δημοσιογραφίας δεδομένων στην Ιταλία.

Για τη δουλειά αυτή χρησιμοποίησα τα εργαλεία που ήταν διαθέσιμα τότε: το BatchGeo για τη χαρτογράφηση των σημείων, το OpenRefine για τον καθαρισμό των δεδομένων, το ScraperWiki για τη συλλογή τους από τον ιστό, το Google Fusion Tables (μια υπηρεσία cloud για τη διαχείριση, ενοποίηση και οπτικοποίηση δεδομένων που πλέον έχει καταργηθεί), καθώς και μερικές χειροκίνητες παρεμβάσεις σε HTML και CSS για να δημιουργήσω την ιστοσελίδα.

Τρεις εβδομάδες δουλειάς, ένα πτυχίο πληροφορικής και ένα σύνολο δεδομένων που είχα μελετήσει προσεκτικά, καταχώριση προς καταχώριση, ήταν όλα όσα χρειάστηκαν για να πραγματοποιηθεί αυτό το έργο. Σήμερα τα περισσότερα από αυτά τα εργαλεία είτε έχουν ξεπεραστεί είτε έχουν πάψει να υπάρχουν. Ήταν εργαλεία μιας άλλης εποχής, σχεδιασμένα το καθένα για μία μόνο λειτουργία — χαρτογράφηση, καθαρισμό ή συλλογή δεδομένων — τα οποία ο δημοσιογράφος έπρεπε να συνδυάσει μόνος του για να συνθέσει το τελικό αποτέλεσμα.

1. Τι άλλαξε μέσα σε δεκατέσσερα χρόνια

Πρόσφατα αναδημιούργησα το Patrie Galere μέσα σε μόλις δύο ημέρες.

Δεκατέσσερα χρόνια αργότερα, η Ristretti Orizzonti συνεχίζει να συλλέγει δεδομένα, όμως η κατάσταση έχει χειροτερέψει: μόνο το 2025 κατέγραψε 254 θανάτους στις ιταλικές φυλακές, εκ των οποίων περίπου 80 ήταν αυτοκτονίες — μία από τις χειρότερες χρονιές από το 2012.

Αυτό που άλλαξε ήταν τα εργαλεία που χρησιμοποίησα για να οπτικοποιήσω τα δεδομένα. Αυτή τη φορά είχα στη διάθεσή μου ένα μεγάλο γλωσσικό μοντέλο (LLM) — ένα σύστημα τεχνητής νοημοσύνης που παράγει κείμενο και, στη συγκεκριμένη περίπτωση, λειτουργικό κώδικα με βάση οδηγίες γραμμένες σε απλή γλώσσα. Σε αυτό το άρθρο εξηγώ τη διαδικασία που ακολούθησα και τα συμπεράσματα στα οποία με οδήγησε για το μέλλον της οπτικοποίησης δεδομένων με τη βοήθεια της τεχνητής νοημοσύνης.

2. Η νέα εκδοχή του Patrie Galere

Ο χάρτης του 2012 αποτελούνταν από μια σειρά γραφημάτων τύπου «πίτας» (pie charts) που εμφανίζονταν όλα στην ίδια σελίδα. Η νέα του εκδοχή, που είναι διαθέσιμη στη σελίδα μου στο GitHub, είναι ένας πίνακας ελέγχου (dashboard) με φίλτρα, μια ενότητα για τον υπερπληθυσμό στις φυλακές και μια διεπαφή τόσο στα αγγλικά όσο και στα ιταλικά.

Ο χάρτης λειτουργεί με το LeafletJS, μια δωρεάν βιβλιοθήκη ανοιχτού κώδικα για τη δημιουργία διαδραστικών χαρτών στο διαδίκτυο. Τα στοιχεία για τον υπερπληθυσμό προέρχονται από το Sovraffollamento Carcerario, ένα έργο του Ιταλού δημοσιογράφου Μάρκο Ντάλα Στέλα (Marco Dalla Stella), το οποίο αντλεί αυτόματα δεδομένα από το ιταλικό υπουργείο Δικαιοσύνης.

Δεν έγραψα ούτε μία γραμμή κώδικα με το χέρι. Χρησιμοποίησα συνδυαστικά δύο μοντέλα τεχνητής νοημοσύνης: το Claude Opus για τον αρχικό σχεδιασμό της δομής και τα πιο απαιτητικά κομμάτια του σχεδιασμού, και το Claude Sonnet για τις επαναλήψεις, τις βελτιώσεις και τις μικρότερες προσθήκες. Μαζί λειτούργησαν σαν μια ομάδα συνεργατών σε διαρκή ετοιμότητα – ένας ειδικός στον σχεδιασμό, ένας προγραμματιστής και ένας επιστήμονας δεδομένων που ανταποκρίνονταν στιγμιαία.

Το 2012 (ή ακόμα και το 2022), η δημιουργία μιας τέτοιας ομάδας θα απαιτούσε χρηματοδότηση και αρκετούς μήνες δουλειάς. Αυτή τη φορά, όμως, δημιούργησα ένα έργο στο Claude Cowork και χώρισα τη δουλειά σε περίπου είκοσι επιμέρους εργασίες, καθεμία με έναν συγκεκριμένο στόχο. Για κάθε μία περιέγραφα με απλά λόγια τι ήθελα και άφηνα το μοντέλο να γράψει τον κώδικα. Αυτός ο τρόπος εργασίας έχει πλέον όνομα: λέγεται vibe coding.

Υπάρχει όμως και ένα επιπλέον πλεονέκτημα. Ο κώδικας που δημιουργεί ένα LLM μπορεί να αποθηκευτεί στο προσωπικό μου αποθετήριο και μπορώ να τον χρησιμοποιήσω όπως θέλω. Ένας χάρτης που φιλοξενείται σε μια υπηρεσία όπως το BatchGeo ή οποιαδήποτε άλλη ιδιόκτητη πλατφόρμα υπάρχει μόνο όσο υπάρχει και η ίδια η υπηρεσία. Το BatchGeo, στο οποίο βασιζόταν ο χάρτης του 2012, αρχικά γέμισε τον χάρτη με διαφημίσεις και αργότερα σταμάτησε να τον φιλοξενεί, με αποτέλεσμα να χαθεί μαζί του και ολόκληρο το έργο. Ο νέος κώδικας είναι δικός μου, ανοιχτός, βρίσκεται στο GitHub μου και μπορεί να φιλοξενηθεί οπουδήποτε.

Η διαδικασία είχε και τις δυσκολίες της. Με το δίγλωσσο περιβάλλον [της εφαρμογής] (bilingual interface) μεταφράστηκαν τα κείμενα που εμφανίζονταν στα κουμπιά και στις επικεφαλίδες, όμως άλλα, κρυμμένα βαθύτερα στον κώδικα, παρέμειναν στα αγγλικά — μια λεπτομέρεια που μπορούσε να εντοπιστεί μόνο με προσεκτική ανάγνωση. Για να διορθωθεί, χρειάστηκαν αρκετές προσπάθειες, με συγκεκριμένες υποδείξεις για τα σημεία που είχαν πρόβλημα.

Ακόμα μεγαλύτερο ζήτημα ήταν ένα σφάλμα στη λειτουργία ομαδοποίησης (clustering) των σημείων στον χάρτη. Όταν ομαδοποίησα κοντινούς δείκτες για να μειώσω την οπτική σύγχυση, τα συνολικά και επιμέρους στοιχεία που εμφανίζονταν στις ομάδες δεν ήταν σωστά: οι αριθμοί δεν αθροίζονταν όπως έπρεπε. Το ίδιο συνέβη και στον πίνακα ελέγχου: τα συνολικά στοιχεία για τους θανάτους και τις αυτοκτονίες που εμφανίζονταν στο γράφημα ανά έτος ήταν λανθασμένα.

Το μοντέλο είχε γράψει κώδικα που έμοιαζε σωστός, αλλά παρήγαγε λάθος αποτελέσματα. Το αντιλήφθηκα μόνο επειδή έκανα διασταύρωση με τα αρχικά δεδομένα. Όταν ζήτησα από το μοντέλο να ελέγξει ξανά τη δουλειά του, εντόπισε το πρόβλημα και το διόρθωσε με μία μόνο εντολή. Το βασικό συμπέρασμα ήταν ότι ένα αποτέλεσμα που μοιάζει αξιόπιστο δεν είναι απαραίτητα και σωστό.

3. Χαρτογραφώντας τους πιο επικίνδυνους δρόμους της Ρώμης με μία μόνο προσπάθεια

Στις 9 Ιουνίου 2026 η Anthropic κυκλοφόρησε το μοντέλο Fable 5, ένα μοντέλο κατηγορίας Mythos, δηλαδή το πιο προηγμένο που είχε παρουσιάσει μέχρι τότε. Έχει τόσο εξελιγμένες δυνατότητες που μπορεί να χρησιμοποιηθεί ακόμα και στον τομέα της κυβερνοασφάλειας, όπου εντοπίζει κενά ασφαλείας σε λογισμικό και γράφει τον κώδικα που απαιτείται για τη διόρθωσή τους.

Αποφάσισα να ξαναπιάσω ένα έργο για την οδική ασφάλεια στη Ρώμη που είχα αφήσει στην άκρη και να δοκιμάσω να χρησιμοποιήσω το Fable για να δημιουργήσω ολόκληρη την πλατφόρμα με μία μόνο προσπάθεια.

Στις 12 Ιουνίου, επικαλούμενη λόγους εθνικής ασφάλειας, η κυβέρνηση των ΗΠΑ απαγόρευσε την πρόσβαση στο μοντέλο από το εξωτερικό, εξαιτίας μιας αμφιλεγόμενης αδυναμίας στους μηχανισμούς ασφαλείας του. Η Anthropic το απενεργοποίησε την επόμενη ημέρα (κατά τη συγγραφή του παρόντος, το Fable 5 εξακολουθεί να είναι εκτός λειτουργίας). Ό,τι πρόλαβα να δημιουργήσω μέσα σε αυτό το σύντομο χρονικό διάστημα ήταν αισθητά πιο εξελιγμένο από ό,τι θα παρήγαγαν τα προηγούμενα μοντέλα — και με πολύ μικρότερο κόπο από την πλευρά μου.

Η πλατφόρμα ονομάζεται Strade Mortali («Θανατηφόροι Δρόμοι» στα ιταλικά) και καταγράφει τα τροχαία ατυχήματα στη Ρώμη — με αυτοκίνητα, μοτοσικλέτες, ποδήλατα, ηλεκτρικά πατίνια και πεζούς — αξιοποιώντας ανοικτά δεδομένα από τη δημόσια διαδικτυακή πύλη του δήμου της Ρώμης. Τα πιο πρόσφατα διαθέσιμα στοιχεία αφορούν το 2022.

Σε σύγκριση με τα προηγούμενα μοντέλα, το Fable είχε θεαματική βελτίωση στον σχεδιασμό της διεπαφής, της εμπειρίας χρήστη και της οπτικής αισθητικής. Έπαιρνε μόνο του αποφάσεις για την εμφάνιση και τη διάταξη της σελίδας, τις οποίες με το Opus θα έπρεπε να περιγράψω αναλυτικά. Ενσωμάτωνε τα δεδομένα με πολύ λιγότερες διορθώσεις και διαμόρφωσε από μόνο του μια συνεκτική οπτική ταυτότητα για την πλατφόρμα, χωρίς καν να του το ζητήσω.

Παράλληλα με το Strade Mortali, αναδημιούργησα από την αρχή και την προσωπική μου ιστοσελίδα χρησιμοποιώντας το Fable, κάτι που μου έδωσε ακόμα καλύτερη εικόνα των δυνατοτήτων που έχει, όταν του επιτρέπεις να παίρνει μόνο του σχεδιαστικές αποφάσεις. Ωστόσο, το πιο εντυπωσιακό αποτέλεσμα της ανάλυσης ήταν αυτό που ονόμασα «δείκτη επικινδυνότητας διασταυρώσεων»: μια κατάταξη των πιο επικίνδυνων σημείων της Ρώμης, η οποία δεν υπολογίζει απλώς τον αριθμό των τροχαίων, αλλά συμπεριλαμβάνει και τους νεκρούς και τους τραυματίες. Με αυτόν τον τρόπο, ένα σημείο με πολλά μικροατυχήματα δεν επισκιάζει σε επικινδυνότητα ένα άλλο όπου χάνονται συχνά ανθρώπινες ζωές.

Αρχικά, του είχα ζητήσει απλώς να δημιουργήσει μια κατάταξη, με σκοπό να τη βελτιώσω αργότερα. Το Fable, όμως, πρότεινε από μόνο του να δοθεί διαφορετική βαρύτητα στα στοιχεία, με το σκεπτικό ότι μια απλή καταμέτρηση των ατυχημάτων θα ήταν παραπλανητική. Έπειτα δημιούργησε τον δείκτη, χωρίς καν να του το ζητήσω. Πριν εμπιστευτώ αυτόν τον δείκτη, έλεγξα δειγματοληπτικά τους υπολογισμούς του σε σύγκριση με τα αρχικά δεδομένα. Το πρόβλημα εδώ είναι ότι ένα αποτέλεσμα που παρουσιάζεται έτοιμο και ολοκληρωμένο σε κάνει εύκολα να παρακάμψεις ακριβώς αυτόν τον έλεγχο.

Η πρακτική αξία μιας τέτοιας εφαρμογής είναι προφανής. Ο δήμος της Ρώμης θα μπορούσε να λειτουργεί αυτή την πλατφόρμα με πιο πρόσφατα δεδομένα, τα οποία θα ενημερώνονται αυτόματα, εντοπίζοντας τα σημεία όπου παρεμβάσεις όπως μια νέα διάβαση πεζών, μια κάμερα ελέγχου ταχύτητας ή ο ανασχεδιασμός μιας διασταύρωσης θα μπορούσαν να βελτιώσουν περισσότερο την οδική ασφάλεια.Το πρωτότυπο είναι διαθέσιμο στη σελίδα μου στο GitHub.

4. Εξέταση του προβλήματος βήμα προς βήμα

Οι είκοσι επιμέρους εργασίες στις οποίες χωρίστηκε το Patrie Galere δεν επιλέχθηκαν τυχαία. Η λογική πίσω από τον διαχωρισμό τους βασίστηκε σε μια βασική αρχή της πληροφορικής, το λεγόμενο divide et impera, δηλαδή «διαίρει και βασίλευε». Όταν ένα πρόβλημα είναι υπερβολικά μεγάλο για να λυθεί ως ενιαίο σύνολο, το διασπάς σε μικρότερα προβλήματα, καθένα από τα οποία μπορεί να αντιμετωπιστεί αυτόνομα. Στη συνέχεια, συνθέτεις ξανά τα επιμέρους κομμάτια για να δημιουργήσεις το τελικό αποτέλεσμα.

Αν δώσεις στο μοντέλο την εντολή «αναδημιούργησε το Patrie Galere», θα προσπαθήσει να τα κάνει όλα ταυτόχρονα και θα δημιουργήσει ένα χαοτικό αποτέλεσμα που είναι δύσκολο να ελεγχθεί και να διορθωθεί. Αντίθετα, με μια πιο συγκεκριμένη εντολή, όπως «δημιούργησε το σύστημα ομαδοποίησης των σημείων στον χάρτη, ώστε οι αριθμοί που εμφανίζονται να αντιστοιχούν στα πραγματικά δεδομένα», το αποτέλεσμα είναι αξιοποιήσιμο.

Οι επιμέρους εργασίες για το Patrie Galere αφορούσαν περίπου τα εξής: τον καθαρισμό και τη δομή των αρχικών δεδομένων, τον βασικό χάρτη, το επίπεδο εμφάνισης των σημείων και την ομαδοποίησή τους, τα φίλτρα, το υπόμνημα, το επίπεδο δεδομένων για τον υπερπληθυσμό των φυλακών, τη γραμμή μενού, την κεφαλίδα και το υποσέλιδο, τη σελίδα «Σχετικά», τη σελίδα με τις πηγές δεδομένων, την εναλλαγή μεταξύ αγγλικής και ιταλικής γλώσσας, καθώς και τον συνολικό οπτικό σχεδιασμό που συνδέει όλα τα στοιχεία.

Κάθε μία από αυτές ήταν ένα αυτόνομο ερώτημα με τη δική του λύση, το οποίο μπορούσε να δημιουργηθεί και να δοκιμαστεί χωρίς να επηρεάζει τα υπόλοιπα. Αυτό βοηθά επίσης στον καθορισμό ξεκάθαρων ρόλων. Για παράδειγμα, μπορείς να ζητήσεις από μια εργασία να λειτουργήσει ως μηχανικός δεδομένων και από μια άλλη ως προγραμματιστής διεπαφής χρήστη. Έτσι, τα αποτελέσματα παραμένουν πιο εστιασμένα και τα σφάλματα εντοπίζονται ευκολότερα.

Η μέθοδος αυτή ταιριάζει απόλυτα με τον τρόπο που οργανώνεται συνήθως ένα έργο δημοσιογραφίας δεδομένων: από την έρευνα και τη συλλογή των δεδομένων, μέχρι τον καθαρισμό, την οπτικοποίηση και τη διασταύρωση στοιχείων. Η οργάνωση των εργασιών με βάση αυτά τα στάδια δεν κάνει απλώς ευκολότερη την αρχική κατασκευή· διευκολύνει και τις μελλοντικές ενημερώσεις και τη συντήρηση. Όταν αλλάζουν τα αρχικά δεδομένα, γνωρίζεις ακριβώς ποιο κομμάτι πρέπει να ξαναδουλέψεις. Σε μια εποχή όπου τα συστήματα τεχνητής νοημοσύνης μπορούν να εκτελούν εργασίες αυτόνομα, αυτή η αρθρωτή προσέγγιση αποκτά ακόμη μεγαλύτερη αξία.

Η σειρά των βημάτων έχει σημασία. Ξεκίνησα από τα βασικά στοιχεία — το καθαρό σύνολο δεδομένων και τον αρχικό χάρτη — και στη συνέχεια προχώρησα στα υπόλοιπα, ένα προς ένα, ελέγχοντας κάθε κομμάτι πριν περάσω στο επόμενο. Ένα σφάλμα εμφανίζεται πολύ νωρίτερα, όταν το στοιχείο που το προκαλεί αποτελεί ξεχωριστή εργασία με τον δικό της έλεγχο. Σε ένα ενιαίο, γενικό αίτημα, το ίδιο πρόβλημα θα χανόταν ανάμεσα σε δεκάδες άλλα και θα ήταν πολύ δυσκολότερο να εντοπιστεί.

Στη συνέχεια, πρέπει να επανενώσεις τα κομμάτια. Ένα υπόμνημα που είναι απολύτως κατανοητό από μόνο του μπορεί να αποδειχθεί παραπλανητικό όταν τοποθετηθεί δίπλα σε έναν φιλτραρισμένο χάρτη. Αντίστοιχα, μια χρωματική κλίμακα που απεικονίζει τους θανάτους στις φυλακές μπορεί να χρειαστεί επανασχεδιασμό όταν χρησιμοποιείται για τη σοβαρότητα των τροχαίων. Η επανασύνθεση των επιμέρους στοιχείων είναι ένα ξεχωριστό στάδιο. Κάθε στοιχείο είχε τη δική του εργασία στο Claude Cowork, έναν χώρο εργασίας όπου οργανώνεις τη δουλειά ενός βοηθού τεχνητής νοημοσύνης σε ξεχωριστές, παράλληλες εργασίες. Έτσι, μπορούσα να επαναλαμβάνω τη διαδικασία βελτίωσης για κάθε κομμάτι ξεχωριστά, με κατά μέσο όρο πέντε ή έξι επαναλήψεις διαλόγου για κάθε επιμέρους κομμάτι.

Οι γνώσεις προγραμματισμού και σχεδιασμού κάνουν τη διαδικασία ακόμη πιο αποτελεσματική. Το ότι γνώριζα ήδη ότι η σωστή βιβλιοθήκη χαρτών ήταν η LeafletJS, καθώς διαθέτει ενσωματωμένη λειτουργία ομαδοποίησης σημείων στον χάρτη, μου επέτρεψε να στρέψω το μοντέλο προς αυτή την κατεύθυνση, αντί να το αφήσω να επιλέξει μόνο του μια λύση. Αυτή η απόφαση εξοικονόμησε σημαντικό χρόνο που θα σπαταλούσα σε διορθώσεις και απέτρεψε τις επαναλαμβανόμενες αλλαγές χωρίς αποτέλεσμα, που κοστίζουν χρόνο και tokens.

Τα μοντέλα χρεώνουν με βάση τα tokens — μικρές μονάδες κειμένου, συνήθως μικρότερες από μια ολόκληρη λέξη — τόσο για όσα διαβάζουν όσο και για όσα παράγουν. Αυτό σημαίνει ότι κάθε επιπλέον γύρος διορθώσεων αυξάνει και το κόστος. Τα πιο προηγμένα μοντέλα, όπως το Claude Opus, κοστίζουν πολύ περισσότερο ανά token από τα πιο απλά μοντέλα. Όσο, λοιπόν, πιο προηγμένο και ακριβό το μοντέλο που χρησιμοποιείς, τόσο μεγαλύτερη σημασία έχει η σωστή διατύπωση της οδηγίας. Το Fable 5 ήταν, με μεγάλη διαφορά, το ακριβότερο μοντέλο της Anthropic. Σύμφωνα με τις διαθέσιμες πληροφορίες, το κόστος του είναι σχεδόν διπλάσιο από το Opus 4.8.

Σε γενικές γραμμές, αυτό που κάνει τη διαφορά είναι η κατανόηση της δομής ενός σωστά οργανωμένου έργου: πώς πρέπει να στηθεί μια ροή δεδομένων, πότε ένας σχεδιασμός αρχίζει να παρουσιάζει προβλήματα και αν ένα ζήτημα αφορά το μπροστινό μέρος μιας εφαρμογής (frontend) ή το παρασκήνιο (backend). Αυτές οι αποφάσεις καθορίζουν τις εργασίες που αναθέτεις στο μοντέλο. Ένα μοντέλο που εκτελεί μια κακώς διατυπωμένη εργασία μπορεί και πάλι να παρουσιάσει ένα αποτέλεσμα που φαίνεται ολοκληρωμένο. Η ικανότητα, ωστόσο, να διακρίνεις αν πίσω από ένα φαινομενικά ολοκληρωμένο αποτέλεσμα υπάρχει σωστή δομή είναι η δική σου συμβολή. Το μοντέλο δεν μπορεί να σου την προσφέρει.

5. Η δημοσιογραφία δεδομένων ως κοινή δεξιότητα

Καθώς αυτά τα μοντέλα εξελίσσονται, το τεχνικό κομμάτι της δημοσιογραφίας δεδομένων γίνεται σταδιακά μια δεξιότητα διαθέσιμη σε όλους. Η μετατροπή ενός υπολογιστικού φύλλου σε χάρτη, ο καθαρισμός ενός ακατάστατου συνόλου δεδομένων ή η δημιουργία ενός δείκτη κατάταξης από ανοιχτά δεδομένα είναι πλέον πράγματα που μπορεί να κάνει σχεδόν οποιοσδήποτε μπορεί να περιγράψει με σαφήνεια τι θέλει σε απλή γλώσσα. Σε λίγα χρόνια, η εξοικείωση με αυτές τις τεχνικές δεν θα αποτελεί πλέον στοιχείο που ξεχωρίζει έναν δημοσιογράφο δεδομένων από οποιονδήποτε άλλο έχει μια ιστορία να αφηγηθεί.

Αυτό που παραμένει αναντικατάστατο είναι η κρίση για το ποιο ερώτημα αξίζει να τεθεί και η επιμονή να βρεθεί μια ολοκληρωμένη απάντηση. Και τα δύο έργα μου συνδυάζουν τη δημοσιογραφία με την τεχνολογία που υπηρετεί το δημόσιο συμφέρον. Το Strade Mortali θα μπορούσε να βοηθήσει μια πόλη να εντοπίσει πού χρειάζεται να παρθούν περισσότερα μέτρα για ασφαλέστερους δρόμους· το Patrie Galere φέρνει στο φως μια θεσμική αποτυχία που θα μπορούσε να οδηγήσει σε αλλαγές με την παρέμβαση του αρμόδιου υπουργείου.

Τα εργαλεία είναι πλέον διαθέσιμα και η δημιουργία τέτοιων εφαρμογών μπορεί να γίνει μέσα σε λίγες ημέρες αντί για μήνες. Όμως το ότι κάτι μπορεί να δημιουργηθεί δεν σημαίνει ότι μπορεί και να χρησιμοποιηθεί. Η αξιοποίηση των δεδομένων θα συνεχίσει να απαιτεί ανθρώπινη συμμετοχή, η οποία δεν μπορεί εύκολα να αντικατασταθεί από τις μηχανές.

Αυτό επεκτείνεται και στα εργαλεία για τα οποία οι δημοσιογράφοι δεδομένων πλήρωναν εδώ και χρόνια. Η απόδοση του Fable 5 προμηνύει αυτό που κάποιοι επαγγελματίες αποκαλούν «SaaSapocalypse»: τη στιγμή που τα LLM θα γίνουν τόσο ικανά που θα καταστήσουν περιττά τα συνδρομητικά εργαλεία SaaS, καθώς ένα σύστημα τεχνητής νοημοσύνης θα μπορεί να δημιουργεί ένα προσαρμοσμένο αντίστοιχό τους μέσα σε λίγες ώρες.

Τα εργαλεία οπτικοποίησης δεδομένων είναι ένας προφανής πρώτος στόχος. Συνδυάζοντας εργαλεία όπως το Claude Code ή το Codex της OpenAI με βιβλιοθήκες ανοιχτού κώδικα — το D3.js για γραφήματα και στατιστικές απεικονίσεις, το Chart.js  για απλούστερες οπτικοποιήσεις και το Leaflet.js για χάρτες — ένας δημοσιογράφος μπορεί να δημιουργήσει μια πλήρως προσαρμοσμένη οπτικοποίηση, έτοιμη για δημοσίευση, απλώς περιγράφοντας με λόγια τι θέλει. Ο κώδικας που προκύπτει ανήκει στον ίδιο: μπορεί να τον φιλοξενήσει, να τον τροποποιήσει και να κρατήσει διαφορετικές εκδόσεις του.

Δεν υπάρχει συνδρομή που πρέπει να ανανεωθεί, προμηθευτής που μπορεί ξαφνικά να διακόψει την υπηρεσία του, ούτε ιδιόκτητη μορφή αρχείων από την οποία πρέπει να μεταβείς αλλού. Με την ταχύτητα με την οποία εξελίσσονται αυτά τα μοντέλα, σύντομα δεν θα υπάρχει λόγος να πληρώνει ένα δημοσιογραφικό μέσο για ένα ιδιόκτητο εργαλείο οπτικοποίησης δεδομένων, από τη στιγμή που θα μπορεί να αποκτήσει ένα αντίστοιχο εργαλείο σε ανοιχτό κώδικα και να το έχει στην κατοχή του.

Αυτό φυσικά δεν σημαίνει ότι οι νέοι δημοσιογράφοι δεδομένων θα πρέπει να παραλείψουν την εκμάθηση των βασικών αρχών της οπτικοποίησης δεδομένων. Το αντίθετο.

Η κατανόηση της «γραμματικής» των γραφημάτων — ποια οπτική αναπαράσταση ταιριάζει σε κάθε τύπο δεδομένων, πότε ένας χάρτης μπορεί να δημιουργήσει λανθασμένες εντυπώσεις, τι πραγματικά δείχνει μια κατανομή — είναι σήμερα πιο πολύτιμη από ποτέ, ακριβώς επειδή η δημιουργία μιας οπτικοποίησης δεν απαιτεί πλέον εβδομάδες δουλειάς. Η γνώση των σταδίων μιας ροής εργασίας στη δημοσιογραφία δεδομένων, από τη συλλογή και τον καθαρισμό των δεδομένων μέχρι τη δημοσίευση και την επαλήθευση, προσφέρει το πλαίσιο που χρειάζεται για να καθοδηγήσεις αποτελεσματικά ένα σύστημα τεχνητής νοημοσύνης. Και η κριτική κατανόηση του τρόπου με τον οποίο λειτουργούν τα μηνύματα που βασίζονται σε δεδομένα — πώς ένα γράφημα μπορεί να είναι τεχνικά σωστό αλλά ταυτόχρονα παραπλανητικό, όπως έχει καταδείξει ο Alberto Cairo στο How Charts Lie  — είναι απαραίτητη για όποιον δημιουργεί ή επιμελείται γραφικά που παράγονται από τεχνητή νοημοσύνη με μεγάλη ταχύτητα, ειδικά τώρα που ο καθένας μπορεί να δημιουργήσει έναν σύνθετο πίνακα ελέγχου μέσα σε λίγα λεπτά.

Το πιο δύσκολο κομμάτι πλέον βρίσκεται αλλού. Το ζήτημα δεν είναι πια πώς θα δημιουργηθεί μια οπτικοποίηση, αλλά πώς θα φτάσει στο κοινό και πώς θα καταφέρει να κρατήσει το ενδιαφέρον του αρκετά ώστε να οδηγήσει σε δράση, μέσα σε ένα περιβάλλον κορεσμένου από πληροφορίες και ολοένα μικρότερης διάρκειας προσοχής. Και η απλή προβολή δεν αρκεί. Σημασία έχει αν το κοινό έχει την επιστημονική κατάρτιση που απαιτείται ώστε να αξιολογήσει τα δεδομένα που βλέπει, να κατανοήσει τι σημαίνουν και να τα χρησιμοποιήσει με υπευθυνότητα.

Ένα γράφημα ή μια οπτικοποίηση δεν λέει πάντα την αλήθεια από μόνο του· αν και μπορεί να ενημερώσει, μπορεί εξίσου εύκολα να παραπλανήσει, χωρίς κριτική ανάγνωση. Η δημιουργία του εργαλείου έχει γίνει πλέον μια γρήγορη τεχνική διαδικασία. Αυτό που παραμένει δύσκολο είναι να του δώσεις νόημα, να το κάνεις κατανοητό και να εξασφαλίσεις ότι θα χρησιμοποιηθεί σωστά — και εκεί είναι που γίνεται απαραίτητος ο ρόλος του δημοσιογράφου δεδομένων.

6. Γιατί οι δημοσιογράφοι έχουν ένα ιδιαίτερο πλεονέκτημα

Οι δημοσιογράφοι έχουν εδώ ένα μεγάλο πλεονέκτημα που συχνά περνά απαρατήρητο. Έχουν μάθει να ξεδιαλύνουν σύνθετα και χαοτικά ζητήματα και να τα παρουσιάζουν με τρόπο που μπορεί να παρακολουθήσει ο αναγνώστης, χωρίζοντάς τα σε μικρότερα κομμάτια και εξηγώντας τα βήμα-βήμα. Είναι η ίδια δεξιότητα που χρησιμοποιείται όταν ένα μεγάλο έργο χωρίζεται σε είκοσι επιμέρους εργασίες με έναν συγκεκριμένο σκοπό η καθεμία. Αυτές οι βασικές δημοσιογραφικές ικανότητες αποδεικνύονται ιδιαίτερα χρήσιμες όταν καλείσαι να καθοδηγήσεις ένα σύστημα τεχνητής νοημοσύνης, που μπορεί να φέρει εις πέρας σύνθετες εργασίες πολλών βημάτων, αρκεί ο στόχος να έχει οριστεί ξεκάθαρα.

Ιδιαίτερο πλεονέκτημα έχουν οι δημοσιογράφοι που δεν περιορίζονται σε έναν μόνο τομέα — εκείνοι που έχουν ευρύ πεδίο γνώσεων, πλούσιο λεξιλόγιο και μια βασική εικόνα από πολλά διαφορετικά πεδία. Η ικανότητα να συντονίζεις μια ομάδα εργαλείων τεχνητής νοημοσύνης που αναλαμβάνουν διαφορετικά κομμάτια μιας δουλειάς — από την έρευνα και τα δεδομένα, μέχρι τον σχεδιασμό και την επαλήθευση — βασίζεται ακριβώς σε αυτή την ευρύτερη αντίληψη που καλλιεργεί η δημοσιογραφία. Και οι δημοσιογράφοι διαθέτουν ένα επιπλέον πλεονέκτημα: ένα ανεπτυγμένο ένστικτο για τον εντοπισμό ασυνεπειών. Αυτό το δημοσιογραφικό ραντάρ που σε κάνει να αμφισβητείς μια ύποπτη δήλωση ή έναν υπερβολικά «βολικό» αριθμό είναι εξίσου απαραίτητο και όταν αξιολογείς αποτελέσματα που παράγει η τεχνητή νοημοσύνη. Είναι μια ικανότητα που κανένα μοντέλο δεν διαθέτει σήμερα.

Στον πυρήνα του, όλο αυτό αφορά την επικοινωνία. Το να μεταφέρεις μια ιδέα από το μυαλό σου στη σελίδα — ή, σε αυτή την περίπτωση, σε μια οδηγία προς ένα μοντέλο. Η καθαρή σκέψη οδηγεί σε καθαρές οδηγίες. Ένας δημοσιογράφος που μπορεί να περιγράψει με ακρίβεια μια ιστορία, το εύρος της, την οπτική, τα κενά της και το κοινό στο οποίο απευθύνεται μπορεί να εφαρμόσει την ίδια ακρίβεια και όταν καθοδηγεί ένα σύστημα τεχνητής νοημοσύνης. Και το αποτέλεσμα αντανακλά αυτή την ακρίβεια.

Όπως ανέφερε πρόσφατα ο δημοσιογράφος δεδομένων της El País Ντανιέλε Γκράσο (Daniele Grasso), η τεχνική γνώση έχει σημασία και ενισχύει αυτές τις δυνατότητες, αλλά η κρίση και η στρατηγική είναι σημαντικότερες από την ίδια τη διατύπωση των εντολών που δίνονται στο μοντέλο. Όταν χρησιμοποιείται σωστά, η τεχνητή νοημοσύνη δεν μας κάνει να σκεφτόμαστε λιγότερο. Το αντίθετο: απαιτεί δημιουργικότητα και υπολογιστική σκέψη και μας δίνει την ευκαιρία να καλλιεργήσουμε την ανθρώπινη κρίση.

Παραμένει όμως απαραίτητο να ξέρεις τι θέλεις να πετύχεις, να θεωρείς δεδομένο ότι το αποτέλεσμα θα περιέχει λάθη και να τα αναζητάς. Η προσέγγιση που θεωρώ πιο αξιόπιστη είναι ένας υβριδικός συνδυασμός: άνθρωπος και τεχνητή νοημοσύνη να δουλεύουν παράλληλα, με τον άνθρωπο να έχει την τελική ευθύνη για οτιδήποτε τελικά δημοσιεύεται.

7. Τα επόμενα βήματα

Οι ασυνέπειες και οι αποκλίσεις στα δεδομένα αποδείχθηκαν από τα δυσκολότερα προβλήματα που έπρεπε να εντοπιστούν και να διορθωθούν. Αριθμοί που φαινομενικά ήταν απολύτως λογικοί συχνά έκρυβαν αναντιστοιχίες ανάμεσα στα αρχικά αρχεία και το ανακατασκευασμένο σύνολο δεδομένων — προβλήματα που εμφανίζονταν μόνο μετά από προσεκτικό έλεγχο και διασταύρωση. Από αυτή την εμπειρία προκύπτει ένα σαφές επόμενο βήμα: συστήματα τεχνητής νοημοσύνης ειδικά σχεδιασμένα για έλεγχο δεδομένων, που θα λειτουργούν ως αυτοματοποιημένες δικλίδες ασφαλείας.

Ο Τζέιμαρκ Τορντεσίγια (Jaemark Tordecilla), ο οποίος περιέγραψε πώς δημιούργησε με τη μέθοδο του «vibe coding» έναν πίνακα δεδομένων βασισμένο σε μια έρευνα για θέματα υγείας στις Φιλιππίνες, ανέπτυξε ακριβώς μια τέτοια διαδικασία. Για να εντοπιστούν αυτά τα προβλήματα χρειάστηκαν πιο ισχυροί έλεγχοι στη δομή των δεδομένων και όχι απλώς ένας τελικός έλεγχος επαλήθευσης. Αυτή η ιδέα επηρεάζει άμεσα τα επόμενα βήματα και σε αυτό το έργο — τουλάχιστον μέχρι τα νέα μοντέλα να εξελιχθούν αρκετά ώστε να μειωθεί η ανάγκη για τέτοιους ελέγχους. Τόσο το Patrie Galere όσο και το Strade Mortali βρίσκονται ακόμη σε φάση ανάπτυξης και πρέπει να αντιμετωπίζονται ως λειτουργικά πρωτότυπα. Ενδέχεται να περιέχουν σφάλματα, ασυνέπειες ή ελλιπή δεδομένα. Παρότι η δημοσιογραφία δεδομένων με τη βοήθεια της τεχνητής νοημοσύνης μπορεί να μοιάζει με μαγικό ραβδάκι, υπάρχει πάντα μια υποβόσκουσα αμφιβολία όταν ένα μέρος της διαδικασίας περνά από τον ανθρώπινο έλεγχο σε μια μηχανή. Η υποψία ότι κάποια κρυφή ασυνέπεια μπορεί να εμφανιστεί αργότερα. Αυτός ο κίνδυνος, ο οποίος πιθανότατα θα μειώνεται όσο τα μοντέλα γίνονται πιο αξιόπιστα, μπορεί να περιοριστεί με τη χρήση αυστηρών συστημάτων ελέγχου που θα λειτουργούν ως ελεγκτές και δικλίδες ασφαλείας.

Το επόμενο βήμα για το Patrie Galere είναι η δημιουργία ενός εργαλείου ελέγχου: ενός λογισμικού που θα συγκρίνει το ανακατασκευασμένο σύνολο δεδομένων με τα αρχικά αρχεία του Ristretti, καταχώριση προς καταχώριση, ώστε να εντοπίζει τυχόν αποκλίσεις. Πέρα από αυτό, μια αυτοματοποιημένη διαδικασία που θα εκτελείται σε τακτά χρονικά διαστήματα θα μπορούσε να ανανεώνει την οπτικοποίηση κάθε λίγους μήνες, με μακροπρόθεσμο στόχο τη δημιουργία ενός ζωντανού παρατηρητηρίου για τους θανάτους στις ιταλικές φυλακές.

Για το Strade Mortali, το άμεσο επόμενο βήμα είναι η αυτόματη άντληση των πιο πρόσφατων δεδομένων από την πύλη της Roma Capitale, ώστε ο δείκτης να αποτυπώνει την πραγματική εικόνα της πόλης σήμερα και όχι μια στατική αποτύπωση από μια συγκεκριμένη χρονική στιγμή. Μια ακόμη ιδέα είναι να αξιοποιηθεί το εργαλείο ως μοχλός πίεσης προς τις τοπικές αρχές, ώστε να δημοσιοποιούνται περισσότερα δεδομένα για τα τελευταία χρόνια.