Σχεδόν όλοι έχουμε πει κάποια στιγμή: «Αποκλείεται, με άκουσε το κινητό και μου πρόβαλε διαφήμιση για αυτό που μόλις ανέφερα!». Η ιδέα ότι το smartphone ενεργοποιεί κρυφά το μικρόφωνο έχει μια γοητεία, αλλά και μια δόση φόβου. Στην πραγματικότητα, όμως, δεν χρειάζεται να μας καταγράφει. Δεν διαθέτει άδεια, ούτε πρακτικό λόγο, ούτε κάποιο ουσιαστικό κέρδος από το να ηχογραφεί τα πάντα απλώς και μόνο για να μας δείξει μια διαφήμιση για πάνες, οδοντόκρεμα ή αεροπορικά εισιτήρια.

Αυτό που κάνει είναι πιο απλό, αλλά και πολύ πιο εξελιγμένο: αξιοποιεί ένα μοντέλο τεχνητής νοημοσύνης που ονομάζεται Graph Neural Network (GNN).

Αν φανταστούμε τα δεδομένα μας όχι σαν μεμονωμένες λίστες με κείμενα, αναζητήσεις και τοποθεσίες, αλλά σαν έναν «χάρτη» με σχέσεις, τότε το GNN είναι ο μηχανισμός που βλέπει και κατανοεί αυτόν τον χάρτη. Οι πληροφορίες παρουσιάζονται ως μικρές κουκκίδες (κόμβοι) και οι συνδέσεις ανάμεσά τους ως γραμμές. Δεν πρόκειται για ανθρώπους και κοινωνικούς δεσμούς, αλλά για δεδομένα και τις μεταξύ τους συσχετίσεις.

Τι κάνει στην πράξη ένα GNN;

Φανταστείτε ένα δωμάτιο με ανθρώπους που μιλάνε. Στη θέση των ανθρώπων, το GNN έχει δεδομένα. Κάθε κόμβος αντιστοιχεί σε κάτι μικρό και συγκεκριμένο:

• μια λέξη που πληκτρολογήσατε σε μήνυμα,
• την ιστοσελίδα που επισκεφθήκατε χθες,
• το στίγμα του σπιτιού σας,
• την ώρα που συνήθως ψάχνετε για φαγητό.

Οι γραμμές (ακμές) δείχνουν τις σχέσεις:

• ποιες λέξεις συνυπάρχουν συχνά,
• ποιες αναζητήσεις ακολουθούν συγκεκριμένο μοτίβο,
• σε ποιες περιοχές βρίσκεστε όταν ανοίγετε συγκεκριμένες εφαρμογές.

Το GNN δεν αποθηκεύει μια αφήγηση τύπου «ποιος είπε τι». Δεν το ενδιαφέρει η συζήτηση ως ιστορία. Κρατά μόνο τις συνδέσεις, δηλαδή πώς σχετίζονται οι επιμέρους πληροφορίες μεταξύ τους. Αυτή η φαινομενικά απλή λογική το καθιστά εξαιρετικά αποτελεσματικό στην πρόβλεψη του τι πιθανότατα θα ενδιαφέρει τον χρήστη στη συνέχεια.

Ποια δεδομένα χρησιμοποιεί;

Για να παράγει προτάσεις ειδήσεων, διαφημίσεων ή περιεχομένου, η τεχνητή νοημοσύνη συγκεντρώνει στοιχεία από τέσσερις βασικές κατηγορίες:

1. Κείμενο
Περιλαμβάνει αναζητήσεις, επιτρεπόμενα δεδομένα από πλατφόρμες, περιγραφές στο YouTube, σχόλια, posts.
Το GNN δεν βλέπει τα μηνύματα ως διάλογο. Τα αντιμετωπίζει ως ακολουθίες λέξεων. Αν γράψετε «θέλω κουρτίνες για το σπίτι», το σύστημα κρατά λέξεις όπως κουρτίνες, σπίτι, αγορά και τις μεταξύ τους σχέσεις. Δεν αναδομεί τη συζήτηση∙ εξάγει μόνο τα απαραίτητα σημασιολογικά κομμάτια.

2. Ιστορικό αναζητήσεων και browsing
Αποτελεί έναν πραγματικό θησαυρό πληροφορίας: τι ψάχνετε, πότε, σε ποια σειρά.
Παράδειγμα:
ειδησεογραφικά → αθλητικά → ώρα αγώνα → παπούτσια.
Το GNN μετατρέπει αυτή τη ροή σε διαδρομές πάνω στο γράφημα, μαθαίνοντας συμπεριφορικά μοτίβα.

3. Τοποθεσία (εφόσον είναι ενεργή)
Το GPS δίνει σημεία που συνδέονται με άλλα δεδομένα. Σταδιακά, το σύστημα αντιλαμβάνεται:
• πού είναι το σπίτι,
• ποιο σημείο είναι η δουλειά,
• ποιες διαδρομές κάνετε συχνά,
• σε ποιες ώρες κυκλοφορείτε.
Γι’ αυτό μπορεί να δείτε διαφήμιση κοντινής καφετέριας: όχι επειδή ακούστηκε ότι θέλετε καφέ, αλλά επειδή βλέπει ότι καθημερινά στις 9:15 βρίσκεστε εκεί και ανοίγετε μια συγκεκριμένη εφαρμογή.

4. Συνήθειες χρήσης συσκευής
Παρατηρεί:
• πόσο συχνά ανοίγεται μια εφαρμογή,
• πόση ώρα μένετε,
• τι κάνετε πριν και μετά.
Έτσι χτίζεται ένας ρυθμός χρήσης, μοναδικός για τον καθένα.

Δεν απαιτείται το μικρόφωνο για διαφημίσεις

• Νομικά θα ήταν καταστροφικό για οποιαδήποτε εταιρεία.
• Τεχνικά δεν προσφέρει ουσιαστικό επιπλέον όφελος, αφού ήδη υπάρχει τεράστιος όγκος δεδομένων.

Πού αξιοποιούνται όλα αυτά;

• στο Google Discover,
• στα Reels/shorts Instagram και TikTok,
• στις ειδοποιήσεις και τα recommendations του YouTube,
• στις προτάσεις του Play Store,
• σε σχεδόν κάθε μορφή online διαφήμισης.

Σε όλες αυτές τις περιπτώσεις, ισχύει το ίδιο μοτίβο: δημιουργείται ένας συνεχώς πυκνότερος χάρτης σχέσεων, ο οποίος βελτιώνεται όσο η συσκευή «μαθαίνει» τις συνήθειές σας. Τα GNN είναι φτιαγμένα ακριβώς για τέτοια προβλήματα: όσο μεγαλώνει το γράφημα, τόσο καλύτερα αναγνωρίζουν μοτίβα.

Στην πράξη αυτό σημαίνει:

• αν βράδια επιλέγετε ειδήσεις, θα σας εμφανίζονται περισσότερες,
• αν τα Σαββατοκύριακα ψάχνετε ταξίδια, το διαφημιστικό περιεχόμενο προσαρμόζεται,
• αν παραγγέλνετε συχνά delivery σε μια περιοχή, θα εμφανιστούν σχετικές προτάσεις,
• αν πληκτρολογείτε λέξεις γύρω από υγεία, lifestyle ή προϊόντα, το σύστημα το ερμηνεύει ως αλλαγή ενδιαφερόντων.

Και όλα αυτά χωρίς να αποθηκεύονται «συνομιλίες». Μόνο σχέσεις και μοτίβα.

Είναι τελικά θετικό ή αρνητικό;

Οι απόψεις ποικίλλουν.

Θετικά:
• εξατομίκευση περιεχομένου,
• λιγότερο άσχετο υλικό,
• πιο στοχευμένες προτάσεις.

Αρνητικά:
• δημιουργία «φούσκας» περιεχομένου,
• μειωμένη έκθεση σε διαφορετικές απόψεις,
• πιθανή ενίσχυση εμμονικών συμπεριφορών.

Το βέβαιο είναι ότι τα Graph Neural Networks αποδεικνύουν πως η τεχνητή νοημοσύνη δεν χρειάζεται να παριστάνει τον κατάσκοπο για να είναι αποτελεσματική. Αρκεί να αναλύει τις σχέσεις μεταξύ των δεδομένων που της δίνουμε εμείς οι ίδιοι: τα clicks, τα scrolls, τις τοποθεσίες και τις λέξεις που πληκτρολογούμε.

Διαβάστε ακόμη 

ΟΠΑΠ – Allwyn: Τα μηνύματα από το Capital Day Update

Στις ΗΠΑ ο Παπασταύρου για υδρογονάνθρακες και LNG – Στην τελική ευθεία η συμφωνία Chevron–HelleniQ Energy

Χριστίνα Παρασκευοπούλου (Alphabet Education): Η πρώτη γενιά μη κρατικών πανεπιστημίων και το στοίχημα του Keele

Για όλες τις υπόλοιπες ειδήσεις της επικαιρότητας μπορείτε να επισκεφτείτε το Πρώτο Θέμα