Στόχος της μελέτης είναι η διαμόρφωση ενός πλαισίου στρατηγικών πρωτοβουλιών και συστάσεων πολιτικής, όπως προέκυψαν μέσα από τα ευρήματα, όσον αφορά στον αντίκτυπο του εγχώριου οικοσυστήματος της Παραγωγικής Τεχνητής Νοημοσύνης (ΠΤΝ), με χρονικό ορίζοντα το 2030.


Δεν είναι πολύ μακριά η εποχή που η Τεχνητή Νοημοσύνη θα λειτουργεί ως ...βοηθός των καθηγητών στην τάξη, θα δημιουργήσει πλήρως ψηφιοποιημένα Πανεπιστήμια, και θα αποδειχθεί ιδιαίτερα επωφελής στην ειδική αγωγή, όπου μπορεί να προσαρμοστεί στις ιδιαίτερες δυσκολίες των μαθητών, δημιουργώντας σε πραγματικό χρόνο μαθήματα προσαρμοσμένα στις ατομικές τους ανάγκες. 

Αυτά, μεταξύ πολλών άλλων, αναφέρει μελέτη για την Παραγωγική Τεχνητή Νοημοσύνη που παρουσιάστηκε χτες στον Πρωθυπουργό.

Η μελέτη «Generative AI Greece 2030: Τα ενδεχόμενα μέλλοντα της Παραγωγικής Τεχνητής Νοημοσύνης στην Ελλάδα», εκπονήθηκε το φθινόπωρο του 2023 από το Εθνικό Κέντρο Κοινωνικών Ερευνών και το Εθνικό Κέντρο Έρευνας Φυσικών Επιστημών «Δημόκριτος», με την υποστήριξη της Ειδικής Γραμματείας Μακροπρόθεσμου Σχεδιασμού. Αποτελεί την πρώτη εμπειρική ερευνητική προσέγγιση στρατηγικής προόρασης (strategic foresight) για τη χρήση της Παραγωγικής Τεχνητής Νοημοσύνης (Generative Artificial Intelligence) στην Ελλάδα.

Παρουσιάστηκε χθες στον Πρωθυπουργό Κυριάκο Μητσοτάκη, από τον Ειδικό Γραμματέα Μακροπρόθεσμου Σχεδιασμού, Γιάννης Μαστρογεωργίου, τον Αντιπρόεδρο της Εθνικής Επιτροπής Βιοηθικής και Τεχνοηθικής και μέλος της Συμβουλευτικής Επιτροπής για την Τεχνητή Νοημοσύνη, Χαράλαμπο Τσέκερη και τον Διευθυντή Έρευνας στο Ινστιτούτο Πληροφορικής και Τηλεπικοινωνιών του Εθνικού Κέντρου Έρευνας Φυσικών Επιστημών «Δημόκριτος» και μέλος της Συμβουλευτικής Επιτροπής για την Τεχνητή Νοημοσύνη, Ευάγγελο Καρκαλέτση.

Στόχος της μελέτης είναι η διαμόρφωση ενός πλαισίου στρατηγικών πρωτοβουλιών και συστάσεων πολιτικής, όπως προέκυψαν μέσα από τα ευρήματα, όσον αφορά στον αντίκτυπο του εγχώριου οικοσυστήματος της Παραγωγικής Τεχνητής Νοημοσύνης (ΠΤΝ), με χρονικό ορίζοντα το 2030.

Τι αναφέρει η έκθεση για την ΤΝ στην Εκπαίδευση

Η εκπαίδευση και η κατάρτιση είναι κρίσιμοι πυλώνες εφαρμογής εργαλείων και μοντέλων βάσης της ΠΤΝ. Ο τομέας αυτός έχει σημανθεί ως ευαίσθητος και “υψηλού ρίσκου-διακινδύνευσης” στα υπό διαβούλευση συναφή άρθρα της Ευρωπαϊκής ΑΙ Act. Και τούτο διότι εκπαίδευση και κατάρτιση αποτελούν ταυτόχρονα κανάλι διανομής και πρόσβασης σε πόρους. Από τον διεθνή χώρο της εκπαιδευτικής βιομηχανίας και της εκπαιδευτικής πληροφορικής, ενδεικτικό είναι το παράδειγμα της Duolingo, μια εφαρμογή εκμάθησης γλωσσών (language learning app), η οποία χρησιμοποιεί το GPT-4 της OpenAI για να δημιουργήσει νέες προς αξιοποίηση δυνατότητες (features) όπως το Explain My Answer. Διαφαίνονται έτσι οι ευκαιρίες που δίνει η ΠΤΝ στην προαγωγή της αυτόνομης εκπαίδευσης, προσπαθώντας να δημιουργήσει ένα ψηφιακό δίδυμο (digital twin) της παραδοσιακής εκπαιδευτικής διαδικασίας.

Στο προφανώς ευνοϊκό πεδίο εκπαιδευτικών δυνατοτήτων που αναδύονται, είναι εύλογο ότι δεν απουσιάζουν και επιφυλάξεις ως προς τη χρήση εφαρμογών ΠΤΝ (όπως το ChatGPT), όπως εκείνη του Deutsche EthikRat, γύρω από το ενδεχόμενο απίσχνασης δεξιοτή - των (de-skilling), ή τον κίνδυνο απομόνωσης από το κοινωνικό περιβάλλον και τις πραγματικές του ανάγκες μέσω κακής χρήσης εξελιγμένων εφαρμογών εμβύθισης (immersion) του metaverse. Πριν αναφερθούμε σε επιμέρους δυνατότητες μελλοντικής εφαρμογής, ίσως χρήζει αναφοράς ότι ήδη υπάρχουν τα τελευταία έτη δείγματα αξιοποίησης των δυνατοτήτων της ΤΝ και της ΠΤΝ στον χώρο της ψηφιακής εκπαιδευτικής βιομηχανίας μέσω μετρικών διασύνδεσή της με την πιστοποίηση προσόντων και την αγορά εργασίας. Η διατομή εργασιακών ικανοτήτων (capabilities) και εκπαιδευτικών δεξιοτήτων (skills) αναδύεται πλέον ως ένα πεδίο προνομιακής επένδυσης. Αξίζει να αναφερθεί ότι στη διεθνή εκπαιδευτική βιομηχανία η ανάπτυξη μοντέλων οικονομίας πλατφόρμας έχει μέσα στην τελευταία δεκαετία ευνοήσει μια αλγοριθμικά προσανατολισμένη “εκπαίδευση βάσει ζήτησης” (demand driven education), εκπαίδευση στη βάση ικανοτήτων (competency based education), χρησιμοποιώντας την ΤΝ για να αναπτυχθούν προγνωστικά αναλυτικά δεδομένα ταλέντων (predictive talent analytics), προκειμένου να αντιστοιχηθούν (μέσω matching tools) φοιτητές και απόφοιτοι με δυνητικές επαγγελματικές διαδρομές (career paths).

Προσφέρεται κατ’ αυτόν τον τρόπο για αυτούς η τεχνολογική δυνατότητα ένταξής τους στην συνεχώς αναδιαμορφούμενη αγορά εργασίας (between learning and earning). Στη βάση μαζικά συλλεγόμενων δεδομένων από εκπαιδευτικές πλατφόρμες, από αναφορές ολοκλήρωσης ψηφιακών ασύγχρονων εκπαιδευτικών προγραμμάτων και δοκιμασίες πιστοποίησης δεξιοτήτων, ο επιδιωκόμενος στόχος είναι πλέον να διαμορφωθούν κάποια αλγοριθμικά μοντέλα αντιστοίχισης της επιτυχούς ολοκλήρωσης κύκλων μαθημάτων με επαγγελματικούς προαπαιτούμενους δείκτες απόδοσης στην αγορά εργασίας.

Η ανάδειξη όρων όπως “talent economy”, “career readiness” και “employability metrics” αποτελούν πλέον όρους κοινόχρηστους τόσο στην αγορά εκπαίδευσης όσο και στην αγορά εργασίας. Η μερική αλγοριθμοποίηση της εκπαιδευτικής διαδικασίας επιτρέπει επιπλέον την ευθυγράμμιση της προσδοκώμενης μελλοντικής ζήτησης θέσεων εργασίας από εργοδότες και φορείς εύρεσης προσωπικού με την διαμόρφωση συναφών κύκλων σπουδών και εκπαιδευτικών αντικειμένων και την επιβράβευση των φορέων εκπαίδευσης στη βάση επίτευξης των παρα - πάνω στόχων. Η Pearson προέβη σε σύμπραξη με Think Tank περί την αγορά εργασίας αναπτύσσοντας ένα εργαλείο ΤΝ99 που επιτρέπει την αντιστοίχιση δεξαμενών ταλέντων με νέα είδη δεξιοτήτων και επαγγελματικών αντικειμένων και περιγραμμάτων τους. Δεδομένης της παραπάνω ανάλυσης κρίθηκε σκόπιμο να απευθυνθούμε στην Περιφερειακή Διευθύντρια Ανάπτυξης της Pearson για τα Βαλκάνια, Ιταλία, Γεωργία και Αρμενία, ως μια κρίσιμη πληροφορήτρια επί του θέματος. Η κ. Σταθοπούλου υποστήριξε ότι θα υπάρχει ικανή αύξηση χρήσης ΠΤΝ στα επόμενα τέσσερα έτη και θεώρησε πως καταλυτικός παράγοντας χρήσης θα είναι η δημιουργία εκπαιδευτικών προγραμμάτων και μαθημάτων που εστιάζουν στην ΠΤΝ σε εκπαιδευτικά ιδρύματα στην Ελλάδα, ενώ επίσης εστίασε και στις προοπτικές συνεργασιών μεταξύ διεθνών εταιρειών και ερευνητικών κέντρων που εξειδικεύονται στην ΠΤΝ.

Ωστόσο, η προαναφερόμενη εταιρεία δεν είναι ούτε η μόνη ούτε η πρώτη στην κατεύθυνση του πλήρους ψηφιακού μετασχηματισμού της εκπαίδευσης και της αξιοποίησης της ΠΤΝ σε αυτήν. Αξίζει να αναφερθεί ότι στις ΗΠΑ έχουν εδώ και δεκαετίες αναπτυχθεί πλήρως ψηφιοποιημένα Πανεπιστήμια στη βάση της demand driven και competency driven εκπαίδευσης, όρος αναγκαίος για την αναδιάρθρωση της εκπαίδευσης στην κατεύθυνση της αξιοποίησης της ΤΝ. Επίσης, πέραν των Πανεπιστημίων, το προσανατολισμένο στην ΠΤΝ ψηφιακό οικοσύστημα επαγγελματικών μετεκπαιδεύσεων είναι και αυτό ανεπτυγμένο, με εταιρείες που αποτελούν αλγοριθμικούς διευκολυ - ντές συνεύρεσης επιμορφούμενων, εισηγητών δημιουργών περιεχομένου, πιστοποιητικών μηχανισμών και ενίοτε εργοδοτών.

Ενδεικτικοί επώνυμοι παίκτες αυτής της βιομηχανίας οι γνωστοί σε όλους μας EdEx,101 UDEMY,102 UDACITY,103 LinkedIn Learning,104 κ.ά. Στη βάση των παραπάνω, η συνεισφορά της ΠΤΝ στο ενιαίο οικοσύστημα εκπαίδευσης και εργασίας θα μπορούσε να αποτελέσει αρωγό:

  1. τόσο προς τους αποφοίτους, τους επανακαταρτιζόμενους και τους εργαζόμενους ως προς την αναζήτηση εργασίας ή επαγγελματικής διαδρομής, επαγγελματικής δικτύωσης και σε πραγματικό χρόνο ενημέρωσης περί νέων δεξιοτήτων, ευκαιριών επανακατάρτισης σε αναδυόμενα επαγγέλματα, ακόμη και επίπεδο μισθών,
  2. όσο και προς τους εργοδότες να μπορούν να σχεδιάσουν σε πραγματικό χρόνο και στη βάση πραγματικών δεδομένων ζήτησης εργασίας, να αξιολογήσουν τα ανταγωνιστικά πλεονεκτήματα του διαθέσιμου ανθρώπινου κεφαλαίου, να αναπτύξουν συμπράξεις με τους συναφείς εκπαιδευτικούς φορείς, να αναπτύξουν στρατηγικές προσέλκυσης των κατάλληλων υποψηφίων.

Μια επίσης σημαντική παράλληλη εξέλιξη, αυτή της τεχνολογίας blockchain, επιτρέπει να αναπτυχθούν αξιόπιστες ασφαλιστικές δικλείδες ως προς την ανεξέλεγκτη ανάπτυξη εκπαιδευτικών προϊόντων και περιεχομένων βάσει ΠΤΝ και ειδικά ενώπιον των κινδύνων deepfakes, misinformation, authentication εκπαιδευομένων και εξεταζόμενων. Σε κάθε περίπτωση, η -σε πραγματικό χρόνο και ταχεία- αντιστοίχιση εκπαιδευτικών πιστοποιημένων και blockchain επαληθευμένων δεξιοτήτων και ικανοτήτων, με πραγματική τρέχουσα προσφορά εργασίας και αναδυόμενα επαγγέλματα, αποτελεί πεδίο συνεισφοράς της ΠΤΝ, απαντώντας σε ένα όχι και τόσο ασθενές πια σήμα (weak signal) της μη ανταποδοτικής συσσώρευσης πτυχίων στη σύγχρονη κοινωνία.

ΔΥΠΑ μέσα στα τελευταία χρόνια αναπτύσσει ήδη πολιτικές και ψηφιακά εργαλεία αντιστοίχισης καθώς και επαγγελματικών ταξινομιών και δεξιοτήτων προς αυτήν την κατεύθυνση. Λόγω του ειδικού της βάρους, απευθύναμε τα ερευνητικά μας ερωτήματα και στον Γεώργιο Καραχάλιο, Υποδιοικητή της ΔΥΠΑ, ο οποίος επεσήμανε πως εκτίμησή του είναι ότι “η ΠΤΝ θα αποτελεί μέσο πιλοτικών εφαρμογών και ερευνητικών προγραμμάτων στα επόμενα χρόνια”, καθώς επίσης υπέδειξε μεταξύ άλλων ότι, στη βάση του κρίσιμου και συνεκτικού ρόλου της ΠΤΝ για τη σύγκλιση των πεδίων δεξιοτήτων και εργασίας, θα άξιζε να “δημιουργηθεί Παρατηρητήριο ΠΤΝ και υποδίκτυο Φορέων για την προώθηση της GenAI στο πλαίσιο της Εθνικής Συμμαχίας για Ψηφιακές Δεξιότητες

Η ΤΝ σε επίπεδο τάξης: Θα λειτουργήσει ως βοηθός των καθηγητών

Εστιάζοντας και σε επίπεδο τάξης, η ΠΤΝ έχει τη δυνατότητα να βελτιώσει την εκπαιδευτική διαδικασία με διάφορους τρόπους. Σε διεθνές επίπεδο, σε πρόσφατο Report του IE University Center for the Governance, στην ενότητα που αφορά στην εκπαίδευση, μεταξύ των συζητηθέντων σεναρίων για το πώς θα είναι στο μέλλον η εκπαιδευτική διαδικασία με την εισαγωγή της ΠΤΝ, αναδείχθηκε με μεγάλη διαφορά το σενάριο ότι θα υπάρχουν δυνητικές (virtual) τάξεις όπου ένας διευκολυντής μόρφωσης ΤΝ (AI tutor) θα παίζει σημαντικό ρόλο, ενώ η ΠΤΝ θα αξιοποιείται για τη διευκόλυνση δημιουργίας δυνητικών εμπειριών (virtual experiences) εκτός του περιβάλλοντος της τάξης και άρα η εκπαιδευτική διαδικασία θα αποκτήσει περισσότερο εμπειρικό χαρακτήρα με αυτή τη συγκεκριμένη έννοια.  Είναι στις τεχνολογικές δυνατότητές της, η ΠΤΝ να μπορεί να λειτουργήσει ως βοηθός των καθηγητών στην τάξη, προσφέροντας στους μαθητές καλύτερη κατανόηση των μαθημάτων με τη δημιουργία σημειώσεων, αναφορών, σχεδίων και περιλήψεων μαθημάτων.

Σύμφωνα με την εκτίμηση του Κωνσταντίνου Καρπούζη, επίκουρου καθηγητή στο Τμήμα Επικοινωνίας, Μέσων και Πολιτισμού του Παντείου Πανεπιστημίου, “η ενσωμάτωση της ΠΤΝ στο εκπαιδευτικό σύστημα με την παραγωγή προσωπικοποιημένου περιεχομένου, την περιγραφική αξιολόγηση, και τη δυνατότητα χρήσης των εργαλείων της για την εκπαίδευση μαθητών και διδασκόντων στις νέες τεχνολογίες” αποτελεί μία από τις μεγαλύτερες ευκαιρίες. Επιπλέον, οι δυνατότητες της ΠΤΝ μπορεί να είναι ιδιαίτερα επωφελείς στην ειδική αγωγή, όπου μπορεί να προσαρμοστεί στις ιδιαίτερες δυσκολίες των μαθητών, δημιουργώντας σε πραγματικό χρόνο μαθήματα προσαρμοσμένα στις ατομικές τους ανάγκες. Επίσης, τα συστήματα εκμάθησης και διδασκαλίας φυσικής γλώσσας μπορούν να αξιολογούν τα επίπεδα γνώσεων των μαθητών, να εντοπίζουν τα κενά στην κατανόησή τους και, στη συνέχεια, να τα αντιμετωπίζουν μέσω εξατομικευμένου μαθησιακού υλικού και επεξηγήσεων.

Όπως προαναφέραμε, ένας άλλος κλάδος της εκπαίδευσης στον οποίο η ΠΤΝ μπορεί να συμβάλλει ουσιαστικά είναι η ανάπτυξη των δεξιοτήτων του εργατικού δυναμικού. Εταιρείες και φορείς (δημόσιοι ή ιδιωτικοί) που διαχειρίζονται ευαίσθητα προσωπικά δεδομένα μπορούν να παράγουν, μέσω μοντέλων, test cases με συνθετικά δεδομένα προκειμένου να μην παραβιάζουν την ιδιωτικότητα των πελατών τους στην προσπάθειά τους να εκπαιδεύσουν τους υπαλλήλους τους. Επίσης, μπορούν με βάση τα πορίσματα της αξιολόγησης (quality assessment) των υπαλλήλων τους να δημιουργούν ταχεία και αποτελεσματικά προγράμματα κατάρτισης (trainings) προσαρμοσμένα στις ανάγκες του κάθε εργαζομένου.

Ευκαιρία για την ελληνική πραγματικότητα μπορεί να αποτελέσει και η ενίσχυση της δια βίου μάθησης και γενικότερα της εκπαίδευσης ενηλίκων. Ένα από τα κύρια οφέλη της ΠΤΝ στη δια βίου μάθηση είναι η δυνατότητά της να παρέχει εξατομικευμένες εκπαιδευτικές εμπειρίες. Η παραδοσιακή εκπαίδευση συνήθως ακολουθεί ένα μοντέλο τύπου “ένα μέγεθος για όλους”, όπου αναμένεται από τους μαθητές να μάθουν με τον ίδιο ρυθμό και με τον ίδιο τρόπο κάτι που δεν είναι συμβατό με ενήλικες μαθητές, που έχουν μοναδικές ανάγκες και προτιμήσεις στη μάθηση. Η ΠΤΝ μπορεί να αναλύσει μεγάλες ποσότητες δεδομένων για τις δυνάμεις, τις αδυναμίες και τον τρόπο μάθησης ενός σπουδαστή προκειμένου να δημιουργήσει ένα εξατομικευμένο πλάνο μάθησης.

Παράλληλα, έμφαση πρέπει να δοθεί στην ενίσχυση του ψηφιακού γραμματισμού (digital literacy), ούτως ώστε όλοι οι πολίτες να είναι σε θέση να επωφεληθούν των δυνατοτήτων των νέων τεχνολογιών. Σε αυτό το συμφραζόμενο, ο εκπρόσωπος της Accenture, Κυριάκος Σαμπατακάκης, υπογραμμίζει πως “η ΠΤΝ θα φέρει επανάσταση στην εκπαίδευση ενισχύοντας την προσωποποιημένη διδασκαλία και ενδυναμώνοντας την συμπερίληψη”. Όπως παρατηρεί η εκπρόσωπος του Συνδέσμου Επιχειρήσεων και Βιομηχανιών (ΣΕΒ), «είναι θετικό πως οι εγγεγραμμένοι σε τμήματα ΤΠΕ στα ελληνικά ΑΕΙ αυξάνονται, όμως ο ρυθμός πρέπει να επιταχυνθεί. Σύμφωνα με τη Eurostat, οι εγγεγραμμένοι φοιτητές σε τμήματα ΤΠΕ ήταν 3,42% του συνόλου το 2019, 3,54% το 2020 και 3,77% το 2021”. Αυτές οι εξελίξεις στην εκπαίδευση με βάση την ΤΝ μεταμορφώνουν εκ βάθρων το τοπίο της μάθησης και ανοίγουν τον δρόμο για περισσότερο ποιοτικές -προσαρμοσμένες, εξατομικευμένες και αποτελεσματικές- εκπαιδευτικές εμπειρίες

Η ΤΝ στην Έρευνα & Ανάπτυξη

Η ΠΤΝ έχει τη δυνατότητα να φέρει επαναστατικές αλλαγές στην έρευνα και ανάπτυξη (research and development - R&D) διαφόρων κλάδων στην ελληνική επιστημονική και βιομηχανική κοινότητα. Η εφαρμογή της στο R&D μπορεί να οδηγήσει σε αυξημένη αποδοτικότητα, καινοτομία και παραγωγικότητα. Ακολουθούν κάποιες πιθανές εφαρμογές:

  • Δημιουργία συνθετικών δεδομένων: Η ΠΤΝ μπορεί να χρησιμοποιηθεί για τη δημιουργία συνθετικών δεδομένων για ερευνητικούς σκοπούς. Για παράδειγμα, σε τομείς όπως η υγειονομική περίθαλψη, όπου η πρόσβαση σε δεδομένα ασθενών είναι περιορισμένη, τα παραγωγικά μοντέλα μπορούν να δημιουργήσουν ρεαλιστικά ιατρικά δεδομένα για την εκπαίδευση και την επικύρωση των αλγορίθμων.
  • Σχεδιασμός και πρωτοτυποποίηση: Στο σχεδιασμό και την παραγωγή προϊόντων, η ΠΤΝ μπορεί να βοηθήσει στη δημιουργία και τη βελτιστοποίηση πρωτοτύπων. Η ΠΤΝ επιτρέπει στις επιχειρήσεις να βελτιστοποιήσουν τη διαδικασία σχεδιασμού προϊόντων αυτοματοποιώντας διάφορες πτυχές, όπως η δημιουργία παραλλαγών σχεδιασμού, η ανάλυση παραμέτρων απόδοσης και η αξιολόγηση της ζήτησης της αγοράς. Αυτό επιταχύνεται στη φάση της «πρωτοτυποποίησης», επιτρέποντας την ταχύτερη επανάληψη και βελτίωση του σχεδιασμού των προϊόντων. • Παραγωγή ερευνητικού περιεχομένου: Η ΠΤΝ μπορεί να αυτοματοποιήσει τη δημιουργία τεχνικών εκθέσεων και ερευνητικών εργασιών. Οι ερευνητές μπορούν να εισάγουν τα ευρήματά τους και να αφήσουν την ΠΤΝ να παράγει συνεκτικά και καλά δομημένα έγγραφα, εξοικονομώντας χρόνο και επιτρέποντας στους επιστήμονες να επικεντρωθούν στην κύρια εργασία τους.
  • Σχεδιασμός πειραμάτων: Η ΠΤΝ μπορεί να βοηθήσει στον σχεδιασμό πειραμάτων και προσομοιώσεων. Μπορεί να παράγει υποθέσεις και να προτείνει πειραματικές διατάξεις, βελτιστοποιώντας έτσι τη χρήση των πόρων και διασφαλίζοντας ότι τα πειράματα είναι καλά σχεδιασμένα και ελεγχόμενα. Η βελτιστοποίηση του σχεδιασμού των πειραμάτων μπορεί επίσης να οδηγήσει σε σημαντικό περιορισμό του χρόνου διεξαγωγής τους και να επιταχύνει τη λήψη ασφαλών και αξιόπιστων αποτελεσμάτων.
  • Δημιουργία κώδικα: Στην ανάπτυξη λογισμικού και την επιστήμη των υπολογιστών, η ΠΤΝ μπορεί να παράγει αυτόματα αποσπάσματα κώδικα ή ακόμη και ολόκληρες εφαρμογές με βάση περιγραφές ή απαιτήσεις. Αυτό επιταχύνει τη διαδικασία ανάπτυξης λογισμικού και μειώνει την πιθανότητα συντακτικών σφαλμάτων.
  • Πρόβλεψη/πρόγνωση νέων τεχνολογιών: Η ΠΤΝ μπορεί να βοηθήσει τους επαγγελματίες στο πεδίο έρευνας και ανάπτυξης να προβλέψουν/προγνώσουν σε κάποιο βαθμό τις μελλοντικές τεχνολογικές εξελίξεις και να εντοπίσουν πιθανές καινοτομίες. Αναλύοντας ιστορικά δεδομένα, επιστημονικές δημοσιεύσεις και τάσεις της αγοράς, οι αλγόριθμοι ΠΤΝ μπορούν να δημιουργήσουν προβλέψεις/ προγνώσεις και σενάρια, επιτρέποντας στις ομάδες έρευνας και ανάπτυξης να “οπτικοποιήσουν” τις αναδυόμενες τεχνολογίες ώστε να διαθέσουν τους πόρους ανάλογα.
  • Προσομοίωση και δοκιμή: Αξιοποιώντας την υπολογιστική ισχύ της ΠΤΝ, οι οργανισμοί μπορούν να σχεδιάσουν υπολογιστικά πειράματα, δηλαδή προσομοιώσεις, με τρόπο βελτιστοποιημένο. Οι προσομοιώσεις αποτελούν εικονικές δοκιμές που επιτρέπουν τον εντοπισμό πιθανών ελαττωμάτων, οδηγούν στη βελτιστοποίηση σχεδίου και βοηθούν στο να ληφθούν τεκμηριωμένες αποφάσεις πριν από τη φυσική εφαρμογή των υπό μελέτη έργων.

ΠΗΓΗ