Φαντάσου τον ανθρώπινο εγκέφαλο.
Κάθε στιγμή δέχεται πληροφορίες:
👀 από αυτά που βλέπεις
👂 από αυτά που ακούς
✋ από αυτά που αγγίζεις
👃 από αυτά που μυρίζεις
Ο εγκέφαλος δεν κρατά απλώς αυτές τις πληροφορίες χωριστά.
Τις συνδυάζει.
Τις συγκρίνει.
Τις επεξεργάζεται.
Και τελικά σε οδηγεί σε μια απόκριση ή μια απόφαση.
Βλέπεις καπνό;
Μυρίζεις κάτι καμένο;
Ακούς συναγερμό;
🧠 Ο εγκέφαλος ενώνει τα σήματα και καταλαβαίνει ότι κάτι συμβαίνει.
Αυτή είναι η αρχή της αναλογίας μας.
Τα νευρωνικά δίκτυα ονομάζονται έτσι γιατί θυμίζουν, πολύ απλοποιημένα, ένα σύστημα από μικρές μονάδες που συνδέονται μεταξύ τους και επεξεργάζονται πληροφορίες.
Δεν σκέφτονται όπως ο ανθρώπινος εγκέφαλος.
Δεν έχουν συνείδηση.
Δεν έχουν εμπειρία όπως εμείς.
Μαθαίνουν μαθηματικά, μέσα από αριθμούς και βάρη.
👀 Δραστηριότητα 1 — Τι κάνει ο εγκέφαλος όταν βλέπεις κάτι;
Φαντάσου ότι βλέπεις ένα λεμόνι. 🍋
Τι συμβαίνει;
👀 βλέπεις το χρώμα
🖐️ αγγίζεις το σχήμα
👃 μυρίζεις το άρωμα
🧠 θυμάσαι την ξινή γεύση
Ο εγκέφαλος ενώνει αυτά τα στοιχεία και σε βοηθά να πεις:
«Αυτό είναι λεμόνι.»
Δεν έχεις μπροστά σου μία μόνο πληροφορία.
Έχεις πολλές μικρές πληροφορίες που συνδυάζονται.
💡 Κάτι παρόμοιο κάνει και ένα νευρωνικό δίκτυο:
παίρνει είσοδο, συνδυάζει σήματα και παράγει έξοδο.
🔗 Δραστηριότητα 2 — Σκέψου το σαν ένα δίκτυο μικρών μονάδων
Τώρα φαντάσου ότι αντί να μιλάμε για εγκέφαλο, μιλάμε για ένα τεχνητό σύστημα.
Έχουμε μικρές μονάδες.
Κάθε μονάδα:
✅ παίρνει πληροφορία
✅ την επεξεργάζεται λίγο
✅ τη στέλνει παρακάτω
Μία μονάδα μόνη της δεν αρκεί.
Όταν όμως πολλές μονάδες συνεργάζονται, τότε το σύστημα μπορεί να αναγνωρίζει πιο σύνθετα μοτίβα.
Αυτό είναι το βασικό νόημα ενός νευρωνικού δικτύου.
Δεν είναι μία μεγάλη «έξυπνη σκέψη».
Είναι πολλές μικρές αριθμητικές επεξεργασίες που γίνονται μαζί.
🧩 Δραστηριότητα 3 — Είσοδος → βάρη → υπολογισμός → έξοδος
Ας το δούμε με ένα απλό παράδειγμα.
Θέλουμε το μοντέλο να ξεχωρίσει αν μια εικόνα δείχνει γάτα. 🐱
Του δίνουμε είσοδο:
👁️ σχήματα
👁️ γραμμές
👁️ περιγράμματα
👁️ μοτίβα
Αυτές οι πληροφορίες περνούν μέσα από ένα δίκτυο.
Εκεί:
- κάποιες συνδέσεις έχουν μεγαλύτερη σημασία
- κάποιες έχουν μικρότερη σημασία
- το σύστημα κάνει υπολογισμούς
- στο τέλος δίνει μια έξοδο
π.χ.
«Πιθανότητα γάτας: 92%»
📌 Εδώ μπαίνει η λέξη βάρη.
Τα βάρη είναι αριθμοί που δείχνουν πόση σημασία δίνει το δίκτυο σε ορισμένες συνδέσεις.
Άρα:
είσοδος → βάρη → υπολογισμός → έξοδος
🧠 Δραστηριότητα 4 — Γιατί η αναλογία με τον εγκέφαλο βοηθά;
Ο εγκέφαλος επίσης λειτουργεί με δίκτυα νευρώνων.
Δεν υπάρχει ένας μόνο νευρώνας που «ξέρει όλη την απάντηση».
Η πληροφορία κυκλοφορεί μέσα από συνδέσεις.
Αυτό μας βοηθά να καταλάβουμε γιατί τα τεχνητά νευρωνικά δίκτυα ονομάζονται έτσι.
Όμως χρειάζεται προσοχή:
❌ δεν είναι αληθινοί εγκέφαλοι
❌ δεν νιώθουν
❌ δεν αντιλαμβάνονται όπως ο άνθρωπος
❌ δεν έχουν αυτογνωσία
Η αναλογία βοηθά μόνο για να δούμε την ιδέα των συνδεδεμένων μονάδων.
Το υπόλοιπο είναι μαθηματική επεξεργασία.
⚙️ Δραστηριότητα 5 — Τι σημαίνει «κρυφό στρώμα»;
Στην κάρτα βλέπεις:
Είσοδος → Κρυφό στρώμα → Έξοδος
Τι είναι αυτό;
Φαντάσου ότι δίνεις στο δίκτυο μια εικόνα με γράμματα.
Στην είσοδο μπαίνουν απλά δεδομένα.
Στα κρυφά στρώματα αρχίζει η επεξεργασία:
- κάποιες μονάδες εντοπίζουν απλά σχήματα
- άλλες συνδυάζουν αυτά τα σχήματα
- άλλες αναγνωρίζουν πιο σύνθετα μοτίβα
Στο τέλος προκύπτει η έξοδος.
Άρα τα κρυφά στρώματα δεν είναι «μαγικά».
Είναι ενδιάμεσα στάδια επεξεργασίας.
Όσο πιο σύνθετο είναι το πρόβλημα, τόσο πιο σύνθετη μπορεί να είναι και αυτή η εσωτερική οργάνωση.
📈 Δραστηριότητα 6 — Πώς μαθαίνει το δίκτυο;
Εδώ είναι το πιο σημαντικό.
Το δίκτυο δεν μένει πάντα ίδιο.
Όταν εκπαιδεύεται:
- παίρνει μια είσοδο
- δίνει μια έξοδο
- συγκρίνει αν η έξοδος ήταν καλή ή όχι
- αλλάζει λίγο τα βάρη του
- ξαναδοκιμάζει
🔁 Αυτό γίνεται πολλές, πάρα πολλές φορές.
Έτσι σιγά σιγά βελτιώνεται.
💡 Άρα το δίκτυο μαθαίνει όχι επειδή «θυμάται σαν άνθρωπος», αλλά επειδή προσαρμόζει αριθμητικές παραμέτρους.
Αυτή η προσαρμογή είναι η καρδιά της μάθησης.
🎲 Μικρό πείραμα
Σκέψου δύο περιπτώσεις:
Περίπτωση Α
Ένα δίκτυο με πολύ λίγες μονάδες και λίγες συνδέσεις.
Περίπτωση Β
Ένα δίκτυο με περισσότερα στρώματα και περισσότερες συνδέσεις.
Ποιο θα μπορούσε να μάθει πιο σύνθετα μοτίβα;
Συνήθως το δεύτερο.
Γιατί;
Επειδή μπορεί να συνδυάζει την πληροφορία σε περισσότερα επίπεδα.
Αυτό δεν σημαίνει ότι «είναι πιο ανθρώπινο».
Σημαίνει ότι έχει μεγαλύτερη ικανότητα να μαθαίνει πολύπλοκες σχέσεις.
🧠 Δραστηριότητα 7 — Ο άνθρωπος και το μοντέλο δεν λειτουργούν το ίδιο
Εδώ χρειάζεται η βασική διάκριση του εργαστηρίου.
Ο άνθρωπος:
🧠 καταλαβαίνει μέσα από εμπειρίες
❤️ έχει συναισθήματα
🌍 ζει μέσα σε κοινωνικό και πολιτισμικό πλαίσιο
💭 μπορεί να σκεφτεί συνειδητά
Το νευρωνικό δίκτυο:
🔢 δουλεύει με αριθμούς
⚙️ υπολογίζει
🔗 αλλάζει βάρη
📈 βελτιώνει προβλέψεις
Άρα η λέξη «νευρωνικό» μάς δίνει μια καλή αναλογία, αλλά δεν πρέπει να μας μπερδεύει.
Δεν έχουμε μπροστά μας έναν μικρό εγκέφαλο.
Έχουμε ένα μαθηματικό σύστημα μάθησης.
🏛️ Η μεγάλη εικόνα
Μέχρι τώρα έχουμε δει:
🎭 πώς εκπαιδεύεται ένα μοντέλο
📚 από τι δεδομένα μαθαίνει
🧩 πώς διαβάζει tokens
🎼 πώς οργανώνει σχέσεις σημασίας
🧠 και τώρα πώς επεξεργάζεται πληροφορία μέσα από δίκτυα μονάδων
Άρα πλέον έχουμε μπροστά μας μια πιο πλήρη εικόνα:
δεδομένα → tokens → embeddings → δίκτυο → απάντηση
📌 Η παρακάτω κάρτα συνοψίζει όσα έμαθες...
