🏛️ 8ο Εργαστήρι Από τον επαναπατρισμό στους Transformers

 

🏛️ 8ο Εργαστήρι

Από τον επαναπατρισμό στους Transformers

Πώς συνδέει η ΤΝ τα κομμάτια μιας πληροφορίας;

🏺 Ένα κειμήλιο επιστρέφει...

Φαντάσου ένα ιστορικό κειμήλιο που έχει απομακρυνθεί από τον τόπο του πριν από περισσότερο από έναν αιώνα.

Για να κατανοήσουμε την ιστορία του δεν αρκεί να κοιτάξουμε μόνο το ίδιο το αντικείμενο.

📜 Πού βρισκόταν;
🏛️ Από ποιον χώρο προέρχεται;
📅 Πότε απομακρύνθηκε;
📚 Τι αναφέρουν τα αρχεία;
🔎 Με ποια άλλα στοιχεία συνδέεται;

Μόνο όταν τα στοιχεία συσχετιστούν, η ιστορία αρχίζει να αποκτά συνοχή.

🤖 Κάτι παρόμοιο μας βοηθά να καταλάβουμε πώς λειτουργεί ένας Transformer.

🔎 Δραστηριότητα 1 — Ένα αντικείμενο, πολλές πληροφορίες

Σκέψου ότι μπροστά σου βρίσκεται ένα κειμήλιο χωρίς καμία άλλη πληροφορία.

Μπορείς να γνωρίζεις ολόκληρη την ιστορία του;

Όχι.

Χρειάζεσαι και το πλαίσιο:

🏺 το ίδιο το αντικείμενο
📜 τις γραπτές μαρτυρίες
🗺️ τον τόπο προέλευσης
⏳ τη χρονική περίοδο
🏛️ τον χώρο στον οποίο ανήκε
🔗 τη σχέση του με άλλα τεκμήρια

Το κάθε στοιχείο μόνο του λέει κάτι. Η σχέση όμως ανάμεσα στα στοιχεία μάς βοηθά να δούμε τη μεγαλύτερη εικόνα.

💡 Κράτησε αυτή τη λέξη: σχέσεις.

🧩 Δραστηριότητα 2 — Από τα τεκμήρια στο context

Ας φανταστούμε ότι έχουμε μπροστά μας πληροφορίες από διαφορετικές πηγές.

κειμήλιο → μονή → Μακεδονία → 1917 → Βουλγαρία → επιστροφή → 2026

Αν κοιτάξεις μόνο μία από αυτές τις πληροφορίες, γνωρίζεις ελάχιστα.

Αν όμως εξετάσεις τις σχέσεις τους, αρχίζεις να σχηματίζεις ένα πλαίσιο.

Αυτό το πλαίσιο ονομάζουμε context.

🤖 Και τι κάνει ο Transformer;

Δεν εξετάζει απλώς τη μία λέξη μετά την άλλη.

Εξετάζει τις σχέσεις ανάμεσα στα tokens μέσα στο ίδιο context.

👁️ Δραστηριότητα 3 — Πού πρέπει να δώσει «προσοχή»;

Διάβασε:

«Μετά από 109 χρόνια, 48 εκκλησιαστικά κειμήλια επέστρεψαν από τη Βουλγαρία στην Ελλάδα.»

Τώρα απάντησε:

🔹 Τι επέστρεψε;
🔹 Από πού;
🔹 Πού;
🔹 Έπειτα από πόσο χρόνο;

Για να ερμηνευτεί σωστά η πρόταση, οι λέξεις δεν μπορούν να αντιμετωπιστούν σαν ανεξάρτητα κομμάτια.

Το «επέστρεψαν» συνδέεται με τα «48 εκκλησιαστικά κειμήλια».
Το «από» συνδέεται με τη «Βουλγαρία».
Το «στην» συνδέεται με την «Ελλάδα».
Τα «109 χρόνια» δίνουν το χρονικό πλαίσιο.

👁️ Ο μηχανισμός που βοηθά τον Transformer να σταθμίζει τέτοιες σχέσεις ονομάζεται attention.

⚙️ Δραστηριότητα 4 — Η διαδρομή μέσα σε έναν Transformer

💬 Κείμενο
↓
🧩 Tokens
↓
👁️ Attention
↓
📚 Πολλά επίπεδα επεξεργασίας
↓
🔮 Πρόβλεψη επόμενου token
↓
💬 Συνέχεια της απάντησης

Ο Transformer επαναλαμβάνει αυτή τη διαδικασία ξανά και ξανά.

Κάθε φορά υπολογίζει ποιο token είναι πιθανότερο να ακολουθήσει, λαμβάνοντας υπόψη το πλαίσιο που έχει προηγηθεί.

🏛️ Δραστηριότητα 5 — Η αναλογία του επαναπατρισμού

Η ιστορική έρευνα γύρω από ένα κειμήλιο χρειάζεται τη συσχέτιση πολλών διαφορετικών τεκμηρίων.

Ο Transformer επίσης λειτουργεί εξετάζοντας σχέσεις.

🏺 Στον πολιτισμό:
αντικείμενο + προέλευση + αρχείο + ιστορία + τόπος → πληρέστερη ιστορική εικόνα

🤖 Στον Transformer:
tokens + σχέσεις + attention + layers + context → πρόβλεψη της συνέχειας

Η αναλογία όμως σταματά εδώ.

Ο ιστορικός, ο αρχαιολόγος ή ο επιμελητής ερμηνεύει τεκμήρια, αξιολογεί πηγές και κατανοεί την ανθρώπινη και πολιτισμική σημασία τους.

Ο Transformer δεν κάνει ανθρώπινη ιστορική ερμηνεία. Υπολογίζει μαθηματικά σχέσεις και πιθανότητες.

✨ Από το εργαστήρι στο πραγματικό μουσείο

Η αφορμή για το παράδειγμά μας είναι πραγματική.

Στο Μουσείο Βυζαντινού Πολιτισμού στη Θεσσαλονίκη παρουσιάζονται 48 εκκλησιαστικά κειμήλια που επέστρεψαν στην Ελλάδα από τη Βουλγαρία, 109 χρόνια μετά την απομάκρυνσή τους το 1917.

Τα αντικείμενα συνδέονται με ιστορικές μονές και εκκλησιαστικούς φορείς της Μακεδονίας και η έκθεση αποτελεί μια ιδιαίτερη ευκαιρία να δούμε πώς ένα αντικείμενο αποκτά πληρέστερο νόημα όταν επανασυνδέεται με τον τόπο, την ιστορία και τη μνήμη του.

🏛️ Αν βρίσκεστε στη Θεσσαλονίκη, το πραγματικό έκθεμα μπορεί να γίνει μέρος του εργαστηρίου.

Η έκθεση έχει ανακοινωθεί ότι θα διαρκέσει έως τις 5 Νοεμβρίου 2026.

🎲 Μικρό πείραμα

Συμπλήρωσε:

«Μετά από 109 χρόνια, τα κειμήλια επέστρεψαν στην ________.»

Ποια λέξη περιμένεις;

Πιθανότατα: «Ελλάδα».

Γιατί;

Επειδή χρησιμοποίησες το νόημα ολόκληρης της πρότασης και όσα γνωρίζεις από το προηγούμενο context.

Ένα γλωσσικό μοντέλο επίσης προβλέπει τη συνέχεια, μόνο που το κάνει υπολογίζοντας πιθανότητες μεταξύ tokens.

🧭 Η μεγάλη εικόνα

🎭 Training → 📚 Data → 🧩 Tokens → 🎼 Embeddings → 🧠 Neural Networks → 🎨 Machine Learning → ⚙️ Transformers

Τώρα αρχίζουμε να βλέπουμε όχι απλώς τι μπορεί να κάνει η ΤΝ, αλλά τι συμβαίνει μέσα στο μοντέλο όταν της γράφουμε κάτι.

📌 Τι έμαθες...

Transformers: η τεχνολογία πίσω από τα σύγχρονα LLMs

Τώρα μπορούμε να συνοψίσουμε:

🧩 το κείμενο μετατρέπεται σε tokens
👁️ το attention εξετάζει τις μεταξύ τους σχέσεις
📚 τα layers επεξεργάζονται αυτές τις πληροφορίες
🔮 το μοντέλο προβλέπει το επόμενο token
🔁 και η διαδικασία συνεχίζεται

💡 Όπως η ιστορία ενός κειμηλίου γίνεται πληρέστερη όταν συνδεθούν τα επιμέρους τεκμήρια, έτσι ο Transformer αξιοποιεί τις σχέσεις ανάμεσα στα tokens για να επεξεργαστεί το context.

🔢 Μόνο που το κάνει μαθηματικά.

Και τώρα γεννιέται η επόμενη ερώτηση… 🤔

Αν ο Transformer εξετάζει τις σχέσεις ανάμεσα στα tokens, σε ποια από αυτά δίνει μεγαλύτερη σημασία;