Μηχανική Όραση και Τεχνητή Νοημοσύνη με τον Γιώργο Τεπτερή

Αυτόματη μεταγραφή — ενδέχεται να περιέχει λάθη.

00:00 Θα σταθώ σε δύο εφαρμογές που η μία είναι υπολογιστική όραση για φύλαξη αποθηκευτικών χώρων. Οπότε στην ουσία τι γίνεται, το drone λειτουργεί σαν μια κινητή κάμερα ασφαλείας. Αντί να έχεις μόνο σταθερές κάμερες σε εκείνα σημεία έχεις ένα επτάμενο μέσο το οποίο μπορεί να κάνει περιπολία, να δει γωνίες που δεν φαίνονται, τα τυφλά σημεία που λέμε, γιατί είναι πάρα πολύ σημαντικό, όπως και επίσης να καλύψει και μεγάλη έκταση πολύ γρήγορα.

00:30 Το σημαντικό εδώ δεν είναι ότι μιλάμε απλώς για βίντεο, εκεί μπαίνει υπολογιστική όραση όπου το σύστημα μπορεί να βοηθήσει στο να εντοπίζει βασικά γεγονότα όπως είναι η παρουσία ανθρώπου σε μη αναμενόμενο σημείο, κίνηση οχήματος σε ώρα που δεν πρέπει, μια φάρα να το βράδει, που δεν υπάρχει κίνηση ή κάτι που να μοιάζει με παραβίαση της περίφερου.

00:53 όπου εκεί δεν αποφασίζει μόνο το τι είναι κακό, αλλά είναι ένα έξινο φιλτράρισμα θα το πω έτσι, που δίνει ειδοποίηση ώστε να το δει ο άνθρωπος και να κρίνει αν πρέπει να δώσει την εντολή ότι είναι επικίνδυνο. με άμεσο και κατανοητό τρόπο. Ο Γιώργος Τεπτερής είναι ερευνητής και υποψήφιος διδάκτορ στο Πανεπιστήμιο Αιγαίου.

01:33 Ασχολείται με την τεχνητή νοημοσύνη και πιο συγκεκριμένα με το πώς ένας υπολογιστής μπορεί να βλέπει εικόνες και βίντεο και να αναγνωρίζει αντικείμενα μέσα σε αυτά. Το κύριο ενδιαφέρον του είναι να κάνει αυτή η διαδικασία πιο αποδοτική, ώστε τα μοντέλα να εκπαιδεύονται πιο γρήγορα και με λιγότερο υπολογιστικό κόστος, χωρίς να χάνεται η ποιότητα των αποτελεσμάτων.

01:54 Παράλληλα, αναπτύσσει λύσεις που δουλεύουν στην πράξη. Ο Γιώργος έχει εμπειρία και σε έργα με πολλούς συνεργάτες, όπου χρειάζεται καλή οργάνωση και σαφή σε επικοινωνία. Ενώ στο παρελθόν εργάστηκε ως σύμβουλος και αναλυτής δεδομένων σε εταιρεία συμβούλων με έργα ανάλυσης δεδομένων και αναφορών. Έχει επίσης δημοσιεύσει επιστημονική εργασία σε διεθνές περιοδικό και έχει βοηθήσει στην επίβλεψη τεσσάρων διπλωματικών εργασιών.

02:20 Κύριε Τεπτερή, σας καλωσορίζουμε στο podcast Τεχνολογικά. Σας ευχαριστώ πάρα πολύ για την πρόσκληση. Ήταν μεγάλη μου τιμή να μιλήσω. Δεν έχω ξαναμιλήσει ποτέ. Είστε η πρώτη μου που μιλάω σε ένα podcast. Ποδαρικό λοιπόν. Ποδαρικό, σωστά. Μεγάλη μασκαρά. Και είμαι πάρα πολύ χαρούμενος γι' αυτό γενικά. Αυτή την πρωτιά. Ναι, ναι, ναι.

02:45 Και ένα podcast της ΧΥΟΥ θα έλεγα που έχω ζήσει αρκετά χρόνια. Γύρω στα 10 χρόνια είμαι στη ΧΥΟΥ. Οπότε, μ' αρέσει πάρα πολύ αυτό. Να ξεκινήσουμε λοιπόν από το τι είναι η υπολογιστική όραση και πώς μαθαίνει ένας υπολογιστής σε εισαγωγικά να βλέπει Ναι φυσικά μπορούμε να το πούμε έτσι ώστε να πούμε λίγο να το καταλάβει ο καθένας μας Λοιπόν η υπολογιστική όραση είναι ένα υποσύνολο θα έλεγα ένα κομμάτι της τέχνης της νοημοσύνης το οποίο προσπαθεί να κάνει να δώσει σε έναν υπολογιστή την ικανότητα να καταλαβαίνει εικόνες και βίντεο.

03:31 Όχι απλώς να τα βλέπει, δηλαδή, να εξάγει την πληροφορία που υπάρχει μέσα σε αυτό. Για παράδειγμα, να αναγνωρίζει αντικείμενα όπως άνθρωπος, αυτοκίνητο, ζώο, να εντοπίζει και πού ακριβώς εντοπίζονται μέσα στην εικόνα ή στο βίντεο. Να μετράει πόσα αντικείμενα βλέπει ή να παρακολουθεί ακόμα και την κίνησή τους. Το πώς μαθαίνει ένας υπολογιστής να βλέπει γίνεται κυρίως με εκπαίδευση, δηλαδή εκπαίδευση σε πολλές εικόνες, σε πολλά βίντεο.

04:05 Του δίνουμε δηλαδή ένα μεγάλο σύνολο εικόνων ή βίντεο, αν θέλουμε να κάνει συγκεκριμένη εργασία. Ας πούμε, αν θέλει να δει ανθρώπους ή να δει ζωά, πρέπει να δώσουμε πάρα πολλά τέτοια παράδειγματα. Όπου εκεί του δίνουμε και τη σωστή απάντηση στην εκπαίδευση. Δηλαδή λέμε ότι σε μια εικόνα υπάρχει εκεί ο άνθρωπος, ο ένας άνθρωπος, ο άλλος άνθρωπος υπάρχει στη δεξιά πλευρά της εικόνας και ούτω καθεξής.

04:34 Αυτή η απάντηση δηλαδή μπορεί να είναι μια ετικέτα, δηλαδή άνθρωπος, γάτα, οτιδήποτε. Οπότε η πιο λεπτορεύηση πληροφορία όπως πλαίσια εντοπισμού που δείχνουν που είναι και που είναι το αντικείμενο. Έπειτα, χρησιμοποιούμε ένα μοντέλο βαθιάς μάθησης Τα neural networks που λέμε εμείς Συνήθως αυτό που λέμε είναι το νευρονικό δίκτυο Που είναι φτιαγμένο για εικόνες Στην αρχή το μοντέλο κάνει πολλά λάθη Όσο πηγαίνει, δηλαδή όσο εκπαιδεύεται Μέχρι να φτάσει στην τελική εκπαίδευση Συγκρίνουμε την πρόβλεψη του με αυτό που έχουμε εμείς στη διάθεσή μας Στα χέρια μας υπολογίζουμε το σφάλμα και μετά διορθώνουμε κάποιες παραμέτρες του μοντέλου ώστε το επόμενο πέρασμα να κάνει λίγο καλύτερη την πρόβλεψή μας.

05:27 Αυτή η διαδικασία επαναλαμβάνεται αρκετές φορές όπου εκεί σταδιακά το μοντέλο μαθαίνει μοτίβα, μαθαίνει μοτίβα όπως είναι οι ακμές, οι φες, σχήματα και τελικά ποιος είναι τις έννοιες, όπως είναι το κεφάλι, το όχημα κτλ. Σημαντικό είναι ότι μαθαίνει κανόνες και αναπαραστάσεις που γενικεύουν το αντικείμενο Όταν δει μια εικόνα που δεν έχει ξαναδεί να μπορεί να δώσει μια λογική πρόβλεψη Αυτό είναι αν το καταλάβατε και εσείς η μηχανική μάθηση στο κομμάτι του Βίζιου Η οποία πρόβλεψη δεν είναι σίγουρο ότι θα είναι πάντα σωστή.

06:15 Σωστά. Δεν είναι πάντα σωστή. Εκεί όσο πιο πολλά πειράματα έχουμε και διαφορετικά πειράματα, με διαφορετικές εικόνες δηλαδή, πολλές εικόνες, το κάνει καλύτερο. Δεν μπορεί να είναι 100%. Θα είναι περίπου γύρω στο 70-80% σωστό. Δηλαδή κάμερες που βάλαν στην Αθήνα για να βλέπουν τις τροχονομικές παραβάσεις στηρίζονται σε κάτι τέτοιο.

06:42 Σωστά. Γι' αυτό έχουν πει περισσότεροι ότι κάνουν περισσότεροι ενστάσεις ότι δεν ήμουν εγώ με κινητό. Ήμουνα με κάτι άλλο. Μπορεί να κρατούσε για παράδειγμα ένα σάντουζι στα χέρια του ή μπορεί να κρατούσε το τσιγάρο. Δεν ξέρω. Το μηχάνημα του ατμιστή που είναι πιο μεγάλο μοιάζει λίγο σε κινητό τα μεγάλα που είναι οι ατμόμου.

07:04 δέξτε όπως λέγω τα λεφτονικά τσιγάρα. Οπότε εκεί μπερδεύεται, μπορεί να μπερδευτεί το σύστημα. Η υπολογιστική όραση πόσο άρρηκτα είναι συνδεδεμένη με την τεχνητή νοημοσύνη και λόγω της εξέλιξης της τεχνητής νοημοσύνης τα τελευταία χρόνια είχαμε και αντίστοιχη η στιγμή λογιστική όραση ή δεν ξέρω πώς σχετίζονται όλα αυτά.

07:27 Ναι, υπάρχει. Υπάρχει, δηλαδή, αυτή η αλλαγή. Δηλαδή, είναι άριθμα συνεδεμένη, γιατί βγαίνουν καινούργια μοντέλα, καινούργια αλγόριθμοι, όπου να το πούμε εδώ ότι η τεχνική νοημοσύνη άλλαξε πάρα πολύ. γιατί πριν την έκρηξη της σύγχρονης τεχνικής νοημοσύνης η υπολογιστική όραση φασόταν κυρίως σε κανόνες που έγραφαν οι άνθρωποι.

07:59 Οπότε ένας άνθρωπος μπορεί να κάνει και λάθη, μπορεί να κάνει ό,τι του κατέβει στο κεφάλι, την ξέρω. Εντάξει, να μου πεις, επιστήμονες είναι, αλλά δεν είναι τόσο άρρηθα συνδεμένο με τον άνθρωπο. Σίγουρα, πάντως, είναι πολύ πιο αργός από τη φύση του. Σωστά, είναι πιο αργός από τη φύση του. Οπότε παλιά ένας υπολογιστής για να βρει ένα αντικείμενο του λέγανε εμείς τι θα ψάξει, για παράδειγμα γραμμές, γωνίες, συγκεκριμένα σχήματα να το πω πιο καλά.

08:33 Αυτό δούλευε σε απλές περιπτώσεις αλλά χαλούσε εύκολα όταν άλλαζε ο φωτισμός ή η γωνία, δηλαδή αν έβαιναν έναν άνθρωπο και τον έβαζα στο προφίλ και μετά τον έβαζα στα πλάγια μπορεί να το χάνει. το φόντο αν ήταν σε ένα δέντρο αν ήταν ένα δέντρο ή όταν το αντικείμενο ήταν μισοκριμένο. Όπως είπα πίσω από ένα μάξι ο άνθρωπος.

09:02 Οπότε με την εξέλιξη αυτής της τεχνικής νοημοσύνης έγινε κάτι σαν αλλαγή της εποχής που λέμε αντί να γράφουμε κανόνες, δίνουμε πολλά παραδείγματα πολλές εικόνες και το σύστημα μαθαίνει μόνο του ποια χαρακτηριστικά είναι σημαντικά. Και πιο γρήγορα να φανταστούμε. Δηλαδή σας έπαιρνε περισσότερο χρόνο πριν. Περισσότερο χρόνο πριν.

09:25 Γιατί φανταστείτε, όπως είπατε και εσείς, ότι ο άνθρωπος είναι πιο αργός από το μηχάνημα. Δηλαδή έχανε σώμα εκεί. Μετά χάναμε χρόνο γιατί δεν υπήρχαν και τόσο καλοί υπολογιστές έτσι ώστε να βρούμε τέτοιου είδους ακμές. Πάρα πολλά έπαιζαν ρόλο τότε για να γίνει πιο γρήγορα εννοώ. Μάλιστα. Ωραία. Άρα λοιπόν έχει ραγδαία εξέλιξη και υπολογιστική όρεση αυτό καταλαβαίνω και λόγω της εξέλιξης της τεχνητή νοημοσύνη αλλά και λόγω του ότι υπάρχουν πολύ περισσότεροι πόροι υπολογιστικοί που μπορούν να υποστηρίξουν όλα αυτά που απαιτούνται.

10:08 Να πάμε τώρα να δούμε εφαρμογές ειρηνή. Ναι και κυρίως να μας πείτε εσείς εφαρμογές που έχετε δουλέψει πάνω σε αυτές και έχετε πάρει μέρος. Ναι, έχω πάρει μέρος σε αρκετές εφαρμογές. Θα σταθώ σε δύο εφαρμογές που η μία είναι υπολογιστική όραση για φύλαξη αποθηκευτικών χώρων. Οπότε στην ουσία τι γίνεται Το drone λειτουργεί σαν μια κινητή κάμερα ασφαλείας Αντί να έχεις μόνο σταθερές κάμερες σε εκείνα σημεία Έχεις ένα επτάμενο μέσο Το οποίο μπορεί να κάνει περιπολία Να δει γωνίες που δεν φαίνονται Τα τυφλά σημεία που λέμε Γιατί είναι πάρα πολύ σημαντικό Όπως και επίσης να καλύψει και μεγάλη έκταση πολύ γρήγορα Το σημαντικό εδώ δεν είναι ότι μιλάμε απλώς για βίντεο εκεί μπαίνει η υπολογιστική όραση όπου το σύστημα μπορεί να βοηθήσει στο να εντοπίζει βασικά γεγονότα όπως είναι η παρουσία ανθρώπου σε μη αναμενόμενο σημείο κίνηση οχήματος σε ώρα που δεν πρέπει μια φάρα να το βράδει που δεν υπάρχει κίνηση ή κάτι που να μοιάζει με παραβίαση της περίφραξης

11:29 όπου εκεί δεν αποφασίζει μόνο το τι είναι κακό αλλά είναι ένα έξινο φιλτράρισμα θα το πω έτσι που δίνει ειδοποίηση ώστε να το δει ο άνθρωπος και να κρίνει αν πρέπει να δώσει την εντολή ότι είναι επικίνδυνο. Οπότε έτσι, με αυτόν τον τρόπο, οι κίνδυνοι που αποφεύγονται στη φύλαξη είναι πρακτικοί και ανθρώπινοι. Πάνω απ' όλα τον άνθρωπο σκεφτόμαστε.

11:58 Πρώτον, μειώνει στην ανάγκη να μπει ο άνθρωπος σε μια επικίνδυνη περιοχή για να ελέξει κάτι υποπτώ, ειδικά τη νύχτα. Ή σε δύσβατα σημεία. Μπορεί να γίνει και ακόμα σε μια αποθήκη που είναι στον Αστρόπικο που είναι πάνω στο βουνό. Υπάρχει πάρα πολύ μεγάλος κίνδυνος. Δεύτερον, περιορίζουμε τα τεφλά σημεία που οδηγούν σε κλοπές, βανδαλισμούς ή με εξωσυνδετημένη πρόσταση.

12:26 Τρίτον, έχουμε καλύτερη εικόνα για το τι συνέβη, άρα πιο σωστή απόφαση και τεκμηρίωση. όπου φυσικά εκεί και η άλλη πλευρά δηλαδή υπεύθυνη χρήση με σεβασμό κανόνες στήσης, ασφάλεια ανθρώπων στο έδαφος και προστασία προσωπικών δεδομένων γιατί παίζουν και αυτά τώρα το ρόλο τους γενικά όπου αυτά πρέπει να είναι ξεκάθαρα από την αρχή γιατί πρέπει να έχουμε δηλαδή να μιλήσουμε με την πολιτική αεροπορία αν μπορούμε να το πετάξουμε σε συγκεκριμένα σημεία.

12:59 Η δεύτερη εφαρμογή που έγινε πάλι με drone Αυτή τη φορά το κάναμε με RFID readers Όπου εκεί θα μπορούσε να γίνει και με Με Vision Με την οπτική του υπολογιστή Αλλά εμείς το κάναμε με RFID readers που ήταν πάρα πολύ ωραία εφαρμογή Και έχει διαφορετική λογική από το Vision κομμάτι Από την οπτική του υπολογιστή Εξηγήστε το λίγο παραπάνω αυτό για να το καταλάβουν το RFID Reader Το RFID Reader είναι ένα σύστημα το οποίο διαβάζει να το πω έτσι απομακρυνσμένα δηλαδή διαβάζει ετικέτες δηλαδή εμείς κουμπώσαμε το RFID Reader πάνω στο drone και με τις ετικέτες του RFID ετικέτες έστελνε το σήμα το RFID Reader ενεργοποιούνταν οι ετικέτες και επέστρεφε πίσω την πληροφορία ότι είμαι εδώ.

14:02 Δηλαδή χτύπαγε την πόρτα, έστελνε πίσω το σήμα του και έλεγε είμαι εδώ να με καταγράψεις. Και γίνεται πολύ απομακρυσμένο, δηλαδή γίνεται γύρω στα 5 με 10 μέτρα απόσταση. Αυτό είναι για να δει κάποιος τι απόθεμα έχει. Τι απόθεμα έχει ακριβώς. Σε μια μεγάλη αποθήκη. Ναι, ακριβώς. Δηλαδή ένα ντρόν σαν υπτάμινος απογραφέας θα το έλεγα.

14:26 όπου σε πολλές αποθήκες η ευρωγραφή γίνεται χειροκίνητα. Άνθρωποι περπατάνε σε διαδρόμους, ανεβαίνουν στο κλάρκα πάνω όπου εκεί υπάρχει κίνδυνος πτώσης του ανθρώπου γιατί μπορεί να έχουν στο ένα χέρι τους το σκάνερ και με το άλλο χέρι τους να μετράνε το απόθεμα. Οπότε εκεί πέρα υπάρχει κίνδυνος δηλαδή της πτώσης του ανθρώπου όπου στο τελευταίο σωρό, όπως τέλος πάντων, των ραφαριών, οπότε εκεί είναι ένα πολύ επικίνδυνο επάγγελμα.

15:10 Οπότε, ναι, το αντικείμενο αυτό, δηλαδή καταγράφεται η παλέτα, βλέπει το αυτοκόλλητο απλά υπάρχει δηλαδή να είσαι κοντά 5 με 10 μέτρα από την γραφαρία. Δύο περιπτώσεις λοιπόν όπου έχουμε drone που μας βοηθάνε. Δηλαδή αυτοκινούμενα μη επανδρομένα αεροσκάφη αν το πούμε στα ελληνικά το drone. Μη επανδρομένα αεροσκάφη σωστά.

15:42 Και στη μία περίπτωση βοηθάει στο να επιτηρηθεί ένας χώρος να γίνει φύλαξη και στη δεύτερη περίπτωση μπαίνει μέσα και λέει παιδιά για πείτε μου ποιοι είστε εδώ να σας γράψω, κάνει μια καταμέτρηση και λένε τα παιδιά εμείς εδώ είμαστε, καταγράψτε μας για να ξέρουμε ποιο είναι το απόθεμα. Άρα στην πρώτη περίπτωση αντί να έχω 10 φύλακες έχω έναν χειριστή drone?

16:05 Έχω έναν χειριστή drone ή εντάξει το drone μπορεί να πετάνει και αυτόματα πλέον. Ο άνθρωπος μπορεί να είναι στο κομμάτι μέσα στο κουβούκλιο που να παρατηρεί το τι κίνδυνο υπάρχουν. Ναι, αλλά έχασα έτσι εννιά νυχτοφύλακες ας πούμε. Εξαρτάται από την προσέγγιση και την πολιτική που έχει κάθε εταιρεία που χρησιμοποιεί τη φύλαξη.

16:28 Δηλαδή μπορεί αυτό να το έχεις επιπρόσθετα. Για να διευκολύνεις τους φύλακες. Γιατί το ντρόν δεν μπορεί να σε σταματήσει μόνο του. Αυτό είναι αλήθεια. Να σου πει, επ, σε είδα, φύγε. Δεν μπορεί να το κάνει αυτό σωστά. Έτσι, οπότε... Ακόμα. Ναι, καλά, ίσως και να μπορεί, απλά δεν θέλουμε να το σκεφτόμαστε αυτό το σενάριο.

16:49 Σίγουρα πάντως κάνει πιο εύκολη τη δουλειά τη συγκεκριμένη και στις δύο περιπτώσεις. Ελαχιστοποιεί την επικινδυνότητα του επαγγέλματος. Σωστά, γιατί όπως και στην περιοχή μου, στην Ελευσίνα, στη Μαγούλα και στο Ναστοπριγό, στο Θρειάσιο πεδίο γενικά, έχουν γίνει αρκετά συμπάντα. Στη δεύτερη περίπτωση Συγγνώμη, οροκληρώστε Έχουν γίνει αρκετά συμβάντα που εκεί και είχαμε και έναν θάνατο που μπήκαν οι κλέφτες και σκοτώσανε και τόσο κυριολεκτά Μάλιστα Ναι Οπότε εκεί δεν θα υπάρχει επικίνδυνοτητα Ναι, μειώνεται η επικίνδυνοτητα και αυτό είναι πολύ σημαντικό Στη δεύτερη περίπτωση η αξιοπιστία είναι εξασφαλισμένη κύριε Τεπτέρη Δηλαδή θα τα μετρήσει όντως όσο στα αποθέματα.

17:40 Η αξιοπιστία, επειδή κάναμε την έρευνά μας, είναι αρκετά κοντά στο 100%. Δηλαδή πήγαμε στο κάπο της ΧΥΟΥ τότε που πριν φύγει από τη ΧΥΟΥ, σε ψυχόμενο περιβάλλον, και σκεφτείτε ότι είχαμε περίπου στο 96-97% καταγραφή των προϊόντων. Οπότε είναι μια καλή περίπτωση να το δοκιμάσουμε αυτό Και μετά είχαμε πάει και σε ένα ξηρό περιβάλλον στο ένα της χείου Που και εκεί το πρόβλημα εκεί πιο ήταν ότι σε υγρά που είχαν παχιά υγρά Δεν περνάγε το σήμα του ρίντε Δηλαδή όπως είναι οι χλωρίνες που είναι ένα υγρό το οποίο είναι πάρα πολύ παχύρευστο δεν περνάγε δεν μπορούσε να διαβάσει δεν περνάγε η πληροφορία άρα έχετε ένα σημείο βελτίωσης όπου εκεί μπορεί για παράδειγμα να πούμε ότι δεν βάζουμε την ετικέτα πίσω, τη βάζουμε μπροστά όπου όταν τη βάλαμε μπροστά το διάβαζα κανονικά μάλιστα ακούγεται ότι σαν ένα ποσοστό πολύ ικανοποιητικό ειδικά για τεράστιες αποθήκες που θέλουν πραγματικά πάρα πολύ κόπο για να κάνεις την απογραφή.

19:07 Ακριβώς. Δηλαδή ξέρω ότι μπορεί να πάρουν και μήνες. Δηλαδή μπορεί να πάρει και ένα μήνα η ογραφή. Ωραία. Εκεί το λαγιστοποιούμε και το κάνουμε σε σε μία μέρα. Α, τόσο μεγάλη διαφορά. Ναι, μεγάλη διαφορά. Ναι, πάλι μεγάλη διαφορά. Γιατί σκεφτείτε ότι περνάει ένα ντρόν με 7 χιλιόμετρα, με 6 χιλιόμετρα την ώρα στην αποθήκη μέσα και θα διαβάζει.

19:37 Οπότε να κάνει δύο περάσματα από κάθε διάδρομο, θα έχει περάσει. Να πάμε και σε άλλες εφαρμογές, ρομποτικές. Αν έχετε συμμετάσχει και σε ρομποτικές εφαρμογές, να μας μιλήσετε. Να πούμε στη γη, στο έδαφος. Σε πήγες εφαρμογές. Ναι, ναι, ναι. Λοιπόν, το εργαστήριό μας έχουμε δουλέψει και θα δουλέψουμε και σε ροποντικές εφαρμογές.

20:03 Δηλαδή σε συστήματα που δεν βλέπουν μόνο, αλλά κινούνται και εκτελούν μια αποστολή μέσα σε πραγματικό χώρο. Εντάξει, όσο να είναι ωραίος ο αέρας, αλλά ας πάμε και λίγο στο έδαφος. Θα αναφέρω δύο παραδείγματα που είναι εύκολο να τα φανταστεί και ο κόσμος, δηλαδή το πώς μπορούν να ελοπιθούν αυτά. Το πρώτο παράδειγμα είναι το οποίο θα δουλέψουμε.

20:26 είναι τα ρομποντικά σκυλιά για σενάρια φυσικών καταστροφών όπως είναι οι σεισμοί, καθαρέσεις διεκτηρίων, πυρκαγιές και πλημμύρες θα πω εγώ μπορεί να γίνουν και σε πλημμύρες η βασική ιδέα είναι απλή σε τέτοιες συνθήκες το περιβάλλον είναι πάρα πολύ επικίνδυνο και απρόβλεπτο όπου εκεί ένας διασώστης μπορεί να κινδυνεύσει από ασταθείς συντρίμια, καπνό, χαμηλή ρατότητα εκεί το ρομποντικό σκυλί μπορεί να μπει πρώτο όπως και τα drone μπορεί να μπουν μαζί με κάμερες και εισιτήρες μπορεί να δώσει την εικόνα του κόρου να εντοπίσει κάποιους ανθρώπους που χρειάζονται βοήθεια να δει σημεία που δεν φαίνονται και να στείλει πληροφορία σε πραγματικό χώρο στην ομάδα διάσωσης το μεγάλο πλονέκτημα εδώ είναι ότι μειώνεται πάλι ο κίνδυνος για τους ανθρώπους όπου αντί εκεί να μπαίνει ένας άνθρωπος, ο διασώστης σε μια επικίνδυνη ζώνη να κάνει ένα αρχικό έλεγχο στέλνεις πρώτα το ρομπότ, κάνει τον αρχικό έλεγχο και κερδίζουμε χρόνο.

21:40 Γιατί παίρνουμε γρήγορα καθαρή εικόνα, μας δείχνει που υπάρχουν που υπάρχει ανάγκη να πάνε οι άνθρωποι να πάνε οι άνθρωποι σωστά συνεργεί οτιδήποτε σε δύο περιπτώσεις μπορεί να βοηθήσει και πρακτικά για παράδειγμα να μεταφέρει ένα μικρό εξοπλισμό ακόμα και ένα ανασύρματο ένα φαρμακείο στους διασώστες που θα έχουν ήδη πάει αυτό και να λειτουργεί ένα κινητό σημείο παρατήρη Ένα σημαντικό σημείο παρατήρησης, αυτό λέγαμε.

22:17 Αυτά τα ρομποτικά σκυλιά τα έχετε φτιάξει, είπατε, στο εργαστήριο. Τα έχετε δοκιμάσει σε κάποιο περιβάλλον. Δεν τα έχουμε φτιάξει. Τα περιμένουμε, αυτά έρχονται μέσω μιας εταιρείας που συνεργάζεται με την Κίνα και τα περιμένουμε τον Σεπτέμβριο να μας έφτουν αυτά. Δεν τα έχουμε δουλέψει ακόμα, δηλαδή έχουμε δει εφαρμογές που θα κάνουμε.

22:40 θα δοκιμαστούν λοιπόν προσεχώς θα σας ξαναφωνάξουμε να μας πείτε και πώς τα πήρατε εννοείται δεν να πω ότι αυτό που έγινε στην πράξη είναι το δεύτερο παράδειγμα που ήταν delivery robots που νομίζω ότι έγινε λίγο vile στοιχείο όπου μιλάμε για ρομπότερ και πάλι και εδώ μεταφέρουμε μικρά φορτία, ένα σάντουιτ ένα καφέ, μια από μια καφετέρια για το τελευταίο μήλι.

23:12 Δεν μπορεί να κάνει μεγάλες αποστάσεις. Κάνει μικρές αποστάσεις. Ένα μήλι είναι 1800 μέτρα. Καλά, μην το παίρνεις. Μην το παίρνεις. Κυρίως, λεκτικά. Ναι, είναι το τελευταίο μηλιού. Δεν μπορεί να το κάνει αυτό. Είναι η διανομή του τελευταίου μηλίου που λέμε. Το τελευταίο βήμα της παράδοσης. Το βήμα της παράδοσης, σωστά.

23:32 Τι, δηλαδή, αν εγώ είμαι διανομέας να φοβάμαι ότι θα μου πάρει τη δουλειά. Όχι, δεν θα φοβηθείτε να πάρεις πάλι δουλειά. Ίσα-ίσα αυτό έχει και τις ευκαιρίες. Νομίζω πάντως ότι για να αντικαταστήσουν ο ρομπότ τους Έλληνες διανομή συγκεκριμένα είναι πάρα πολύ δύσκολο διότι κυριολεκτικά κάνουν απίστευτα κατορθώματα για να καταφέρουν να αντιμετωπίσουν όλα τα προβλήματα που έχουμε στο πώς κινούμαστε κτλ.

24:01 Είναι δύσκολο ρε παιδί. Είναι και θέμα αποδόμων. Άρα πού θα βλέπαμε πρακτική εφαρμογή αυτού. Πρακτική εφαρμογή θα βλέπαμε σε πεζόδρομους. Όπως είναι η Παρδιά της Χίου, όπως είναι η Ερμού στην Αθήνα. Επίσης μπορούμε να το δούμε σαν εφαρμογή στο νοσοκομείο. Να μπορούν να μεταφέρουν κάποιο υλικό όπως είναι τα αίματα. όπως είναι κάποιες γάζες σε ένα μεγάλο εμπορικό κέντρο σε ένα μεγάλο εμπορικό κέντρο στο αεροδρόμια θα μπορούσαν να γίνουν δηλαδή βλέπω ότι στο αεροδρόμια στο Λιβενιζέλος βλέπουμε ότι υπάρχουν μέσα άνθρωποι που είναι μεγάλης πλατφόρμας και κάνουν διανομές. Εκεί θα μπορούσε να μπουν και τα ρομπότ έτσι ώστε να κάνουν τη διανομή κάποιου προϊόντος στον άνθρωπο που περιμένει να φύγει με την πτήση του.

25:05 Για να γίνουν αυτά πρέπει να είναι προσιτό και το κόστος. Είναι. Είναι προσιτό το κόστος. Είναι. Δηλαδή ένα τέτοιο ρομπότ νομίζω κοστίζει γύρω στα 30.000 ευρώ 20 κάπου εκεί. Για μεγάλους οργανισμούς ίσως είναι. Για μεγάλους οργανισμούς ναι, όντως. Είναι μια επιλογή. Εμείς εδώ είμαστε μακριά να μην πάμε στην απλωταριά που είπατε πριν, αλλά ας πούμε από ένα φαρμακείο, λέω τυχαία τώρα, ίσως και να μην είναι σωστό το παράδειγμα, να στείλουμε φάρμακα στις Ινούσες.

25:42 Ξαναγυρνάμε στον αέρα, φανταζόμαστε. Γιατί το ρομπότ λογικά να κολυμπήσει... Το ρομπότ δεν θα το κάνει. Κτός να πάει στο καραβάκι. Κτός και να βγάλουμε υποβρύχια ρομπότ. Ναι, πάει στο καραβάκι και πει παιδιά συγγνώμη, θα έρθω κι εγώ σήμερα μαζί γιατί πάω κάτι φάρμακα. Σωστά. Θα σας πω. Αν το πω ότι δεν είναι απλά όνειρο, θα πω ότι τεχνικά αυτό μπορεί να γίνει και έχει γίνει ήδη σε παρόμοιες μορφές και στην Ελλάδα.

26:07 Ψάχνοντας, είδα το 1923, έγινε μια πιλωτική πτήση από την Κώστη Ψέριμου, που είχε ειδικιάδη από την ΕΠΑ, από την Επιστημιακή Πολιτική Αεροπορία. Επίσης, έχουν υπάρξει δοκιμές για μεταφορά φαρμάκων σε άλλες περιοχές, όπως είναι το πιλωτικό σενάριο στα Τρίκαλ. Τώρα για το ΧΥΟ, μιλάμε για μια διαδρομή μεγέθης περίπου 2 χιλιόμετρων με τσινούσες, αν θυμάμαι καλά, δεν είμαι πολύ σίγουρος.

26:36 Από τη Λαγκάδα, άμα πούμε. Από τη Λαγκάδα, ναι. Όπου είναι μέσα στις δυνατότητες πολλών επαγγελματικών και συμβατικών ντρόν. Οπότε το βασικό δεν είναι τόσο η μηχανή να πάει, είναι όλο το πλαίσιο και η οργάνωση για να γίνεται όλη αυτή η διαδικασία με ασφάλεια κάθε μέρα. Γιατί πρέπει να πάρουμε άδεια από την πολιτική αεροπορία, αν είναι ο καιρός καλός.

27:04 Οπότε εκεί θέλεις μια σταθερή επικοινωνία, ένα σχέδιο επιστροφής, μια ασφαλή προσγείωση, αν χαθεί το σύστημα τι γίνεται. τα δρομολόγια δεν θα πετάνε όλα αυτά τα drone θα πετάνε για πάντα θα υπάρχουν μέρες που θα ακυρώνονται λόγω του καιρού Γενικά η τεχνολογία υπάρχει τώρα το θέμα πόσους ακριβούς μπορούμε να την αξιοποιήσουμε είναι ένα δεύτερο ερώτημα είναι ένα δεύτερο ερώτημα γι' αυτό είναι και η έρευνα μιλάμε ότι για ερευνητικό κομμάτι σε ερευνητικό κομμάτι νομίζω ότι θα ήταν πάρα πολύ ωραίο να γίνει μια τέτοια είδος έρευνα.

27:47 Ναι. Είπατε πριν κάποια στιγμή, δεν το ολοκληρώσατε γιατί πιθανά σας ρωτήσαμε κάτι άλλο, ότι είναι ανάλογα πώς θα το χρησιμοποιήσεις για να μη σου πάρουν τις δουλειές ή γιατί θα δημιουργηθούν νέες δουλειές. Θέλετε να το αναλύσετε λίγο αυτό. Ναι, ναι, ναι. Είναι γενικά λογική ερώτηση που γίνεται αν θα μας πάνε τα ρομπότης δουλειές.

28:12 Η πιο απλά απάντηση είναι ότι τα ρομπότης συνήθως δεν παίρνουν τη δουλειά συνολικά, αλλά αλλάζουν το τι θα κάνουμε μέσα στη δουλειά. Ποια κομμάτια πηράζονται πρώτα? Τα πιο επαναλαμβανόμενα, δηλαδή τα πιο βαριά και τα πιο επικίνδυνα. Για παράδειγμα, μια νυχτερινή περιοπλή, όπως είπαμε και πριν, σε ένα δύσκολο χώρο, μια απογραφή σε μεγάλο ύψος, μια μεταφορά σε συνθήκες κινδύνου θα το έλεγα.

28:38 Εκεί το ρομπότ μπορεί να γίνει ένα εργαλείο που μειώνει τα ατυχήματα και την κούραση που έχει ο άνθρωπος. Οπότε να πούμε τι μένει στον άνθρωπο. Μένει η απόφαση, το ρομπότ μπορεί να το πεις κάτι υπόπτω, αλλά ο άνθρωπος θα κρίνει αν είναι και τι κάνουμε μετά. Οι ευθύνικες διαδικασίες. Ποιος έχει πρόσβαση, ποια δεδομένα κρατάμε, Πότε θα σταματάει η λειτουργία του, τι γίνεται σε ένα έκρατο περιστατικό.

29:07 Η επίβλεψη. Την επίβλεψη πρέπει να την έχει πάντα ο άνθρωπος. Κάποιος πρέπει να ελέγχει ότι όλα δουλεύουν σωστά. Ειδικά όταν υπάρχουν άνθρωποι γύρω. Δεν μπορεί να τρελαθεί το ρομπότ και να πέσει πάνω σε μια κολόνα, ξέρω εγώ, ή σε κάποια αγαφαρία και να έχουμε ζημιές. Η συντήρηση και η υποστήριξη. πρέπει να γίνουν αλλαγές των μπαταριών, των αισθητήρων, να γίνονται επισκευές σε αυτά τα ρομπότ, στα ντρόουνς και οι δοκιμές και η μερός του λογισμικού.

29:37 Άλλες δουλειές λοιπόν. Άλλες δουλειές. Άρα λοιπόν έχουμε ένα ρόλο πιο επιτελικό από τη μία, αλλά και ένα ρόλο καθαρά συντήρησης της μηχανής από την άλλη. Ακριβώς, δηλαδή φεύγει, να το πω έτσι, η βαριά δουλειά του ανθρώπου. Δηλαδή πλέον δεν θα κουράζει τόσο πολύ Θα δουλεύει με το μυαλό του Θα κάνει μια χειρονιακτική εργασία όπως είναι Να κάνει μια αλλαγή παταρίας Να κάνει μια αλλαγή αισθητήρα Κυρίως να το οδηγήσει κιόλας Να το οδηγήσει κιόλας, ναι Να κάνει και την επίβλεψή του Γιατί όχι, να κάνει και την επίβλεψη Δουλεύει σωστά, δουλεύει Αυτό το μπορεί να τρελάθηκε, ακούστηκε λίγο Που είπατε, αλλά εντάξει το τρελάθηκε πολλές φορές βλέπουμε όπως έχουμε δει και στην Αμερική, στην Καλιφόρνια με τα αυτοκίνητα της Google που είναι ταυτόνομα ταυτόνομα δηλαδή βλέπουμε ότι υπάρχει μια τέτοια ένας τέτοιος κίνδυνος, δεν είναι μεγάλος κίνδυνος αλλά υπάρχουν τέτοιες περιπτώσεις θα το έλεγα, οπότε γιατί να μην τα προλάβει ο άνθρωπος να μην γίνουν κάποια αποτυχία του λογισμικού τους.

30:43 Νομίζω κάποια στιγμή και αυτόματες έξυπνες σκούπες είχαν παρουσιάσει κάποια προβλήματα. Και τώρα διαπιστώθηκε μια ευπάθεια και κάποιος μπήκε σε δεν ξέρω πόσες χιλιάδες δεδομένα μιας μάρκας τέτοιων ρομποτικών σκουπών. Αλλά αυτά μπορούν όντως να συμβούν ή να προβλεφθούν ή να αντιμετωπιστούν άμεσα. Άρα λοιπόν παρότι δεν είναι καθόλου εύκολο να απαντηθεί το ποιος θα είναι ο μετασχηματισμός που θα έχουμε στην εργασία.

31:15 Είναι νομίζω δεδομένο ότι θα χαθούν θέσεις, αλλά θα έρθουν και άλλες θέσεις οι οποίες το πλεονέκτημα που έχουν είναι ότι θα είναι ευκολότερες νομίζω. Ακριβώς. Ευκολότερες. Δεν είναι σωστό το ευκολότερες. Δεν θα είναι λιγότερο επικίνδυνες, θα είναι λιγότερο μηχανικές, θα είναι λιγότερο ρομποτικές, περισσότερο ανθρώπινες.

31:35 Γιατί όπως ξέρουμε τα περισσότερα ατυχήματα γίνονται όταν στη ρουτίνα. Σωστά, ναι. Όταν υπάρχει ρουτίνα και εντάξει με το έχω ξανακάνει, εκεί γίνονται τα περισσότερα ατυχήματα. Δηλαδή οπότε θα υπάρχει λιγότερη χειρονακτική επανάληψη, περισσότερη βιβλίωση, οργάνωση και τεχνική υποστήριξη. Οπότε αυτό ανήκει και νέες δουλειές.

31:55 Επίσης μπορεί να μας κάνουν όλες αυτές οι διαδικασίες και τα συστήματα και λίγο πιο νομοταγής και πιο ευσυνείδητους πολίτες. Για παράδειγμα, στην Ιταλία θα βάλουν αυτοκίνητα που θα έχουν ενσωματωμένο σύστημα αλκοτές σε παραβατικούς βέβαια από πριν οδηγούς και δεν θα παίρνουν μπροστά το όχημα. Μελώνεις στο αυτοκίνητό σου θα του βάζουν αυτό.

32:17 Ναι. Στο αυτοκίνητο να είναι... Όχι γενικά στο αυτοκίνητο. Ναι έτσι πρέπει. Κάνεις εισημία παράβαση. Αν έχεις πιαστεί και έχεις οδηγήσει κάποια στιγμή μεθυσμένους. Υπό την επίρρεια αλκοόλ. Θα σου βγαίνει μια συσκευή η οποία θα είσαι υποχρεωμένος να κάνεις αλκοοτέστ και αν έχεις πάλι υπερβολική κατανάλωση αλκοόλ δεν θα παίρνει μπροστά το αμάξι σου.

32:38 Μάλιστα. Σωστά. Εντάξει αυτό πάνε να πει ότι δεν μας τιμωρεί. Ίσως μας βάζει ένα υπόβιο. μας προστατεύει μας σώζει τη ζωή και όχι μόνο τη δική μας δηλαδή μας κάνει πιο νομοταγής θα το έλεγα από με ένα πρακτικό τρόπο μπορώ να σκεφτώ δύο σενάρια το επέφθυνο σενάριο που δεν είσαι σίγουρος αν το ένα ποτηράκι που είπες ήταν όντως ένα οπότε σου λέει αυτός ας το καλύτερα μην οδηγήσεις και το όχι και τόσο επέφθυνο σενάριο γιατί νομίζω στην Ελλάδα αυτό θα το σκέφτονταν κάποιοι όπου εντάξει, δεν είναι τόσο σίγουρο ότι θα είναι ο οδηγός αυτός που θα κάνει τη χρήση της συγκεκριμένης μάτιας.

33:16 Πάρα να είπες άντικο τι κάνει. Δηλαδή, αν είναι μαζί ένα παιδί, ας πούμε, που συνήθως τα παιδιά δεν πίνουν. Ναι, να βάλουμε το παιδί να φυσήξει. Θα του πούνε, θα οδηγήσω εγώ, αλλά αφήσα εσύ εδώ να δεις. Ακριβώς, αν πούμε ότι βάζουμε και μια κάμερα στο σύστημα αυτό, να κάνει και μια αναγνώριση... Ναι, προσώπου. Το κάνουμε λίγο πιο αυστηρό και είναι ο κύκλος ότι εσύ το οδηγείς στο όχημα, οπότε εσύ είσαι και αυτός που πρέπει να δοκιμαστεί. Να, ορίστε, το δυσκολέψαμε κιόλας.

33:49 Το δυσκολέψαμε κιόλας, οπότε να, και άλλη μια έρευνα που άνοιξε, να και ένας ενεμιτής άλλος θα δει μια δουλειά. Ωραίες, μια δουλειά κι αυτός. Και πολλοί άνθρωποι δεν θα χαλάσουν ούτε τη δική τους ζωή, ούτε τις ζωές άλλων. Ακριβώς, γιατί... Δυστυχώς το αλκοόλ είναι πολύ ύπουλο. Είναι πάρα πολύ. Στην οδήγηση, ναι. Νομίζουμε ότι πίνουμε και νομίζω ότι μπορούμε να τα καταφέρουμε.

34:15 Δηλαδή να οδηγήσουμε και να πάμε και σπίτι μας. Η μεγάλη διαφορά νομίζω είναι ότι στην οδήγηση παίζει πάρα πολύ μεγάλο ρόλο ο χρόνος και αυτό το λίγο που μπορεί να καθυστερήσεις. Δεν συζητάμε τώρα να έχεις πιει πάρα πολύ όπως κάνουν ορισμένοι. Αυτό είναι εγκληματικό. Λέμε τώρα να είσαι σε μια κατάσταση όπου θεωρείς ότι όλα είναι καλά και ότι έχω τον απόλυτο έλεγχο, παιδί μου.

34:36 Κι όμως αυτή η μικρή καθυστέρηση που μπορεί να έχεις στο να αντιδράσεις να είναι πολύ σημαντική. Θα συμφωνήσω. Άρα λοιπόν μετά από το μήνυμα μην πίνετε όταν οδηγείτε και βάζετε και ζώνες και κράνη μιας και ηλίας. Και έχονται και έλεγχοι τεχνητής νοημοσύνης. Σε αυτό το δομέα. Όχι και κινητό γιατί τώρα με τις κάμερες. με τις κάμερες σωστά είναι ωραία ιδέα αυτή μπορεί να βάλεις και μερικές κάμερες που θα τις πεις αυτές τις κάμερες βλέπετε είναι AI κάμερες δεν έχουν ξεκινήσει ακόμα αλλά τώρα όπου να έντσι ξεκινάμε ακόμα και σκληπτικό δηλαδή ότι υπάρχουν κάμερες δηλαδή βλέπεις μια κάμερα και νομίζεις ότι μπορεί να είναι η κάμερα αυτομάτως σε κάνει πιο νομοταγή Ολοκληρώνοντας σιγά σιγά αυτή την πολύ ωραία κουβέντα που είχαμε, πώς βλέπετε γενικά την ανάπτυξη της τεχνητής νοημοσύνης ως ένας ενεργός ερευνητής στην Ελλάδα όχι μόνο στον ακαδημαϊκό χώρο αλλά και στον τομέα των επιχειρήσεων αν έχετε εικόνα.

35:32 Ναι, θα σας πω στην Ελλάδα εντάξει, η τεχνητή νοημοσύνη αναπτύσσεται σε δύο ταχύτητες θα το πω πιο γρήγορα στον ακαδημαϊκό και ερευνητικό χώρο αλλά πιο λίγο να το πω πιο άνισα στις επιχειρήσεις. στο οικοδημαϊκό χώρο βλέπω μια θετική εικόνα. Υπάρχει καθαρίστατη κατέμπιση με το πλαίσιο έχουν blueprint for Greece για παράδειγμα υπάρχει ένα τέτοιο πλαίσιο for Greece AI transformation που δίνει προτεραιότητες και αρχές για την υπεύθυνη χρήση της θερμητής νοημοσύνης και εκτίζονται διάφορες και άλλες υποδομές όπως είναι το έργο Φάρος, το Δέδαλους υπάρχουν τέτοιες τέτοιες υποδομές σε τέτοια πλαίσια.

36:21 Όμως στις επιχειρήσεις, αντιθέτως, η εικόνα είναι πιο μεικτή. Ειδικά σε μεγαλύτερους οργανισμούς, αλλά η διάχυση είναι ακόμα περιορισμένη. Κυρίως στις μικρομεσαίες επιχειρήσεις. Δηλαδή, αν πάμε μέσω στατιστικά, ας πούμε, σε επίπεδο Ευρωπαϊκής Ένωσης, το 2024 αναφέρει το τι πάνω από το 13% των επιχειρήσεων χρησιμοποιούν τεχνολογίες τεχνητής νοημοσύνης.

36:48 Με μεγαλύτερα ποσοστά στις μεγάλες εταιρείες. Οπότε και στην Ελλάδα βλέπουμε ότι η οθέτηση τέτοιων τεχνολογιών παραμένει χαμηλή από το μέσο της Ευρωπαϊκής Ένωσης. Είναι θέμα κόστους? Είναι θέμα κόστους αλλά είναι θέμα και του ανθρώπινου δυναμικού. Δηλαδή να το πω έτσι ότι δεν υπάρχουν ακόμα τόσοι πολλοί άνθρωποι να πλαισιώσουν αυτή τη τεχνολογία.

37:19 Τώρα σιγά σιγά γίνεται αυτή η οθέτηση απαιτεί μια μεθυσιακή καμπύλη την οποία σίγουρα δεν την έχουμε καλύψει σαν χώρα αλλά πρέπει νομίζω να την κάνουμε την προσπάθεια γιατί αν μείνουμε πίσω θα μείνουμε πολύ πίσω. Ακριβώς, οπότε εντάξει η Ελλάδα πρέπει να ξεκινήσει να οοιμάζει πιο γρήγορα. Να το ευχηθούμε. Ναι, γιατί εντάξει, όσο να είναι πρέπει οι νέοι να μένουν και στη χώρα τους, όχι να φεύγουμε.

37:46 Θα το συστήνατε? Να μείνουμε? Ναι. Θα το ήθελα. Διπλωματική απάντηση. Διπλωματική απάντηση θα το ήθελα, αλλά πολλές φορές δεν γίνεται. Αυτό είναι ένα πάρα πολύ σοβαρό ζητούμενο, το να καταφέρουμε να κρατάμε στην χώρα ανθρώπους οι οποίοι μπορούν να προσφέρουν πολλά, έτσι ώστε να γινόμαστε καλύτεροι και όχι να τους κάνουμε δώρο στο εξωτερικό όπου γίνονται καλύτεροι οι ίδιοι και αυτό βέβαια είναι πολύ καλό βοηθάνε και τη χώρα που πιένουν αλλά δυστυχώς δεν βοηθιέται η πατρίδα μας. Ενώ έχουμε κάνει εμείς την επένδυση.

38:24 Ακριβώς. Αυτό είναι το σημαντικό ότι έχουμε κάνει εμείς την επένδυση και στο τέλος δεν το εποφελήσαμε εμείς. Άρα λοιπόν νομίζω ότι ίσως η τεχνητή νοημοσύνη και οι εξελίξεις που αυτή θα φέρει, αν τις δούμε σαν ευκαιρία ως χώρα, να μας βοηθήσουν να κάνουμε αυτό το μεγάλο βήμα του να κρατάμε τους νέους εδώ και να φέρουμε όσο γίνεται και τους άλλους πίσω.

38:53 Κύριε Τεπτερή, δεν ξέρω αν έχετε να συμπληρώσετε κάτι. Όχι. Νομίζω ότι καλύψαμε αρκετά θέματα και πολύ ωραία θέματα. Και είστε ένας άνθρωπος πρακτικός θα έλεγα, δηλαδή μας βάλατε σε πρακτικές εφαρμογές και όχι στη θεωρία. Ναι, γιατί όλα γίνονται στην πράξη, εντάξει καλή θεωρία, αλλά πολλές φορές η πράξη δείχνει το τι μπορεί να γίνει στο τέλος.

39:18 Ευχαριστούμε πάρα πολύ. Να είστε καλά και επιφυλαζόμαστε όταν θα μάθετε τις περισσότερες λεπτομέρειες για τα ρομποτικά σκυλιά να έρθετε να μας στη σπίτια και εμάς. Εννοείται. Και ό,τι άλλο θα έχετε προλάβει να κάνετε μέχρι τότε γιατί από ό,τι διακρίνω έχει το μεγάλη διάθεση και όρεξη. Ναι, η αλήθεια είναι αυτή ότι υπάρχει όρεξη.

39:39 Να δούμε και πώς θα συνεχίσουμε μετά, αν τυρευντικά έργα θα έρθουν. Οπότε βλέπετε το μέλλον να είναι αρκετά καλό. Ευχαριστούμε πάρα πολύ. Γεια σας. Και εγώ σας ευχαριστώ πάρα πολύ. Γεια σας. Να είστε καλά. Για περισσότερα τεχνολογικά ακολουθήστε μας στο Spotify στο YouTube στα Apple Podcast.