Στοιχεία επιβλεπόντων καθηγητών:
Ντούλας Αλέξανδρος, Επίκουρος Καθηγητής, Πληροφορικής και Τηλεπικοινωνιών, Εθνικό και Καποδιστριακό Πανεπιστήμιο Αθηνών
Περίληψη:
Τα τελευταία χρόνια με τη διαρκή εξέλιξη της τεχνολογίας και λόγω της μεγάλης
υπολογιστικής ισχύος που έχουν αποκτήσει τα υπολογιστικά συστήματα, ο τομέας της
μηχανικής μάθησης έχει σημειώσει αλματώδη πρόοδο. Ως απόρροια αυτού, οι εφαρμογές
βαθιάς μηχανικής μάθησης καταλαμβάνουν πλέον, μεγάλο μέρος στη σύγχρονη ζωή. Μια
από τις πιο γνωστές και συνάμα ενδιαφέρουσες χρήσεις της, βρίσκεται στην επιστήμη της
εξόρυξης και επεξεργασίας δεδομένων, που έχει στόχο τη βελτίωση της καθημερινότητάς
μας.
Η παρούσα πτυχιακή αποτελεί μια εφαρμογή που εστιάζει στον τομέα της ψυχολογίας
των ανθρώπων. Στόχος της είναι η καλύτερη κατανόηση της προσωπικότητάς τους και
κατ’ επέκταση, στη βελτίωση της ζωής τους μέσα από αυτή. Συγκεκριμένα, πρόκειται για
μια εφαρμογή βαθιάς μηχανικής μάθησης, όπου με τη βοήθεια νευρωνικών δικτύων,
μελετώνται δεδομένα που αντιστοιχούν σε δημοσιεύσεις χρηστών του διαδικτύου. Mέσω
αυτών γίνεται η πρόβλεψη των δεικτών τύπου προσωπικότητας Myers-Briggs που
αντιστοιχούν στους ανθρώπους αυτούς. Η ανάπτυξη της εφαρμογής αυτής
πραγματοποιήθηκε με δυο διαφορετικές υλοποιήσεις και στο τέλος έγινε σύγκριση των
προβλέψεων που εξήγαγαν. Στην πρώτη υλοποίηση, αρχικά, γίνεται η λήψη των
δεδομένων αυτών και στη συνέχεια η επεξεργασία τους, ώστε να δοθούν στο νευρωνικό
δίκτυο για να εκπαιδευτεί. Επειδή τα δεδομένα είναι ακολουθίες με μεγάλο μήκος, το
μοντέλο νευρωνικού δικτύου που επιλέχθηκε είναι αυτό του αναδρομικού νευρωνικού
δικτύου. Συγκεκριμένα, το είδος που επιλέχθηκε να αναπτυχθεί είναι το νευρωνικό δίκτυο
LSTM, που είναι κατάλληλο για τέτοιου είδους δεδομένα. Δεδομένου όμως, της φύσης
της πρόβλεψης που καλείται να κάνει, η οποία μπορεί να διασπαστεί σε τέσσερις
επιμέρους προβλέψεις, κρίθηκε σκόπιμο να εκπαιδευτούν τέσσερα διαφορετικά μοντέλα.
Οι τέσσερις διαφορετικές προβλέψεις μαζί συνθέτουν τον δείκτη τύπο προσωπικότητας
Myers-Briggs. Αφού ολοκληρωθεί η εκπαίδευση του, τα μοντέλα είναι σε θέση να εξάγουν
τις προβλέψεις τους. Τα αποτελέσματα κρίνονται αρκετά ικανοποιητικά, καθώς τα
μοντέλα σε ένα μεγάλο βαθμό κατάφεραν να προσδιορίσουν τον τύπο της
προσωπικότητας των χρηστών που είχαν κάνει τις δημοσιεύσεις.
Η δεύτερη υλοποίηση πραγματοποιήθηκε, κάνοντας χρήση της μεθόδου BERT, που
αναπτύχθηκε πρόσφατα (2018) από τη Google. Αρχικά, έγινε και εδώ η λήψη των
δεδομένων, αλλά η επεξεργασία τους ήταν αρκετά μικρότερη. Ο λόγος είναι ότι η
λειτουργία του συγκεκριμένου μοντέλου βασίζεται στα αμφίδρομα νευρωνικά δίκτυα, που
διαχειρίζονται καλύτερα μη επεξεργασμένες ακολουθίες εισόδου. Στη συνέχεια έγινε η
εκπαίδευση τεσσάρων μοντέλων, όπως στην προηγούμενη υλοποίηση και ακολούθησε
η εξαγωγή των προβλέψεων. Η αξιολόγηση των αποτελεσμάτων αυτής της υλοποίησης
είναι αρκετά κοντά με την προηγούμενη, καθώς τα μοντέλα επέδειξαν παραπλήσια
συμπεριφορά κατά την εκπαίδευση τους.
Τέλος, με την υλοποίηση της παρούσα πτυχιακής εργασίας γίνεται απολύτως κατανοητό
οτι η τεχνητή νοημοσύνη προφέρει απεριόριστες δυνατότητες στη βελτίωση της
καθημερινότητάς των ανθρώπων. Η υλοποίηση τέτοιου είδους εφαρμογών μπορούν με
γρήγορες και αποδοτικές λύσεις να αντιμετωπίσουν προβλήματα με την ελάχιστη χρήση
πόρων.
Λέξεις-κλειδιά:
Myers-Briggs τύπος προσωπικότητας, Βαθιά μηχανική μάθηση, Νευρωνικά δίκτυα, LSTM, BERT
