1. Πρόταση: Επανίδρυση του ΠΑΝΕΠΙΣΤΗΜΙΟΥ ΣΤΕΡΕΑΣ ΕΛΛΑΔΑΣ, που είναι η μοναδική από τις 13 Περιφέρειες της χώρας, χωρίς ΠΑΝΕΠΙΣΤΗΜΙΟ

[βλ. και σχετικό Άρθρο μου, πριν 10 σχεδόν χρόνια στον έγκυρο Εκπαιδευτικό Ιστότοπο για την Τριτοβάθμια Εκπαίδευση ESOS: Δημοσίευση: 20/09/2017, Dr. Γιάννης Αθ. Θεοδώρου-Καθηγητής ΑΤΕΙ Στερεάς Ελλάδας, τ. Αντ/δρος -ΑΤΕΙ ΛΑΜΙΑΣ].

Άποψη των κτιριακών υποδομών-εγκαταστάσεων του πρώην ΑΤΕΙ Λαμίας και σήμερα Παράρτημα και ιδιοκτησία του Παν/μίου Θεσσαλίας.

«ΔΕΛΦΙΚΟ ΠΑΝΕΠΙΣΤΗΜΙΟ ΡΟΥΜΕΛΗΣ», με έδρα την Πρωτεύουσα

Περιφέρειας Στερεάς Ελλάδας – ΛΑΜΙΑ, με Επανίδρυση του Ιστορικού (1955)

Τμήματος ΗΛΕΚΤΡΟΝΙΚΩΝ ΜΗΧΑΝΙΚΩΝ του πρώην ΑΤΕΙ Λαμίας, με

κομβικό Τμήμα ΤΕΧΝΗΤΗΣ ΝΟΗΜΟΣΥΝΗΣ (AI) -«ΤΜΗΜΑ

ΗΛΕΚΤΡΟΝΙΚΩΝ ΜΗΧΑΝΙΚΩΝ -ΤΕΧΝΟΛΟΓΙΑΣ DRONES»

[ΕΠΙΚΑΙΡΟΠΟΙΗΣΗ-Αναδημοσίευση Άρθρου μου (βλ. ESOS) για το χρονίζον πρόβλημα της «ορφανής» Πρωτεύουσας Περιφ. Στερ. Ελλ.-ΛΑΜΙΑ (η μόνη Περιφέρεια από τις 13, χωρίς ΠΑΝ/ΜΙΟ), με επίκαιρη πρόταση για «ΔΕΛΦΙΚΟ ΠΑΝΕΠΙΣΤΗΜΙΟ ΡΟΥΜΕΛΗΣ» και την Επανίδρυση του Ιστορικού (1955) Τμήματος Ηλεκτρονικών Μηχανικών του πρώην ΑΤΕΙ Λαμίας, σε σύγχρονο Τμήμα Τεχνολογίας Αιχμής (AI), όπως «ΤΜΗΜΑ ΗΛΕΚΤΡΟΝΙΚΩΝ ΜΗΧΑΝΙΚΩΝ και ΤΕΧΝΟΛΟΓΙΑΣ DRONES, αυτο-οδηγούμενα οχήματα, κλπ.»].

Στη συνέχεια, βλ. και σύγχρονο Παράδειγμα-ΑΙ, όπου φαίνεται ενδεικτικά η άμεση σχέση του Ιστορικού Τμήματος Ηλεκτρονικής Λαμίας με τα υφιστάμενα ήδη Τμήματα Φυσικο-Μαθηματικών, Βίο-Πληροφορικής, και η άμεση δυνατότητα συνέργειας, με την ΕΑΒ Βοιωτίας και την άλλοτε ακμαία-πληγείσα Βιομηχανική περιοχής Εύβοιας.

ΜΑΘΗΜΑΤΙΚΑ και ΤΕΧΝΗΤΗ ΝΟΗΜΟΣΥΝΗ

Ένα ενδεικτικό Παράδειγμα (AI), με ποιο τρόπο κάνει χρήση μαθηματικών ή κώδικα; Πχ. ένα drone ή αυτό-οδηγούμενο όχημα (*). Η Τεχνητή Νοημοσύνη σε ένα αυτο-οδηγούμενο ιπτάμενο drone μετατρέπει τα ακατέργαστα δεδομένα των αισθητήρων (sensors) σε «αντίληψη» και δράση μέσω Μαθηματικών μοντέλων και κώδικα. Ας δούμε ένα συγκεκριμένο χαρακτηριστικό παράδειγμα: Την αποφυγή ενός εμποδίου (π.χ. ενός δέντρου) κατά την πτήση.

C. Esher (1898-1972), περίφημος Ολλανδός εικαστικός καλλιτέχνης, με οραματική μαθηματική διαίσθηση (Ασαφής Λογική-Τεχνητή Νοημοσύνη), παρότι μη-μαθηματικός]

1. Τα Μαθηματικά πίσω από την «Όραση» Για να καταλάβει το drone ότι μπροστά του υπάρχει δέντρο, χρησιμοποιεί Γραμμική Άλγεβρα και Πιθανότητες:

·             Πίνακες (Matrices): Η εικόνα από την κάμερα αναλύεται ως ένας τεράστιος πίνακας αριθμών (pixels). Το AI εφαρμόζει μαθηματικές πράξεις (συνελίξεις) για να εντοπίσει ακμές και σχήματα που μοιάζουν με κορμό ή κλαδιά.

·             Τριγωνομετρία & Γεωμετρία: Με τη χρήση αλγορίθμων όπως το SLAM (Simultaneous Localization and Mapping), το drone υπολογίζει την

απόσταση από το εμπόδιο χρησιμοποιώντας γωνίες και γεωμετρικές μεταβολές μεταξύ διαδοχικών καρέ της κάμερας.

·             Λογισμός (Calculus): Χρησιμοποιείται για τη βελτιστοποίηση των νευρωνικών δικτύων (π.χ. gradient descent), ώστε το drone να μαθαίνει να αναγνωρίζει το δέντρο με μεγαλύτερη ακρίβεια κάθε φορά.

2. Ο Κώδικας πίσω από την Απόφαση

Μόλις τα μαθηματικά «πουν» στο drone ότι υπάρχει εμπόδιο σε 2 μέτρα, ο κώδικας αναλαμβάνει τη δράση. Οι προγραμματιστές χρησιμοποιούν συνήθως γλώσσες όπως η Python ήη C++.

Παράδειγμα λογικής σε κώδικα (απλοποιημένο): python

# Ανίχνευση εμποδίου μέσω AI μοντέλου

distance_to_obstacle = ai_model.detect_distance(camera_feed)

if distance_to_obstacle < 2.0: # Αν το εμπόδιο είναι πιο κοντά από 2 μέτρα

# Υπολογισμός νέας διαδρομής (Path Planning)

new_vector = calculate_avoidance_path() drone.move(new_vector) # Εντολή στους κινητήρες να στρίψουν else: drone.continue_flight() # Συνέχεια πορείας

3. Αλγόριθμοι Πλοήγησης (Path Planning)

Το drone δεν στρίβει απλώς τυχαία. Χρησιμοποιεί μαθηματικούς αλγορίθμους όπως:

·             A (A-Star):* Ένας αλγόριθμος που υπολογίζει τη συντομότερη και ασφαλέστερη διαδρομή σε έναν «χάρτη» από τελεία (grid), αποφεύγοντας τα εμπόδια.

·             PID Control: Μαθηματικές εξισώσεις που ρυθμίζουν την ταχύτητα των μοτέρ με ακρίβεια χιλιοστού, ώστε το drone να μην ταλαντεύεται και να παραμένει σταθερό παρά τον άνεμο ή την αλλαγή πορείας.

Με αυτόν τον συνδυασμό, το drone «βλέπει» (μαθηματικά) και «αντιδρά» (κώδικας) σε κλάσματα δευτερολέπτου.

Η Τεχνητή Νοημοσύνη (AI) δίνει στα drones τη δυνατότητα να «σκέφτονται» και να λαμβάνουν αποφάσεις μόνα τους, χωρίς να χρειάζονται συνεχή καθοδήγηση από άνθρωπο.

Πιο συγκεκριμένα η Αυτόνομη Παρακολούθηση και Πλοήγηση, μέσω drone, γίνεται ως εξής:

α) Αυτόνομη Πτήση και Αποφυγή Εμποδίων

Αντί ένας πιλότος να κατευθύνει το drone με τηλεχειριστήριο, το drone χρησιμοποιεί AI για να αναλύει σε πραγματικό χρόνο δεδομένα από τις κάμερες και τους αισθητήρες του (sensors-μικροεπεξεργαστές).

·             Πώς λειτουργεί: Το AI αναγνωρίζει δέντρα, κτίρια ή καλώδια και σχεδιάζει αυτόματα μια ασφαλή διαδρομή για να τα αποφύγει.

·             Παράδειγμα: Τα drones που χρησιμοποιούνται για παραδόσεις πακέτων (όπως αυτά της Amazon ή της DHL) πλοηγούνται πλέον μόνα τους σε αστικά περιβάλλοντα, προσαρμόζοντας την πορεία τους ακόμη και σε ξαφνικές ριπές ανέμου.

β) Έξυπνη Αναγνώριση Αντικειμένων (Computer Vision)

Το drone δεν καταγράφει απλώς εικόνα, αλλά «καταλαβαίνει» τι βλέπει.

·             Γεωργία: Το AI αναλύει τις καλλιέργειες και μπορεί να εντοπίσει συγκεκριμένα σημεία με ασθένειες ή έλλειψη νερού, ψεκάζοντας μόνο εκεί που χρειάζεται.

·             Έρευνα και Διάσωση: Drones με θερμικές κάμερες και AI μπορούν να εντοπίσουν αυτόματα την ανθρώπινη θερμότητα σε δάση ή ερείπια, ειδοποιώντας αμέσως τις αρχές.

γ) Αυτοματοποιημένη Επιθεώρηση Υποδομών

Τα Drones επιθεωρούν αυτόνομα γραμμές μεταφοράς ρεύματος ή ανεμογεννήτριες,

·             Παράδειγμα: Το AI εντοπίζει μικροσκοπικές ρωγμές ή σκουριά που το ανθρώπινο μάτι μπορεί να χάσει, μειώνοντας το κόστος και τον κίνδυνο για τους εργαζόμενους.

Με απλά λόγια, το drone δεν είναι πλέον μια «ιπτάμενη κάμερα», αλλά ένας ιπτάμενος υπολογιστής (sensor-μικροεπεξεργαστής) που εκτελεί σύνθετες εργασίες με ελάχιστη ανθρώπινη παρέμβαση. Μόλις τα Μαθηματικά «πουν» στο drone ότι υπάρχει εμπόδιο σε 2 μέτρα, ο κώδικας αναλαμβάνει τη δράση. Οι προγραμματιστές χρησιμοποιούν συνήθως γλώσσες όπως η Python ήη C++.

δ) Αλγόριθμοι Πλοήγησης (Path Planning) Το drone δεν στρίβει τυχαία. Χρησιμοποιεί μαθηματικούς αλγορίθμους όπως:

·             A (A-Star):* Ένας αλγόριθμος που υπολογίζει τη συντομότερη και ασφαλέστερη διαδρομή σε έναν «χάρτη» από τελεία (grid), αποφεύγοντας τα εμπόδια.

· PID Control: Μαθηματικές (διαφορικές ή διαφορών) εξισώσεις που ρυθμίζουν την ταχύτητα των μοτέρ με ακρίβεια χιλιοστού, ώστε το drone να μην ταλαντεύεται και να παραμένει σταθερό παρά τον άνεμο ή την αλλαγή πορείας, [ο PID control-ελεγκτής (Proportional-Integral-Derivative, Αναλογικός-Ολοκληρωτικός-Διαφορικός) είναι ένας αλγόριθμος ελέγχου κλειστού βρόχου που χρησιμοποιείται ευρέως στην αυτοματοποίηση για τη διατήρηση μιας μεταβλητής (π.χ. θερμοκρασίας, πίεσης, ταχύτητας) σε μια επιθυμητή τιμή (setpoint). Λειτουργεί με τρεις όρους: τον Αναλογικό (P) που αντιδρά στο τρέχον σφάλμα, τον Ολοκληρωτικό (I) που διορθώνει συσσωρευμένα σφάλματα, και τον Διαφορικό (D) που προβλέπει μελλοντικά σφάλματα, συνδυάζοντας τις διορθώσεις για να εξασφαλίσει ακριβή, σταθερή και αποτελεσματική ρύθμιση του συστήματος]. Με αυτόν τον συνδυασμό, το drone «βλέπει» (μαθηματικά) και «αντιδρά» (κώδικας) σε κλάσματα δευτερολέπτου. (*) [βλ. και Επιστημονικές Πηγές, AI (2/2026)].

ε) ΑΣΑΦΗΣ ΛΟΓΙΚΗ (FL) και ΤΕΧΝΗΤΗ ΝΟΗΜΟΣΥΝΗ (AI)

(**) Η Ασαφής Λογική (Fuzzy Logic-FL) αποτελεί θεμελιώδη πυλώνα της Τεχνητής Νοημοσύνης (Artificial Intelligence-AI), καθώς (μαζί με τα νευρωνικά δίκτυα) επιτρέπει στις μηχανές να επεξεργάζονται πληροφορίες με τρόπο που προσεγγίζει την ανθρώπινη σκέψη και τη φυσική γλώσσα (ασαφή σύνολα, γλωσσικές μεταβλητές, fuzzy control, κλπ.). Έτσι, ενώ η Κλασική Πληροφορική βασίζεται στο δυαδικό σύστημα (1 ή 0, δηλ. αληθές ή ψευδές, είτε μόνον άσπρο-μαύρο), η ασαφής λογική εισάγει τις διαβαθμίσεις της αλήθειας (γκρι), μέσω της έννοιας του Ασαφούς Συνόλου που είναι επέκτασηυπερσύνολο του κλασικού δίτιμου συνόλου. Έτσι θα μπορούσαμε να πούμε πιο απλά, ότι η Ασαφής Λογική (L. Zadeh, 1965) είναι μια ριζική επέκταση των γνωστών Κλασικών Μαθηματικών (δηλ. της κλασικής Αριστοτέλειας δίτιμης λογικής),

**{βλ. σχετικά και Bιβλίο-Μονογραφία του Αρθρογράφου: «Ασαφής ΛογικήFuzzy Logic», Συγγραφέας Γιάννης Α. Θεοδώρου, Εκδόσεις Τζιόλα Θεσσαλονίκη 2010, Διδακτικό Σύγγραμμα που διανέμεται εδώ και χρόνια, από το Σύστημα «ΕΥΔΟΞΟΣ» του Υπουργείου Παιδείας στους φοιτητές Πολυτεχνείων-Πανεπιστημίων της χώρας, όπως Ηλ/γων Μηχανικών Πολυτεχνικής ΑΠΘ, Παν/μίου Πατρών, Μαθηματικών Θεσσαλίας, Σάμου, κλπ.}.

**[J.P. Benzecri (1932-2019), Μαθηματικός-Στατιστικός, ο Θεμελιωτής της πρωτοποριακής Στατιστικής μεθόδου «Παραγοντική Ανάλυση Αντιστοιχιών Factorial Correspondence Analysis», με νέα βασική Αρχή: «Στην εποχή των Computers-PC και AI, με τεράστια συλλογή άφθονων πληροφοριών και πολυδιάστατων Δεδομένων, η Στατιστική δεν μπορεί να παραμένει στην Πιθανοθεωρία των προκαθορισμένων μοντέλων του περασμένου αιώνα (Kolmogorov (1903-1956), των κατανομών-μοντέλων Gauss, Borel,κλπ.),

που ορίζει ότι: {Το μοντέλο πρέπει-οφείλει να ακολουθεί τα πολυδιάσταταπολυπληθή και ογκώδη συνήθως Δεδομένα-Πληροφορίες και όχι το αντίστροφο όπως γίνεται στην κλασική Πιθανοθεωρία}] .

Η σχέση της Ασαφούς Λογικής με την Τεχνητή Νοημοσύνη εντοπίζεται σήμερα το 2026, στα εξής κύρια σημεία:

1. Διαχείριση Αβεβαιότητας και Ασάφειας

Η ασαφής λογική επιτρέπει στα συστήματα AI να λαμβάνουν αποφάσεις βασισμένα σε ανακριβή ή ελλιπή δεδομένα. Αντί για απόλυτες κλασικές αριθμητικές τιμές, χρησιμοποιεί γλωσσικούς προσδιορισμούς (Ασαφή σύνολα-Ασαφείς Αριθμοί-Ασαφείς μεταβλητές), όπως "πολύ", "μέτρια" ή "λίγο", βοηθώντας το AI να κατανοήσει τόσο την ασάφεια της φυσικής γλώσσας, όσο και της ανθρώπινης (αβέβαιης-αόριστηςασαφούς) προσεγγιστικής σκέψης και λογικής.

2. Μίμηση Ανθρώπινης Λήψης Αποφάσεων

Τα Ασαφή συστήματα (με ασαφείς-γλωσσικές μεταβλητές) που βασίζονται στην Ασαφή Λογική μπορούν να μοντελοποιήσουν πολύπλοκες καταστάσεις που δεν έχουν σαφή όρια, όπως η διάγνωση ασθενειών ή η εκτίμηση οικονομικών κινδύνων. Σήμερα το 2026, η ασαφής λογική συνεχίζει να είναι κρίσιμη για την ανάπτυξη εξηγήσιμης AI (Explainable AI), καθώς οι κανόνες της είναι πιο κατανοητοί από τον άνθρωπο σε σχέση με τα "μαύρα κουτιά" των νευρωνικών δικτύων.

3. Υβριδικά Συστήματα (Neuro-fuzzy)

Στη σύγχρονη Τεχνητή Νοημοσύνη, η ασαφής λογική συχνά συνδυάζεται με τα νευρωνικά δίκτυα. Τα νευρο-ασαφή συστήματα συνδυάζουν την ικανότητα μάθησης των νευρωνικών δικτύων με την ικανότητα ερμηνείας της ασαφούς λογικής, επιτρέποντας στο AI να μαθαίνει από τα δεδομένα αλλά και να εξηγεί τη λογική τους.

4. Πρακτικές Εφαρμογές το 2026

· Αυτόνομη οδήγηση γενικά (π.χ. Αυτοκίνητα-ABS, Αεροπλάνα-Ελικόπτερα (drones), πλοία, υποβρύχια, πολεμικές μηχανές, μετρό-τραίνα, ρομπότ): Χρήση για την ερμηνεία ασαφών συνθηκών στο δρόμο και τη λήψη αποφάσεων σε πραγματικό χρόνο.

· Οικιακές συσκευές: "Έξυπνα" πλυντήρια, κλιματιστικά ή κάμερες, κλπ., που προσαρμόζουν τη λειτουργία τους βάσει επιπέδων ρύπανσης ή θερμοκρασίας.

· Ιατρική: Συστήματα υποστήριξης κλινικών αποφάσεων που αξιολογούν συμπτώματα ασθενών με διαβαθμίσεις-διάγνωσης σοβαρότητας.

· Οικονομικά: Αλγόριθμοι συναλλαγών και αξιολόγηση πιστοληπτικής ικανότητας υπό συνθήκες αγοράς με μεγάλη μεταβλητότητα.

(*) {βλ. και Επιστημονικές Πηγές, AI (2/2026)}

(**) {βλ. σχετικά Εφαρμογές στο Bιβλίο-Μονογραφία του Αρθρογράφου:

«Ασαφής Λογική-Fuzzy Logic», Συγγραφέας Γιάννης Α. Θεοδώρου, Εκδόσεις Τζιόλα -Θεσσαλονίκη 2010-2012}.

(**) Dr. Γιάννης Αθαν. Θεοδώρου
τ. Καθηγητής Ηλεκτρονικών Μηχανικών ΑΤΕΙ Στερεάς Ελλάδας
[Μαθηματικός-Στατιστικός (DEA),
Dr. Ασαφούς Λογικής-Fuzzy Logic]