افزایش سازگاری هوش مصنوعی با عادات جدید زندگی بشر

ما انسان‌ها کلا قابل پیش‎بینی هستیم. در ساعت‌های خاص در روز دوست داریم مشغول خوردن باشیم، از مسیرهای ثابت برای رفتن به محل کار استفاده می‌کنیم، معمولا به رستوران و مرکز خریدهای تکراری می‎رویم و افراد ثابتی را ملاقات می‎کنیم. اما انسان یک حس ماجراجویی و میل به اکتشاف ناشناخته‌ها هم دارد. هرچند که روز به روز طبق عادات عمل می‌کنیم. در این شرایط سازگاری هوش مصنوعی با عادت‌های زندگی انسان در حال افزایش است.

پاندمی کرونا از ما که معمولا امور روزمره را انجام می‌دادیم، فردی ساخته که برای شرایط بحرانی با خلاقیت راه حل پیدا می‌کند. حالا همه از خود می‌پرسند برای ایمن بودن باید چه کنند؟ چه کسانی را می‌توانند ببینند؟ چه کارهایی می‌توانند بکنند؟ کجا می‌توانند بروند؟ اما شرکت‌هایی که برای ارتباط برقرار کردن با مشتریان تکیه بر هوش مصنوعی دارند، مشکلاتی متفاوت داشتند و الگوریتم‌هایشان باید تغییراتی می‌کرد.

جوان برونا، استادیار موسسه کورانت و مسئول بخش علوم داده دانشگاه نیویورک، می‌گوید:«کرونا فقط برای مردم شوک نبود، بلکه برای الگوریتم‌های یادگیری ماشین هم یک شوک بود. اپلیکیشن‌‎هایی که تکیه بر نیروی انسانی داشتند، دچار تحولات بسیاری شدند، بسیاری از فعالیت‌های ما هم تغییر کردند».

انعطاف‌پذیری در زمان مواجه شدن با بحران چیزی است که انسان‌ها به خوبی با آن کنار آمده‌اند. وقتی کرونا زندگی مردم را تغییر داد، مهندسین هم مجبور شدند الگوریتم‌ها را برای تغییرات زمانی تغییر دهند.

بایان بروس، مدیر یادگیری ماشین کاربردی در کپیتال وان می‎گوید:«وقتی مدلی را می‎سازی، فرضیات ضروری‌ای درباره داده‌ها و پردازش‌ها ایجاد می‌کنی، بعد چیزی مانند پاندمی شروع می‎شود و همه آن فرضیات را به هم می‎ریزد. در واقع دنیا دائما در حال تغییر است، پس مدل‌ها باید توانایی سازگار شدن را داشته باشند».

تغییر از حالت ایستایی

بروس می‌گوید:«اصل اساسی پروژه‌های یادگیری ماشین ایستایی است. فرض اصلی این است که داده تغییر نخواهد کرد. وقتی مدلی را آموزش می‌دهی، فرض را بر این می‌گذاری که رابطه بین امکانات، مدل و خروجی در گذر زمان تغییر نخواهد کرد. اگر با دانشمندان داده صحبت کنید، می‌دانند که این فرضیه اشتباه است، چون دنیا مکانی دینامیک است. هرچند بیشتر تغییرات در داده‌ها تدریجی هستند و در نتیجه مدل‌ها زمان لازم برای تنظیم شدن را دارند».

نکته مهم این است که پاندمی کرونا زمان خوبی در اختیار ما نگذاشت تا مدل‌ها را تغییر دهیم. یکی از توسعه‌های حیاتی در طرز برخورد با مشتریان که تقریبا یک‌‎شبه هم اتفاق افتاد، تغییر و تمایل به تجارت‌های آنلاین بود. خریدهای آنلاین به نسبت خریدهای حضوری رشد بسیاری به نسبت دهه گذشته داشته است. در سال 2007 میزان این خریدها 5.6% و در سال 2019 معادل 16% بوده است. البته این روند رو به رشد بوده است، اما پاندمی کرونا سرعت رشد آن را بیشتر هم کرده است. با طولانی شدن پاندمی کرونا، بسیاری از شرکت‌ها حتی اساسی‌ترین کارهایشان را هم آنلاین کردند.

بروس می‌گوید:«اگر مدلی بسازید بر این اساس که فردی همه خریدهایش را حضوری انجام می‌دهد، اما در واقع خریدهایش آنلاین باشد، کار شما به نظر کلاهبرداری می‌‎رسد. اما وقتی رفتار کل جامعه تغییر کند، کل سیستم اعلام می‌کند که اتفاق دیگری در حال رخ دادن است».

همسایه‌های جدید

این دقیقا همان اتفاقی است که با بسته شدن تجارت‌ها به دلیل پاندمی کرونا شروع به رخ دادن کرد. به شکل عجیبی، بیشتر عادات مشتریان ما بر اساس کالاها و سرویس‌هایی است که از نظر فیزیکی در نزدیکی هم قرار دارند. شاید شما به یک مغازه سخت‎افزار و بعد از آن هم به کافی‌شاپ بروید، تنها به این دلیل که نزدیک به هم بوده‌اند. اما از زمان پاندمی کرونا، عادات ما مثل یک خوشه در اطراف سرویس‌ها ساختاربندی شدند و دلیلش هم این است که حالا بیشتر مردم خریدهایشان را آنلاین انجام می‌دهند. با شرایطی که کرونا برای خرید ایجاد کرده، مهندسان و محققان فرضیه‌های جدیدی برای تغییر وضعیت دارند.

اگر کمی بی‌پروا به نظر می‎رسد، تصور کنید چقدر سودمند خواهد بود اگر بتوانیم عادات جدید مشتریان را درک کنیم و سریع با آن‌ها هماهنگ شویم. بروس در این باره می‌گوید:«داده‎ای که دارید و این که چطور آن را تحت کنترل گرفته‌اید، موضوعی حیاتی است. در کپیتال وان، ما از داده‌‎هایمان استفاده می‌کنیم تا تجارب مشتریان را بهتر کنیم. یاد می‎گیریم چطور به روش بهتری مشکلات مشتریان را در تجارب دیجیتال و مرکز تماس برطرف کنیم».

همچنین داده‌های مربوط به عادات خرید ما می‌‎تواند احتمال کلاه‌‎برداری را زیاد کند، در نتیجه با تغییر عادات و در شرایطی که مقیاس خریدها تغییر کند، شناسایی اقدامات مخرب راحت‌تر خواهد شد.

سازگار شدن با عادت‌های جدید

اگر بگوییم در سال 2020 مجموعه داده‌‎های مربوط به رفتارهای ما تغییری سریع داشتند، منصفانه است. در این سال الگوریتم‌های یادگیری ماشین با روشی که قبلا آن را تجربه نکردیم، آزموده شدند. در نتیجه برای اولین بار در مقیاسی جهانی توانستیم قدرت سازگاری سیستم‌های یادگیری ماشین را محک بزنیم.

بروس معتقد است بهترین راه برای انعطاف‌پذیر کردن ساخت مدل‌های یادگیری ماشین، مشاهده مداوم متغیرهای داخل یک مدل و پیش‌بینی‌های انجام شده توسط آن است. مشاهده یعنی آنالیز مداوم ورودی‌ها و خروجی‌ها با روش‌های مختلف برای درک این موضوع که تغییری حاصل شده است یا نه».

هدف تحقیقات بروس آموزش روش تدریس است که فراتر از شناخت الگوها باشد و بتواند استنباط علیتی داشته باشد. یعنی توانایی درک رابطه علیتی در پدیده‌هایی که سعی می‌‎کنید آن‌ها را یک مدل کنید. بروس در ادامه می‌گوید:«دانستن روابط علیتی به شما اجازه می‌دهد که وقتی چیزی خط مشی شما را تغییر می‌دهد، بدانید چه باید بکنید».

نگاه به مسیر پیش رو

در شرایطی که محققان در حال رمزگشایی از پتانسیل‌ زمینه‌های یادگیری ماشین و هوش مصنوعی هستند، انتظار می‌رود این دو رشد خوبی داشته باشند. به نظر برونا یکی از بخش‌هایی که گسترش احتمالی دارد اضافه کردن الگوریتم‌های یادگیری ماشین به علم پردازشی مانند شیمی، بیولوژی یا فیزیک است.

برونا می‌گوید:«یادگیری ماشین تبدیل به اکوسیستمی وسیع با کاربردهای بسیار زیاد شده است. توصیه من برای دانشمندان و مهندسان یادگیری ماشین این است که وسعت و عمق مهارت‌های یادگیری ماشینشان را به تعادل برسانند. به عبارت دیگر نگران تسلط داشتن به همه جنبه‌های یادگیری ماشین نباشید، در عوض یک بخش را انتخاب کنید و برایش وقت بگذارید تا به خوبی متوجه اصول پایه‌ای الگوریتم‎هایش شوید».

به نظر استفاده روز‌افزون تجارت‌ها از هوش مصنوعی قطعی است. در این شرایط الگوریتم‌هایی که بهتر آموزش داده شدند می‌توانند به تجارت‌ها کمک کنند که مشتریانشان را بهتر درک کنند و بتوانند خدمات بهتری به آن‌ها ارائه دهند.

بروس می‌گوید:«یادگیری ماشین به ما این اجازه را می‌دهد که موقعیت‌هایی جدیدی برای شخصی‌سازی تجارب مشتری به آن‌ها ارائه دهیم. کاری که با یادگیری ماشین می‌توان کرد شناسایی خواسته‌های مشتریان، ارائه اطلاعات مورد نیاز به آن‌ها و کمک کردن به مردم به روش‌های ممکن است».

در زمانی که ابهامات گسترده‌ای وجود دارد، این ماموریت به نظر از همیشه مهم‌تر است.