سه مانعی که فناوری هوش مصنوعی و یادگیری ماشین بر آن‌‌‌ها غلبه خواهند کرد

همانند همه عرصه‌‌‌های فناوری، فناوری هوش مصنوعی و یادگیری ماشین نیز محدودیت‌‌‌های مشخصی دارند. کسب‌‌وکارها و سازمان‌‌‌ها برای پیاده‌‌‌سازی هوش مصنوعی باید بدانند که این مرزها کجا ترسیم شده است و تا چه اندازه می‌‌‌توان از قابلیت‌‌‌های این دو حوزه استفاده کرد.

اگرچه ما هنوز مراحل ابتدایی انقلاب هوش مصنوعی را طی می‌کنیم، اما تا همین امروز هم کارهای زیادی نمانده که هوش مصنوعی نتواند انجام دهد. از دشواری‌‌‌هایی که کسب‌‌وکارها در فرایندهای خود دارند تا موضوعات اجتماعی که انسان‌‌‌ها با آن دست به گریبان‌‌‌اند، هوش مصنوعی برای همه این موضوعات راه‌‌‌حل‌‌‌های متفاوت خود را دارد. این‌جا دنیایی است که از یادگیری ماشین و هوش مصنوعی خواسته شده تا مشکلات بی‌راه‌‌‌حل را گره‌‌گشای کند. با داشتن این فرصت بی‌پایان، آیا محدودیتی برای آنچه هوش مصنوعی می‌‌‌تواند انجام دهد وجود دارد؟

بله، فناوری هوش مصنوعی و یادگیری ماشین محدودیت‌‌‌های مشخصی دارند. هر سازمانی که قصد پیاده‌‌‌سازی هوش مصنوعی را دارد، باید درک کند که این مرزها کجا ترسیم شده است تا تصور اشتباهی از کارکرد‌‌‌های این فناوری در ذهن نداشته باشد و بر اساس باوری نادرست، خود را دچار مشکل نکند. اکنون بیایید نگاهی بیندازیم به سه زمینه اصلی که هوش مصنوعی در آن‌‌ها در حال رشد است و به زودی بر آن‌‌‌ها غلبه خواهد کرد.

1. مشکل داده‌‌ها برطرف خواهد شد

هوش مصنوعی توسط الگوریتم‌‌‌های یادگیری ماشین خود را رشد می‌‌‌دهد و ارتقا می‌‌‌یابد. این الگوریتم‌‌‌ها یا مدل‌‌‌ها، مقدار زیادی داده را دریافت می‌‌‌کنند تا الگوها را تشخیص دهند و از آن‌‌‌ها نتیجه بگیرند و با استفاده از نتایج، خود را پی‌‌درپی ارتقا دهند. این مدل‌‌‌ها با داده‌‌‌های برچسب‌‌خورده‌‌ای آموزش داده می‌‌‌شوند که سناریوهای بی‌‌‌شماری را که هوش مصنوعی در دنیای واقعی با آن‌‌‌ها قرار است روبه‌‌‌رو شود را منعکس می‌‌‌کنند. به عنوان مثال، پزشکان باید هر اشعه ایکس را برچسب‌‌‌گذاری کنند تا در صورت وجود تومور، هوش مصنوعی بتواند آن را تشخیص دهد و نوع آن را مشخص کند. یک هوش مصنوعی تنها پس از بررسی هزاران تصویر اشعه ایکس می‌‌‌تواند به درستی پرتوهای ایکس جدید را تشخیص دهد و به تنهایی آن‌ها را برچسب‌‌‌گذاری کند. این جمع‌‌‌آوری و برچسب‌‌‌گذاری داده‌‌‌ها یک فرایند بسیار طولانی برای انسان است.

در بعضی موارد، اطلاعات کافی برای ساخت مناسب مدل را در اختیار نداریم. اتومبیل‌‌‌های خودران با همه چالش‌‌‌های پیش روی خود، با مشکلات طبیعی محیط نیز دست و پنجه نرم می‌‌‌کنند. یک رگبار باران را در نظر بگیرید که در آن نمی‌‌‌توانید تا دو متری مقابل شیشه جلوی اتومبیل را ببینید. چه رسد به خطوط موجود در جاده! آیا هوش مصنوعی می‌‌‌تواند با خیال راحت از این موقعیت‌‌‌ها عبور کند و توانایی خود را نشان دهد؟ آموزش‌دهندگان هوش مصنوعی صدها هزار مایل را همراه با اتومبیل‌‌‌های خودران طی می‌‌‌کنند تا با همه این موقعیت‌‌‌های دشوار روبه‌‌‌رو شوند و ببینند که الگوریتم چگونه در هر موقعیت واکنش نشان می‌‌‌دهد و بر همین اساس تنظیماتی را که باید، انجام می‌‌‌دهند.

در موارد دیگر، ما به اندازه کافی داده در اختیار داریم، اما ناخواسته با تاثیر گرفتن از گرایش‌‌‌های شخصی خود، آن داده‌‌‌ها را آلوده می‌‌‌کنیم. مثلا ما انسان‌‌‌ها می‌‌‌توانیم هنگام بررسی سوابق دستگیرشدگانی که ماری جوانا به همراه داشته‌‌اند، بر اساس نژاد آن‌‌‌ها قضاوت‌‌‌هایی را انجام دهیم و نتیجه آن را به بقیه افراد تعمیم دهیم و قضاوت نادرستی انجام دهیم. آمارها نشان می‌‌‌دهد، یک فرد سیاه‌‌‌پوست 64/3 برابر بیشتر از یک فرد سفیدپوست دستگیر می‌‌‌شود. این داده می‌‌‌تواند ما را به این نتیجه برساند که سیاه‌‌‌پوستان از مصرف‌‌‌کنندگان حرفه‌‌‌ای ماری جوانا به شمار می‌‌‌روند. اما با تجزیه و تحلیل بی‌‌‌طرفانه آمار مصرف ماری جوانا درمی‌‌‌یابیم که تفاوت میان نژاد‌‌‌ها در مصرف این ماده مخدر تنها 2٪ است. وقتی گرایش‌‌‌ها و دیدگاه‌‌‌های شخصی را روی داده‌‌‌های خود پیاده‌‌‌سازی کنیم و آن‌‌‌ها را مبنای قضاوت در نظر گیریم، به نتایج غلط می‌‌‌رسیم و خروجی‌‌‌های ما ضدونقیض می‌‌‌شوند. وقتی مجموعه داده‌‌‌های متناقص را به اشتراک بگذاریم، اوضاع بدتر هم می‌‌‌شود.

خواه مشکل ما ماهیت دستی ثبت اطلاعات باشد یا کمبود داده با کیفیت، راه‌‌‌حل‌‌‌های امیدوارکننده‌‌‌ای وجود دارد. یادگیری تقویتی یکی از این راه‌‌‌حل‌‌‌های پیش‌ رو است. یادگیری تقویتی می‌‌‌تواند آنقدر گسترده شود که یک روز انسان را به سمت مدیریت برچسب‌‌‌گذاری برای ماشین سوق دهد. این روش که در آموزش روبات‌‌‌ها کاربرد دارد، با استفاده از تقویت مفهوم مثبت و منفی، می‌‌‌تواند برای آموزش مدل‌‌‌های هوش مصنوعی مورد استفاده قرار گیرد. همچنین وقتی صحبت از گم شدن داده می‌‌‌شود، شبیه‌‌سازی‌‌‌های مجازی ممکن است به ما کمک کند تا شکاف موجود را برطرف کنیم. این پلتفرم‌ها محیط هدف را شبیه‌‌‌سازی می‌‌‌کنند تا به مدل ما امکان یادگیری خارج از دنیای فیزیکی را بدهند.

2. اثر جعبه سیاه از میان خواهد رفت

هر برنامه نرم‌‌افزاری طبق منطق خاصی اجرا می‌‌‌شود و دستورات را به عمل در می‌‌‌آورد. برای این‌‌که بفهمیم یک نرم‌‌افزار چطور این دستورات را اجرا می‌‌‌کند، می‌‌‌توانیم مجموعه‌‌ای از ورودی‌‌‌های یک سیستم را ردیابی کنیم تا چگونگی اجرا و رسیدن به نتایج نهایی را بررسی کنیم. اما این روند درباره هوش مصنوعی به این اندازه شفاف نیست. هوش مصنوعی که با شبکه‌‌‌های عصبی ساخته شده، نتایج منحصربه‌‌فردی دارد که توضیح نهایی آن دشوار است. ما به این فرایند «اثر جعبه سیاه» می‌‌‌گوییم. ما می‌‌‌دانیم که هوش مصنوعی دارد کار می‌‌‌کند و خروجی می‌‌‌دهد، اما نمی‌‌‌توانیم نحوه کار را به صورت شفاف بشناسیم. اثر جعبه سیاه گاهی باعث بروز مشکلاتی می‌‌‌شود. مثلا در شرایطی که هوش مصنوعی مسئول یافتن گزینه‌‌‌های مناسب شغلی است، یا وقتی هوش مصنوعی در زمینه قضاوت و حقوق انسانی وارد عمل می‌‌‌شود، اگر نتواند برای کسی شغلی پیدا کند یا مجرمی حکم زندان طولانی‌‌تری دریافت کند، ما باید نشان دهیم که الگوریتم مورد نظر، منصفانه عمل کرده و نتایج قابل اعتماد است. وقتی نتوانیم توضیح دهیم که چگونه این تصمیمات در دالان‌‌‌های این شبکه‌‌‌های بزرگ یادگیری عمیق گرفته شده است، مجموعه‌‌‌ای از گرفتاری‌‌‌های قانونی و نظارتی در انتظار ماست.

بهترین راه برای غلبه بر اثر جعبه سیاه، شکستن محدودیت‌‌‌های الگوریتم و تغذیه آن با ورودی‌‌‌های مختلف است تا ببینیم چه تفاوتی در نتایج ایجاد می‌‌‌شود. به طور خلاصه، این انسان‌ است که عملکرد هوش مصنوعی را تفسیر می‌‌‌کند. علم به سختی از عهده این کار برمی‌‌‌آید. از همین رو، برای عبور هوش مصنوعی از این مانع بزرگ، باید تلاش بیشتری انجام شود.

3. پیشرفته‌ترین سیستم‌ها نیز دستشان به انسان‌ها نمی‌رسد!

هر کسی که تا امروز نگران این بود که در آینده هوش مصنوعی دنیا را مثل ترمیناتور تسخیر کند، حالا می‌‌‌تواند خیالش راحت باشد! هوش مصنوعی در تشخیص الگو عالی است، اما نمی‌‌‌توان انتظار داشت که در سطح بالاتری از هوشیاری عمل کند. استیو وزنیاک این موضوع را تست قهوه نامیده است. آیا یک روبات می‌‌‌تواند به یک خانه معمولی وارد شود و یک فنجان قهوه درست کند؟ این قهوه درست کردن شامل یافتن آسیاب‌‌‌های قهوه، یافتن لیوان، شناسایی دستگاه قهوه، افزودن آب و زدن دکمه‌‌‌های سمت راست ماشین قهوه‌ساز است. این باورها درباره هوش مصنوعی، تصوری عام و غیرعلمی است که در آن هوش مصنوعی جهشی از شبیه‌‌سازی هوش انسانی است. در حالی که محققان با پشتکار در حال کار روی این مشکل‌اند، عموم مردم که دیدگاه علمی در این زمینه ندارند، مدام سوال می‌‌‌کنند که آیا هوش هرگز به این حد از کنترل روی انسان دست می‌‌‌یابد؟

فناوری هوش مصنوعی و یادگیری ماشین در حال تکامل‌اند. محدودیت‌‌‌های امروز پلی است برای موفقیت‌های فردا. نکته اصلی ادامه آزمایش و یافتن فرصتی است که بتوانیم به این فناوری ارزش افزوده دهیم. اگرچه باید محدودیت‌‌‌های هوش مصنوعی را تشخیص دهیم، اما نباید اجازه دهیم این محدودیت‌‌‌ها مانع از انقلاب در این عرصه شود.