پوشش اختصاصی هوشیو از رویداد اینوتکس: گزارش پنل هوش مصنوعی الان! با ارائه شرکت بیتکس
تیم تحریریه- ۲۵ اردیبهشت ۱۴۰۲
دوازدهمین دوره از نمایشگاه بین‌المللی نوآوری و فن‌آوری (اینوتکس) که در روزهای پایانی هفته گذشته (۱۹ الی ۲۲ اردیبهشت‌ماه) شاهد برپایی آن بودیم، با حضور کارشناسان و صاحب‌نظران حوزه فناوری و ارائه پنل‌های متنوع، مرتبط با موضوعات و چالش‌های گوناگون حوزه هوش مصنوعی، پربارتر گردیده بود. یکی از سخنرانی‌های ارائه شده در این راستا، از سوی محمد ثامنی مدیر توسعه فناوری از شرکت بیتکس بود که در روز سوم نمایشگاه (۲۱ اردیبهشت‌ماه) صورت پذیرفت. اگر مشتاق هستند که بدانید تا کجا باید به توانایی‌هایی هوش مصنوعی باور داشته باشید و آشنایی با ابزارهای هوشمند، با قابلیت تحلیل بازار مالی برایتان جالب است، سخنرانی ثامنی در پنل «هوش مصنوعی الان!» برایتان جالب خواهد بود.
به گزارش خبرگزاری هوشیو از دوازدهمین دوره از نمایشگاه بین‌المللی اینوتکس؛ محمد ثامنی مدیر توسعه فناوری شرکت بیتکس، فعال در زمینه هوش مصنوعی در حوزه پیش‌بینی بازار، در ابتدای ارائه پنل خود به ارائه توضیح درخصوص یکی از موضوعات داغ هوش مصنوعی یعنی چت جی پی تی پرداخت و گفت: بعد از معرفی چت جی پی تی به بازار، این چت‌بات توانست تعداد کاربر بسیار زیادی را جذب نماید و در‌حال‌حاضر سوال اینجاست که به یکباره چه اتفاقی افتاد و آیا این اتفاق تدوام خواهد یافت یا خیر؟
پیش‌بینی‌های هوش مصنوعی از بازار تا چه حد قابل اتکاست؟
وی در ادامه به تشریح فعالیت‌های بیتکس پرداخت تا با نیم نگاهی به تاثیر هوش مصنوعی بر حوزه مالی، به سوال خود پاسخ دهد و در این راستا اظهار داشت: بیتکس در واقع یک اکوسیستم و زیرساخت برای توسعه محصولات فناورانه است. ما یک پلتفرم غیرمتمرکز وام‌دهی برمبنای ریال، لیر و درهم داریم به اسم زربان که شما می‌توانید در آن به‌صورت غیرمتمرکز و مبتنی بر قراردهای هوشمند، بدون نیاز به اعتماد به شخص یا گروهی خاص دارایی خود را افزایش دهید.
مدیر توسعه فناوری بیتکس یادآور شد: ما همچنین یک صرافی کریپتویی به اسم «پول نو» داریم که مانند هزاران صرافی دیگر کریپتویی است که با آن آشنایی دارید، تنها با این تفاوت که «پول نو» مجهز به یک سیستم جستجوگر بسیار قوی است که می‌تواند از بین هزاران صرافی داخلی و خارجی دیگر برای شما جستجو نماید. اصولا برای این‌کار نیاز به سیستمی هوشمند و اتوماسیون است، به همین دلیل ما در‌حال توسعه یک پلتفرم به نام «اکرتیو» هستیم که در بازارهای مالی ارزش خلق کرده و موقعیت‌های جذاب را برای کاربر پیدا می‌کند. اینجا یک سوال مطرح می‌گردد که آیا هوش مصنوعی واقعا می‌تواند در پیش‌بینی بازار کار راه‌بنداز باشد یا این موضوع یک توهم است؟ سوال اساسی‌‌تری که در این زمینه برای ما ایجاد شد آن است که آیا بازار اساسا پیش‌بینی پذیر است یا خیر؟ می‌خواهم از این سوال شروع کنم و شرح وضعیتی از اینکه در‌حال‌حاضر در دنیای هوش مصنوعی چه تکنولوژی‌هایی در لایه ابزار در‌حال توسعه هستند، وضعیت آنها چطور است و چقدر این ابزارها قابلیت اتکا دارند؟ را برایتان تشریح نمایم.
وی خاطر نشان ساخت: به‌همین‌منظور من از چت‌بات جی پی تی سوال پرسیدم که چرا بازار قابل پیش‌بینی نیست؟ این ابزار دلایلی بابت پیش‌بینی‌پذیر نبودن بازار ارائه کرد، اما همچنین نشان داد که در برخی موارد می‌توان بازار را پیش‌بینی کرد. براساس این پاسخ دریافتم که در این جواب‌ها تناقضاتی وجود دارد و پاسخ‌ها با یکدیگر هم‌خوانی لازم را ندارند. در واقع هوش مصنوعی که ما از آن بسیار لذت میبریم، زمانی که سوالی را مطرح می‌کنیم با‌توجه به حساسیت بسیار بالایی که داراست در میان حجم انبوهی از داده (که ذهن انسان قادر به درک آنها نیست) جستجو کرده و یک جمع‌آوری و خلاصه‌سازی اطلاعات بسیار پیشرفته انجام می‌دهد، اما اطلاعات را تحلیل نمی‌کند. این موضوع به من ثابت کرد که نباید در‌حال‌حاضر نسبت به هوش مصنوعی تصورات رویایی داشته باشیم و باید کمی محتاط‌‌تر در مورد این فناوری پیش رویم.
بلندپرواژی با هوش مصنوعی ممنوع!
ثامنی گفت: برای اینکه دریابیم وضعیت هوش مصنوعی در‌حال‌حاضر در لایه ابزار شاهد چه تحولاتی بوده، باز هم از این چت‌بات سوال پرسیدم که اکنون چه ابزارهای موجود هستند و مدرن‌ترین ابزارهایی که در حال‌حاضر برای توسعه هوش مصنوعی در اختیار ما قرار دارند، کدام‌ها هستند؟ از آنجایی‌که تعداد این ابزارها بسیار زیادند، تنها به دو ابزار نخستی که در 5 سال گذشته و 5 سال پیش‌رو بسیار تاثیر‌گذار خواهند بود، اکتفا می‌کنم. اولین ابزار Reinforcement Learning است و دومین ابزار معروف به شبکه‌های GAN بوده که معادل شبکه‌های مولد تخاصم (Generative Adversarial Networks) هستند.
این صاحب‌نظر هوش مصنوعی در ادامه بااشاره با این موضوع که قصد دارد بگوید، این ابزارها واقعا قادر به انجام چه کاری هستند تا مخاطبان درمورد آنها بلندپروازی نکنند، افزود: برای توضیح Reinforcement Learning از مثال مدل هوش مصنوعی آلفاگو استفاده می‌کنم که با ورودی یک میلیون داده انسانی (human Knowledge input)، طوری آموزش دید تا بتواند قهرمان انسانها لی سِدُل را در بازی شکست دهد. این اتفاق بسیار بزرگ بود و این درخت تصمیم‌گیری توانست عملکرد بسیار خوبی داشته باشد. اما محدودیتی که این درخت داشت آن بود که براساس داده‌های انسانی آموزش دیده بود، تا بتواند قهرمان انسانی را شکست دهد. مدتی بعد یک اتفاق بسیار مهم دیگر افتاد و آن این بود که تیمی یک مدل هوش مصنوعی طراحی کرد که بدون نیاز به هیچگونه داده‌ای، تنها با ارائه صفحه و قوانین بازی بدون هیچگونه آموزش قبلی می‌توانست، حرکت درست و غلط را تشخیص دهد. در واقع اینجا لحظه طلایی رقم خورد، زیرا دیگر نیازی نبود بالغ بر دو سال داده انسانی جمع‌آوری و به هوش مصنوعی آموزش داده شود. بنابراین چنین سیستمی در زمان بسیار بسیار اندک شاید در حدود چند ساعت، می‌توانست بدون هیچ دانش انسانی به‌تنهایی به دانش لازم دست یابد.
وی خاطر‌نشان‌ساخت: درواقع آلفا زیرو برهمیناساس توانست آلفاگو و قهرمان انسانها را شکست دهد وغیر‌قابل رقابت گردد. در Reinforcement Learning هم از همین شیوه استفاده می‌شود و ما در پیش‌بینی بازار در پلتفرم «اکرتیو» نیز از همین روش استفاده کردیم. مدل دیگری که می‌خواهم در مورد آن صحبت کنم، شبکه‌های GAN هستند یا شبکه‌های عصبی متخاصم خودتولیدگر. در این سیستم‌ها به‌جای یک شبکه عصبی، دو شبکه عصبی وجود دارد. یک شبکه عصبی بر فرض مثال سعی می‌کند که عکس یا نمودار پیش‌بینی آینده بازار را تولید نماید و یک شبکه عصبی دیگر سعی می‌نماید حدس بزند که این ورودی واقعیت بازار است یا اینکه توسط یک Generator ایجاد شده. وقتی این دو را کنار هم قرار می‌گیرند، هر دو مدام در‌حال بهتر شدن هستند، زیرا ما یک مدلی را داریم که بسیار خوب اطلاعات غیر‌واقعی تولید می‌کند و مدل دیگر بسیار‌خوب قادر به تشخیص اطلاعات فیک است.
هوش مصنوعی هنوز تا تحلیل‌گر خوبی شدن فاصله دارد
وی در ادامه برای تشریح اینکه هوش مصنوعی هنوز با مرحله اتکای کامل انسان به این فناوری فاصله دارد و قادر به تحلیل موضوعات ارائه شده نیست، به تحلیل خروجی‌هایی که از مبدل متن به تصور دال ای به‌دست آورده پرداخت و اظهار داشت: یکی از دستوراتی که به این مبدل تصور به زبان انگلیسی دادم آن بود که یک کوهنورد را در هیمالیا برایم به تصور بکشد و خروجی آن جالب و دقیق بود. اما زمانی که همین دستور را به زبان فارسی وارد کردم، نه‌تنها نتایج آن کاملا بی‌ربط بود، بلکه اثری از کوهنورد و هیمالیا در تصویر نبود. این موضوع به خوبی نشان می‌دهد که هوش مصنوعی همانند انسان پیش‌داوری دارد. حتی در سرچ‌های گوگل هم زمانی که جستجو می‌کنید سه کودک سفید‌پوست، عکس کودکانی زیبا به شما نشان داده می‌شود، درحالی که اگر سرچ کنید سه کودک سیاه‌پوست، عموما یک سری عکس‌های منزجر‌کننده برای شما نمایش داده خواهد شد.
ثامنی افزود: به‌عنوان جمع‌بندی می‌توانیم اینگونه بگوییم، همانطور که انسان‌های سوگیری دارند، هوش مصنوعی هم دقیقا این پیش‌داوری‌ها را در ارائه نتایج از خود نشان می‌دهد. براین اساس باید به این موضوع دقت کنیم که هوش مصنوعی در خروجی‌های خود به سبب دارا نبودن قدرت تحلیل نمی‌تواند از تعصبات به دور باشد. بنابراین برای تصمیم‌گیری در مورد قدرت تولید‌گری و بازتولیدگری هوش مصنوعی و اینکه آیا می‌تواند جای انسانها را بگیرد یا خیر، بسیار زود است.
هوش مصنوعی به سمت دموکراتیزه شدن پیش می‌رود
مدیر توسعه فناوری شرکت بیتکس در پایان خاطر نشان ساخت: یکی از موضوعاتی که در این رابطه باید به آن بسیار توجه داشته باشیم آن است که چه کسی هوش مصنوعی را توسعه داده، چون مطمنا دیدگاه و رویکرد او در توسعه هوش مصنوعی دخیل بوده است. اینجاست که ما باید حواسمان را جمع کنیم که چه کسی لیبل سوییچ‌ها را برای هوش مصنوعی تعریف می‌کند، زیرا اینجا دقیقا همان جایی است که باید دموکراتایز شود. شاید بر فرض مثال، ایلان ماسک بخواهد در پاسخ‌های که هوش مصنوعی ارائه می‌دهد یک سری موضوعات را نسبت به موضوعات دیگر بهتر نشان دهد. براین‌اساس مدیرعامل اوپن ای آی یک پروژه بلاک چینی تعریف کرده تا شما بتوانید اتفاقاتی که در فضای مجازی می‌افتد را دموکراتایز کنید. شخصا به این اعتقاد دارم که در آینده نزدیک هوش مصنوعی به سمت دموکراتیزه شدن بیشتر پیش می‌رود و از سوگیری‌ها نجات می‌یابد.
