هوش تصمیم‌گیری به کمک هوش مصنوعی می‌آید
گسترش ویروس کرونا ادامه دارد و کنترل آن با اما و اگرهای بسیاری همراه است؛ اما آنچه همه در مورد آن هم نظر هستند این موضوع است که جهان پس از کرونا با جهان پیش از آن تفاوت چشمگیری خواهد داشت. حالا گزارشها و بررسی‌های مختلفی در مورد تغییر سبک زندگی و حتی تغییر استفاده از ترندهای دنیای فناوری در زندگی بشر منتشر شده است. برای نمونه اینکه هوش مصنوعی پس از کرونا به چه سرنوشتی دچار میشود و چه تاثیری در جهان پساکرونایی خواهد داشت، موضوعی است که «الکس لمب» متخصص علوم دیتا، نظریه‌پرداز سیستم‌های پیچیده، در تحلیل اخیر خود به آن توجه داشته است. او از مفهومی تحت عنوان هوش تصمیم‌گیری یاد می‌کند که در جهان پساکرونایی جایگاه ویژه‌ایی پیدا خواهد کرد. لمب در تحلیل خود به این موضوع اشاره دارد که در چند سال گذشته جنبشی حول این رویکرد به آرامی و بدون سروصدا در پس زمینه در حال شکل گیری بوده و هدایت آن برعهده رهبران فکری است که نگران مسیر آینده جهان هستند. این جنبش هوش تصمیم‌گیری decision intelligence نام دارد. در ادامه تحلیل الکس لمب در سایت مدیوم را بخوانید:
جهان این روزها تغییر کرده و برای تمامی فعالان حوزه فناوری، این یک مشکل است. زیرا صنعت فناوری از طریق نوآوری جهان را رهبری می‌کند و نوآوری هم زمانی ممکن است که شما بتوانید تقاضا را پیش‌بینی و برای آن راهکاری ارائه کنید. اما این کار ناگهان بسیار دشوار شده است. وقتی اساسا ندانید که جهان در شش ماه آینده چه شکلی خواهد داشت، تبدیل ایده به یک تجارت ساده نیست.
این مشکل بصورت خاص در حوزه هوش مصنوعی صحت دارد. محصولات هوش مصنوعی بر اساس تعریف به گونه‌‌ای طراحی میشوند تا بر اساس جریانی پایدار از داده، الگوهای مفید رفتاری ما را تشخیص دهند. حال اگر تمامی الگوهایی که تا کنون به دستگاه‌های خود آموخته‌اید دیگر آن معنی قدیم را ندهند، این نه فقط یک مشکل که یک کابوس در فناوری است. آن همه داده‌ای که در N سال گذشته مشغول جمع‌آوری‌اش بوده‌اید، حالا چقدر ارزش دارد؟ میدانید؟ در حال مدلسازی هر چیزی از قیمت خانه، بازار سهام، ترافیک، محتوای مقالات جدید، تحولات بازاری، الگوهای خرید، الگوهای رای دهی، رفتارهای انسانی یا تقاضا برای محصولات بهداشتی که باشید، ارزش داده‌های ذخیره شده شما دیگر زیر سوال رفته است. تازه کاری به این نداریم که دیگر نمی‌توان روی پایداری خود جریان‌های داده‌ای هم حساب کرد. اگر داده را نفت امروز بدانیم باید گفت برخی از چاه‌های نفت آتش گرفتهاند.
مطمئنم صنعت هوش مصنوعی با شرایط جدید هم سازگار خواهد شد و حتی برخی از اپلیکیشن‌ها از این فضای پرچالش سود خواهند برد. بهرحال مفهوم اشیا که تغییری نکرده است، لباس‌ها هنوز همان شکلی‌اند و خمیردندان هنوز مزه سابق را می‌دهد، پس تشخیص محصولات فیزیکی مشکلی نیست و به شکلی مشابه محتواهای ویدیویی تولید انسان نیز نه تنها کم نشده که بیشتر هم خواهد شد. اما در روزهای کرونایی، مسئله پایداری داده‌ها نه تنها حل نشده که در واقع بدتر هم خواهد شد.
فروپاشی خوشه‌ای اجتناب‌ناپذیر
همانطور که در مقالات دیگرم اشاره کرده‌ام روش‌هایی وجود دارد که این همه‌گیری کنونی بتواند فرصتی بزرگ برای نژاد بشر ایجاد کند. با توجه به بهم پیوستگی پرشتاب نظام‌های اقتصادی و اجتماعی جهان، مواجه با نوعی فروپاشی خوشه‌ای (Cascade Failure) اجتناب ناپذیر بود. واقعیت این است که روبرو شدن زودهنگام ما با این شوک سیستمی آن هم در ابعاد کوچک که باعث می شود تلفات آن محدود به چند میلیون نفر باشد، یک نعمت است. شاید شکرگزار بودن برای این نعمت دشوار به نظر برسد اما بهرحال این یک نعمت است.
بدون توجه به آنکه اقدامات کوتاه مدت کنونی چه باشند، پس از کرونا، جهان آنقدر بهم پیوسته خواهد بود که نمیتواند مسیر کنونی‌اش را ادامه دهد. اما حالا ما طعم اتفاقات قرن بیست و یکم را چشیدهام و این یعنی فرصت داریم خودمان را برای مقابله با شوک بزرگ بعدی در آینده آماده کنیم. این یعنی مفهوم کلیدی برای کسب‌وکارها در چند دهه آینده «انعطاف پذیری» خواهد بود.
تشخیص و پیش بینی الگو به گزینه ای سود آور – سودآورتر از همیشه – تبدیل خواهد شد اما این راهکارها هیچ شباهتی به مواردی که اکنون در سیلیکون والی استفاده می شود نخواهد داشت. اگر به هرکدام از شبکه‌های اجتماعی مراجعه کرده و به دنبال مدلسازی‌هایی برای این همه گیری بگردید، بالاخره چیزی پیدا خواهید کرد. هیچکدام از رهبران فکری که در حال ساخت مدل برای پیش بینی تقاضا برای تخت بیمارستان، دستگاه تنفس یا تاثیرات اقتصادی این بیماری هستند از یادگیری ماشین استفاده نمی کنند. دلیلش اینکه این تکنیک‌ها برای پیش بینی هایی که اکنون بیشترین ارزش را پیدا کرده، هیچ کاربردی ندارند.
یادگیری عمیق و دیگر الگوریتمهای مشهور امروزی، نمی‌توانند برای رسیدن به انبوهی از داده‌های کاملا تعریف شده و متوازن و یکپارچه مفید باشند؛ بلکه خودشان به چنین داده‌هایی نیازمندند. تقریبا همه ابزارهای هوشمندی که در دهه گذشته ساخته‌ایم برای کار نیاز به دنیایی از اطلاعات همگون و قابل مدیریت دارند. اکثر آنها در واقع چیزی شبیه مدلساز‌های قیمت املاک در دوران پیش از بحران وام‌ها هستند که در آن دوران قیمت ملک صرفا در حال افزایش بود.
آیا به پایان عصر هوش مصنوعی رسیده‌ایم
حالا شاهد پایان عصر هوش مصنوعی آسان خواهیم بود. حتی اگر به این نتیجه هم نرسیم، مسلما صدای هشدار را خواهیم شنید که چنین نتیجه‌ای بسیار نزدیک شده است. حالا اهالی فناوری و سرمایه‌گذاران چه باید بکنند؟
خوشبختانه فناوری‌های دیگری وجود دارند که می‌توانند تحلیل معناداری از شرایط کنونی جهان به دست بدهند. آیا می خواهید این فناوری‌ها را بشناسید، فقط کافی است سری به خبرها زده و ببینید متخصصان بیماری‌های همه‌گیر از چه چیزی استفاده می کنند. لیست این ابزارها کاملا گویاست: مدلهای شبکه‌ای، مدلهای عنصرمحور، تحلیل تصمیم، تداخل عللی. نقطه اشتراک همه این موارد در کجاست؟ همه آنها به جای آنکه جایگزین بینش انسان شوند، آن را تقویت می کنند. به دنبال اتوماسیون کارهای ساده نیستند. بلکه به انسان‌های متخصص توانایی انجام کارهایی را می‌دهند که بدون آنها غیرممکن می‌بود. آنها به جای شتاب‌دهی به رفتارهای موجود شرکت، بازه‌ای از رفتارهای شرکتی جدید را ایجاد می کنند.
جنبش هوش تصمیم‌گیری
در چند سال گذشته جنبشی حول این رویکرد به آرامی و بدون سروصدا در پس زمینه در حال شکل‌گیری بوده و هدایت آن برعهده رهبران فکری است که نگران مسیر آینده جهان هستند. این جنبش «هوش تصمیم (DI)» نام دارد. در این جنبش به‌صورت گسترده از تکنیک‌های تحلیلی قدرتمندی استفاده میشود که در طول عصر یادگیری عمیق چندان توجهی به آنها نمی‌شد؛ اما اکنون دوباره مرکز توجه شده اند: برنامه‌ریزی سناریو، مدلسازی گرافیکی، نظریه تصمیم. قدرت بسیاری از این ابزارها آن است که می‌توانند عدم قطعیت را به روشنی و به شکلی نشان دهند که یادگیری ماشین تا کنون قادر به انجام آن نبوده است.
در حال حاضر چه کسانی از هوش تصمیم‌گیری استفاده می کنند؟ دقیقا همان بخش‌هایی از بازار که انتظارش را دارید: سازمان‌هایی که همیشه ارزش درک و هدایت نوسانات را می‌دانسته اند. مثلا شرکت‌های خدمات عمومی، شرکت‌های مدیریت سرمایه، بانک‌ها و شرکت‌های مخابراتی. چه کسانی ابزارهای لازم را می‌سازند؟ بخش زیادی از این کار توسط شرکت‌های کوچک اما با دیدی عمیق انجام میشود، مانند کوانتلیا (Quantellia) و لومینا (Lumina Decision Systems). محصولات این شرکت‌ها معمولا روی دادن توانایی به تصمیم گیرندگان برای تبدیل تخصص بینشی‌شان به مدلهای کمی است که می توانند ریسک را مدیریت کرده و انتخاب‌های راهبردی را هدایت کنند؛ اما پتانسیلی بسیار بیش از این دارند. مثلا محصول اصلی شرکت لومینا به نام Analytica می‌تواند به عنوان هرچیزی از یک ابزار ساده برنامه‌ریزی مالی تا شبیه‌ساز کامل مونت کارلو برای مدلهای عددی با هر پیچیدگی عمل کند.
ارتباط DI با AI چگونه است؟
اول آنکه به شما کمک می‌کند متوجه شوید در شرایط التهاب، چه داده‌هایی را می‌توانید جمع آوری کنید و بر این اساس، چه نوع مداخلاتی را می‌توان قطعا انجام داد. به این ترتیب می‌توانید کاربردهایی را برای یادگیری ماشین شناسایی کنید که در غیر این صورت ناشناخته باقی می‌ماندند. و شاید مهمترین نکته اینکه می‌تواند یادگیری ماشین را به نوعی حس سازمانی تبدیل کند که مدیریت التهابات جهان را ساده‌تر خواهد کرد.
من این مقاله را با اشاره به قدرت ابزارهای یادگیری ماشین در شناسایی الگوهای تکراری پایدار آغاز کردم. وقتی این توانایی به سیستم عصبی سازمان وصل شده و توانایی استفاده از شناسههای مربوطه را برای اتوماسیون تصمیم‌گیری در سطوح بالاتر پیدا کند، اتفاقی خارق‌العاده رخ خواهد داد. در این زمان است که سازمان نوعی هوش نقطه-به-نقطه سازگارپذیر از خود به نمایش می‌گذارد که بهترین شکل توانایی های انسان و ماشین را به نمایش می گذارد. اگر کسب‌وکار خود را یک حیوان در نظر بگیرید، ابزارهای یادگیری ماشین مرکز بینایی و شنوایی مغز آن خواهند بود. ابزارهای DI نشان‌دهنده غرایز و هوش سازگارپذیر آن حیوان خواهند بود. بصورت خلاصه باید گفت DI به شما نشان می‌دهد پول احتمالا در کجاست و با یادگیری ماشین میتوانیم محل دقیق آن را بو کشیده و پیدا کنید.
آیا ابزارهای کنونی DI توانایی رسیدن به این چشم انداز را دارند؟
نه کاملا، و یکی از دلایل اینکه جنبش DI با وجود اهمیت رو به رشد، هنوز با کمبود سرمایهگذاری مواجه است. البته بسیار به آن چشم‌انداز نزدیک شدهاند. به نظر من، تحول بزرگ زمانی اتفاق خواهد افتاد که ابزارهای DI بتوانند مدلهای مرسوم چند منبع انسانی پراکنده را به شکل یک مدل منسجم تلفیق کنند که بتواند در صورت ورود داده‌های جدید، خود را با آن منطبق کند. باید چیزی از دل جمع‌سپاری و الگوریتمهای ژنتیکی زاده شده و در این ترکیب تزریق شود تا DI را به سطحی بالاتر برساند. اما من حدس می‌زنم نهایتا دو سال با چنین ابزارهایی فاصله داریم. افزایش علاقه اخیر به تداخل‌های عللی ناشی از تحقیق جودا پرل، در عمل خلق چنین ابزارهایی را تضمین می کند.
پس چشم انداز هوش مصنوعی پس از بیماری کووید19 چه خواهد بود؟
مسلما متفاوت خواهد بود اما امیدوارم بهتر و قویتر شود. شاید بتوانیم پایان هوش مصنوعی ساده و شرکت‌های وابسته به آن را شاهد باشیم. به‌هرحال تغییر همیشه همان سوختی است که نوآوری فنی را به پیش می‌راند حتی وقتی که این تکامل دردآور باشد. آینده مبتنی بر DI که به سمت آن گام برمیداریم مسلما بهتر خواهد بود. یادگیری ماشین مرده است. زنده باد یادگیری ماشین.