شفقنا رسانه- هوش مصنوعی به عنوان یکی از پیشرفته‌ترین و تأثیرگذارترین فناوری‌های عصر حاضر، در حال تغییر و تحول بسیاری از جنبه‌های زندگی انسان‌ها است و شاهد کاربردهای روز افزون آن در حوزه‌های مختلفی مانند پزشکی، صنعت، حمل‌ونقل، خدمات مالی، هنر، پژوهش و … هستیم. با این حال بررسی کاربردهای هوش مصنوعی در پژوهش، چالش های آن و آینده پژوهش از جمله موضوعاتی است که شفقنا رسانه سعی کرد در گفتگو با علی شاکر، پژوهشگر حوزه هوش مصنوعی به آن بپردازد. علی شاکر در این باره می گوید: ادغام روزافزون هوش مصنوعی در پژوهش‌های حوزه‌ی انسانی، کارایی روزانه را افزایش می‌دهد. چون می‌تواند وظایف روزمره را خودکار انجام دهد و پژوهشگران وقت خود را صرف ایده‌پردازی و دریافت نتایج عمیق‌تر از پژوهش کنند. یکی از پر تعدادترین پژوهش‌های حوزه‌های انسانی، استخراج الگوهای جدید از علوم قدیم است. گاهی برای این کار یک پژوهشگر سال‌ها وقت می‌گذاشت ولی اکنون می‌توان کتاب‌های تاریخی دیجیتال را به ماشین داد و از دل آن الگوهایی را در عرض چند دقیقه استخراج کرد. معنادهی و تحلیل این الگوها کار یک متخصص کارآزموده‌ی انسانی است.

گفتگوی  شفقنا رسانه با علی شاکر، پژوهشگر حوزه هوش مصنوعی را در ادامه بخوانید…

هوش مصنوعی چیست و چگونه می‌تواند به پژوهش‌های علمی کمک کند؟

شاید سرراست‌ترین تعریف از هوش مصنوعی در نامش نهفته باشد. اینکه ما توانسته‌ایم ماشین‌هایی بسازیم که عملکرد مغز نورون‌های مغز بر بستر کربن را تقلید میِ‌کنند؛ با این تفاوت که شبکه‌ی عصبی یادگیرنده در این ماشین بر بستر سیلیکون عمل می‌کند. انسان‌ها توانسته‌اند وسیله‌ای درست کنند که شبیه مغزما می‌تواند از داده‌های گذشته بیاموزد و خود را طی زمان اصلاح کند. چنین قابلیتی می‌تواند پژوه‌های علمی را دگرگون کند. بر فرض محال، اگر انسانی بتواند طی یک قرن ماهی دو کتاب بخواند، موقع مرگ دو هزار و ۴۰۰ کتاب خوانده. تنها یکی از دیتابیس‌های مرتبط با کتاب، ۱۶ هزار و ۸۳۲ کتاب در خودش گنجانده. یعنی ما با ماشینی سر و کار داریم که به کمک بنزین داده‌ها کار می‌کند و سریع‌تر، دقیق‌تر و حتی باهوش‌تر از انسان است و گرچه به اندازه‌ی یک نوزاد انسان، آگاهی و احساس نداشته باشد. ولی همین ماشین می‌تواند تبدیل به دستیار دانشمندان شود تا کارهای تکراری و وقت‌گیر را به آن بسپاریم و به این فکر کنیم چه‌طور در دام کژکارکردهای این پدیده‌ نیفتیم و همچنان از آن برای رفاه خود و اطرافیان‌مان استفاده کنیم.

از تجربه خود بگویید، چه کاربردهای خاصی از هوش مصنوعی را در حوزه پژوهش‌های خود یا دیگران مشاهده کرده‌اید؟

زمانی کریستوفر نولان گفت که علت این میزان توجه به هوش مصنوعی این است که روزنامه‌نگاران فهمیده‌اند شغل‌شان به خطر افتاده. این است که حالا به عنوان یک روزنامه‌نگار و پژوهشگر باید کنجکاوی کنم و ببینم این ماشین چیست که قرار است شغل‌مان را از ما بگیرد. سروکله‌ زدن مداوم من با مدل‌های زبانی همچون جی‌پی‌تی نشانم داد که حالا هر فرد می‌تواند با دسترسی به این ابزار، میزان بهره‌وری و درآمد خود را افزایش دهد. تخصص امروز ما تعیین‌کننده‌ی کیفیت استفاده‌ی ما از این ماشین‌های هوشمند است. یعنی می‌تواند دستیار پژوهش یا کدنویسی شما باشد به شرطی که شما درجه‌ی اول در اصول پژوهشگری علمی یا کدنویسی تخصص داشته باشید و بدانید که چه پرامپت یا دستوری به ماشین بدهید. خیلی استعاری این ماشین شبیه یک صافی عمل می‌کند. این صافی‌ها را با کلان‌داده‌ها آموزش می‌دهیم و بعد می‌توانیم این صافی‌ها را روی یافته‌ها یا ادبیات پژوهش خود بگذاریم. کتاب یا مقاله‌ای را که خوانده‌اید، این ماشین خلاصه می‌کند. از آن کتاب یا مقاله نقشه ذهنی می‌کشد و در تحلیل نهایی پژوهش بر مبنای اطلاعات و دستوری که به آن می‌دهیم، می‌توانیم جنبه‌های تاز‌ه‌ای از پژوهش خود را مشخص کنیم. از این رو، این ماشین‌های هوشمند، در حوزه‌ی فراتحلیل رساله‌ها و مقاله‌های پیشین بسیار کارآمد است. از بینایی ماشین می‌توان برای گفت‌وگوی آنلاین با ماشین استفاده کرد و درباره‌‌ی یافته‌های پژوهش با ماشین وارد بحث شد.

به نظر شما، استفاده از هوش مصنوعی چگونه می‌تواند فرآیند تحقیق را تسریع یا تسهیل کند؟

با این ماشین هوشمند می‌توانیم، داده‌ها را استخراج کنیم، الگوها و روابط پنهان را بیابیم، کیفیت و دقت پژوهش را بالا ببریم. پس از اینکه کلان‌داده‌ها را از منابع آنلاینی مثل شبکه‌های اجتماعی، وب‌سایت‌ها، پایگاه‌های داده جمع‌آوری کردیم، می‌توانیم الگوریتم‌های پردازش زبان طبیعی (NLP) و بینایی ماشین (Computer Vision) برای تحلیل خودکار محتوای متنی، صوتی و تصویری استفاده کنیم. برای مثال، می‌توان از آن‌ برای تحلیل احساس کاربران یک محصول استفاده کرد. الگوهای تازه‌ای را شناخت و ویدئوهای تبلیغاتی را تحلیل کرد. این کار را پیش از این انسان‌ها انجام می‌دادند ولی حالا ماشین‌ها با سرعت بیشتر و هزینه‌ی کمتری انجامش می‌دهند.

نکته‌ی دوم شناسایی الگوهای جدید در داده‌هاست. الگوریتم‌های یادگیری ماشین می‌توانند الگوها و روابط پیچیده‌ای را در داده‌ها بشناسند که ممکن است ما آدم‌ها نتوانیم آن را ببینیم. پس هوش مصنوعی ابزاری است برای کشف‌های جدید و بینش‌های عمیق‌تر در مورد پدیده‌های اجتماعی و ارتباطی. شناخت این الگوها و استفاده از مدل‌های پیش‌بینی‌کننده مبتنی بر هوش مصنوعی، می‌تواند باعث شود که بتوانیم بسیاری از اتفاق‌های اجتماعی را پیش‌بینی کنیم. فواید پیش‌بینی زیاد است ولی باید بدانیم که چنین کاری فقط سیاستگذاری‌های اجتماعی را پیچیده‌تر می‌کند.

استفاده از الگوریتم‌های هوش مصنوعی می‌تواند به افزایش عینیت در تحلیل داده‌ها کمک کند و از سوگیری‌های احتمالی محققان جلوگیری کند.

چگونه می‌توان دقت و اعتبار نتایج حاصل از الگوریتم‌های هوش مصنوعی را ارزیابی کرد؟

به لحاظ فنی معیارهای آماری مانند ماتریس درهم‌ریختگی (Confusion Matrix)، دقت (Accuracy)، صحت (Precision) و … هست که از آن استفاده می‌کنیم. ولی به عنوان یک پژوهشگر علوم ارتباطات باید این را بدانم که علاوه بر این معیارهای فنی و بسیار مهم، توجه به زمینه‌ی اجتماعی و فرهنگی هم مهم است. نتایج حاصل از الگوریتم‌های هوش مصنوعی باید در چارچوب نظری و اجتماعی مناسب تفسیر شوند. یعنی این طور نیست که فکر کنیم با یک حکیم بی‌خطا طرف باشیم. یادمان باشد که مفسر و معنادهنده پاسخ‌ها ما انسان‌ها هستیم و می‌بایست از این وسیله برای رفاه گونه‌ی خودمان استفاده کنیم. اینجاست که باید به مسائل اخلاقی مرتبط با استفاده از هوش مصنوعی در پژوهش‌های اجتماعی و ارتباطی، مانند حفظ حریم خصوصی و رضایت مخاطبان، توجه ویژه‌ای داشت.

چه نگرانی‌هایی درباره جنبه‌های اخلاقی و مسئولیت اجتماعی استفاده از هوش مصنوعی در پژوهش وجود دارد؟

مهم است که بدانیم مدل زبانی ما با کدام داده‌ها و با کدام سوگیری‌های الگوریتمی آموزش دیده است. چون سیستم‌های هوش مصنوعی می‌توانند تعصبات قومی و جنسیتی موجود را در داده‌های آموزشی وارد کنند. اینجاست که نتایج ناعادلانه دریافت می‌کنیم. حالا وظیفه‌ی نهادهای پژوهشی است که بتوانند این ماشین‌ها را با داده‌های متنوع‌تری آموزش دهند تا دست‌کم در زمینه‌های علمی تعصب نداشته باشد و به عنوان یک دستیار خوب عمل کند. از طرف دیگر، استفاده از مجموعه کلان‌داده‌ها که اغلب حاوی اطلاعات حساس هستند، مستلزم تدابیر قوی برای حفاظت از حریم خصوصی افراد و جلوگیری از نقض داده‌هاست. یکی دیگر از چالش‌ها، پیچیدگی الگوریتم‌های هوش مصنوعی است. بحث «جعبه‌ی سیاه» اینجا مطرح می‌شود. چون هنوز  درک فرآیندهای تصمیم‌گیری ماشین برای ما دشوار است. سوال این است که چه کسی مسئول خطاها یا پیامدهای ناخواسته است. احتمالاً یکی از مشهورترین دغدغه‌ها، بیکاری اعضای هیات علمی دانشگاه‌های جهان است. همین دیروز دانشگاه استنفورد یک هوش مصنوعی منتشر کرده به نام Storm که با چند کلمه‌ی کلیدی یک مقاله‌ی مروری تحویل‌مان می‌دهد. حالا استادان کار سختی در پیش دارند. سر کلاس درباره‌ی تاریخچه‌ی هر چیزی صحبت کنند، هوش مصنوعی از آنان بهتر جواب بسیاری از سوال‌ها را می‌داند. ما دیگر حافظه‌های پر از کلمه و مفهوم نیستیم و اکنون می‌بایست علاوه بر آنچه در ذهن ذخیره کرده‌ایم، پردازنده‌های خلاقیت خود را تقویت کنیم. پیش از این علم از دیوارهای دانشگاه خارج شد، اکنون مرجعیت علم نیز دارد متکثر می‌شود و کسانی می‌توانند همچنان عالم به حساب بیایند که یک قدم از هوش مصنوعی جلوتر باشند.

به نظر می‌رسد داده‌ها را به ماشین می‌دهیم و از آن می‌خواهیم نتیجه یا به عبارتی تصمیم نهایی را به ما بگوید. این موضوع چه چالش‌هایی برای حوزه‌های پژوهشی در پی دارد؟

بله؛ تصمیم‌گیری از تخصص جدا شده است. یعنی در حال حاضر دانش‌آموز دبیرستانی و کنجکاو در زمینه‌ی علوم داده می‌تواند کلان‌داده‌ی ارزشمندی در رابطه با مقاله‌های فارسی جمع‌آوری کرده باشد. حالا او می‌خواهد با این داده‌ها چه کند؟ چه کسی ارزش این داده‌ها را می‌فهمد؟ آن کسی که در این زمینه تخصص دارد. اما چرا باید کلان‌داده‌هایش را در اختیار دانشگاه بگذارد وقتی می‌تواند آن را به نهادهای دیگر بفروشد و خودش کسب‌وکار سودمندی دست و پا کند. فرض کنید همین پایگاه داده به دانش‌آموزان و دانشجویان بگوید بیایید تکلیف‌های‌تان را به بهترین شکل ممکن ارائه می‌دهم و شبکه‌ای از مقاله‌ها بسازد و بتواند طی زمان در موتورهای جست‌وجوی هوشمند کنونی جایی برای خودش باز کند. آن زمان مجلات معتبر کنونی از چه راهی می‌خواهند کسب درآمد کنند؟ می‌خواهم بگویم مرجعیت نهادهای علمی دنیا در خطر است.

از طرف دیگر، چه تضمینی هست که ورودی‌های سوگیرانه‌ی پژوهش‌ها منجر به نتیجه‌گیری‌های سوگیرانه و خطرناک نشود؟ پس باید چارچوب‌های اخلاقی هدایت‌کننده این سیستم‌ها را بشناسیم و از متخصصان علوم انسانی و تجربی کمک بگیریم تا ارزش‌های انسانی را به ماشین بیاموزند. رفع این نگرانی‌ها نیازمند رویکردی چندرشته‌ای است که در آن اخلاق‌دانان، فناوران و سیاست‌گذاران برای تدوین دستورالعمل‌های جامع برای استفاده مسئولانه از هوش مصنوعی در پژوهش‌ها همکاری کنند.

به نظر شما آینده پژوهش با ورود بیشتر فناوری‌های هوش مصنوعی چگونه خواهد بود؟

همان‌طور که پیشتر هم گفتم ادغام روزافزون هوش مصنوعی در پژوهش‌های حوزه‌ی انسانی، کارایی روزانه را افزایش می‌دهد. چون می‌تواند وظایف روزمره را خودکار انجام دهد و پژوهشگران وقت خود را صرف ایده‌پردازی و دریافت نتایج عمیق‌تر از پژوهش کنند. یکی از پر تعدادترین پژوهش‌های حوزه‌های انسانی، استخراج الگوهای جدید از علوم قدیم است. گاهی برای این کار یک پژوهشگر سال‌ها وقت می‌گذاشت ولی اکنون می‌توان کتاب‌های تاریخی دیجیتال را به ماشین داد و از دل آن الگوهایی را در عرض چند دقیقه استخراج کرد. معنادهی و تحلیل این الگوها کار یک متخصص کارآزموده‌ی انسانی است. این همکاری و هم‌افزایی مشترک بین انسان و ماشین، خلق نظریه‌ها و فناوری‌های نوین را سرعت می‌بخشد. البته همان طور که گفتم ملاحظات اخلاقی و تضمین دسترسی عادلانه به ابزارهای هوش مصنوعی در اینجا اهمیت زیادی دارد. همان‌طور که می‌دانید بیشتر سکوها به روی کاربران ایرانی بسته است.

پیشنهاد شما برای محققان و اساتید در کشورمان جهت عقب نیفتادن از پیشرفت های تکنولوژی در این حوزه چیست؟

می‌گویند ۴۰ سالگی با خودش بحران میان‌سالی می‌آورد ولی دست‌کم تا اینجای کار هر روز صبح با این ذوق بیدار می‌شوم که قرار است با کمک هوش مصنوعی چیزهای جدیدی بیاموزم. پس به نظرم باید از آخرین پیشرفت‌ها باخبر باشیم و چیزهای جدید یاد بگیریم. حتی اگر دانشگاه‌ها نتوانند، بزودی برخی از سازمان‌ها مجبورند با موسسه‌های پژوهشی بین‌المللی برای تبادل دانش ارتباط برقرار کنند. دانشگاه‌ها هم اگر می‌خواهند جایگاه خود را حفظ کنند می‌بایست بیشتر به سمت آموزش‌های میان‌رشته‌ای پیش بروند. هوش مصنوعی، بی‌حوصلگی معلم ریاضی یا تنبلی معلم زیست‌شناسی ما را ندارد و می‌تواند به ساده‌ترین شکل ممکن دیگر علوم را قدم به قدم به ما بیاموزد.

امروز در جایی ایستادیم که با وجود تمام مشکلات همچنان وقت برای جبران ناکارامدی‌ها در عرصه‌ی علم وجود دارد. قابلیت ترجمه‌ی سریع و دقیق مقاله‌ها این امکان را برای شبکه‌های دانشگاهی به وجود می‌آورد که مطالب خود را به زبان‌های دیگر منتشر و زمینه‌های همکاری‌های بین‌المللی را فراهم کنند.

چه مهارت‌ها یا آموزش‌هایی برای محققان ضروری است تا بتوانند به طور مؤثر از ابزارهای هوش مصنوعی استفاده کنند؟

ما پژوهشگران حوزه‌های علوم انسانی می‌بایست درک عمیق‌تری الگوریتم‌های هوش مصنوعی، زبان‌های برنامه‌نویسی (مانند پایتون) و تکنیک‌های تحلیل داده به دست بیاوریم. از نام‌هایی که آوردم نترسیم. امروز می‌توانیم از AI Studio برای به اشتراک گذاری صفحه‌ی خود با جمنای ۲ استفاده کنیم و با این امکان می‌توانیم بسیاری از نرم‌افزارها را قدم به قدم یاد بگیریم. البته این کار نیازمند صبر و مداومت است.

پژوهشگران حوزه‌های علوم انسانی سال‌ها در رابطه با پیامدهای افکار متعصبانه، نقض حریم خصوصی و تاثیرات اجتماعی آن نوشته‌اند و گفته‌اند و اکنون باید از همین اصول در مواجهه با هوش مصنوعی استفاده کنند و آن را به شکل گسترده‌تری در اختیار دیگران بگذارند.

یادگیری سواد بزودی اندازه‌ی دیگر دروس مدرسه مهم می‌شود. یعنی بتوانیم مهارت‌هایی به دست بیاوریم برای جمع‌آوری، پاک‌سازی و تفسیر داده‌ها. یادمان باشد، توانایی تحلیل، ارزیابی و تفسیر اطلاعات به صورت منطقی و بدون پیش‌داوری، در دنیای پیچیده و پر از اطلاعات امروزی، ارزشی بسیار بالا پیدا کرده است. این یعنی تفکر انتقادی؛ یعنی بتوانیم خروجی هوش مصنوعی را ارزیابی انتقادی کنیم و آن را به طور معناداری زمینه پژوهشی خود بسنجیم و در مرحله‌ی بعد در ابعاد گسترده‌تری تخصص خود و رشته‌ای دیگر را با هم بیامیزیم. برای نمونه، استادی با تفکر انتقادی قوی، داده‌ها را با دقت و بدون پیش‌داوری تحلیل می‌کند و به دنبال الگوها و روابط پنهان در داده‌ها می‌گردد. او می‌تواند نتایج را منطقی و مستدل تفسیر و از تعمیم‌های نادرست و تفسیرهای جانبدارانه پرهیز می‌کند.

چنین فردی، محدودیت‌های روشی و بهترین روش ممکن را به‌خوبی می‌شناسد در پیِ مسائل جدید و چالش‌برانگیز می‌رود و می‌تواند با تحلیل دقیق منابع موجود، شکاف‌های دانش را بشناسد. به این ترتیب می‌تواند پرسش‌های پژوهشی نوآورانه‌ مطرح کند. همچنین، او می‌تواند فرضیه‌های دقیق‌تر و قابل آزمون‌تری تدوین کند که منجر به پژوهش‌های با کیفیت‌تر و نتایج معتبرتر می‌شود. این‌ها مهارت‌هایی است که فکر می‌کنم می‌توان امروز به کمک ظرفیت‌های هوش مصنوعی آن را بارورتر و بهینه‌تر کرد.