هوشواره (هوش مصنوعی): سودمندی و آسیبها

هوشواره (هوش مصنوعی): بخش یکم

چون حجم این جستار بزرگ است ناگزیریم آن را به چند بخش تقسیم کنیم تا بتوان با آرامش تصویری روشن از سودمندی و خطرات این علم به دست آورد.
در این بخش مروری کلی خواهیم کرد بر این که هوش مصنوعی چیست و اصلا به چه کار می آید، چه خوبی، معایب و خطراتی برای جامعه به همراه دارد. در این بخش نمونه های هوش مصنوعی هم یاد خواهد شد.
هوشواره چیست؟
هوش مصنوعی کوششی ست برای بازآفرینی هوش انسانی با کاربرد روش‌هایی از ریاضیات و علوم رایانه و انتقال آن به سامانه های رایانه ای (کامپیوتری). هوش مصنوعی الگوریتم‌ها را به کار می گیرد و می‌تواند به طور مستقل وظایف یا مسائل پیچیده‌ای را حل کند که معمولاً فقط انسان می تواند انجام دهد.
به این گونه از هوشواره که برای حل مسائل مشخص به کار گرفته می شود، هوش مصنوعی ضعیف می گویند. اگر یک هوش مصنوعی محدود به حوزه های کاربردی ویژه ای نباشد، بلکه دارای هوش کلی و در نتیجه توانایی های فکری مشابه یا بهتر از ما انسان ها باشد، به آن هوش مصنوعی قوی می گویند. هم اکنون روی این موضوع کار می کنند، اما هنوز واقعیت ندارد که توانایی های فکری مشابه یا بهتر از ما انسان ها داشته باشد.
با کمک بسیاری از داده ها، هوش مصنوعی می تواند خود را بهبود بخشد. به این روش یادگیری ماشینی نیز گفته می شود. برای مشکلات بخصوص پیچیده، نورون های مصنوعی ایجاد می شوند که به هوش مصنوعی کمک می کنند تا تصمیماتی مشابه انسان بگیرد. به این روند آموزشی یادگیری عمیق می گویند.
هوش مصنوعی داده محور چیست؟

خطرات و مثال ها:
جالب است که به یاد آورید هر لحظه ای که در آنلاین سپری می کنید، از جستجوی گوگل گرفته تا پیمایش در رسانه های اجتماعی، در حال تغذیه الگوریتم های هوش مصنوعی که تشنه داده ها هستند می باشید. در واقع، رشد سریع هوش مصنوعی مبتنی بر داده در صنایع متعددی، از مراقبت‌های بهداشتی گرفته تا امور مالی، در مرکز توجه قرار گرفته است و نحوه درک اطلاعات، تصمیم‌گیری و خلق ارزش را متحول کرده است.
داده ها رگ حیاتی هوش مصنوعی هستند. هرچه این الگوریتم ها داده های بیشتری مصرف کنند، در درک، پیش بینی و ارائه راه حل های شخصی مهارت بیشتری پیدا می کنند. اما در زیر این وعده، دنیای پیچیده ای از چالش ها نهفته است، از نگرانی های اخلاقی گرفته تا پرسش های مربوط به کیفیت داده ها و حریم خصوصی.
هوش مصنوعی داده محور چیست؟
هوش مصنوعی داده محور یعنی همه چیز به دور یک محور می چرخد و این محور چیزی نیست به جز: یادگیری از داده ها. این تمرین برای یادگیری توسعه مدل‌های هوش مصنوعی بسیار مهم است. زیرا که بر اساس حجم زیادی از داده‌ها، تصمیم‌گیری، پیش‌بینی یا پیشنهاد می‌کند. برخلاف سیستم‌های سنتی مبتنی بر قوانین، که در آن الگوریتم‌ها به‌صراحت برنامه‌ریزی می‌شوند، هوش مصنوعی مبتنی بر داده در یادگیری الگوها، روابط و رفتارها از داده‌هایی که با آن‌ها مواجه می‌شود تشکیل می شود.
موتورهای توصیه‌ای مانند نتفلیکس را در نظر بگیرید، که از عادت‌های تماشای گذشته شما و عادات سایر کاربران برای پیشنهاد سریال‌های ارزشمند بعدی شما استفاده می‌کنند. در پشت صحنه، الگوریتم‌های آن مجموعه داده‌های عظیمی را تجزیه و تحلیل می‌کنند تا اولویت‌های شما را درک کنند و در نهایت تجربه پخش شما را افزایش دهند.
نمونه های هوش مصنوعی مبتنی بر داده:
هوش مصنوعی امروزه در همه جا حاضر است. در صنعت مراقبت های بهداشتی، تشخیص بیماری و کشف دارو. در امور مالی، الگوریتم‌های هوش مصنوعی داده‌های بازار سهام را برای بینش معاملاتی تجزیه و تحلیل می‌کنند. حتی در کشاورزی مبتنی بر هوش مصنوعی، عملکرد محصول را بر اساس آب و هوا، خاک و داده های تاریخی بهینه می کند.
هوش مصنوعی مدل محور در مقابل هوش مصنوعی داده محور:
برخلاف هوش مصنوعی مبتنی بر داده، هوش مصنوعی مدل محور بیشتر بر قوانین و منطق از پیش تعریف شده متکی است. این روش مبتنی بر مدل های ساخته شده به دست انسان است که به صراحت دانش مورد نیاز برای وظایف را رمزگذاری می کند. این مدل‌ها ممکن است برای عملکرد خوب به داده‌های زیادی نیاز نداشته باشند، اما ممکن است فاقد قابلیت انطباق و تعمیم آن‌ها باشند.
یکی از نمونه‌های معمول هوش مصنوعی مدل محور، سیستم‌های خبره سنتی است که در صنایعی مانند امور مالی برای تصمیم‌گیری مبتنی بر قوانین استفاده می‌شوند. آنها بر اساس مجموعه ای از قوانین از پیش تعریف شده عمل می کنند.
البته از این مدل ها در هوش تجاری هم استفاده می شود که با توجه به پارامتر ها و ارزش هایی که به آلگوریتم می دهیم , سیستم تشخیص می دهد که آیا برای مثال وام به درخواست کننده تعلق خواهد گرفت یا نه.
انتخاب بین هوش مصنوعی مبتنی بر مدل و داده محور بستگی به مورد استفاده خاص و در دسترس بودن داده دارد. اولین در سناریوهایی خود را نشان می دهد که داده های فراوانی در دسترس باشند و می توان از آنها برای کشف الگوهای پیچیده استفاده کرد.
نمونه هایی از هوش مصنوعی:
ـ چت ربات ها: چت ربات ها برنامه هایی هستند که کاربران می توانند از طریق متن یا ورودی صوتی با آنها ارتباط برقرار کنند. آنها با استفاده از هوش مصنوعی قادر به انجام مکالمات و ارائه پاسخ های انسانی به انواع سؤالات هستند. چت ربات های معروف مبتنی بر متن برای مثال عبارتند از: “چت جی بی تی”, “گوگل جمینی” و” بینگ چت”. چت ربات ها را اغلب شرکت ها برای پشتیبانی از خدمات مشتری بدون دخالت کارکنان انسانی استفاده می،کنند.
ـ دستیارهای صوتی: دستیارهای مجازی مانند “سیری” از اپل، “الکسا” از آمازون، دستیار گوگل یا “کورتانا” از مایکروسافت از جمله ربات های گفتگوی مبتنی بر صدا هستند. آنها از هوش مصنوعی برای تشخیص و پردازش گفتار برای کارهای مختلف مانند پخش موسیقی، پاسخ دادن به پرسشها، تنظیم یادآورها و کنترل دستگاه های خانه هوشمند استفاده می کنند.
نمونه ای که برای بسیاری از افراد طنین انداز است، تشخیص صدا است. دستیارهای صوتی مانند سیری و الکسا با تجزیه و تحلیل مداوم داده های تولید شده توسط تعاملات شما، دستورات صوتی شما را درک می کنند و به آنها پاسخ می دهند. این دستیارها یاد می‌گیرند و سازگار می‌شوند تا در طول زمان شما را بهتر درک کنند و قدرت هوش مصنوعی مبتنی بر داده را به نمایش بگذارند.

ـ موتورهای جستجو: موتورهای جستجو مانند “بینگ آی ا” قادرند زبان طبیعی را پردازش کنند، متن عبارت های جستجو را ضبط کنند و در نتیجه بهتر قصد کاربران را درک کنند. این بدان معناست که می‌توانند حتی به سؤالات پیچیده پاسخ‌های دقیق بدهند و نتایج جستجوی شخصی‌سازی شده را ارائه دهند.
ـ سیستم های توصیه: پلتفرم هایی مانند نتفلیکس، آمازون، یوتیوب و اسپاتیفای از هوش مصنوعی برای ایجاد توصیه های شخصی برای فیلم ها، محصولات، ویدیوها و موسیقی بر اساس ترجیحات و رفتار کاربران استفاده می کنند. چیزی مشابه در رسانه های اجتماعی اتفاق می افتد، جایی که الگوریتم های موجود در پس زمینه تصمیم می گیرند چه اطلاعاتی به کاربران نشان داده شود.
ـ تشخیص و ویرایش تصویر: از هوش مصنوعی در شبکه های اجتماعی، از جمله برای تشخیص چهره در عکس ها و برچسب زدن خودکار افراد یا بهبود یا تحریف تصاویر استفاده می شود. چنین فیلترهایی طیف گسترده ای از کاربردهای ممکن را ارائه می دهند، از جلوه های رنگی گرفته تا ماسک های خنده دار حیوانات و فیلترهای زیبایی.
همچنین در سایر حوزه های زندگی روزمره به طور مداوم با الگوریتم ها و هوش مصنوعی مواجه هستیم. پوشیدنی‌ها و ردیاب‌های تناسب اندام از هوش مصنوعی استفاده می‌کنند، مانند سیستم‌های ناوبری و سیستم‌های تهویه مطبوع هوشمند. در پزشکی از هوش مصنوعی از جمله موارد دیگر، برای حمایت از تشخیص یا طرح های درمانی شخصی سازی شده استفاده می شود، در امور مالی به عنوان مثال برای پیشگیری از تقلب یا ارزیابی ریسک اعتباری استفاده می شود.
در بالا به گونه ای کلی مروری کردیم بر فواید هوش مصنوعی، چون حوزه عملی هوش مصنوعی بسیار وسیع تر از مواردی هستند که در بالا ذکر شد که در این بخش نمی گنجد.
در برابر مزایا , هر سیستمی بدی های مربوط به خود دارد که بحث ما بر خطرات سیستم های هوش مصنوعی است، البته به صورت کلی.
خطرات و کاهش هوش مصنوعی مبتنی بر داده
افزایش سریع هوش مصنوعی مبتنی بر داده با سهم همسنگی از خطرات همراه است. از آنجایی که این الگوریتم‌ها مجموعه داده‌های وسیعی را پردازش می‌کنند، نگرانی‌های مربوط به حریم خصوصی بسیار زیاد است. به عنوان مثال، پلتفرم‌های رسانه‌های اجتماعی را در نظر بگیرید، که اغلب به دلیل سوء استفاده از داده‌های کاربر مورد توبیخ قرار می‌گیرند. شفافیت و اقدامات قوی حفظ حریم خصوصی برای کاهش این خطرات ضروری است.
۱ـ وابستگی به کیفیت داده ها:
اثربخشی آن به کیفیت داده های آموزشی بستگی دارد. اگر داده ها نادرست، ناقص یا مغرضانه باشد، می تواند منجر به نتایج ناقص شود. اطمینان از کیفیت داده ها چالشی قابل توجه است.
۲ـ نگرانی های حفظ حریم خصوصی:
گرسنگی برای داده ها نگرانی های قابل توجهی را در مورد حفظ حریم خصوصی ایجاد می کند. از آنجایی که اطلاعات شخصی را جمع‌آوری و تجزیه و تحلیل می‌کند، مرز باریکی بین افزایش تجربه کاربر و دخالت در حریم خصوصی وجود دارد. در این مقطع ایجاد یک تعادل ضروری است.
۳ـ چالش دیگر کیفیت داده ها:
مدل‌های هوش مصنوعی آموزش‌دیده بر روی داده‌های ناقص یا مغرضانه می‌توانند سوگیری‌ها را تداوم بخشند یا نتایج نادرست ایجاد کنند. اطمینان از اینکه داده‌های مورد استفاده برای آموزش سیستم‌های هوش مصنوعی متنوع، معرف و مرتب ممیزی می‌شوند، ضروری است.
جنبه‌های اخلاقی هوش مصنوعی اهمیت فزاینده‌ای دارد. تصمیماتی که هوش مصنوعی می گیرد، می تواند پیامدهای عمیقی داشته باشد، از فرآیندهای استخدام گرفته تا تشخیص های پزشکی. بنابراین اطمینان از عدالت و مسئولیت پذیری در مدل های هوش مصنوعی بسیار مهم است.
۴ـ مسائل اخلاقی:
هوش مصنوعی مبتنی بر داده می تواند به طور ناخواسته سوگیری های موجود در داده های آموزشی را تداوم بخشد. برای مثال، اگر داده‌های تاریخی سوگیری‌های جنسیتی یا نژادی را بازتاب دهد، مدل هوش مصنوعی ممکن است این سوگیری‌ها را در تصمیم‌گیری تکرار کند. این موضوع پرسشهای اخلاقی مهمی را مطرح می کند.
۵ـ مشکل جعبه سیاه:
بسیاری از مدل ها “جعبه سیاه” در نظر گرفته می شوند، به این معنی که درک اینکه چگونه به تصمیمات خود می رسند، چالش برانگیز است. این عدم شفافیت می تواند مشکل ساز باشد، به ویژه در برنامه های کاربردی حیاتی با منطق تصمیم گیری روشن.
۶ـ کمیت و هزینه داده ها:
آموزش مدل های هوش مصنوعی اغلب به حجم عظیمی از داده ها نیاز دارد که به دست آوردن و پردازش آنها می تواند گران و زمان بر باشد. این موضوع می تواند مانعی برای ورود مشاغل کوچکتر باشد.
۷ـ کار انسانی:
در حالی که هوش مصنوعی می تواند بسیاری از وظایف را خودکار کند، اغلب به نظارت انسانی نیاز دارد. این کار انسانی می تواند شامل تمیز کردن و برچسب زدن داده ها، توضیح تصمیمات مدل و اطمینان از عملکرد اخلاقی هوش مصنوعی باشد.
درک این مزایا و معایب برای کسب‌وکارها و سازمان‌هایی که به دنبال استفاده از قدرت هوش مصنوعی مبتنی بر داده و در عین حال کاهش معایب احتمالی آن هستند، بسیار مهم است. کلید توسعه هوش مصنوعی در برخورد مسئولانه و اخلاقی نهفته است، تضمین اینکه کیفیت داده ها حفظ می شود، حریم خصوصی رعایت می شود، و تعصبات به طور فعال مورد توجه قرار می گیرند. همانطور که چشم انداز هوش مصنوعی تکامل می یابد، ایجاد این تعادل به طور فزاینده ای حیاتی می شود.