هوش مصنوعی ۱۱۳۷ بازدید

تأثیر هوش مصنوعی بر روش‌های تصمیم‌گیری

با توسعه و پیشرفت هوش مصنوعی AI، نحوه تاثیر آن بر مشاغل انسانی مورد توجه قرار گرفت. برخی سعی کردند که پیشگویی کنند کدام صنایع و مشاغل بیشتر تحت تاثیر هوش مصنوعی قرار خواهند گرفت. و برای کدام مشاغل تقاضای زیادی وجود خواهد داشت. (آیا در دوران هوش مصنوعی باید کدنویسی یاد گرفت و یا هوش مصنوعی می‌تواند جایگزین کدنویسان شود.)

به جای آن که بخواهیم یک پیشگویی دقیق انجام دهیم، روش جایگزینی را پیشنهاد خواهیم داد. یک تئوری اقتصادی بیان می کند که با توسعه هوش مصنوعی ارزش قضاوت انسانی بالاتر خواهد رفت. بنابراین افرادی که توانایی قضاوت بهتری داشته باشند ارزشمندتر خواهند بود. اما قبل از ادامه بحث باید منظور خود را از قضاوت خوب توضیح دهیم و درباره اینکه چرا خوب قضاوت کردن در آینده ارزشمندتر خواهد بود بحث و گفتگو کنیم.

هوش مصنوعی چیست و چه کاربردی دارد؟

با توسعه هوش مصنوعی هزینه‌های پیش بینی موارد مختلف کاهش می‌یابد. هنگامی‌که از پیش‌بینی صحبت می کنیم، منظور ما صرفاً پیش‌بینی آینده نیست. بلکه در هوش مصنوعی پیش بینی به معنی استفاده از داده‌های موجود برای به دست آوردن داده‌های جدید است. گاهی این کار با تبدیل حجم زیادی داده به داده‌های اندک و قابل مدیریت انجام می‌شود. مثلاً هوش مصنوعی می‌تواند با دریافت یک عکس اطلاعات آن را به اجزای کوچکتر تقسیم کند و تعیین کند که آیا تصویر یک انسان در عکس موجود است یا خیر. تئوری‌های اقتصادی به ما می‌گویند که با کم شدن هزینه پیش‌بینی توسط هوش مصنوعی، تعداد پیش‌بینی‌های آن در آینده بیشتر خواهد بود. این به آن معنی است که هوش مصنوعی در آینده قادر به تجزیه و تحلیل موارد بیشتری خواهد بود.

پیش‌بینی‌ها به دلیل بهبود روند تصمیم‌گیری برای ما حائز اهمیت هستند. اما پیش‌بینی تنها معیار تصمیم‌گیری نیست. معیار دیگر برای اتخاذ یک تصمیم، قضاوت است. به عنوان مثال کارت‌های اعتباری را در نظر بگیرید. بانک‌ها تلاش می‌کنند تا با استفاده از هوش مصنوعی از هر گونه تقلب و سوء استفاده از کارت‌های اعتباری جلوگیری کنند. اگر پیاده‌سازی این امر ساده باشد. قطعا تراکنش‌های غیرقانونی کاهش خواهند یافت.

اما نکته اینجاست که هیچ هوش مصنوعی بدون خطا نیست. قطعاً شما نیز هنگامی که قصد انجام عملیات‌های بانکی روزمره را داشته‌اید با سیستم‌های جلوگیری از تراکنش‌های غیرقانونی مواجه شدید. مواردی مانند اجبار کاربر به تغییر رمز در کارت‌های بانک مسکن، به صورت هر سه ماه یک بار و یا مواردی مانند ضبط کارت در صورتی که سه بار در روز، رمز خود را اشتباه وارد کنید. این موارد در حالی که کاربر قصد سوءاستفاده از کارت‌های بانکی خود را ندارد صرفاً باعث اتلاف وقت کاربران خواهند شد.
این بدان معنی است که اگر می‌خواهیم از سیستم کارت‌های اعتباری بانک‌ها استفاده کنیم، باید این خطاها را نیز بپذیریم. میزان جلوگیری از یک معامله قانونی توسط این سیستم‌ها را بررسی کنید. حالا آن را با توان مقابله این سیستم با تراکنش‌های مالی غیرقانونی مانند استفاده از کارت سرقت شده را نیز بررسی کنید. قطعاً شما نیز به این نتیجه می‌رسید که به کارگیری سیستم‌های جلوگیری از سوءاستفاده از کارت های اعتباری ارزش تحمل برخی مشکلات این سیستم را دارد.

تصمیم‌گیری برای اینکه در صورتی که یک معامله به نظر هوش مصنوعی یک معامله غیرقانونی بیاید با برنامه‌ریزان هوش مصنوعی خواهد بود. هوش مصنوعی نمی‌تواند به تنهایی چنین تصمیماتی را اتخاذ کند. بنابراین شرکت‌هایی که کارت‌های اعتباری را در اختیار کاربران قرار می‌دهند، با توجه به این موضوع که رخ دادن هرگونه سوءاستفاده از کارت‌های صادر شده توسط آنها به چه میزان می‌تواند کل تجارت آن‌ها را به خطر بیاندازد. درباره نحوه برخورد و میزان سختگیری‌های سیستم برای بروز تراکنش‌های مالی غیر مجاز تصمیم‌گیری خواهند کرد. این قسمت از تصمیم‌گیری است، که به آن قضاوت انسانی می‌گویند.

الزامات قضاوت چیست

قضاوت فرآیند تعیین پاداش برای یک عمل خاص در یک شرایط خاص است. قضاوت تعیین‌کننده نحوه عملکرد ما در ارتباط با مزایا و هزینه‌های تصمیمات مختلف در شرایط متفاوت است.

تقلب در کارت اعتباری یک تصمیم ساده برای توضیح این زمینه است. شما باید میزان خسارت‌های ممکن از طریق تقلب در کارت‌های  اعتباری را در نظر داشته باشید. از طرف دیگر میزان ناراحتی مشتریانی که قصد انجام عملیات قانونی توسط این کارت‌ها را دارند، اما سیستم مانع انجام عملیات بانکی توسط آنها می‌شود را نیز باید مورد توجه قرار دهید. پاداش یک قضاوت درست در این زمینه این خواهد بود که تعداد تراکنش‌های مجاز افزوده شده و از تعداد تراکنش‌های غیر مجاز کاسته می‌شود. همه مواردی که در هوش مصنوعی با آن سر و کار داریم به این سادگی نیستند. برخی از آن‌ها دارای پیچیدگی‌های زیادی هستند و نتیجه نهایی به کارگیری هوش مصنوعی در آن‌ها مانند مثال ما واضح و مشخص نیست. ما انسان‌ها یاد گرفته‌ایم که از طریق تجربه و اتخاذ تصمیم و سنجش خطاهای رخ داده بر میزان آگاهی خود بیافزاییم، به این ترتیب نتیجه نهایی به دست آمده از کارهای انسانی ارتقاء میابد.

تعیین نتیجه نهایی برای یک سیستم کار دشواری است. شما باید بدانید که شرکت شما برای چه چیزی بیشتر اهمیت قائل است. منافع شرکت شما در چه موارد و مسائلی است. و در آخر هم باید بدانید که چه مشکلاتی بر سر راه شما برای رسیدن به اهداف شرکت وجود دارند.

در بسیاری از موارد مخصوصاً در کوتاه مدت انسان‌ها برای اتخاذ تصمیمات مختلف نیاز به تجربه‌اندوزی دارند. با این تجربه‌اندوزی‌هاست که می‌توانیم در سبک و سنگین کردن منافع و هزینه‌های تصمیمات مختلف، مهارت کسب کنیم. بعد از این مرحله است که می‌توان قضاوت‌های انسانی را با قابلیت پیش‌بینی ماشینی ترکیب کرد و یک تصمیم نهایی اتخاذ کرد.

اما سوالی که اینجا مطرح می‌شود این است که آیا هوش مصنوعی قادر به برآورد کردن، منافع و هزینه‌های تصمیمات اتخاذ شده نیست؟ مثال کارت‌های اعتباری را در نظر بگیرید. آیا هوش مصنوعی نمی‌تواند با در نظر گرفتن داده‌های بدست آمده از رفتار کاربران خود منافع کاربران و منافع سیستم را بهینه‌سازی کند؟ بله قطعاً می‌توان چنین کاری انجام داد. اما باز هم شخصی باید هوش مصنوعی را برنامه‌ریزی کند و برای نحوه اندازه‌گیری منافع کاربران و سیستم تصمیم‌گیری کند. به همین دلیل است که ما بر این باوریم که قضاوت‌های انسانی در دنیای هوش مصنوعی با ارزش‌تر خواهد شد.

ایجاد یک پاداش مناسب

درست مانند انسان، هوش مصنوعی می‌تواند از تجارب خود موارد جدیدی بیاموزد. یک تکنیک مهم در هوش مصنوعی به کارگیری یک کامپیوتر است که  با یک سیستم پاداش مشخص روند یادگیری را به حداکثر می‌رساند. برای مثال می‌توان به DeepMind’s AlphaGo (هوش مصنوعی طراحی شده توسط گوگل برای پیروزی در بازی GO این سیستم توانسته است قهرمانان جهان در این بازی را شکست دهد. بازی GO بسیار شبیه reverse است که در ایران به نام دوز معروف است) به این ترتیب آموزش داده شده تا شانس پیروزی آن بیشتر شود. در بازی Go پاداش آسان است و می‌توان آن را به راحتی برنامه ریزی کرد. سیستم باید بتواند مانع ایجاد حلقه توسط کاربران شود (در بازی دوز ایجاد حلقه به حالتی می‌گویند که کاربر دو موقعیت برد برای خود ایجاد می‌کند و در صورت مسدود شدن هر کدام از این دو موقعیت کاربر با استفاده از موقعیت دیگر بازی را می‌برد).

اما در بازی‌ها می‌توان تقلب کرد. مثلا در یک بازی قایقرانی هوش مصنوعی که به آن نحوه کسب بیشترین امتیاز آموزش داده شده بود. بجای کامل کردن مسیر مسابقه شروع به چرخیدن به دور خود کرد. این قبیل تقلب‌ها شاید در یک بازی رایانه‌ای به نظر جالب برسند. ولی هنگامی که بخواهیم از هوش مصنوعی در نرم‌افزارهای دیگر استفاده کنیم. این قبیل ابتکار عمل‌ها می‌تواند باعث ایجاد تنفر در کاربران نرم‌افزار شود.

نکته کلیدی که در این باره باید به خاطر داشته باشیم این است که در شرکت‌ها معمولاً اهداف هوش مصنوعی با اهداف واقعی شرکت که اندازه‌گیری آن‌ها دشوار است متفاوت هستند. به این ترتیب تا زمانی که هوش مصنوعی نتواند این اهداف پیچیده را به انجام برساند، همچنان قضاوت در باره نحوه عملکرد در مسائل اصلی سازمان‌ها و شرکت‌ها با ما خواهد بود.

در حقیقت هنگامی که یک شرکت اتخاذ تصمیم مشخصی را به هوش مصنوعی می‌سپارد، لازم است که برای رسیدن به نتیجه نهایی مد نظر شرکت بداند که هوش مصنوعی این تصمیم را چگونه اخذ می‌کند. احتمال پیش‌بینی غلط توسط هوش مصنوعی را باید برآورد کرد. همچنین باید احتمال یادگیری اشتباه از پیام داده شده به ماشین را در نظر گرفت.

مهندسی توابع پاداش‌ها، با پیشرفت هوش مصنوعی و کم‌هزینه‌تر بودن استفاده از پیش‌بینی‌های هوش مصنوعی، ما باید به فکر نحوه استفاده از این پیش‌بینی‌ها باشیم. مهندسی توابع پاداش یک شغل است که پاداش عملکرد‌های مختلف هوش مصنوعی را مشخص می کند. برای آن که شخصی بتواند در این شغل موفقیت کسب کند باید با نیازهای سازمان و قابلیت‌های ماشین کاملاً آشنا باشد. انجام این کار قطعاً به سادگی دستور جلوگیری از ایجاد حلقه در بازی دوز نخواهد بود.

ماشین‌های خودران و هوش مصنوعی

گاهی اوقات مهندسی توابع پاداش‌ها می‌تواند با برنامه‌ریزی حرفه‌ای پاداش‌ها برای پیش‌بینی‌های انجام شده، عملیاتی را به صورت اتوماتیک انجام دهد. ماشین‌های خودران Self-driving (که در آن خودرو می‌تواند نسبت به وقایع به سرعت و به طور اتوماتیک واکنش نشان دهد و از رفتن به ترافیک اجتناب کند و یا مانع بروز یک تصادف شود.) در این روش به محض انجام یک پیش‌بینی عملکردی در سیستم رخ خواهد داد. در مهندسی توابع پاداش باید به امکان بهینه‌سازی بیش از حد سیستم هوش مصنوعی روی یکی از عوامل موفقیت توجه ویژه داشت. چرا که در این صورت هوش مصنوعی ممکن است در جهتی حرکت کند که با اهداف نهایی شرکت متناض است.

در بیشتر مواقع مانند کدنویسی سخت‌افزار و تنظیم سیستم‌های پاداش کار دشواری است. بالا رفتن تعداد پیش بینی‌ها در این سیستم‌ها موجب تحمیل هزینه های زیادی برای قضاوت تمام نتایج نهایی هر کدام از این پیش بینی‌ها می‌شود. به خاطر داشته باشید در بسیاری از موارد قضاوت‌هایی که ما انسان‌ها باید از یک سیستم ارائه دهیم بر اساس پیش‌بینی یک سیستم هوش مصنوعی خواهد بود، به این ترتیب می‌توان حدس زد که این روند به چه میزان پیچیده است. در دنیای هوش مصنوعی قضاوت‌های انسانی به این صورت عمل خواهند کرد و ما باید فرایند‌هایی را قضاوت کنیم که باید توسط هوش مصنوعی پردازش شوند و در ادامه قضاوت نتیجه تصمیماتی که هوش مصنوعی برای ما گرفته است نیز با ما خواهد بود. بسیاری از ما در حال حاضر از مهندسی توابع پاداش استفاده می‌کنیم. البته برای انسان‌ها و نه ماشین‌ها، منظور نحوه آموزش ارزش‌ها به فرزندان یک خانواده است. که در آن با یک سیستم پاداش‌دهی والدین ارزش‌های اخلاقی را در کودکان‌شان نهادینه می‌کنند. نمونه‌های دیگر استفاده از این سیستم در روابط انسانی را می‌توان در آموزش‌هایی که مربیان به کارمندان در باره نحوه عملکرد یک سیستم می‌دهند و یا مدیرانی که اهداف خود را به کارمندان خود نشان می‌دهد و آنها را به سمت بهبود عملکرد خود هدایت می‌کنند، مشاهده کرد. ما هر روز تصمیماتی می‌گیریم و نتایج آن را مورد قضاوت قرار می‌دهیم. بنابراین می‌توان چنین نتیجه‌گیری کرد که پیش‌بینی و قضاوت دو فرایند مستقل نیستند. بلکه یک مجموعه‌ای هستند که در کنار هم می‌توانند به تصمیم‌گیری بهتر بیانجامند.

ماشین‌ها روز به روز در ارائه پیش بینی‌ها بهتر عمل می‌کنند و این امر ارزش مهندسی توابع پاداش را افزایش خواهد داد. که خود باعث می‌شود قضاوت‌های انسانی درست بیش از پیش مورد نیاز باشد.

هنوز خیلی زود است که بخواهیم بگوییم قابلیت پیش‌بینی ماشین‌ها فرصت‌های شغلی ما انسان ها را کاهش می‌دهد و یا فرصت‌های جدید شغلی برای ما به همراه می‌آورد. از طرفی باید ببینیم که پیش‌بینی ماشینی می‌تواند جایگزین پیش بینی انسان شود یا خیر، و از طرف دیگر این پیش‌بینی‌های ماشینی کاملاً به قضاوت‌های انسانی وابسته است. هر چه هزینه پیش‌بینی ماشینی کاهش یابد، فرصت بیشتری برای ارائه قضاوت‌های انسانی به وجود خواهد آمد. بنابراین هرچند که هنوز برای تعیین میزان تاثیر هوش مصنوعی در مشاغل انسانی بسیار زود است. می‌توان پیش‌بینی کرد در دنیای هوش مصنوعی تقاضا برای قضاوت‌های انسانی در سیستم مهندسی توابع تشویقی افزایش یابد.

اگر تمایل به مطالعه بیشتر در رابطه با این موضوع دارید، شاید آموزش‌های زیر برای شما مفید باشند:

منبع

بر اساس رای ۴ نفر
آیا این مطلب برای شما مفید بود؟
شما قبلا رای داده‌اید!
اگر بازخوردی درباره این مطلب دارید یا پرسشی دارید که بدون پاسخ مانده است، آن را از طریق بخش نظرات مطرح کنید.

نظر شما چیست؟

نشانی ایمیل شما منتشر نخواهد شد.

مشاهده بیشتر