هوش مصنوعی چیست؟ (قسمت دوم)
آشنایی با هوش مصنوعی برای دانشآموزان: مبانی هوش مصنوعی
مقدمه
در قسمت قبلی به تعریف هوش مصنوعی اشاره کردیم. هوش مصنوعی به ماشینها و کامپیوترها کمک میکند تا همانند ما انسانها فکر کنند، بیاموزند و تصمیم بگیرند. هدف اصلی هوش مصنوعی این است که کامپیوترها را قادر سازد برای حل مسائل پیچیده، به صورت خودکار فکر کنند و تصمیمهای بهتری بگیرند. هوش مصنوعی طیف وسیعی از حوزهها و کاربردها را پوشش میدهد و انتظار میرود در آینده روی هر زمینهای تأثیر بگذارد.
هر کسی که وارد دنیای هوش مصنوعی شود، احتمالا با یک سوال روبرو میشود، تفاوت یادگیری ماشین (ML)، هوش مصنوعی (AI) و یادگیری عمیق (DL) چیست؟ گاهی پیش میآید که این اصطلاحات به جای یکدیگر استفاده شوند. اما آیا واقعاً آنها در معنی یکسان هستند؟ آیا بین یادگیری ماشین و هوش مصنوعی تفاوتی وجود دارد؟ آیا یادگیری عمیق همان هوش مصنوعی است؟ یادگیری عمیق دقیقاً چیست؟ پاسخ این سوالات را در ادامه خواهیم یافت.
هر روشی که کامپیوترها را قادر میسازد تا هوش انسان را تقلید کنند، هوش مصنوعی نامیده میشود. ماشینهای مجهز به هوش مصنوعی، مانند انسانها فکر میکنند و آنچه از آنها خواسته شده است را هوشمندانه اجرا میکنند. هوش مصنوعی این توانمندی را به ماشینها میدهد که چهرههای انسان را تشخیص دهند، دستورات صوتی انسان را درک کنند و حتی دادههای بسیار زیاد را تجزیه و تحلیل و از آنها نتیجهگیری کند.
یادگیری ماشین زیرشاخهای از هوش مصنوعی است که به ماشینها اجازه میدهد از دادههای مختلف یاد بگیرند و براساس این یادگیریها تجربه بدست آورند و به کمک این تجربهها وظایف خود را بهتر انجام دهند.
یادگیری عمیق نیز یک شاخه از یادگیری ماشین است که از شبکههای عصبی مصنوعی استفاده میکند. شبکههای عصبی مصنوعی، از شبکه عصبی مغز انسان الهام گرفتهاند. مغز انسان الگوهای مختلف و ویژگیهای موجود در دادهها را شناسایی میکند و با توجه به آنها میتواند انواع اطلاعات را دستهبندی و سازماندهی کند. میتوان شبکههای عصبی مصنوعی را به شیوهای مشابه با رفتار مغز انسان آموزش داد تا به تشخیص الگوها بپردازند و دستهبندی دادهها را انجام دهند. بنابراین میتوانیم بگوییم که یادگیری عمیق مانند یک ربات است که برای حل یک پازل با تکههای زیاد، میتواند به همه قطعات نگاه کند و بفهمد که هر قطعه در کجا باید قرار بگیرید بدون اینکه ما بگوییم که چه کاری انجام دهد. این ربات از شبکه عصبی استفاده میکند که عملکردی شبیه به مغز انسان دارد و از بخشهای کوچکتری ساخته شده است. این بخشهای کوچک با هم کار میکنند تا به ربات در چیدن قطعات پازل کمک کنند.
به طور کلی یادگیری عمیق پیشرفتهترین نوع هوش مصنوعی است. رتبهی بعدی را یادگیری ماشین دارد که دارای هوشمندی متوسطی میباشد و در نهایت هوش مصنوعی، به تمام مفاهیم و الگوریتمهای مربوط به توانایی ماشینها در انجام کارهای هوشمندانه میپردازد.
هوش مصنوعی کاربردهای بسیار زیادی دارد. تعداد کمی از آنها در دسته یادگیری ماشین قرار میگیرند و باز تعداد کمتری از آنها را میتوان به عنوان یادگیری عمیق طبقهبندی کرد. بنابراین، یادگیری ماشین و یادگیری عمیق جزئی از هوش مصنوعی هستند، اما هر چیزی که جزء یادگیری ماشین است، الزاماً مربوط به یادگیری عمیق نخواهد بود.
ترجمه تصویر:
ability of machine to imitate human intelligence: توانایی ماشین برای تقلید از هوش انسان
algorithms to incorporate intelligence into machine by automatically learning from data: الگوریتمهایی برای گنجاندن هوش در یک ماشین از طریق یادگیری خودکار از دادهها
algorithms that mimics human brain to incorporate intelligence into machine: الگوریتمهایی که از مغز انسان تقلید میکنند تا هوش را در یک ماشین بگنجانند
سمت چپ به ترتیب از بالا به پایین: هوش مصنوعی، یادگیری ماشین، یادگیری عمیق
حوزههای هوش مصنوعی
اساساً میزان هوشمندی یک هوش مصنوعی به آنچه که به آن آموزش داده میشود بستگی دارد. برای آموزش هوش مصنوعی، یک سری اطلاعات و داده به آن داده میشود. نوع داده و اطلاعاتی که دریافت میکند بستگی به این دارد که قرار است برای چه کاربردی استفاده شود. سه دسته اصلی هوش مصنوعی وجود دارد که بر اساس نوع دادههایی که با آنها آموزش داده میشود تعیین میشود: علم داده، بینایی ماشین و پردازش زبان طبیعی.
علم داده
علم داده حوزهای از هوش مصنوعی است که به استخراج دانش و اطلاعات از دادهها میپردازد. علم داده تلاش میکند دادههایی که در اختیار دارد را تجزیه و تحلیل کند تا اطلاعات ارزشمندی را از آن بدست آورد و از این اطلاعات در تصمیمگیریها و حل مسائل مختلف استفاده کند. علم داده شامل فرآیندهای جمعآوری داده (گردآوری دادهها و اطلاعات از منابع مختلف)، تمیزکاری داده (حذف یا اصلاح دادههای نامناسب)، تحلیل و استخراج الگوها (پیدا کردن رفتار یا ویژگیهای خاص در دادهها)، مدلسازی و پیشبینی، و بصریسازی داده (ترسیم و ارائه دادههای تحلیل شده به صورت نمودار و جدول به شکل بصری و قابل فهم) است. کاربردهای مختلفی از علم داده در دنیای امروز وجود دارد. بعضی از آنها در ادامه توضیح داده میشود:
کشف تقلب و خطر: اولین کاربرد علم داده مربوط به امور مالی است. بانکها سالانه دچار ضرر و زیانهای زیادی از بدهی مشتریان میشدند. همچنین بانکها دادههای بسیار زیادی از مشتریان خود در اختیار دارند و آنها را نگهداری میکنند. آنها تصمیم گرفتند از علم داده استفاده کنند تا با تحلیل این دادهها، جلوی ضرر و زیانها را بگیرند. آنها از دادههایی که در طول این سالها از مشتریان خود جمع کردهاند، مانند دادههای پروفایل مشتری، تاریخچهی هزینهها و... استفاده کردند و با تجزیه و تحلیل این دادهها احتمال این که هر مشتری بدهی خود را پرداخت نکند را محاسبه کردند تا براساس این نتایج بانک برای ارائه خدمات به مشتری تصمیمگیری کند. علاوه بر این، تحلیل دادهها به آنها کمک کرد تا محصولات بانکی خود را بر اساس قدرت خرید مشتری عرضه کنند.
ژنتیک و ژنومیکس: علم داده این امکان را فراهم میسازد که با تحقیق و مطالعه در مورد ژنتیک و ژنومیک هر شخص درمانهایی ویژه و منحصر به فرد برای هر شخص در نظر گرفته شود. بدین معنی که با استفاده از تکنیکهای علم داده میتوان ارتباط بیولوژیکی بین ژنهای هر شخص با بیماریاش را پیدا کرد و بر اساس این ارتباط، متناسب برای هر شخص، درمان خاص را پیشنهاد داد. علاوه براین، تکنیکهای علم داده با ترکیب انواع مختلف دادهها با دادههای ژنومی باعث رسیدن به درک عمیقتری از مسائل ژنتیکی در واکنش به داروها و بیماریهای خاص میشود.
جستجوی اینترنتی: معمولاً وقتی در مورد موتورهای جستجو صحبت میشود، کلمه Google به ذهن خطور میکند. اما بسیاری از موتورهای جستجوی دیگر مانند Yahoo، Bing، Ask، AOL و... وجود دارند که همگی همچون Google، از الگوریتمهای علم داده استفاده میکنند تا در کسری از ثانیه بهترین نتایج را بر اساس جستجوهای ما ارائه دهند. Google روزانه بیش از 20 پتابایت داده را پردازش میکند. Google بدون وجود علم داده، چیزی نیست که امروز از آن میشناسید.
تبلیغات هدفمند: آیا تا به حال به این فکر کردهاید که علم داده چگونه در تبلیغات نقش دارد؟ از تبلیغات در وبسایتهای مختلف گرفته تا بیلبوردهای دیجیتالی فرودگاهها، تقریبا همه چیز با استفاده از الگوریتمهای علم داده تصمیمگیری میشود. علم داده کمک میکند که براساس رفتار گذشتهی کاربران تبلیغات به طور هدفمند و مختص هر شخص نمایش داده شود.
توصیههای وبسایتها: تا به حال موقع جستجو در مورد یک محصول در سایتهای خرید اینترنتی همچون دیجی کالا به محصولات پیشنهادشدهی مشابه دقت کردهاید؟ این توصیهها نه تنها به ما کمک میکنند تا محصولات مرتبط را در بین میلیاردها محصول موجود پیدا کنیم، بلکه تجربه کاربر را نیز تا حد زیادی بهبود میبخشند. بسیاری از شرکتها از این برنامه برای تبلیغ محصولات خود مطابق با علاقه و ارتباط کاربر مورد استفاده قرار میدهند. غولهای اینترنتی مانند آمازون، توییتر، گوگل پلی، نتفلیکس، لینکدین، IMDB و بسیاری دیگر، از این سیستم برای بهبود تجربه کاربر استفاده میکنند. این توصیهها بر اساس نتایج جستجوی قبلی برای یک کاربر ارائه میشود.
برنامهریزی مسیرهای هواپیمایی: صنعت هواپیمایی در سراسر جهان بارها متحمل ضررهای سنگین شده است. همه خطوط هواپیمایی، به جز تعداد معدودی برای حفظ نسبت اشغال صندلیها و سود عملیاتیشان با مشکل مواجه هستند. این وضعیت با افزایش شدید قیمت سوخت هواپیما و نیاز به ارائه تخفیفهای سنگین به مشتریان، بدتر هم شده است. امروزه شرکتهای هواپیمایی شروع به استفاده از علم داده برای بهبود شناسایی مناطق استراتژیک کردهاند. اکنون با استفاده از علم داده، شرکتهای هواپیمایی میتوانند:
• تاخیر پرواز را پیشبینی کنند .
• تصمیم بگیرند کدام دسته (اکونومی کلاس، فِرست کلاس و...) از بلیطها را برای خرید ارائه کنند.
• تصمیم بگیرند آیا مستقیماً در مقصد فرود آمده یا در بین آن توقف داشته باشند. (به عنوان مثال، یک پرواز میتواند مسیر مستقیمی (بدون توقف) از دهلی نو به نیویورک داشته باشد. همچنین میتواند در هر کشوری نیز توقف کند.)
• برنامههای جذب و حفظ مشتری را به طور موثر انجام دهند.
وبسایتهای مقایسه قیمت: این وبسایتها به کمک دادههای بسیار زیادی هدایت میشوند. اگر تا به حال از این وبسایتها استفاده کرده باشید، حتما متوجه شدهاید که مقایسه قیمت یک محصول از چندین فروشنده در یک مکان از طریق این سایتها چقدر راحت است.PriceGrabber, PriceRunner ، Junglee، Shopzilla، DealTime نمونههایی از وبسایتهای مقایسه قیمت خارجی هستند و ترب نیز یک نمونه داخلی است. امروزه وبسایت مقایسه قیمت را میتوان تقریباً در هر حوزهای مانند فناوری، هتل، خودرو، پوشاک و... پیدا نمود.
بینایی ماشین
بینایی ماشین یا Computer Vision که به اختصار CV نامیده میشود، حوزهای از هوش مصنوعی است که به توانایی یک ماشین برای دریافت اطلاعات تصویری و تجزیه و تحلیل آنها، و سپس ارائه پیشبینی یا تصمیمگیری پیرامون آن اشاره دارد. کل فرآیند شامل دریافت تصویر، غربالگری، تجزیه و تحلیل، شناسایی و استخراج اطلاعات میباشد. این نوع پردازش به رایانهها کمک میکند تا انواع محتواهای تصویری را درککرده و بر اساس آن اقدام کنند. در بینایی ماشین، دادههای ورودی ماشینها میتواند عکس و فیلمی باشد که توسط حسگرهای حرارتی یا مادون قرمز، نشانگرها و منابع مختلف دیگر جمعآوری شده است. پروژههای مربوط به بینایی ماشین، دادههای تصویری دیجیتال را به یک سری توصیفات تبدیل میکنند. سپس این دادهها برای کمک به فرآیند تصمیمگیری، به زبانی تبدیل میشوند که برای کامپیوتر قابل خواندن باشد. هدف اصلی این رشته از هوش مصنوعی، آموزش ماشینهایی برای استخراج اطلاعات از پیکسلها است. اولین بار مفهوم بینایی ماشین در دهه 1970 معرفی شد و کاربردهای آن همه را هیجان زده نمود. امروزه فناوری بینایی ماشین به اندازهای پیشرفت کرده که به راحتی در دسترس همه قرار میگیرد. در سالهای اخیر، جهان شاهد جهش قابل توجهی در فناوری بود که طی آن بینایی ماشین در لیست اولویت بسیاری از صنایع قرار گرفت. در ادامه به برخی از آنها پرداخته میشود.
فیلترهای صورت: اپلیکیشنهای امروزی مانند اینستاگرام و اسنپ چت دارای ویژگیهای بسیاری بر اساس استفاده از بینایی ماشین هستند. استفاده از فیلترهای صورت یکی از این ویژگیهاست. یک دستگاه یا الگوریتم قادر است به صورت پویا چهره یک فرد را از طریق دوربین تشخیص دهد و یک فیلتر انتخاب شده را روی صورت اعمال کند.
جستجوی گوگل بر اساس تصویر: بیشترین اطلاعات جستجو شده در جستجوی گوگل، دادههای متنی است. اما در عین حال گوگل یک ویژگی جالب دارد. این ویژگی قابلیت جستجو بر اساس تصویر است که از بینایی ماشین برای یافتن نتیجه مورد نظر کاربر استفاده میکند. ویژگیهای مختلف تصویر ورودی با پایگاه داده تصاویر مقایسه شده و نتایج جستجو به ما ارائه میشود. ویژگیهای مختلف تصویر نیز به طور همزمان تجزیه و تحلیل میشوند.
بینایی ماشین در خردهفروشی: صنعت خردهفروشی یکی از سریعترین حوزههای در حال رشد برای استفاده از بینایی ماشین است که به کارآمدتر کردن خرید کمک میکند. خردهفروشان میتوانند با تکنیکهای بینایی ماشین، مشتریان را در فروشگاهها ردیابی کنند، حرکات آنها را تجزیه و تحلیل کنند و حتی الگو راه رفتن آنها در فروشگاه را تشخیص دهند. یکی دیگر از کاربردهای مفید بینایی ماشین در این حوزه، مدیریت موجودی است. با استفاده از فیلمهای امنیتی، بینایی ماشین میتواند تخمینهای دقیقی از آنچه در فروشگاه وجود دارد ارائه دهد و راههای بهتری برای سازماندهی محصولات در قفسهها پیشنهاد دهد.
خودروهای خودران: بینایی ماشین یک فناوری اساسی در توسعه خودروهای خودران است. اکثر خودروسازان پیشرو در جهان از مزایای بینایی ماشین برای توسعه فناوری رانندگی بدون دست در جادهها بهره میبرند که شامل فرآیند شناسایی اشیاء، دریافت مسیرهای حمل و نقل و جادهای و همچنین نظارت بر محیط میباشد.
تصویربرداری پزشکی: برنامههای تصویربرداری پزشکی برای چندین دهه کمک قابل اعتمادی برای پزشکان بودهاند. چنین برنامههایی نه تنها میتوانند تصاویر را ایجاد و تجزیه و تحلیل کنند، بلکه به عنوان دستیار میتوانند به پزشکان در تفسیر تصاویر نیز کمک کنند. از این برنامهها برای خواندن تصاویر اسکن شده دوبعدی و تبدیل آنها به مدلهای سهبعدی تعاملی استفاده میشود که به پزشکان درک دقیقی از سلامت بیمار میدهد.
برنامه مترجم گوگل: اگر میخواهید نشانههای زبان خارجی را بفهمید، کافی است گوشی خود را بیرون بیاورید و از برنامه Google Translate استفاده کنید. فقط دوربین خود را به سمت کلمات بگیرید و برنامه آنها را برای شما ترجمه میکند. همه اینها به لطف تشخیص نویسههای نوری (OCR) است که تصاویر را به متن قابل ویرایش تبدیل میکند. این فناوری ابزار مناسبی برای ارائه ترجمه دقیق است که از بینایی ماشین استفاده میکند.
قفل چهره در گوشیهای هوشمند: امروزه گوشیهای هوشمند به احراز هویت چهره مجهز شدهاند، یعنی صاحب گوشی هوشمند میتواند چهره خود را به عنوان قفل گوشی تنظیم کند. پس از فعالسازی این عملکرد، دوربین جلوی گوشی، چهره و ویژگیهای آن را شناسایی کرده و عکس میگیرد و آن را ذخیره میکند. با فعالشدن این مکانیزم در دفعات بعد، هر زمان که ویژگیها با تصویر ذخیره شده مطابقت داشته باشند، قفل گوشی باز میشود.
پردازش زبان طبیعی
پردازش زبان طبیعی یا به اختصار NLP، شاخهای از هوش مصنوعی است که به تعامل بین رایانه و انسان با استفاده از زبان طبیعی میپردازد. زبان طبیعی به زبانی گفته میشود که توسط مردم صحبت و نوشته میشود. پردازش زبان طبیعی با استفاده از الگوریتمها تلاش میکند تا از کلام گفتاری و نوشتاری اطلاعات را استخراج کند. هدف نهایی پردازش زبان طبیعی، خواندن، رمزگشایی، درک و معنا بخشیدن به زبانهای انسانی است. در اینجا برخی از کاربردهای پردازش زبان طبیعی آورده شده که در مسائل واقعی مورد استفاده قرار میگیرند:
خلاصهسازی خودکار: زمانی که باید اطلاعات مهمی را از مجموعه بزرگی از دانش پیدا کنیم، اغلب غرق در اطلاعات اضافه و حاشیهای میشویم. در چنین مواقعی برای مقابله با این مشکل، خلاصهسازی اهمیت زیادی پیدا میکند. خلاصهسازی خودکار نه تنها اسناد را خلاصه میکند، بلکه به درک اطلاعات مانند تجزیه و تحلیل دادههای رسانههای اجتماعی نیز کمک میکند. خلاصهسازی خودکار برای دریافت یک نمای کلی سریع از یک خبر و اجتناب از تکرار و در عین حال متنوع نگه داشتن محتوا واقعاً مفید است.
تجزیه و تحلیل احساسات: تجزیه و تحلیل احساسات به شرکتها کمک میکند تا با تجزیه و تحلیل نظرات متنی مشتریان بفهمند مشتریان در مورد محصولات و خدمات آنها چه فکری میکنند. این ابزاری است که از پردازش زبان طبیعی برای شناسایی احساسات و نظراتی استفاده میکند که ممکن است مستقیماً بیان نشود. به عنوان مثال، اگر شخصی بگوید که «من آیفون جدید را دوست دارم»، اما بعد اشاره کند «اما گاهی اوقات خوب کار نمیکند»، به صاحب کسب و کار میگوید که من به شما متعهد هستم، اما چند پیشنهاد دارم که ممکن است به شما کمک کند. یک شرکت میتواند از این بازخورد برای بهبود محصولات خود و افزایش رضایت مشتری استفاده کند. درک اینکه مردم واقعاً در مورد یک برَند چه فکر میکنند میتواند به شرکتها کمک کند تا تصمیمات بهتری بگیرند و مشتریان را در مسیر درست هنگام خرید راهنمایی کنند.
دستیارهای مجازی: امروزه دستیار Google، Cortona، Siri، Alexa و... به بخشی جداییناپذیر از زندگی بشر تبدیل شدهاند. شما نه تنها میتوانید با آنها صحبت کنید، بلکه میتوانید از قابلیتهایی از آنها بهره ببرید که زندگیتان را آسانتر میکنند. این دستیارها میتوانند از طریق دسترسی به دادههای شما مانند محل سکونت، برنامهریزیها، لوکیشن و...، در یادداشت کردن کارهایتان کمک کنند، با افراد مورد نظرتان تماس بگیرند، پیام ارسال کنند و... . با توجه به پیشرفتهای اخیر این حوزه، آیندهی درخشانی پیشروی آن است.
اصول اخلاقی هوش مصنوعی
امروزه بشر در حال گذر از عصر اطلاعات به عصر هوش مصنوعی میباشد. اکنون بشر از دادهها یا اطلاعات به صورت خام استفاده نمیکند بلکه از جمعآوری آنها و تجزیه و تحلیلشان برای رسیدن به راهحل استفاده میکند. هنگام توسعه راهحلهایی مبتنی بر هوش مصنوعی، شیوههای اخلاقی جنبههای بسیار مهمی هستند که باید آنها را مدنظر داشت. برای درک بهتر موضوع در ادامه تلاش شده است تا با ذکر چند مثال برخی از این موارد اخلاقی و نگرانیهای مرتبط با آنها بیان شوند.
تصور کنید که در سال 2030 هستید و خودروهای خودران در جادهها توسط افراد مورد استفاده قرار گرفتهاند. افرادی به راحتی آنها را میخرند و برای حمل و نقل روزانه خود از آنها استفاده میکنند. حالا فرض کنید یک روز پدر شما با ماشین خودرانش در حال رفتن به سمت محل کارش است و در حالی که ماشین، خودش در حال رانندگیست او روی صندلی عقب نشسته، ناگهان پسر کوچکی جلوی این ماشین میآید. این حادثه به قدری ناگهانی اتفاق میافتد که ماشین فقط میتواند یکی از این دو انتخاب را انجام دهد:
1. مستقیم رفته و به پسری که جلوی ماشین آمده ضربه بزند و او را به شدت مجروح کند.
2. برای نجات پسر به سرعت به راست بپیچد که منجر به کوبیدن ماشین به تیر فلزی و در نتیجه آسیب رساندن به ماشین و همچنین مجروح شدن فرد نشسته در آن خواهد شد.
در اینجا اخلاق توسعهدهندهی خودرو به دستگاه منتقل میشود و آنچه به نظر آن فرد یا افراد درست باشد، دارای اولویت بیشتری است. در نتیجه آن اولویت توسط ماشین انتخاب و انجام خواهد شد. بنابرین توسعهدهنده خودرو در حین توسعه الگوریتم آن باید همهی این نوع معضلات را در نظر بگیرند.
حالا فرض کنیم ماشین به پسری که جلویش آمده بود برخورد کرده باشد. با در نظر گرفتن این حادثه، چه کسی باید پاسخگوی آن باشد؟ چرا؟
1. شخصی که این خودرو را خریده است.
2. شرکت تولیدکنندهی خودرو
3. توسعهدهندهای که الگوریتم خودرو را توسعه داده است.
4. پسری که جلوی ماشین آمده و به شدت مجروح شده است.
در اینجا، انتخابها ممکن است از فردی به فرد دیگر متفاوت باشد و باید درک کرد که هر فردی دیدگاه متفاوتی دارد و بر اساس اصول اخلاقی خود تصمیم میگیرد.
حریم خصوصی دادهها
دنیای هوش مصنوعی حول محور دادهها میچرخد. هر شرکتی، چه کوچک و چه بزرگ، دادهها را از منابع زیادی استخراج میکند. بیش از 70 درصد از دادههای جمعآوریشده تاکنون، در 3 سال گذشته جمعآوری شدهاند که نشان میدهد دادهها در زمانهای اخیر چقدر اهمیت پیدا کردهاند. به راستی که این جمله به درستی گفته میشود " داده طلای جدید است".
یکی از منابع اصلی جمعآوری داده برای بسیاری از شرکتهای بزرگ دستگاهی است که اکثر افراد همیشه در دست دارند: گوشیهای هوشمند. گوشیهای هوشمند امروزه به بخش جداییناپذیری از زندگی بشر تبدیل شدهاند. بسیاری از افراد بیشتر از اینکه با اطرافیانشان به صورت فیزیکی تعامل داشته باشند از گوشیهای هوشمند استفاده میکنند.
گوشیهای هوشمند امکانات و ویژگیهای زیادی را در اختیار افراد قرار میدهند و از این طریق زندگی را آسانتر کردهاند. احساس گرسنگی میکنید؟ غذا را آنلاین سفارش دهید. میخواهید خرید کنید اما زمانی برای بیرون رفتن ندارید؟ آنلاین خرید کنید. از رزرو بلیط گرفته تا تماشای نمایشهای مورد علاقهتان، همهچیز در این جعبه کوچک مملو از فناوری موجود است. علاوه بر موارد گفته شده، از ویژگیهای گوشیهای هوشمند این است که توصیهها و اعلانهای سفارشی را مطابق با انتخاب کاربران در اختیارشان قرار میدهند. به مثالهای زیر توجه کنید:
- هنگامی که با دوست خود در یک شبکه تلفن همراه یا در برنامهای مانند WhatsApp صحبت میکنید، شما به دوست خود میگویید که میخواهید کفش جدید بخرید و به دنبال پیشنهادی از جانب او هستید. شما فقط در مورد کفش بحث میکنید. پس از مدتی وبسایتهای خرید آنلاین شروع به اطلاعرسانی برای خرید کفش میکنند! آنها شروع به توصیهی برخی از محصولات خود میکنند و از شما میخواهند که برخی از آنها را بخرید. ترسناک به نظر میرسد!
- اگر در گوگل برای سفر به یک شهر مشخص یا هر مقصد دیگری جستجو کنید، پس از جستجو، تمام برنامههای گوشی شما که از تبلیغات پشتیبانی میکنند، شروع به ارسال پیام در مورد بستههایی میکنند که میتوانید برای سفر خریداری کنید.
- حتی زمانی که از تلفن خود استفاده نمیکنید و با شخصی درباره کتابی که اخیراً خواندهاید صحبت میکنید، در حالی که تلفن در حالت قفل در نزدیکیتان قرار دارد، ممکن است اعلانهایی درباره کتابهای مشابه در گوشی خود دریافت کنید یا پس از استفاده از همان کتاب، پیامهایی در مورد آن برایتان ارسال شود.
بنابراین، هنگامی که یک برنامه را دانلود میکنید، ممکن است برای دسترسی به بخشهای مختلف گوشی شما درخواست مجوز کند. اگر به آن دسترسی ندهید، نمیتوانید از همه ویژگیها استفاده کنید. اما گاهی اوقات ما بدون فکر کردن همه مجوزها را به آن میدهیم. سپس، برنامه میتواند از حسگرهای موجود در تلفن شما برای جمعآوری اطلاعات درباره شما و محیط اطرافتان استفاده کند. اساساً تلفن شما همیشه در حال جمعآوری داده است. سوال این است که آیا با به اشتراکگذاری دادههای خود با دنیای بیرونی مشکلی ندارید؟
جمعآوری دادهها توسط برنامههای مختلف، از نظر فنی اخلاقی است زیرا با دکمه اجازه موقع درخواست مجوز، با تمام شرایط و ضوابط موافقت کردید. اما اگر نمیخواهید اطلاعات خود را به اشتراک بگذارید، میتوانید برنامههای مشابه دیگری را پیدا کنید که دادههای شما را خصوصی نگه میدارند.
سوگیری هوش مصنوعی
موضوع دیگر که در اخلاق هوش مصنوعی مطرح میباشد، سوگیری است. هرکسی برای خود سوگیریهایی دارد، حتی اگر تلاش کند همه افکار و اعمالش بیطرفانه باشد، باز به نوعی حتی نسبت به چیزهای کوچک نیز تعصب دارد. البته تعصبات همیشه منفی نیستند. گاهی اوقات، برای کنترل یک موقعیت و ادامهدادن کارها نیاز به تعصب داریم.
وقتی در مورد یک ماشین صحبت میکنیم، میدانیم که ماشین، یک وسیله ساخته شده توسط بشر است و نمیتواند به تنهایی فکر کند. تصور ما این است که این ماشین میتواند هوشمند باشد، اما نمیتوانیم انتظار داشته باشیم که این ماشین سوگیری خاص خود را داشته باشد. درحالیکه اینگونه نیست و هرگونه سوگیری در زمان توسعه الگوریتم میتواند از فرد توسعهدهنده به ماشین منتقل شود. به چند نمونهای که در ادامه میآیند توجه کنید.
- اکثر دستیاران مجازی صدای زنانه دارند. اکنون برخی از شرکتها این سوگیری را درک کردهاند و شروع به ارائه گزینههایی برای صدای مردان نمودهاند، اما از زمانی که دستیاران مجازی وارد عمل شدند، صدای زنانه برای آنها همیشه بر هر صدای دیگری ترجیح داده میشود.
- اگر در گوگل کلمهی «آرایشگاه» را جستجو کنید، در شروع تعدادی از نتایج جستجوها مربوط به آرایشگاههای زنانه میباشد. این نتیجه بر این فرض استوار است که اگر شخصی در حال جستجوی سالن آرایش باشد، به احتمال زیاد یک زن خواهد بود.
دستیابی به هوش مصنوعی، خوب یا بد؟
هوش مصنوعی زندگی مردم را آسانتر میکند. بسیاری از کارهای امروزه تنها با چند کلیک انجام میشوند. هوش مصنوعی در زمان کوتاهی قادر به انجام تمام کارهای پرزحمتی است که ما انسانها از مدتها قبل انجام میدادیم. شاید در سالهای آینده، ماشینهای دارای هوش مصنوعی جایگزین همه افرادی شوند که به عنوان کارگر کار میکنند. این مساله ممکن است موجب شروع دوران بیکاریهای گسترده شود که در آن، افراد دارای مهارتهای کم یا فاقد مهارت، بدون شغل میمانند و دیگرانی که مطابق با نیاز مهارتهای خود را حفظ کردهاند، شکوفا خواهند شد.
این مسئله ما را به یک دوراهی می رساند. از یک سو هوش مصنوعی با کار کردن برای افراد و انجام برخی از وظایف، زندگی آنها را ارتقا میدهد و بهبود میبخشد، از سوی دیگر زندگی افرادی که وابسته به مشاغل پرزحمت هستند و در انجام هیچ کار دیگری مهارت ندارند را دچار خطر میکند. البته این موضوع بحث داغی در دنیاست و جواب قاطعی برای آن وجود ندارد، چه بسا با ورود اتوماسیون و فناوریهای پیشرفته دیگر نیز این موضوعات مطرح میشد.
نظرات