هوش مصنوعی؛ از فیلم‌های علمی تخیلی تا واقعیت امروز

به گزارش پیوست، جدای از تخیل نیز هوش مصنوعی یک مسئله جدی است. ریچارد کلرک و ار پی ادی در کتاب «هشدارها» در سال ۲۰۱۷ می‌نویسند که ۴۷ درصد از تمامی مشاغل آمریکا در طول ۲۰ سال از رده خارج خواهند شد و این موضوع توسط محققان آکسفورد در سال ۲۰۱۳ نیز پیش‌بینی شده بود. مطالعه‌ی از سوی شرکت مشاوره مکنزی در همان سال پیش‌بینی کرد که «هوش مصنوعی ۱۴۰ میلیون کارمند تمام وقت دانش محور را در سراسر جهان بیکار می‌کند.»

بیکاری گسترده خطرناک است. دولت فعلی در واقع هوش مصنوعی را نادیده گرفته است اما با این وجود دولت بعدی یک پلتفرم تحقیقی در این باره ایجاد خواهد کرد. باید دید این اقدام بر از دست رفتن مشاغل چه تاثیری می‌گذارد. کلارک و ادی در این کتاب برای پاسخ به این سوال‌ به رکود اقتصادی بزرگ در آمریکا اشاره می‌کنند: «در سال ۱۹۳۲ آمریکا به رکود اقتصادی با قراردادی جدید پاسخ داد. اروپای غربی با فاشیسم و ظهور نازیسم و وابستگی روسیه بر تفکر استالین و برنامه‌های پنج‌ساله پاسخ این رکورد را دادند».

اما در اینجا مسئله بازدهی است. از کجا می‌دانیم که هوش مصنوعی طبق برنامه عمل می‌کند؟ آمار نشان دهنده سطح اطمینان ۹۵ درصدی و ۹۹ درصدی به هوش مصنوعی است. هرچند اطمینان ۹۹ درصدی با توجه به مجموعه داده‌های عظیم معتبر به نظر می‌آید اما آیا شما یک هوش مصنوعی پزشکی با احتمال خطای یک درصد را می‌پذیرید؟

الکساندر عمیمی دانشجوی دکترای علوم کامپیوتر و هوش مصنوعی آزمایشگاهی در دانشگاه MIT و اولین مولف یک مقاله جدید درمورد شبکه‌های عصبی می‌گوید که ما نباید این احتمال خطر را بپذیریم.

به عقیده او«یک چیز که محققان را از هوش مصنوعی دور می‌کند این است که این مدل‌ها می‌دانند و می‌توانند بگویند که در کجا احتمال اشتباه برایشان وجود دارد. ما واقعا به آن یک درصد از مواقع اهمیت می‌دهیم و باید بدانیم که چطور می‌توان این شرایط را به شکلی معتبر و مفید شناسایی کرد».

شبکه‌های عصبی یادگیری عمیق در خودروهای خودران و تشخیص پزشکی و بسیاری زمینه‌های دیگر استفاده می‌شوند. خطای یک درصدی در هوش مصنوعی مسئول فیلتر شبکه‌های اجتماعی شاید ضرر چندانی نداشته باشد اما وقتی پای طراحی دارو یا تحلیل تصاویر پزشکی به میان باشد این خطر به تراژدی منتهی خواهد شد.

در خودرو‌ها این خطای یک درصدی می‌تواند به معنای توقف در پشت چراغ قرمز یا ورود به چهار‌راهی پر رفت و آمد باشد. امینی و همکارانش مدلی را تولید کرده‌اند که به شکل بهتری الگو‌های موجود در مجموعه عظیم داده‌ها را شناسایی می‌کند. آنها این راه حل را «پس‌روی عمیق متکی به مدرک» (Deep evidential regression) نامیدند.

مرتب کردن میلیارد ها پارامتر کار آسانی نیست. مدل امینی از تحلیل شک استفاده می‌کند؛ این مدل مشخص می‌کند که چه میزان خطا در یک مدل وجود دارد و سپس اقدام به ارائه داده‌های تکمیلی می‌کند. این رویکرد به یادیگری عمیق رویکرد تازه‌ای نیست، اما با این وجود به زمان و فضای ذخیره زیادی نیاز دارد.

پس‌روی عمیق متکی به مدرک پس از تنها یک دور بررسی شبکه عصبی میزان عدم اطمینان و شک را برآورد می‌کند. طبق ادعای این تیم آنها می‌توانند عدم اطمینان را در داده‌های ورودی و تصمیم نهایی شناسایی کنند و سپس مشکل را در شبکه عصبی حل کنند یا نقص داده‌های ورودی را رفع کنند.

در دنیای واقعی این کار شبیه به آن است که به جای اطمینان به اولین تشخیص پزشکی بار دیگر به دنبال نظریه تکمیلی و ثانویه حرکت کنید. با مجهز کردن هوش مصنوعی به سیستم شناسایی داخلی، سطح تازه‌ای از شفافیت داده امکان پذیر خواهد شد. در آزمایش اولیه تصاویر، تصاویری نو به شبکه عصبی ارائه شد؛ این شبکه توانست تغییراتی را شناسایی کنید که با چشم انسانی قابل شناسایی نبود. رامینی باور دارد که این تکنولوژی را می‌توان برای شناسایی دیپ‌فیک‌ها که در حال حاضر به مشکلی جدی تبدیل شده‌اند نیز استفاده کرد.

امینی می‌گوید هر حوزه‌ای که از یادگیری ماشینی استفاده می‌کند باید از میزان شک مطلع شود.

به عقیدها و«تمامی کاربران این روش از پزشک گرفته تا شخصی که در صندلی مسافر یک خودرو نشسته است همگی باید از خطر یا شک همراه با آن تصمیم مطلع باشند.»

شاید نیازی به نگرانی درمورد قیام ربات‌های پیشرفته نباشد اما باید نگران قابلیت تازه‌ای که به خودروی الکتریکی خود وارد کرده‌ایم باشیم. با ظهور هوش مصنوعی در جهان و نیروی کار امروز باید در انتظار بروز مشکلات بیشتری باشیم.

منبع: bigthink