هم افزایی انسان و ماشین: آینده ی تصمیم گیری ترکیبی در حوزه های حساس

مقدمه

در دهه های اخیر، هوش مصنوعی (AI) از یک فناوری نوظهور به یکی از ارکان تصمیم سازی در حوزه های مختلف زندگی بشر تبدیل شده است. از سیستم های تشخیص بیماری گرفته تا الگوریتم های تحلیل حقوقی و پیش بینی سیاسی، ماشین ها اکنون در قلب فرآیندهایی قرار دارند که تا چندی پیش صرفا در انحصار انسان بودند. با این حال، یک واقعیت مهم نباید نادیده گرفته شود: هوش مصنوعی هنوز فاقد «خرد انسانی»، «درک اخلاقی» و «حساسیت زمینه ای» است.

به همین دلیل، رویکردی جدید در حال ظهور است که نه بر جایگزینی کامل انسان با ماشین، بلکه بر هم افزایی توانایی های هر دو تکیه دارد. در این رویکرد، تصمیم های مهم نه فقط توسط انسان و نه فقط توسط ماشین، بلکه از طریق همکاری آن ها اتخاذ می شود. این یادداشت به بررسی نقش مکمل انسان و ماشین در تصمیم گیری های حساس، مزایا و چالش های این مدل، و مثال های واقعی از کاربرد آن در پزشکی، حقوق و سیاست می پردازد.

1. مفهوم هم افزایی انسان و ماشین

«هم افزایی» در اینجا به معنای ترکیب قابلیت های شناختی انسان با توان پردازشی و تحلیلی ماشین است به گونه ای که حاصل این همکاری از مجموع عملکرد جداگانه ی هر دو بیشتر باشد. انسان در تصمیم گیری دارای ویژگی هایی چون قضاوت اخلاقی، درک شهودی، تجربه محور بودن و حساسیت اجتماعی است، در حالی که ماشین ها در پردازش داده های عظیم، تشخیص الگو و تحلیل سریع دقیق تر عمل می کنند.

برای مثال، انسان می تواند مفهومی چون «عدالت» را در زمینه های فرهنگی و اجتماعی مختلف تفسیر کند، در حالی که الگوریتم ها می توانند میلیون ها سند حقوقی را در چند ثانیه بررسی کنند. تصمیم گیری ترکیبی می کوشد این دو نوع توانایی را به طور مکمل در کنار هم قرار دهد.

2. ضرورت تصمیم گیری ترکیبی در دنیای امروز

حوزه هایی چون پزشکی، عدالت، سیاست گذاری عمومی و امنیت ملی از جمله حساس ترین عرصه های تصمیم گیری هستند. در این حوزه ها پیامدهای یک تصمیم می تواند جان انسان ها، سرنوشت جوامع یا اعتماد عمومی را تحت تاثیر قرار دهد. در چنین شرایطی، اتکا به یکی از دو سویه ی انسان یا ماشین به تنهایی می تواند خطرناک باشد.

اگر تصمیم فقط بر عهده ی انسان باشد، ممکن است تحت تاثیر تعصبات شناختی، خستگی ذهنی یا محدودیت داده ها قرار گیرد.

اگر تصمیم کاملا خودکار و مبتنی بر الگوریتم باشد، ممکن است فاقد ابعاد انسانی، اخلاقی و زمینه ای باشد که برای پذیرش اجتماعی ضروری اند.

ترکیب این دو باعث می شود تصمیم گیری هم از دقت الگوریتمی بهره مند باشد و هم از خرد انسانی.

3. مزایا و ظرفیت های مدل تصمیم گیری ترکیبی

مدل هم افزایی انسان و ماشین چندین مزیت کلیدی دارد:

افزایش دقت و سرعت: ماشین ها حجم عظیمی از داده ها را پردازش می کنند و انسان تصمیم نهایی را در زمینه ی اخلاقی و اجتماعی آن می سنجد.

کاهش خطای شناختی: الگوریتم ها می توانند تعصبات انسانی را تعدیل کنند و در مقابل، انسان ها می توانند خطاهای الگوریتمی را شناسایی نمایند.

پذیرش اجتماعی بیشتر: تصمیم هایی که نتیجه ی همکاری انسان و ماشین هستند، معمولا از سوی عموم قابل پذیرش ترند، زیرا نه «سرد و ماشینی» و نه «سلیقه ای و شخصی» تلقی می شوند.

یادگیری دوطرفه: سیستم های هوشمند می توانند از بازخورد انسانی بیاموزند و انسان ها نیز می توانند از تحلیل های ماشین برای تصمیم گیری های بهتر بهره مند شوند.

4. مثال های واقعی از تصمیم گیری ترکیبی

4.۱ پزشکی: تشخیص دقیق تر و درمان هدفمند

در حوزه ی پزشکی، سیستم های مبتنی بر هوش مصنوعی قادرند تصاویر پزشکی را با دقتی حتی بالاتر از پزشکان تحلیل کنند. برای مثال، الگوریتم های تشخیص سرطان پوست با استفاده از شبکه های عصبی عمیق می توانند نشانه های اولیه ی سرطان را در تصاویر شناسایی کنند.

اما تصمیم نهایی درباره ی روش درمان یا نیاز به جراحی همچنان بر عهده ی پزشک است که با در نظر گرفتن سابقه ی بیمار، شرایط روانی، و ملاحظات اخلاقی تصمیم می گیرد. این همکاری باعث می شود دقت تشخیص بالا رود و در عین حال، تصمیم درمانی انسانی و مسئولانه باقی بماند.

4.۲ حقوق: قضاوت عادلانه تر و دسترسی سریع تر به عدالت

در سیستم قضایی، الگوریتم ها می توانند با تحلیل میلیون ها پرونده ی مشابه، زمان صدور رای را کاهش دهند و پیشنهادهای اولیه ی حقوقی ارائه کنند. برای مثال، در برخی ایالت های آمریکا از سامانه های تحلیل خطر تکرار جرم استفاده می شود تا قاضی را در تصمیم گیری درباره ی آزادی مشروط یاری دهد.

با این حال، تصمیم نهایی نمی تواند صرفا مبتنی بر داده ها باشد؛ زیرا باید ملاحظات انسانی مانند ندامت، انگیزه ی جرم و شرایط اجتماعی متهم در نظر گرفته شود. قاضی با استفاده از خروجی الگوریتم، اما بر پایه ی قضاوت انسانی، تصمیم نهایی را می گیرد.

4.۳ سیاست: تحلیل داده های کلان و قضاوت انسانی

در سیاست گذاری عمومی، مدل های پیش بینی مبتنی بر AI می توانند پیامدهای تصمیم ها را در مقیاس کلان شبیه سازی کنند. برای مثال، پیش بینی اثرات اقتصادی یک قانون مالیاتی یا تاثیرات اجتماعی یک سیاست مهاجرتی با استفاده از مدل های یادگیری ماشین انجام می شود.

اما انتخاب نهایی درباره ی تصویب یا رد آن سیاست باید توسط تصمیم گیرندگان انسانی صورت گیرد که ملاحظات اخلاقی، فرهنگی، سیاسی و تاریخی را لحاظ می کنند. این هم افزایی از تصمیم های کورکورانه جلوگیری می کند و فرآیند سیاست گذاری را شفاف تر و مبتنی بر شواهد می سازد.

5. چالش ها و دغدغه های اخلاقی

هرچند مدل تصمیم گیری ترکیبی مزایای چشمگیری دارد، اما با چالش های مهمی نیز روبه روست:

مسئولیت پذیری: اگر تصمیم مشترکی اشتباه باشد، مسئولیت با انسان است یا ماشین؟

شفافیت و توضیح پذیری: تصمیم های الگوریتمی باید قابل توضیح باشند تا انسان بتواند آن ها را ارزیابی کند.

تعصبات داده ای: اگر داده ها دارای سوگیری باشند، خروجی الگوریتم نیز می تواند ناعادلانه باشد.

پذیرش اجتماعی: جامعه باید به این نوع تصمیم گیری اعتماد داشته باشد، و این نیازمند آموزش عمومی و مقررات شفاف است.

6. آینده ی تصمیم گیری ترکیبی

جهان در حال حرکت به سوی تصمیم گیری های ترکیبی در مقیاسی بی سابقه است. انتظار می رود در آینده ی نزدیک، بسیاری از تصمیم های کلیدی نه به طور کامل خودکار و نه کاملا انسانی، بلکه با همکاری نزدیک انسان و ماشین اتخاذ شوند.

پژوهش های نوین بر توسعه ی «سیستم های هوش مصنوعی تعاملی» متمرکز شده اند که نه تنها به انسان کمک می کنند بلکه از تعامل با او نیز می آموزند. آینده ی تصمیم گیری نه رقابتی بین انسان و ماشین، بلکه هم زیستی و هم افزایی میان این دو خواهد بود.

7. نتیجه گیری

هم افزایی انسان و ماشین نه تنها یک گزینه ی فناورانه، بلکه ضرورتی اجتماعی، اخلاقی و راهبردی است. در جهان پیچیده ی امروز، هیچ کدام از آن ها به تنهایی قادر به تصمیم گیری کامل و قابل اعتماد نیستند. انسان با درک عمیق از ارزش ها، زمینه ها و اهداف، و ماشین با قدرت بی نظیر در تحلیل داده و تشخیص الگو، می توانند با همکاری یکدیگر تصمیم هایی اتخاذ کنند که هم علمی و دقیق و هم انسانی و مسئولانه باشند.

آینده ی تصمیم گیری در حوزه های حساس متعلق به این همکاری هوشمندانه است — آینده ای که در آن انسان و ماشین نه رقیب، بلکه شریک خواهند بود.

 منابع پیشنهادی

Brynjolfsson, E. & McAfee, A. The Second Machine Age, W. W. Norton & Company, 2016.

Rahwan, I. et al. "Machine Behaviour," Nature, 2019.

Doshi-Velez, F. & Kim, B. "Towards a Rigorous Science of Interpretable Machine Learning," arXiv, 2017.

Gasser, U. & Almeida, V. "A Layered Model for AI Governance," IEEE Internet Computing, 2017.

Mittelstadt, B. D. et al. "The Ethics of Algorithms: Mapping the Debate," Big Data & Society, 2016.