خدمات متقابل انسان و ماشین در عصر دانش

عصر اطلاعات و هوش مصنوعی، دو تحولی هستند که به طور عمیقی زندگی ما را دگرگون کرده اند. در عصر اطلاعات، فناوری های نوین به ما امکان دادند تا به حجم عظیمی از داده ها دسترسی داشته باشیم و آن ها را پردازش کنیم. این دسترسی بی سابقه به اطلاعات، شیوه کار، زندگی و تعاملات اجتماعی ما را متحول کرده است. اما با ورود به عصر هوش مصنوعی، این تحولات به اوج خود رسیده اند. هوش مصنوعی با توانایی یادگیری، استدلال و تصمیم گیری مستقل، مرزهای جدیدی را در حوزه فناوری باز کرده است. در این عصر جدید، همکاری انسان و ماشین به یک ضرورت تبدیل شده است. برای بهره برداری کامل از پتانسیل های هوش مصنوعی، شرکت ها باید به دنبال ایجاد تعاملات موثر بین انسان و ماشین باشند. این تعامل متقابل، به معنای استفاده از توانایی های منحصر به فرد هر یک از این دو عامل برای دستیابی به نتایج بهتر است. از یک سو، انسان ها با خلاقیت، قضاوت و توانایی حل مسائل پیچیده، مکمل هوش مصنوعی هستند. از سوی دیگر، ماشین ها با سرعت پردازش بالا، دقت و توانایی تحلیل حجم عظیمی از داده ها، می توانند به انسان ها در انجام وظایف کمک کنند.

در این یادداشت، به بررسی دو جنبه اصلی از این همکاری متقابل خواهیم پرداخت:

انسان ها در خدمت ماشین ها

انسان ها باید سه نقش اساسی را ایفا کنند. آن ها باید ماشین ها را برای انجام وظایف خاص آموزش دهند، نتایج آن وظایف را تبیین کند، به ویژه زمانی که نتایج غیرقابل درک یا بحث برانگیز هستند، و استفاده مسئولانه از ماشین ها را تضمین کنند (برای مثال، جلوگیری از آسیب رساندن ربات ها به انسان ها).

آموزش (Training)

الگوریتم های یادگیری ماشین باید نحوه انجام کاری که برای آن طراحی شده اند را بیاموزند. در این راستا، مجموعه داده های آموزشی عظیمی برای آموزش برنامک های ترجمه ماشینی برای رسیدگی به عبارات اصطلاحی، برنامک های پزشکی برای تشخیص بیماری و موتورهای توصیه برای حمایت از تصمیم گیری مالی جمع آوری می شود. علاوه بر این، سامانه های هوش مصنوعی باید نحوه تعامل بهتر با انسان ها را بیاموزند. در حالی که سازمان ها در سراسر بخش ها اکنون در مراحل اولیه پر کردن نقش های مربی هستند، شرکت های پیشرو فناوری و گروه های تحقیقاتی در حال حاضر دارای کارکنان آموزش دیده و متخصص هستند. کورتانا، دستیار هوش مصنوعی مایکروسافت را در نظر بگیرید. این ربات برای توسعه شخصیت مناسب نیاز به آموزش گسترده داشت: مطمئن، دلسوز و مفید اما نه سلطه جو. القای این ویژگی ها ساعت های بی شماری از توجه توسط تیمی از جمله یک شاعر، یک رمان نویس و یک نمایشنامه نویس را گرفت.

به طور مشابه، برای توسعه شخصیت های سیری اپل و الکسا آمازون به منظور اطمینان از انعکاس دقیق برندهای شرکت هایشان به مربیان انسانی نیاز بود. برای مثال، سیری کمی گستاخی دارد، همان طور که مصرف کنندگان ممکن است از اپل انتظار داشته باشند. دستیاران هوش مصنوعی اکنون در حال آموزش برای نمایش ویژگی های انسانی پیچیده تر و ظریف تر مانند همدلی هستند. استارت آپ کوکو، شاخه ای از آزمایشگاه رسانه MIT، فناوری ای توسعه داده است که می تواند به دستیاران هوش مصنوعی کمک کند تا به نظر برسد که همدردی می کنند. برای مثال، اگر کاربر روز بدی داشته باشد، سامانه کوکو با پاسخ از پیش ضبط شده ای مانند «متاسفم که اینطور می شنوم» پاسخ نمی دهد. در عوض ممکن است اطلاعات بیشتری درخواست کند و سپس توصیه هایی برای کمک به فرد برای دیدن مسائلش از دیدگاه متفاوت ارائه دهد. برای مثال، اگر او احساس استرس می کرد، کوکو ممکن است توصیه کند که آن تنش را به عنوان یک احساس مثبت در نظر بگیرد که می تواند به عمل تبدیل شود.

تبیین (Explaining)

از آنجایی که هوش مصنوعی به طور فزاینده ای به نتیجه گیری هایی می رسد که از طریق فرآیندهای غیرشفاف (مشکل معروف به جعبه سیاه) انجام می شود، به متخصصان انسانی در این زمینه نیاز دارد تا رفتار خود را برای کاربران غیرمتخصص تبیین کنند. این «تبیین گرها» به ویژه در صنایع مبتنی بر شواهد مانند قانون و پزشکی مهم هستند، جایی که یک پزشک نیاز دارد بفهمد که چگونه یک هوش مصنوعی ورودی ها را در چیزی مانند محکومیت یا توصیه پزشکی وزن کرده است. تبیین گرها همچنین در کمک به بیمه گران و اجرای قانون برای درک اینکه چرا یک خودروی خودران اقداماتی انجام داده است که منجر به تصادف شده است یا نتوانسته از آن جلوگیری کند، مهم هستند. و تبیین گرها در صنایع تحت نظارت - در واقع، در هر صنعت رو به مصرف کننده که خروجی یک ماشین می تواند به عنوان ناعادلانه، غیرقانونی یا کاملا اشتباه مورد چالش قرار گیرد - ضروری می شوند. برای مثال، مقررات عمومی حفاظت از داده های اتحادیه اروپا (GDPR) به مصرف کنندگان حق می دهد تبیینی برای هر تصمیم مبتنی بر الگوریتم، مانند نرخ پیشنهادی برای کارت اعتباری یا وام مسکن دریافت کنند. این یکی از حوزه هایی است که هوش مصنوعی به افزایش اشتغال کمک خواهد کرد: کارشناسان تخمین می زنند که شرکت ها مجبور خواهند بود حدود ۷۵۰۰۰ شغل جدید برای اجرای الزامات GDPR ایجاد کنند.

پایداری (Sustaining)

علاوه بر داشتن افرادی که بتوانند نتایج هوش مصنوعی را تبیین کنند، شرکت ها به «پایدارکننده ها» نیاز دارند - کارمندانی که به طور مداوم برای اطمینان از عملکرد صحیح، ایمن و مسئولانه سامانه های هوش مصنوعی تلاش می کنند. برای مثال، گروهی از متخصصان که گاهی اوقات به عنوان مهندسان ایمنی شناخته می شوند، بر پیش بینی و تلاش برای جلوگیری از آسیب توسط هوش مصنوعی تمرکز می کنند. توسعه دهندگان ربات های صنعتی که در کنار مردم کار می کنند، توجه زیادی به این موضوع داشته اند که اطمینان حاصل کنند که انسان های اطراف را تشخیص می دهند و به آن ها آسیب نمی رسانند. این متخصصان همچنین ممکن است تجزیه و تحلیل تبیین گرها را زمانی که هوش مصنوعی باعث آسیب می شود، مانند زمانی که یک خودروی خودران درگیر یک تصادف مرگبار می شود، بررسی کنند. گروه های دیگری از پایدارکننده ها اطمینان حاصل می کنند که سامانه های هوش مصنوعی هنجارهای اخلاقی را رعایت می کنند. اگر برای مثال مشخص شود که یک سامانه هوش مصنوعی برای تایید اعتبار در حال تبعیض علیه افراد در گروه های خاص است ، این مدیران اخلاق مسئول بررسی و رسیدگی به مشکل هستند. افسران انطباق داده نقش مشابهی دارند و سعی می کنند اطمینان حاصل کنند که داده هایی که به سامانه های هوش مصنوعی تغذیه می شوند با GDPR و سایر مقررات حفاظت از مصرف کننده مطابقت دارد. یک نقش مرتبط با استفاده از داده شامل اطمینان از مدیریت مسئولانه اطلاعات توسط هوش مصنوعی است. مانند بسیاری از شرکت های فناوری، اپل از هوش مصنوعی برای جمع آوری جزئیات شخصی در مورد کاربران هنگام تعامل با دستگاه ها و نرم افزارهای شرکت استفاده می کند. هدف بهبود تجربه کاربر است، اما جمع آوری بی رویه داده ها می تواند حریم خصوصی را به خطر بیندازد، مشتریان را عصبانی کند و با قانون در تضاد باشد. تیم حریم خصوصی دیفرانسیل این شرکت تلاش می کند تا در حالی که هوش مصنوعی به دنبال یادگیری هر چه بیشتر در مورد گروهی از کاربران از نظر آماری است، حریم خصوصی کاربران فردی را محافظت کند.

ماشین ها در خدمت انسان ها

ماشین های هوشمند به انسان ها کمک می کنند تا توانایی های خود را به سه روش گسترش دهند. آن ها می توانند قدرت شناختی ما را تقویت کنند؛ با مشتریان و کارمندان تعامل کنند تا ما را برای وظایف سطح بالاتر آزاد کنند؛ و مهارت های انسانی را برای گسترش توانایی های فیزیکی ما تجسم بخشند.

تقویت (Amplifying)

هوش مصنوعی می تواند توانایی های تحلیلی و تصمیم گیری ما را با ارائه اطلاعات درست در زمان مناسب تقویت کند. اما همچنین می تواند خلاقیت را افزایش دهد. به نحوه تقویت تخیل حتی طراحان استثنایی توسط Dreamcatcher AI شرکت Autodesk توجه کنید. یک طراح معیارهایی را در مورد محصول مورد نظر برای Dreamcatcher فراهم می کند - برای مثال، یک صندلی با ظرفیت تحمل وزن تا 300 پوند، با ارتفاع صندلی 18 اینچ، ساخته شده از مواد با هزینه کمتر از 75 دلار و غیره. او همچنین می تواند اطلاعاتی در مورد صندلی های دیگر که جذاب می داند ارائه کند. سپس Dreamcatcher هزاران طراحی مطابق با این معیارها را تولید می کند که اغلب ایده هایی را برانگیخته می کند که ممکن است طراح در ابتدا به آن ها فکر نکرده باشد. سپس او می تواند نرم افزار را هدایت کند و به آن بگوید کدام صندلی ها را دوست دارد یا ندارد و منجر به دور جدیدی از طراحی شود. در طول فرآیند تکرار، Dreamcatcher محاسبات بی شماری را برای اطمینان از اینکه هر طرح پیشنهادی معیارهای مشخص شده را برآورده می کند، انجام می دهد. این امر به طراح اجازه می دهد تا روی استعدادهای منحصر به فرد انسانی مانند قضاوت حرفه ای و حساسیت های زیبایی شناسی تمرکز کند.

تعامل (Interacting)

همکاری انسان و ماشین شرکت ها را قادر می سازد تا به روش های جدید و موثرتر با کارمندان و مشتریان تعامل کنند. برای مثال، عامل های هوش مصنوعی مانند کورتانا می توانند ارتباطات بین افراد یا به نمایندگی از افراد را تسهیل کنند، مانند رونویسی یک جلسه و توزیع نسخه قابل جستجوی صوتی برای افرادی که نتوانستند در جلسه شرکت کنند. چنین برنامه های کاربردی ذاتا مقیاس پذیر هستند - برای مثال، یک چت بات واحد می تواند خدمات مشتریان معمول را برای تعداد زیادی از افراد به طور همزمان و در هر جایی که هستند ارائه دهد. SEB، یک بانک بزرگ سوئدی، اکنون از یک دستیار مجازی به نام Aida برای تعامل با میلیون ها مشتری استفاده می کند. Aida قادر به مدیریت مکالمات زبان طبیعی است، به فروشگاه های عظیم داده دسترسی دارد و می تواند به بسیاری از سوالات متداول پاسخ دهد، مانند نحوه افتتاح حساب یا انجام پرداخت های بین المللی. او همچنین می تواند از تماس گیرندگان سوالات بعدی برای حل مشکلات خود بپرسد و می تواند لحن صدای تماس گیرنده (برای مثال، ناامید یا قدردان) را تجزیه و تحلیل کند و از این اطلاعات برای ارائه خدمات بهتر در آینده استفاده کند. هر زمان که سامانه نتواند مشکلی را حل کند - که در حدود 30 درصد موارد اتفاق می افتد - تماس گیرنده را به یک نماینده خدمات مشتری انسانی منتقل می کند و سپس آن تعامل را برای یادگیری نحوه حل مشکلات مشابه در آینده نظارت می کند. با رسیدگی Aida به درخواست های اولیه، نمایندگان انسانی می توانند روی رسیدگی به مسائل پیچیده تر، به ویژه از سوی تماس گیرندگان ناراضی که ممکن است به حمایت اضافی نیاز داشته باشند، تمرکز کنند.

تجسم (Embodying)

بسیاری از هوش مصنوعی ها مانند Aida و Cortana عمدتا به عنوان موجودات دیجیتال وجود دارند، اما در برنامه های کاربردی دیگر، هوش در یک ربات تجسم می یابد که یک کارگر انسانی را تقویت می کند. با سنسورها، موتورها و محرک های پیچیده خود، ماشین های مجهز به هوش مصنوعی اکنون می توانند افراد و اشیاء را تشخیص دهند و با ایمنی در کنار انسان ها در کارخانه ها، انبارها و آزمایشگاه ها کار کنند. برای مثال، در تولید، ربات ها از ماشین های صنعتی بالقوه خطرناک و "احمقانه" به "کوبات های" هوشمند و آگاه از زمینه در حال تکامل هستند. برای مثال، یک بازوی کوبات ممکن است اقدامات تکراری را که نیاز به بلند کردن سنگین دارد، انجام دهد، در حالی که یک فرد کارهای مکمل را که نیاز به مهارت و قضاوت انسانی دارد، مانند مونتاژ یک موتور دنده ای، انجام می دهد. هیوندای مفهوم کوبات را با اسکلت های بیرونی گسترش می دهد. این دستگاه های رباتیک پوشیدنی که بصورت بلادرنگ با کاربر و مکان سازگار می شوند، به کارگران صنعتی اجازه می دهند تا کار خود را با استقامت و قدرت فوق انسانی انجام دهند.

منبع اصلی:

Collaborative Intelligence: Humans and AI Are Joining Forces
HARVARD BUSINESS REVIEW JULY–AUGUST 2018
https://hometownhealthonline.com/wp-content/uploads/2019/02/ai2-R1804J-PDF-ENG.pdf