هوش مصنوعی چگونه تجربیات منحصر به فرد را از دل داده‌ها استخراج می‌کند؟

بانظارت، بدون نظارت یا تقویتی

هر دستگاه اندرویدی یا هوش مصنوعی فقط تا زمانی که از آن استفاده می‌کنیم هوشمند است. این تعامل می‌تواند در قالب ساخت کاری باشد که هوش انسانی قصد تولید آن‌را دارد، اما توانایی انجام آن را ندارد. به‌طور مثال، در مورد فعالیت‌ها و شبکه‌های اجتماعی خود فکر کنید. هرچه با آن‌ها تعامل بیشتری داشته باشید هوشمندتر می‌شوند. اگر ماشین‌ها می‌توانند خاطرات را یاد بگیرند یا پردازش کنند، آن‌ها می‌توانند رویاپردازی هم کنند، توهم ببینند، غیر ارادی بیاد بیاورند یا بین رویاهای چند نفر ارتباط برقرار کنند؟ آیا هوش مصنوعی در قرن ۲۱ به معنای فراموش‌ناپذیری است و اگر چنین است، آیا انقلابی‌ترین فناوری نیست که ما در تلاش چند صد ساله خود برای ثبت تاریخ در رسانه‌ها تجربه کرده‌ایم؟

روش‌های زیادی برای ساخت برنامه‌های خودفراگیر وجود دارد، اما همه آن‌ها بر پایه سه نوع بنیادین یادگیری ماشین یعنی یادگیری بدون ناظر، یادگیری با نظارت و یادگیری تقویتی کار می‌کنند. یادگیری بدون ناظر، برای تحلیل تمام پروفایل‌ها برای یافتن شباهت‌های عمومی و الگوهای مفید، گزینه مناسبی است. به‌طور مثال، در دنیای پزشکی ممکن است برخی بیماران خاص دارای علایم مشابه بیماری باشند یا شاید یک درمان خاص، یک‌سری اثرات جانبی خاص داشته باشد. این رویکرد درجستجوی-الگوی گسترده می‌تواند برای شناسایی تشابهات بین پروفایل‌ بیماران و یافتن الگوهای نوظهور، بدون راهنمایی انسانی استفاده شود. اجازه دهید برای روشن شدن بحث تصور کنیم پزشکان به دنبال اطلاعات خاص‌تری هستند. پزشکان می‌خواهند الگوریتمی برای تشخیص وضعیتی خاص ایجاد کنند. آن‌ها با جمع‌آوری دو سری اطلاعات آغاز به کار می‌کنند که شامل تصاویر پزشکی و نتایج آزمایش از بیماران سالم و بیماران مبتلا به آن وضعیت خاص است. در ادامه آن‌ها اطلاعات فوق را در برنامه‌ای که جهت شناساییِ ویژگی‌های بیماران بیمار طراحی شده و نه بیماران سالم، وارد می‌کنند. براساس تعداد دفعاتی که این ویژگی‌های خاص مشاهده شود، این برنامه مقادیر را به آن ویژگی‌های تشخیصی تخصیص می‌دهد و یک الگوریتم برای تشخیص بیماران آینده ایجاد می‌کند. با این حال، برخلاف یادگیری بدون نظارت، پزشکان و دانشمندان در اتفاقات آتی نقش فعالی دارند. پزشکان تشخیص نهایی را خواهند داد و دقت پیش‌بینی‌های الگوریتم را کنترل و بررسی خواهند نمود. سپس دانشمندان می‌توانند از مجموعه داده‌های به‌روزآوری شده برای تنظیم پارامترهای برنامه و بهبود دقت آن استفاده کنند. این رویکرد عملی را یادگیری تحت نظارت می‌نامند.

حال بیایید بگوییم این پزشکان قصد دارند الگوریتم دیگری را جهت توصیه برنامه‌های درمانی، طراحی کنند. از آن‌جایی که این برنامه‌ها در چند مرحله اجرا می‌شوند و ممکن است بسته به واکنش هر فرد به درمان تغییر کند، پزشکان تصمیم می‌گیرند از یادگیری تقویتی استفاده کنند. این برنامه از رویکردی تکرارشونده برای جمع‌آوری بازخورد درمورد اینکه موثرترین داروها، دوزها و درمان‌ها کدام هستند، استفاده می‌کند. سپس این داده‌ها را با مشخصات هر بیمار برای ایجاد برنامه درمانی ویژه و بهینه آنها مقایسه می‌کند. همین که درمان پیشرفت می‌کند و برنامه بازخورد بیشتری دریافت می‌کند، می‌تواند به طور مداوم برنامه را برای هر بیمار به‌روز کند. هیچ‌یک از این سه تکنیک ذاتا هوشمندتر از بقیه نیست. درحالی که برخی کم و بیش نیاز به مداخله انسانی دارند، همگی نقاط قوت و ضعف خاص خود را دارند که باعث می‌شود برای بعضی کارها مناسب‌تر باشند. درهرصورت با به‌کارگیری آنها باهم، پژوهش‌گران قادرند سیستم‌های پیجیده هوش مصنوعی بسازند، که برنامه‌های جداگانه بتوانند برهم نظارت و یکدیگر را آموزش دهند. به عنوان مثال، هنگامی که برنامه یادگیری بدون ناظر ما گروه‌های بیمارن مشابه را می‌یابد، بتواند آن داده ها را به یک برنامه یادگیری با نظارت ارسال کند. آنگاه این برنامه می‌توان این اطلاعات را در پیش‌بینی‌های خود بگنجاند. یا شاید ده‌ها برنامه‌ یادگیری تقویتی ممکن است نتایج بالقوه بیماران را برای جمع کردن بازخورد درباره طرح‌های درمانی مختلف شبیه‌سازی کند

روش‌های بی‌شماری جهت ایجاد این سیستم‌های یادگیری ماشین وجود دارد، و شاید امیدبخش‌ترین مدل آن‌هایی هستند که رابطه بین نورون‌ها را در مغز تقلید می‌کنند. این شبکه‌های عصبی مصنوعی قادرند از میلیون ها ارتباط جهت مواجهه با وظایف دشواری مانند تشخیص تصویر، بازشناسی گفتار و حتی ترجمه زبان استفاده کنند. با این اوصاف، هرچه بیشتر این مدل‌ها خودهدایت‌گر شوند، برای دانشمندان رایانه دشوارتر خواهد بود تشخیص این‌که چطور این الگوریتم‌های خود-آموخته به راه‌حل‌هایشان می‌رسند. پژوهشگران در حال حاضر به دنبال راه‌هایی برای شفاف‌تر کردن یادگیری ماشین هستند. اما هرچه هوش‌مصنوعی بیشتر با زندگی روزمره ما درگیر می‌شود، این تصمیمات مرموز تاثیرات فزاینده‌ای بر روی کار، سلامت و امنیت ما می‌گذارد. بنابراین وقتی ماشین‌ها به یادگیری بررسی، مذاکره و ارتباط ادامه می‌دهند، باید در نظر داشته باشیم که چطور به آن‌ها بیاموزیم تا به هم عملکرد اخلاقی بیاموزند.

هوش مصنوعی در دنیای نقاشی

اکنون که تا حدودی با چگونگی عملکرد هوش مصنوعی و نحوه یادگیری آن آشنا شدیم، وقت آن رسیده تا ببینیم هوش مصنوعی چه تاثیری بر دنیای هنر خواهد گذاشت؟ واقعیت این است که الگوریتم‌های هوشمند از داده‌ها به عنوان رنگدانه استفاده می‌کنند و سعی می‌کنند با ترکیب اعداد باینری با یکدیگر کاری را انجام دهند که هنرمندان با رنگ‌ها و قلم‌موها انجام می‌دهند. پرسشی که اکنون مطرح است این است که آیا داده‌ها می‌توانند به یک رنگدانه تبدیل شوند؟ این اولین سوالی است که نقاشان مطرح می‌کنند. داده‌ها فقط زمانی می‌توانند به دانش تبدیل شوند که تجربه شده باشند و آنچه که دانش و تجربه است می‌تواند اشکال مختلفی داشته باشد. هنگام کاوش چنین ارتباطاتی از طریق پتانسیل وسیع هوش ماشینی، ما به ارتباط بین حواس انسان و ظرفیت ماشین‌ها برای شبیه‌سازی طبیعت فکر می‌کنیم. نقاشی‌های دیجیتال بر اساس مجموعه داده‌های پنهانی که از حسگرها جمع می‌شوند، شکل نظم‌های مصوری به خود می‌گیرند. در ادامه این امکان فراهم می‌شود که از الگوریتم‌های هوشمند برای تبدیل سرعت، شدت و جهت باد به یک رنگدانه داده فضایی استفاده کرد. نتیجه‌ یک تجربه خیالی در عین حال برپایه حدس و گمان است. این فرم هنری بصریِ پویا از داده‌، تلاشی برای تقلید از توانایی انسان‌ها در تصورِ دوباره‌ وقایع طبیعی است. با استفاده از مجموعه‌های راداری با فرکانس بالا از دریاها امکان جمع‌آوری داده‌های دقیق از سطح دریا‌ها فراهم می‌شود و  حرکت پویای آن‌ با هوش ‌ماشینی پیش‌بینی‌کننده امکان‌پذیر می‌شود. تحقیقات در مورد هوش مصنوعی هر روز در حال پیشرفت است و این احساس را برای ما به وجود می‌آورند که به سیستمی متصل شده‌ایم که از خودمان بزرگ‌تر و باهوش‌تر است.

به‌طور مثال، در یک پروژه تحقیقاتی که سال 2017 میلادی در کشور ترکیه انجام شد، پژوهشگران یک کتابخانه منبع آزاد از اسناد فرهنگی در استانبول را تحت عنوان بایگانی آرزو شروع به دیجیتالی کردند که یکی از اولین چیدمان‌های عمومی در جهان مبتنی بر هوش مصنوعی است. در این پروژه هوش مصنوعی حدود 7.1 میلیون سند که 270 ساله‌اند را کاوش کرد. یکی از الهامات این گروه تحقیقاتی در طی این روند، داستانی کوتاه به نام کتابخانه بابل از نویسنده آرژانتینی خورخه لوئیس بورخس بود. در داستان، نویسنده، جهانی را در قالب یک کتابخانه گسترده شامل همه کتاب‌های ممکن 410 صفحه‌ای با یک قالب و مجموعه شخصیت خاص تصور می‌کند. از طریق این تصویر الهام‌بخش، تیم تحقیقاتی راهی برای کشف فیزیکی بایگانی‌های گسترده دانش در عصر هوش ماشینی تصور کردند. نتیجه کار یک فضای غوطه‌ور کاربر محور بود. بایگانی آرزو توانست تجربه کتابخانه‌ای در عصر هوش ماشینی را عمیقاً دگرگون کند.

نکته مهمی که متخصصان هوش مصنوعی باید به آن دقت کنند این است که پروژه‌های هوشمند بیشتر به یادآوری و انتقال دانش می‌پردازند و در حوزه هنرهای بصری باید به این نکته دقت کنید که خاطرات ایستا نیستند بلکه تفسیرهای در حال تغییر از وقایع گذشته هستند. بنابراین باید به این نکته دقت کنید که چگونه ماشین‌ها می‌توانند حوادث ناخودآگاه مانند خواب دیدن، یادآوری و توهم را شبیه‌سازی کنند.

هر دستگاه اندرویدی یا هوش مصنوعی فقط تا زمانی که از آن استفاده می‌کنیم هوشمند است. این تعامل می‌تواند در قالب ساخت کاری باشد که هوش انسانی قصد تولید آن‌را دارد، اما توانایی انجام آن را ندارد. به‌طور مثال، در مورد فعالیت‌ها و شبکه‌های اجتماعی خود فکر کنید. هرچه با آن‌ها تعامل بیشتری داشته باشید هوشمندتر می‌شوند. اگر ماشین‌ها می‌توانند خاطرات را یاد بگیرند یا پردازش کنند، آن‌ها می‌توانند رویاپردازی هم کنند، توهم ببینند، غیر ارادی بیاد بیاورند یا بین رویاهای چند نفر ارتباط برقرار کنند؟ آیا هوش مصنوعی در قرن ۲۱ به معنای فراموش‌ناپذیری است و اگر چنین است، آیا انقلابی‌ترین فناوری نیست که ما در تلاش چند صد ساله خود برای ثبت تاریخ در رسانه‌ها تجربه کرده‌ایم؟

روش‌های زیادی برای ساخت برنامه‌های خودفراگیر وجود دارد، اما همه آن‌ها بر پایه سه نوع بنیادین یادگیری ماشین یعنی یادگیری بدون ناظر، یادگیری با نظارت و یادگیری تقویتی کار می‌کنند. یادگیری بدون ناظر، برای تحلیل تمام پروفایل‌ها برای یافتن شباهت‌های عمومی و الگوهای مفید، گزینه مناسبی است. به‌طور مثال، در دنیای پزشکی ممکن است برخی بیماران خاص دارای علایم مشابه بیماری باشند یا شاید یک درمان خاص، یک‌سری اثرات جانبی خاص داشته باشد. این رویکرد درجستجوی-الگوی گسترده می‌تواند برای شناسایی تشابهات بین پروفایل‌ بیماران و یافتن الگوهای نوظهور، بدون راهنمایی انسانی استفاده شود. اجازه دهید برای روشن شدن بحث تصور کنیم پزشکان به دنبال اطلاعات خاص‌تری هستند. پزشکان می‌خواهند الگوریتمی برای تشخیص وضعیتی خاص ایجاد کنند. آن‌ها با جمع‌آوری دو سری اطلاعات آغاز به کار می‌کنند که شامل تصاویر پزشکی و نتایج آزمایش از بیماران سالم و بیماران مبتلا به آن وضعیت خاص است. در ادامه آن‌ها اطلاعات فوق را در برنامه‌ای که جهت شناساییِ ویژگی‌های بیماران بیمار طراحی شده و نه بیماران سالم، وارد می‌کنند. براساس تعداد دفعاتی که این ویژگی‌های خاص مشاهده شود، این برنامه مقادیر را به آن ویژگی‌های تشخیصی تخصیص می‌دهد و یک الگوریتم برای تشخیص بیماران آینده ایجاد می‌کند. با این حال، برخلاف یادگیری بدون نظارت، پزشکان و دانشمندان در اتفاقات آتی نقش فعالی دارند. پزشکان تشخیص نهایی را خواهند داد و دقت پیش‌بینی‌های الگوریتم را کنترل و بررسی خواهند نمود. سپس دانشمندان می‌توانند از مجموعه داده‌های به‌روزآوری شده برای تنظیم پارامترهای برنامه و بهبود دقت آن استفاده کنند. این رویکرد عملی را یادگیری تحت نظارت می‌نامند.

حال بیایید بگوییم این پزشکان قصد دارند الگوریتم دیگری را جهت توصیه برنامه‌های درمانی، طراحی کنند. از آن‌جایی که این برنامه‌ها در چند مرحله اجرا می‌شوند و ممکن است بسته به واکنش هر فرد به درمان تغییر کند، پزشکان تصمیم می‌گیرند از یادگیری تقویتی استفاده کنند. این برنامه از رویکردی تکرارشونده برای جمع‌آوری بازخورد درمورد اینکه موثرترین داروها، دوزها و درمان‌ها کدام هستند، استفاده می‌کند. سپس این داده‌ها را با مشخصات هر بیمار برای ایجاد برنامه درمانی ویژه و بهینه آنها مقایسه می‌کند. همین که درمان پیشرفت می‌کند و برنامه بازخورد بیشتری دریافت می‌کند، می‌تواند به طور مداوم برنامه را برای هر بیمار به‌روز کند. هیچ‌یک از این سه تکنیک ذاتا هوشمندتر از بقیه نیست. درحالی که برخی کم و بیش نیاز به مداخله انسانی دارند، همگی نقاط قوت و ضعف خاص خود را دارند که باعث می‌شود برای بعضی کارها مناسب‌تر باشند. درهرصورت با به‌کارگیری آنها باهم، پژوهش‌گران قادرند سیستم‌های پیجیده هوش مصنوعی بسازند، که برنامه‌های جداگانه بتوانند برهم نظارت و یکدیگر را آموزش دهند. به عنوان مثال، هنگامی که برنامه یادگیری بدون ناظر ما گروه‌های بیمارن مشابه را می‌یابد، بتواند آن داده ها را به یک برنامه یادگیری با نظارت ارسال کند. آنگاه این برنامه می‌توان این اطلاعات را در پیش‌بینی‌های خود بگنجاند. یا شاید ده‌ها برنامه‌ یادگیری تقویتی ممکن است نتایج بالقوه بیماران را برای جمع کردن بازخورد درباره طرح‌های درمانی مختلف شبیه‌سازی کند

روش‌های بی‌شماری جهت ایجاد این سیستم‌های یادگیری ماشین وجود دارد، و شاید امیدبخش‌ترین مدل آن‌هایی هستند که رابطه بین نورون‌ها را در مغز تقلید می‌کنند. این شبکه‌های عصبی مصنوعی قادرند از میلیون ها ارتباط جهت مواجهه با وظایف دشواری مانند تشخیص تصویر، بازشناسی گفتار و حتی ترجمه زبان استفاده کنند. با این اوصاف، هرچه بیشتر این مدل‌ها خودهدایت‌گر شوند، برای دانشمندان رایانه دشوارتر خواهد بود تشخیص این‌که چطور این الگوریتم‌های خود-آموخته به راه‌حل‌هایشان می‌رسند. پژوهشگران در حال حاضر به دنبال راه‌هایی برای شفاف‌تر کردن یادگیری ماشین هستند. اما هرچه هوش‌مصنوعی بیشتر با زندگی روزمره ما درگیر می‌شود، این تصمیمات مرموز تاثیرات فزاینده‌ای بر روی کار، سلامت و امنیت ما می‌گذارد. بنابراین وقتی ماشین‌ها به یادگیری بررسی، مذاکره و ارتباط ادامه می‌دهند، باید در نظر داشته باشیم که چطور به آن‌ها بیاموزیم تا به هم عملکرد اخلاقی بیاموزند.

هوش مصنوعی در دنیای نقاشی

اکنون که تا حدودی با چگونگی عملکرد هوش مصنوعی و نحوه یادگیری آن آشنا شدیم، وقت آن رسیده تا ببینیم هوش مصنوعی چه تاثیری بر دنیای هنر خواهد گذاشت؟ واقعیت این است که الگوریتم‌های هوشمند از داده‌ها به عنوان رنگدانه استفاده می‌کنند و سعی می‌کنند با ترکیب اعداد باینری با یکدیگر کاری را انجام دهند که هنرمندان با رنگ‌ها و قلم‌موها انجام می‌دهند. پرسشی که اکنون مطرح است این است که آیا داده‌ها می‌توانند به یک رنگدانه تبدیل شوند؟ این اولین سوالی است که نقاشان مطرح می‌کنند. داده‌ها فقط زمانی می‌توانند به دانش تبدیل شوند که تجربه شده باشند و آنچه که دانش و تجربه است می‌تواند اشکال مختلفی داشته باشد. هنگام کاوش چنین ارتباطاتی از طریق پتانسیل وسیع هوش ماشینی، ما به ارتباط بین حواس انسان و ظرفیت ماشین‌ها برای شبیه‌سازی طبیعت فکر می‌کنیم. نقاشی‌های دیجیتال بر اساس مجموعه داده‌های پنهانی که از حسگرها جمع می‌شوند، شکل نظم‌های مصوری به خود می‌گیرند. در ادامه این امکان فراهم می‌شود که از الگوریتم‌های هوشمند برای تبدیل سرعت، شدت و جهت باد به یک رنگدانه داده فضایی استفاده کرد. نتیجه‌ یک تجربه خیالی در عین حال برپایه حدس و گمان است. این فرم هنری بصریِ پویا از داده‌، تلاشی برای تقلید از توانایی انسان‌ها در تصورِ دوباره‌ وقایع طبیعی است. با استفاده از مجموعه‌های راداری با فرکانس بالا از دریاها امکان جمع‌آوری داده‌های دقیق از سطح دریا‌ها فراهم می‌شود و  حرکت پویای آن‌ با هوش ‌ماشینی پیش‌بینی‌کننده امکان‌پذیر می‌شود. تحقیقات در مورد هوش مصنوعی هر روز در حال پیشرفت است و این احساس را برای ما به وجود می‌آورند که به سیستمی متصل شده‌ایم که از خودمان بزرگ‌تر و باهوش‌تر است.

به‌طور مثال، در یک پروژه تحقیقاتی که سال 2017 میلادی در کشور ترکیه انجام شد، پژوهشگران یک کتابخانه منبع آزاد از اسناد فرهنگی در استانبول را تحت عنوان بایگانی آرزو شروع به دیجیتالی کردند که یکی از اولین چیدمان‌های عمومی در جهان مبتنی بر هوش مصنوعی است. در این پروژه هوش مصنوعی حدود 7.1 میلیون سند که 270 ساله‌اند را کاوش کرد. یکی از الهامات این گروه تحقیقاتی در طی این روند، داستانی کوتاه به نام کتابخانه بابل از نویسنده آرژانتینی خورخه لوئیس بورخس بود. در داستان، نویسنده، جهانی را در قالب یک کتابخانه گسترده شامل همه کتاب‌های ممکن 410 صفحه‌ای با یک قالب و مجموعه شخصیت خاص تصور می‌کند. از طریق این تصویر الهام‌بخش، تیم تحقیقاتی راهی برای کشف فیزیکی بایگانی‌های گسترده دانش در عصر هوش ماشینی تصور کردند. نتیجه کار یک فضای غوطه‌ور کاربر محور بود. بایگانی آرزو توانست تجربه کتابخانه‌ای در عصر هوش ماشینی را عمیقاً دگرگون کند.

نکته مهمی که متخصصان هوش مصنوعی باید به آن دقت کنند این است که پروژه‌های هوشمند بیشتر به یادآوری و انتقال دانش می‌پردازند و در حوزه هنرهای بصری باید به این نکته دقت کنید که خاطرات ایستا نیستند بلکه تفسیرهای در حال تغییر از وقایع گذشته هستند. بنابراین باید به این نکته دقت کنید که چگونه ماشین‌ها می‌توانند حوادث ناخودآگاه مانند خواب دیدن، یادآوری و توهم را شبیه‌سازی کنند.