یادگیری ماشین شکاف بین دانش و درک را عمیق‌ می‌کند

یادگیری ماشین صرفا با مجموعه‌ای از اطلاعات ازپیش‌تعیین‌شده، می‌تواند رویدادها را پیش‌بینی کند و قدرت درک ندارد.

برنامه‌ی Deep patient نمی‌داند ضربه‌زدن به سر باعث سرگیجه می‌شود یا افراد مبتلا به دیابت نباید بیش‌ازاندازه شیرینی مصرف کنند. حتی نمی‌داند استخوان‌ بازو به استخوان مچ وصل شده است. این برنامه فقط از اطلاعاتی آگاه است که پژوهشگران به آن وارد کرده‌اند؛ یعنی سوابق پزشکی نامنظم ۷۰۰ هزار بیمار بدون هیچ درکی از آن‌ها.

بااین‌حال، Deep Patient بعد از تحلیل روابط بین این داده‌ها، نه‌تنها می‌تواند احتمال پیشرفت بیماری‌های مشخص را تشخیص دهد؛ بلکه در بعضی موارد، ازجمله بیماری‌های پیش‌بینی‌ناپذیر، دقت آن بیشتر از پزشک‌های انسانی است.

یادگیری عمیق

شاید پزشک نتواند به شما بگوید چرا Deep Patient دارو یا عمل جراحی خاصی را تجویز می‌کند. Deep Patient نوعی هوش مصنوعی موسوم به یادگیری عمیق است که روابطی را بین بخش‌های مختلف داده‌ای پیدا می‌کند. یادگیری عمیق خود از دسته‌ی یادگیری ماشین است.

این برنامه شبکه‌ای از نقاط اطلاعاتی را جمع‌آوری می‌کند که هرکدام یک وزن دارد. وزن‌ها مشخص می‌کنند هر نقطه چگونه به عملکردی مشخص ختم می‌شود و درنتیجه، بر نقاط دیگر و عملکرد نورون‌های داخل مغز تأثیر بگذارد. برای درک نحوه‌ی تفکر Deep Patient، فرض کنید احتمال پیشرفت اسکیزوفرنی بیمار ۷۲ درصد است و برنامه هم به میلیون‌ها نقطه و اتصال‌ها و وزن‌های آن مقدار می‌دهد؛ اما تعداد نقاط به‌قدری زیاد است که روابط بین آن‌ها بیش‌ازحد پیچیده می‌شود.

یادگیری ماشین

البته، بیمار در استفاده کردن یا نکردن از کمک Deep Patient و نتایج احتمالی آن آزاد است. برای تشخیص از سیستم‌های جعبه‌ی سیاه (Black Box) استفاده می‌شود. این سیستم‌ها نمی‌توانند پیش‌بینی‌های خود را توضیح دهند؛ اما دقت آن‌ها، اغلب اوقات از پزشک‌های انسانی هم بیشتر است.

Deep Patient چشم‌اندازی از آینده‌ی انسان است و این چشم‌انداز فقط مربوط‌به پزشکی نیست. سیستم هدایت تلفن‌همراه، پیش‌گویی‌هایی هوشمند تایپ، ترجمه‌ی زبان، پیشنهاد موسیقی و بسیاری از قابلیت‌های دیگر زندگی روزمره به یادگیری ماشین وابسته هستند.

این شکل از محاسبات به‌مرورزمان اسرارآمیزتر می‌شود. برای مثال، باقی‌مانده‌ی تفریق تعداد حرکات احتمالی شطرنج از تعداد حرکات احتمالی Go، بسیار بزرگ‌تر از تعداد اتم‌های موجود در جهان خواهد شد. بااین‌حال، برنامه‌ی مبتنی بر هوش مصنوعی AlphaGO محصول شرکت گوگل، می‌تواند بسیاری از بازیکنان پیشرفته‌ی انسانی را شکست دهد. این درحالی است که به‌جز تحلیل ۶۰ میلیون حرکت در ۱۳۰ هزار بازی ثبت‌شده، چیزی درباره‌ی قوانین Go نمی‌داند.

حتی اگر برای پی‌بردن به‌دلیل هرکدام از حرکت‌ها، وضعیت‌های داخلی AlphaGo را بررسی کنید، به‌غیراز مجموعه‌ی پیچیده‌ای از روابط وزن‌دار بین داده‌ها، به پاسخ مشخصی نخواهید رسید. به‌زبان ساده‌تر، AlphaGo نمی‌تواند دلیل حرکات خود را به شما بگوید. فن هویی، یکی از بازیکنان حرفه‌ای Go، درباره‌ی یکی از حرکات Alpha Go می‌گوید:

این حرکات انسانی نیستند. هرگز ندیدم انسان بتواند به این سطح برسد. بسیار زیبا است.

الگوریتم‌های یادگیری عمیق بهتر از انسان می‌توانند به پیچیدگی و عملکرد روان و حتی زیبایی دنیای علت‌ومعلولی پی ببرند. یادگیری عمیق، تنها یکی از ابزارها و استراتژی‌های متعددی است که امکان ارتباط مستقیم با پیچیدگی درک‌پذیر دنیای روزمره را می‌دهد؛ اما در ازای آن، انسان هم باید مسئله‌‌ی درک اتفاقات در محیط پیرامون خود را فراموش کند.

درک سطحی

انسان همواره با این باور رشد کرده که اگر به‌خوبی قوانین تغییرناپذیر رویدادها و اتفاق‌های اطراف خود را درک کند، قادر به پیش‌بینی و برنامه‌ریزی و مدیریت آینده خواهد بود. برای مثال، براساس وضعیت‌های آب‌وهوایی می‌توان برای بردن چتر به محل کار برنامه‌ریزی کرد.

درصورت آشنایی با سلیقه‌ی افراد، در فیسبوک می‌توان کمپین‌های تبلیغاتی بی‌نقصی طراحی کرد. همچنین، با پی‌بردن به‌ علت بیماری‌های فراگیر می‌توان از شیوع آن‌ها جلوگیری کرد؛ بنابراین، انسان ازطریق شناخت قوانین و مدل‌های حاکم بر دنیا، می‌تواند به‌ دلیل اتفاق‌ها پی ببرد.

آلفاگو

ازآنجاکه دانش انسان ناقص است، باید به درک عمیق‌تری از این فرضیه رسید. براساس قراردادی کلی، اگر انسان به‌سختی کار و به‌خوبی فکر کند، می‌تواند تا اندازه‌ای به رازهای جهان پی ببرد و دنیا را با امیال خود سازگار کند.

باوجوداین، حالا که انسان به‌واسطه‌ی ابزارهای جدید، به‌ویژه یادگیری ماشین و اینترنت با دریای بی‌کرانی از داده‌ها روبه‌رو شده، این حقیقت را پذیرفته که پیچیدگی دنیا فراتر از قوانین و مدل‌های توصیف‌شدنی است. با وجود گنجایش فراوان ماشین‌های جدید و قابلیت آن‌ها در ذخیره‌سازی اطلاعات، انسان به این درک رسیده که ماشین‌ها قادر به درک هیچ‌چیز نیستند.

البته این مسئله هم فرضیه‌ی دیگری را دچار شک و تردید می‌کند: جهان برای انسان درک‌پذیر است؛ زیرا انسان، تنها گونه‌ی منحصربه‌فردی است که قادر به درک عملکرد جهان است. حداقل از عهد عتیق، انسان با این باور رشد کرده که مخلوق خداوند است و می‌تواند به حقیقت او پی ببرد. در یونان باستان، انسان خود را به‌عنوان حیوانی منطقی تعریف کرده بود که می‌توانست به حقیقت موجود در پشت تمام هرج‌ومرج‌ها و بی‌نظمی‌های جهان پی ببرد. استراتژی‌های اولیه‌ی انسانی به روابط انسان و جهان پیرامون او وابسته هستند.

ماشین‌ها صرفا براساس داده‌های ازپیش‌تعیین‌شده می‌توانند اطلاعات را پیش‌گویی کنند

فراموش‌کردن تعریف‌های قدیمی، کار دشواری است. انسان زیر فشار اطلاعات خُرد می‌شود و با خشم و اضطراب در انتظار فروپاشی بعدی دولت‌ها، فرهنگ یا کسب‌وکاری است که خود از بیماری عمیق‌تری سرچشمه‌ می‌گیرند. در چنین وضعیتی، انسان تصور می‌کند به‌خوبی با دنیای اطراف خود تطبیق نیافته است.

ذهن انسان نمی‌تواند مانند هوش مصنوعی، سریع و دقیق رویدادها را تحلیل و پیش‌گویی کند. تکامل، ذهن انسان را برای بقا و واقعیت تنظیم کرده است؛ به‌همین‌دلیل، ادعای انسان درباره‌ی خاص‌بودن گونه‌ی خود ازنظر احساسات و نوآوری و خلاقیت، مصرانه و لجوجانه به‌نظر می‌رسد.

انسان مجبور است این استیصال را بپذیرد؛ زیرا در آغاز جهشی بزرگ به‌سمت درک و مدیریت آینده قرار گرفته است. انسان برای پیش‌بینی و مدیریت و کنترل جهان مجبور نیست آن را به‌اندازه‌ی مشخصی محدود کند؛ بلکه با خلق استراتژی‌های جدید بر پیچیدگی‌های آن غلبه خواهد کرد.

انسان به این جهش نیاز دارد؛ زیرا می‌تواند بهینه‌تر و مؤثرتر و خلاق‌تر عمل کند و با افراد و ایده‌ها در ارتباط باشد. این جهش بسیاری از ایده‌های اصلی و فعالیت‌های کسب‌وکار و زندگی روزمره را دگرگون کرده و فرهنگ انسانی را هم دگرگون خواهد ساخت.

علائم این تغییرات را می‌توان همه‌جا پیدا کرد؛ اما اغلب آن‌ها در ایده‌ها و کارهای روزمره و متداول مخفی شده‌اند. برای مثال، انسان قبل از یادگیری ماشین، به‌دلیل آشنایی با اینترنت با بسیاری از تغییرها سازگار شده بود.

راز A/B

پس از آنکه اولین کمپین انتخاباتی اوباما از دو نسخه‌ی مختلف برای ثبت‌نام در وب‌سایت استفاده کرد، مشخص شد تعداد کلیک‌ها روی دکمه‌ی «بیشتر بدانید» (Learn more) به‌شکل چشمگیری بیشتر از دکمه‌ی Join Us Now یا Sign Up Now بوده است.

براساس آزمونی دیگر، تعداد کلیک‌ها روی عکس خانوادگی سیاه‌وسفید اوباما بسیار بیشتر از عکس رنگی او بوده است؛ بنابراین، با کنارهم قراردادن دکمه‌ی Learn more و عکس سیاه‌وسفید، آمار ثبت‌نام ۴۰ درصد افزایش یافت.

به‌طورکلی براساس تخمین‌های این کمپین، تقریبا یک‌سوم از ۱۳ میلیون اسم موجود در فهرست ایمیل و تقریبا ۷۵ میلیون در ثبت‌نام‌ها، نتیجه‌ی عملکرد بهبودیافته‌ی آزمون A/B بودند. در این آزمون، وب‌سایت انواع تبلیغات یا محتوای مجموعه‌های ناشناخته از کاربرهای تصادفی را می‌آزماید. سپس، از نتایج برای تصمیم‌گیری درباره‌ی نمایش نسخه‌ی نهایی استفاده می‌کند.

تست a/b

شگفتی این روش زمانی مشخص شد که تیم اوباما متوجه کاهش تعداد کلیک‌ها در نمایش ویدئویی درمقایسه‌با نمایش متنی شد؛ اما باتوجه‌به قابلیت‌های اوباما به‌عنوان سخنرانی حرفه‌ای، عامل اصلی این تفاوت چه بود؟ تیم انتخاباتی هیچ پاسخی برای این سؤال نداشت و البته نیازی هم به پاسخ نداشت. داده‌های تجربی به آن‌ها می‌گویند کدام محتوا را روی وب‌سایت کمپین پست کنند، حتی اگر دلیل آن را هم ندانند. نتیجه: تعداد کلیک بیشتر و سرمایه‌گذاری بیشتر و احتمالا رأی بیشتر.

محبوبیت آزمون A/B درمقایسه‌با قبل افزایش یافته است. نتایجی که روی صفحه‌ی جستجوی گوگل می‌بینید، قالب فیلم‌های نت‌فلیکس و حتی تیترهای نیویورک‌تایمز، نتیجه‌ی آزمون A/B هستند. مهندسان نرم‌افزار بینگ بین سال‌های ۲۰۱۴ تا ۲۰۱۶، ۲۱٬۲۰۰ آزمون A/B را اجرا کردند که یک‌سوم آن‌ها به تغییراتی در خدمات آن‌ها منجر شد.

آزمون A/B بدون نیاز به تعمیم یا تفکر درباره‌ی دلیل اجرا می‌شود. برای مثال، چرا بعضی تبلیغات آمازون درمقایسه‌با تصاویر زنان جوان خندان به فروش بیشتر منجر می‌شوند؟ می‌توان دراین‌باره نظریه‌پردازی کرد؛ اما تعمیم نتایج آزمون A/B به تمام تبلیغ‌ها توصیه نمی‌شود. اثربخشی تصویر سیاه‌وسفید برای اوباما به این معنی نیست که برای رقیب او، جان مک‌کین، هم می‌تواند مفید باشد. استفاده از پس‌زمینه‌ی آبی به‌جای سبز، برای تبلیغ یکی از محصولات آمازون در فضای خارجی به این معنی نیست که می‌توان در فضای داخلی هم از آن استفاده کرد.

جزئیات در یادگیری ماشین تعمیم‌دادنی نیستند

ممکن است معیارهای تأثیرگذار بر اولویت افراد بسیار کوچک و زودگذر باشند. برای مثال، ممکن است مردان بالای ۵۰ سال فقط درصورتی جذب تبلیغات و مدل‌های تبلیغاتی شوند که از صفحه‌ی سرگرم‌کننده به آن تبلیغ هدایت شده باشند یا زنان منطقه‌ی دیترویت ترجیح بدهند مدل در سمت راست قرار بگیرد.

همچنین، افرادی که مدت طولانی به تماشای ویدئوهای باکیفیت مشغول بوده‌اند، از تصویر سیاه‌وسفید لذت می‌برند و برعکس، سایر عکس رنگی را ترجیح دهند. شاید بتوان این قوانین را تعمیم داد، شاید هم نه. کسی نمی‌داند. دلیل تمام این انتخاب‌ها متغیر و وابسته به موقعیت است.

اغلب بر این باور هستند که حقیقت و واقعیت دنیا بر مجموعه‌ای از قوانین تغییرناپذیر استوار است. با یادگیری قوانین می‌توان آینده را پیش‌بینی کرد. با کشف قوانین بیشتر می‌توان این قابلیت را توسعه داد. اگر شخصی دلیل پیش‌بینی را پرسید، می‌توانید به داده‌ها و قوانین مرتبط با آن ارجاع دهید؛ اما در آزمون A/B اغلب هیچ ذهنیتی درباره‌ی دلیل برتری نسخه‌ای از تبلیغات دربرابر دیگری وجود ندارد.

دیپ پیشنت

فرض کنید توپی را پرتاب می‌کنید. انتظار دارید توپ در مسیر منحنی حرکت کند و براساس مدل ذهنی (مجموعه‌ای از قوانین که درباره‌ی تعامل اشیاء در ذهن شکل گرفته‌اند)، جاذبه و تکانه برای این حرکت لازم هستند. انحراف توپ به مسیر دیگر به‌معنی نقض مدل نیست؛ بلکه ممکن است دراثر خطایی مثل وزش باد یا سُرخوردن از دست این اتفاق افتاده باشد.

در آزمون A/B نیازی نیست بدانید چرا عکس سیاه‌وسفید یا برچسب Learn more باعث افزایش کلیک یا ثبت‌نام در کمپین می‌شوند. ممکن است درس‌ها و تجربه‌هایی که از تبلیغات دموکرات‌ها آموخته‌اید، برای تبلیغات رقیب آن‌ها، یعنی جمهوری‌خواه‌ها، نتیجه‌بخش نباشد؛ اما آمون A/B به‌قدری ارزان است که می‌توان آن را به‌صورت جداگانه برای هر کمپینی انجام داد.

آزمون A/B، تنها روشی از مجموع روش‌هایی است که نشان می‌دهد قوانین و اصول و تعمیم‌ها، زیاد هم اهمیت ندارند و اصول را نمی‌توان به جزئیات خُرد تعمیم داد.

تأثیر پیچیدگی

با بررسی دو فناوری کامپیوترمحور کاملا متفاوت، یعنی تکنیک‌های برنامه‌نویسی (یادگیری ماشین) و موقعیت جهانی (اینترنت)، می‌توان به تعاریف متعددی از معنا و خلاقیت رسید. البته، این دو فناوری اغلب اوقات به یکدیگر وابسته هستند. یادگیری ماشین از اینترنت برای جمع‌آوری اطلاعات در مقیاس موردنیاز استفاده می‌کند و خدمات مبتنی بر اینترنت هم از اطلاعات یادگیری ماشین.

هر دو فناوری حداقل سه ویژگی مشترک دارند که نکاتی را درباره‌ی عملکرد جهان بیان می‌کنند: ۱. هر دو عظیم هستند؛ ۲. هر دو اتصالی هستند؛ ۳. هر دو پیچیده هستند.

اهمیت مقیاس یادگیری ماشین و اینترنت به‌ میزان جزئیات آن‌ها وابسته است. این فناوری‌ها از تعمیم یا اطلاعات حاشیه‌ای فراری نیستند؛ بلکه برعکس، هر دو به جزئیات و منحصربه‌فردبودن اطلاعات وابسته‌اند.

قابلیت اتصال فناوری‌ها به این معنی است که بیت‌ها و بخش‌های مختلف‌ آن‌ها بدون درنظرگرفتن مانعی مثل فاصله‌ی فیزیکی، بر یکدیگر تأثیر می‌گذارند. قابلیت اتصال برای هر دو فناوری اهمیت دارد: شبکه‌، تنها یک بخش یا نقطه را به نقطه‌ای دیگر وصل کند و اینترنت نیست؛ بلکه سیستم تلفن قدیمی است. فناوری‌های جدید از قابلیت اتصال انبوه و چندطرفه برخوردار هستند.

 دلیل پیچیدگی اینترنت و یادگیری ماشین، مقیاس و قابلیت اتصال آن‌ها است. اتصال بین تعداد زیادی از بخش‌ها به ایجاد زنجیره‌ای از رویدادهای دور از هم منجر می‌شود؛ اما دلیل استفاده از این فناوری‌ها، مقیاس، قابلیت اتصال یا پیچیدگی آن‌ها نیست؛ بلکه تأثیر مفید آن بر زندگی انسان است. موفقیت انسان به‌واسطه‌ی این فناوری‌ها، زندگی بشر را روزبه‌روز پیچیده‌تر و انسان را تشویق به کشف روش‌ها و استراتژی‌های جدید می‌کند. این‌ها استراتژی‌هایی هستند که دیدگاه انسان را به ماهیت و اهمیت درک و تعاریف تغییر می‌دهند و درنهایت، به درک جدیدی از چگونگی اتفاق‌ها می‌انجامند.

منبع onezero

از سراسر وب

  دیدگاه
کاراکتر باقی مانده
تبلیغات

بیشتر بخوانید