جدال الگوریتم‌های هوشمند با هوش انسانی

 امروزه کاربران اینترنت با ورود به سایت‌های مختلف با پیشنهادات بسیاری برای خواندن مطلب، گوش دادن به موسیقی یا تماشای ویدئو محاصره می‌شوند. در این نزاع، شرکت‌های بزرگ بیش از اینکه به فکر گسترش پیشنهادات خود باشند، سعی می‌کنند پیشنهاداتی مناسب ارائه دهند. درسال های اخیر شرکت های بزرگ، از سرویس‌هایی رونمایی کردند که بیش از آنکه بر پایه الگوریتم‌های ماشینی عمل کند، متکی به ناظر انسانی است؛ اپل موزیک یکی از این سرویس‌هاست.

سرویس اپل موزیک، با اینکه پیچیدگی‌هایی دارد، با مفهومی اساسی همراه است: کارشناسان خبره گوش دادن به موسیقی را برای کاربران لذت‌بخش‌تر می‌کنند. شبکه رادیویی 24 ساعته Beats 1 موسیقی را بر اساس تحقیق و بررسی، ژانر و... انتخاب نمی‌کند، بلکه بر اساس خوب بودن و دادن احساس خوب به کاربر انتخاب می‌کند. رئیس سابق بیتس الکترونیکز ایده‌اش را، درباره استفاده از کارشناسان خبره برای ساخت پلی لیست، به سرویس اپل موزیک آورده و امیدوار است استفاده از نیروی انسانی خبره اپل موزیک را در رقابت با سایر رقبا پیش بیندازد. آنها وعده داده‌اند با استفاده از این روش چیزی فراتر از تکنولوژی‌های معمول و ماشین‌هایی در انتظار کاربر است که تا کنون هوشمند به نظر می‌رسیدند.

سرویس اپل نیوز نیز تفاوت چندانی با اپل موزیک ندارد. این اپلیکیشن خبرها را از منابع گسترده جمع‌آوری می‌کند (درست مانند بسیاری دیگر از اپلیکیشن‌های خبری)، اما در نهایت سردبیر مهم‌ترین، مرتبط‌‌ترین و جالب‌ترین خبرها را از میان آنها انتخاب می‌کند. اپل با این روش سعی می‌کند، با حفظ تکنولوژی، تغییری در بخش‌های انتخاب‌کننده ایجاد کند.

موفقیت این سرویس‌ها به نحوه استفاده اپل بستگی دارد و به اینکه چطور این شرکت تجربه انسانی موردنیازش را به این فرآیند وارد کند. اگر اپل نیوز رویکرد گلچین کردن خبرها را کنار بگذارد، 90 درصد خبرهایی که به اشتراک می‌گذارد همان خبرهای معمول و تکراری خواهد شد؛ به همین دلیل گلچین کردن اخبار گزینه‌ای مناسب برای افرادی است که ترجیح می‌دهند خبرهایی متفاوت از اخبار تکراری اپلیکیشن‌های خبری بخوانند. البته اگر با گلچین کردن کارشناسان اپل این اتفاق روی ندهد، باز هم چیزی از دست نمی‌رود و اپل همان خبرهایی را به کاربر ارائه می‌کند که سایر اپلیکیشن‌ها ارائه می‌کنند.

البته بدون شک هر دو سرویس اپل موزیک و اپل نیوز از الگوریتم‌های کامپیوتری به‌خوبی بهره می‌گیرند، اما چیزی که این سرویس‌ها را از نمونه‌های مشابه با سیستم‌های خودکار متمایز می‌کند تصمیم‌گیری نهایی در این سرویس‌هاست که از ناظر انسانی بهره می‌گیرد. در واقع الگوریتم‌ها پردازش را انجام می‌دهند، اما در مرحله نهایی ناظر انسانی انتخاب را بر عهده دارد. توییتر نیز در Project Lightning رویکرد مشابهی پیش گرفته است.

رویدادهای زنده همیشه در توییتر سروصدای زیادی به پا می‌کنند. وقتی مردم از نمایشگر دومی صحبت می‌کنند که همزمان با تماشای تلویزیون دنبالش می‌کنند، منظورشان همان توییتر و مکالمات و توییت‌هایی است که بر صفحه موبایل، تبلت یا کامپیوترشان دنبال می‌کنند که پیرامون رویدادهای خاص مثل Super Bowl یا زلزله نپال در جریان است. این‌گونه توییت‌ها همان‌هایی هستند که توییتر قصد دارد آنها را، در مقایسه با هشتگ‌گذاری فعلی، بهتر و منسجم‌تر پیش روی مخاطبان قرار دهد. همچون تلاش‌های اپل در سرویس‌های نیوز و موزیکش، توییتر نیز به بهبود کیفیت انتخاب برای کاربران می‌اندیشد. این شبکه اجتماعی گروهی از سردبیران باتجربه خبری را به خدمت گرفته تا با ابزارهای آنالیز داده در رویدادهای مختلف ترندها را پیدا کنند و بهترین محتویات را از میان انبوه توییت‌های ارسال‌شده به سرورهای توییتر انتخاب کنند.

الگوریتم‌های هوشمند و یادگیری ماشین بدون شک ابزاری مفیدند، اما محدودیت‌های خاص خودشان را نیز دارند. در حال حاضر و در این مرحله از توسعه، دستیارهای هوشمند همچون گوگل ناو و کورتانا می‌توانند بسیاری از رفتارهای ما را پیش‌بینی کنند و اطلاعات مفیدی برایمان فراهم کنند. اما این رفتار هنوز آن طور که باید، شبیه رفتار انسان در شرایط مشابه نیست. برای مثال، ماشین نمی‌تواند توضیح دهد چرا بازی‌های Threes یا Dots فوق‌العاده سرگرم‌کننده‌اند، و به همین دلیل است که اپل و گوگل سراغ گزینه‌های انتخابی کارشناسان در فروشگاه اپلیکیشن‌هایشان رفته‌اند تا برخی اپلیکیشن‌ها را واضح و آشکار جلو چشم کاربران قرار دهند. البته الگوریتم یادگیری هم می‌تواند با جمع‌آوری امتیازات، اپلیکیشنی را که بالاترین امتیاز را کسب کرده یا آلبوم موزیکی را پیشنهاد کند که بیش از همه دانلود شده، اما نمی‌تواند هنرمندی را پیشنهاد کند که امتیاز کمتری دارد، خصوصا هنگامی که کاربر دنبال هنرمندی است که کمتر شناخته‌ شده، زیرا ممکن است از هنرمند جدید نیز استقبال کند.

بزرگ‌ترین مشکل در مورد انتخاب گزینشی موضوع اطمینان است. سال گذشته از فیسبوک به‌علت دستکاری فید خبری کاربران در آزمایش روانشناسی شدیدا انتقاد شد، به همین دلیل اکنون اپل و توییتر باید صداقتشان را در انتخاب درست به اثبات برسانند. برای مثال، کارشناسان بخش خبر اپل اخباری را که به مذاق این شرکت خوش نمی‌آید چطور مدیریت می‌کنند یا کارشناسان توییتر در کانورسیشن‌های این سایت وقتی به نظری می‌رسند که محبوب نیست، چطور عمل می‌کنند؟

به هر حال نگرانی‌هایی درباره جهت‌گیری آگاهانه وجود دارد و در این میان هیچ تفاوتی وجود ندارد بین سازمان‌های خبری سنتی و گوگل که با موتور جستجویش شهرت بسیار پیدا کرده و در برخی شرایط خاص، برای بهبود نتایجش، از ناظر انسانی استفاده می‌کند.

اپل و توییتر اولین شرکت‌هایی نیستند که برای انتخاب نهایی نتایج از ناظر انسانی استفاده کرده‌اند. پیش از این نیز وب‌سایت‌هایی همچون Digg و Reddit از چنین سیاست‌هایی بهره برده‌اند. این کار ترکیبی است از هوش انسانی و هوش ماشینی، به‌گونه‌ای که به کاربر کمک می‌کند محتویاتی دستچین‌شده و احتمالا مفیدتر مشاهده کند. به نظر می‌رسد زمان به‌گونه‌ای به عقب برگشته تا دوباره هوش انسان به‌جای هوش ماشین تصمیم‌گیرنده و انتخاب‌کننده محتویات درهم‌وبرهم وب برای کاربران باشد.

این اتفاقات در عصر حاضر در حالی روی می‌دهد که گوگل وعده پیشرفت خیره‌کننده الگوریتم‌های یادگیری ماشینش را داده و قصد دارد بیش از پیش از این الگوریتم‌ها در دستیار صوتی خود، یعنی گوگل اسیستنت که با نسخه جدید اندروید منتشر می‌شود، استفاده کند. حال باید منتظر ماند و دید آیا گوگل با الگوریتم‌های کاملا ماشینی می‌تواند موفقیت خودش را تضمین کند یا همچون اپل و توییتر باید رویکرد استفاده از ناظر انسانی را پیش بگیرد؛ و آیا اپل و توییتر در هدایت درست الگوریتم‌های یادگیری ماشین به مشکل برخورده‌اند که به استفاده از ناظر انسانی روی آورده‌اند یا اینکه این الگوریتم‌ها هنوز راه درازی پیش روی دارند.