معاون ارتباطات راهبردی ستاد راهبری فناوریهای هوشمند حوزههای علمیه در نشست تخصصی «هوش مصنوعی
و طرح جایگزین»در پاسخ به انتقادات حجتالاسلام کشوری در رابطه با بررسی
هوش مصنوعی گفت: هوش مصنوعی یک ابزار کارآمد، امن و شفاف است.
به گزارش هوشیو
به نقل از خبرگزاری رسا، نشست تخصصی «هوش مصنوعی و طرح جایگزین» با هدف
بررسی مصنوعی در سند توسعه پایدار ۲۰۳۰و با حضور حجتالاسلام علی کشوری،
دبیر شورای راهبردی الگوی پیشرفت اسلامی و حسین ظاهری معاون ارتباطات
راهبردی ستاد راهبری فناوریهای هوشمند حوزههای علمیه برگزار شد.
در
این نشست، حسین ظاهری، معاون ارتباطات راهبردی ستاد راهبری فناوریهای
هوشمند حوزههای علمیه ضمن اشاره به سخنان حجت الاسلام کشوری، بعضی نقدهای
مطرح شده را غیرمنصفانه خواند و گفت: «ما پیشتر جلساتی را با شورای تخصصی
حوزوی و هم دوستان خود شورا و مسائل مختلفی را که مطرح شده، بررسی کردیم.
جمعبندی پایانی این جلسات این بوده است که ما نمیتوانیم حتی با حق تحفظ،
اسناد بینالمللی را به آن شکلی که هستند، پذیرش کنیم. اگر شما اسناد
بینالمللی را بررسی کنید، متوجه میشوید که این حق تحفظ اگر با روح سند در
تضاد باشد، کمیسیون مرتبط با این سند میتواند این حق تحفظ را نپذیرد! پس
ما چطور میتوانیم یک چیزی را امضا و تأیید کنیم و حق تحفظی قائل شویم و در
آینده حق تحفظ ما رد بشود و بعد از آن درگیر تحریم و مسائل دیگر شویم.»
ظاهری
درنقدی که درباره ارائه گزارشهای مدیریت شده به مراجع خاطر مطرح کرد،
خاطر نشان کرد: «در هر جلسهای که با آقایان درباره مسئله هوش مصنوعی صحبت
شده است، در همان جلسه بحث کارگروههای تخصصی عملی در زمینه نقد و بررسی
هوش مصنوعی؛ چه به مثابه یک رویداد که با آن مواجه میشویم و چه به مثابه
یک موضوع از دیدگاههای فقهی، فلسفی، اخلاقی، حقوقی و جامعهشناختی در آن
کارگروهها تبیین شده و هیچ جایی قرار بر این نبوده است که هوش مصنوعی به
یکباره با تعاریف غربی کشور ما را با مشکلات جدی مواجه کند.»
معاون
ارتباطات راهبردی ستاد راهبری فناوریهای هوشمند حوزههای علمیه هوش
مصنوعی را یک ابزار منبع باز معرفی کرد و توضیح داد: «با این تعریف،
طبیعتاً بررسی هوش مصنوعی و تمام فرایندهایآن امکانپذیر است. شما
میتوانید خیلی راحت یک برنامهنویس متخصص را کنار دست خودتان بیاورید و
این فرایند را کاملاً برای شما توضیح بدهد تا هیچ نکته مبهمی نماند. اصلاً
خاصیت کد باز همین است.»
وی
ادامه داد: با استفاده از ابزارهای هوشمند میتوان برنامه زندگی را مدیریت
کرد. با استفاده از هوش مصنوعی میتوانیم نقشهای اجتماعی گستردهتری را
ایجاد کنیم و در فرایندهای تبلیغی، افراد بیشتری را جذب کنیم و یا در
فرایندهای پژوهشی، تولید علم خیلی گستردهتری داشته باشیم.
EXOS
در حال اجرای آزمایشی فناوریِ شرکت اینتل به نام «ردیاب ورزشکار سه بعدی»
(۳DAT) است تا با استفاده از این فناوری به نسل بعدی بازیکنان فوتبال کمک
کند تواناییهای خود را به حداکثر برسانند. هوش مصنوعی در ورزش کاربردهای زیادی دارد که پیشتر به برخی از آنها اشاره شده است.
امسال
به دلیل شیوع ویروس کرونا سالی آشفته را پشت سر گذاشتیم و به همین دلیل
بیشتر امیدهای قهرمانی احساس میکنند برای مسابقات آماده نیستند. پس لازم
است برای رسیدن به اهدافشان به آنها کمک کنیم.
۳DAT یک راهکار هوش مصنوعی
و بینایی کامپیوتر است که با استفاده از چهار دوربین مداربسته گردان با
زاویه حرکت بالا فرم و حرکت ورزشکار را ضبط میکند. سپس با استفاده از
الگوریتمهای تشخیص زاویه قرارگیری بدن بیومکانیکِ حرکات آنها را تحلیل
میکند.
مونیکا
لاودرمیلک، معاون پژوهشیِ EXOS، در این باره میگوید «محاسباتی که پیش از
این با چشم غیر مسلح قابل مشاهده و اندازهگیری نبود اکنون با فناوری ۳DAT
محصول شرکت اینتل امکانپذیر شده است. با کمک این فناوری میتوانیم این
محاسبات را دریافت کرده، آنها را کنارهم بگذاریم و اطلاعت ملموسی در
اختیار مربیان و ورزشکاران قرار دهیم. حتی کوچکترین تغییراتِ ناشی از این
فناوری سرنوشتساز میتواند پیامدهای حقیقی و تاثیرگذاری برای ورزشکاران به
همراه داشته باشد».
این
فناوری اطلاعات دقیقی در اختیار مربیان EXOS میگذارد. مربیان میتوانند
با کمک تحلیلهای شماتیک دقیق و ارزیابی عملکرد ورزشکاران توصیهها و
راهنماییهای حسابشدهای در اختیار آنها قرار دهند و توانمندیهای آنها
را به حداکثر برسانند؛ همچنین میتوانند به صورت عینی به ورزشکاران نشان
دهند که چگونه رویکردهای فعلیشان آنها را از موفقیت باز میدارد.
اَشتون
ایتان، قهرمان دو دوره المپیکِ دو و میدانی، و مهندس توسعه محصول در گروه
فناوری المپیکِ شرکتِ اینتل، اینطور میگوید: «شکاف بزرگی بین ورزش و حوزه
حرکت وجود دارد، بین حس افراد هنگام حرکت و شناخت آنها از اعمالشان. وقتی
که برای مسابقات دو ۱۰۰متر آماده میشدم، با کمک مربیام سعی میکردیم تا
مسیر را در کمترین زمان ممکن طی کنم. امّا همه این کارها حسی بود. گاهی
جواب میداد، گاهی نه، چون کامل نمیدانستم بدنم چه کار میکند. فناوری
۳DAT این امکان را در اختیار ورزشکاران قرار میدهد تا بفهمند هنگام حرکت
بدنشان دقیقا چه کاری انجام میدهد. و در نتیجه آنها دقیقاً میدانند
باید روی چه قسمتهایی کار کنند تا بهتر و سریعتر شوند».
در
سیستم ۳DAT هیچ حسگر یا هر چیز دیگری به بدن ورزشکار متصل نمیشود که باعث
فشار یا ناراحتی شود و ورزشکار را از عملکرد همیشگیاش باز دارد. مربیان
جزئیات کامل جلسات تمرینی ورزشکاران برای شناسایی مشکلات استفاده میکنند.
کریج
فریدمن، معاون ارشد تیم عملکرد نوآورانهی EXOS میگوید: «۳DAT به ما
آگاهی و اطلاعات میدهد، نه تنها درباره تکنیکهای دویدن ورزشکاران و
راههای پیشرفت آنها، بلکه درباره موانع سر راه آنها. این دادهها به ما
کمک میکند تا با ایجاد تغییراتی در تمرینات، ورزشکار در زمین ورزش
توانمندیهای بیشتری را به نمایش بگذارد».
اینتل معتقد است همکاری مداوم با EXOS به مهندسان این شرکت کمک میکند تا با کمک مربیان خبره و ورزشکاران نخبه ۳DAT پیشترفتهتر شود.
آرتروز
زانو یک بیماری جهانی است. تقریبا نیمی از افراد بالای ۷۵ سال با یکی از
انواع آرتروز زانو درگیر هستند و این بیماری به عنوان یکی از اصلیترین
دلایل معلولیت در سراسر جهان شناخته شده است. بدتر اینکه با توجه به عدم
وجود درمانی برای این بیماری، رسیدن به راهحل مناسب برای درمان آن نیازمند
شناسایی دقیق و مرحلهبندی این بیماری است.
محققان دانشکده گزشکی دانشگاه بوستون با استفاده از یک رویکرد مبتنی بر هوش مصنوعی و یادگیری عمیق توانستند گامی موثر در جهت تعیین شدت آرتروز زانو بردارند و نام آن را «طول استخوان زیرغضروفی» گذاشتهاند.
دستگاههای
تصویربرداری مخصوص آرتروز زانو که بتوانند عملکردی قابلقبول داشته باشند،
زیاد نیستند. درحالحاضر از ابزارهای تصویربرداری پزشکی مانند تصویربرداری
تشدید مغناطیسی یا اشعه ایکس برای بررسی مفاصل زانو استفاده میشود.
ویجایا
کولاچالاما، دستیار دکترای دانشگاه بوستون، در اینباره میگوید: «مطالعات
ما منجر به شناسایی روش تصویربرداری جدیدی شده که توانایی تبدیل شدن به
نشانگر زیستی آتروز زانو را دارد.»
محققان
برای تعریف روش جدید از هزاران اسکن MRI استفاده کردند تا بتوانند درجه
مسطح شدن غضروف و استخوان و رابطه آن با تنگی فضای رادیوگرافی مفصل، درد
همزمان و ناتوانی و همچنین جابجایی جزئی یا کلی زانو در آینده را به ماشین
آموزش دهند. آنها سپس از تغییرات نسبی در روش طول استخوان زیرغضروفی، نسبت
شانس را برای هریک از این نتایج تخمین زدند و دریافتند که مقادیر طول
استخوان زیرغضروفی در زانوهایی که دچار باریکی فضای مفصل شدهاند و
زانوهایی که این مشکل را ندارند، متفاوت است. آنها همچنین دریافتند که
تغییرات بیشتر طول استخوان زیرغضروفی در ابتدا با درد و ناتوانی بیشتر
همراه است.
طبق ادعای
محققان، این مطالعه پیامدهای بالینی مهمی دارد. کولاچالاما در ادامه
میگوید: «مطالعه ما طول استخوان زیرغضروفی را به عنوان اندازهگیری بالقوه
مفیدی برای مورفولوژی استخوان در مفصل زانو شناسایی کرده و نشان داده که
این موضوع متفاوت از درجه بیماری است. طول استخوان زیرغضروفی همچنین این
پتانسیل را دارد که در آینده درجه آرتروز زانو را هم بسنجد.»
قدم
بعدی برای محققان بررسی این موضوع است که آیا طول استخوان زیرغضروفی
میتواند برای تشخیص بهموقع بیماری مورد استفاده قرار گیرد یا خیر. اگر
این شرایط فراهم شود میتواند تاثیر چشمگیری بر پروسه مدیریت مراقبت از
بیمار داشته باشد.
مباحث
یادگیری عمیق و شبکههای عصبی میتوانند گیجکننده باشند. اما باید توجه
داشته باشید که برای استخدام یادگیری عمیق در مصاحبههای کاری علوم داده،
عمدهی سؤالات از چند مبحث خاص مطرح میشوند. بعد از بررسی صدها نمونه از
این مصاحبهها، به ۱۰ مفهوم از یادگیری عمیق رسیدم که اغلب موردتوجه مصاحبهگران قرار میگیرد.
در این نوشتار، این ۱۰ مفهوم را با هم مرور میکنیم:
توابع فعالسازی
در صورتی که شناختی از شبکه های عصبی و ساختار آنها ندارید پیشنهاد میکنم ابتدا این مقاله را مطالعه کنید تا مشکلی برای استخدام یادگیری عمیق از این بابت نداشته باشید.
بعد
از آشنایی مختصر با نورونها/گرهها، درمییابید تابع فعالسازی مثل کلیدی
است که تعیین میکند یک نورون خاص باید فعال شود یا خیر.
توابع
فعالساز انواع مختلفی دارند، اما از محبوبترین آنها میتوان به تابع
یکسوساز خطی یا ReLU اشاره کرد. این تابع از توابع سیگموئید و تانژانت
هذلولوی شناختهشدهتر است، زیرا گرادیان کاهشی را با سرعت بیشتری اجرا
میکند. با توجه به تصویر بالا، مشاهده میکنید که وقتی x (یا z) خیلی بزرگ
باشد، شیب به شدت کاهش مییابد و در نتیجه سرعت کاهش گرادیان به میزان
چشمگیری آهسته میشود. اما این نکته برای تابع ReLU صدق نمیکند.
تابع هزینه
تابع هزینه یک شبکهی عصبی مانند توابع هزینهای است که در سایر مدلهای یادگیری ماشین
به کار میروند و برای استخدام یادگیری عمیق آشنایی با آنها ضروری است.
تابع هزینه معیاری برای ارزیابی عملکرد مدل، از طریق سنجش شباهت مقادیر
پیشبینیشده با مقادیر واقعی است. تابع هزینه با کیفیت مدل رابطهی عکس
دارد؛ یعنی هر چه مدل بهتر باشد، تابع هزینه پایینتر خواهد بود و بالعکس.
تابع هزینه را میتوان بهینهسازی کرد.وزنها و پارامترهای بهینهی مدل، با حداقل ساختن تابع هزینه قابل دسترسی هستند.
از
توابع هزینهی متداول میتوان به تابع درجه دوم، تابع آنتروپی متقاطع،
تابع هزینه نمایی، فاصله هلینگر و واگرایی کولبک-لیبلر اشاره کرد.
پسانتشار
موردی
که برای استخدام یادگیری عمیق باید بدانید این است که پسانتشار ارتباط
نزدیکی با تابع هزینه دارد. پسانتشار الگوریتمی است که برای محاسبهی
گرادیان تابع هزینه به کار میرود. این الگوریتم با توجه به سرعت و کارآیی
بالایی که در مقایسه با سایر رویکردها دارد، از محبوبیت و کاربرد بالایی
برخوردار شده است.
نام
پسانتشار برگرفته از این واقعیت است که محاسبهی گرادیان از آخرین لایهی
وزنها آغاز شده و به سوی گرادیانهای اولین لایه، یعنی به سمت عقب، حرکت
میکند. بنابراین خطای لایهی k وابسته به لایهی بعدی یعنی k+1 است.
نحوهی کار الگوریتم پسانتشار را میتوان در این گامها خلاصه کرد:
انتشار رو به جلو را برای هر جفت ورودی-خروجی محاسبه میکند؛
انتشار رو به عقب هر جفت را محاسبه میکند؛
گرادیانها را ترکیب میکند؛
وزنها را بر اساس نرخ یادگیری و گرادیان کلی، به روزرسانی میکند.
این مقاله به خوبی مبحث پسانتشار را پوشش داده و برای مبحث استخدام یادگیری عمیق مناسب است.
شبکههای عصبی پیچشی
شبکهی
عصبی پیچشی (CNN) نوعی شبکهی عصبی است که به ویژگیهای مختلف ورودی (که
اغلب یک تصویر و یا بخشی از یک متن میباشد.) مقادیر اهمیت اختصاص داده و
سپس یک خروجی تولید میکند. آنچه باعث مزیت CNNها نسبت به شبکههای عصبی
پیشخور میشود این است که وابستگیهای فضایی (پیکسلی) سراسر تصویر، و در
نتیجه ترکیب تصویر را بهتر درک میکند.
CNNها
در واقع یک عملیات ریاضیاتی به نام کانولوشن اجرا میکنند. طبق تعریف
ویکیپدیا، کانولوشن یک عملیات ریاضیاتی است که روی دو تابع انجام میشود و
خروجی آن، تابع سومی است که نشان میدهد شکل یکی از آن توابع چطور توسط
دیگری تغییر میکند. پس CNN به جای ضربهای ماتریسی معمولی، حداقل در یکی
از لایههای خود، از عملیات کانولوشن استفاده میکند.
شبکههای عصبی بازگشتی
اگر
مشتاق استخدام یادگیری عمیق هستید باید بدانید شبکههای عصبی
بازگشتی (RNN) نوع دیگری از شبکههای عصبی هستند که به خاطر قابلیت پردازش
دادههایی با اندازههای گوناگون، روی دادههای توالی عملکرد بسیار خوبی از
خود نشان میدهند. RNNها علاوه بر ورودیهای فعلی، ورودیهای قبلی را هم
درنظر میگیرند؛ بنابراین یک ورودی خاص میتواند بر اساس ورودیهای قبلی،
خروجیهای متفاوتی تولید کند.
از
نظر فنی، RNNها گروهی از شبکههای عصبی هستند که اتصالات بین گرههایشان،
علاوه بر یک توالی زمانی، یک گراف جهتدار ایجاد میکند و بدین ترتیب آنها
را قادر میسازد از حافظهی داخلی خود برای پردازش توالیهایی با طول
متغیر استفاده کنند.
به بیان خلاصه، RNNها نوعی از شبکههای عصبی هستند که اساساً روی دادههای توالی یا سریهای زمانی به کار میروند.
شبکههای حافظهی کوتاهمدت بلند (LSTM)
شبکههای LSTM نوعی از شبکه های عصبی بازگشتی
هستند که برای جبران یکی از نقاط ضعف RNNها یعنی حافظهی کوتاهمدت، ساخته
شدهاند و برای استخدام یادگیری عمیق باید با آن آشنا باشید.
به
بیان دقیقتر، اگر یک توالی طولانی داشته باشیم (برای مثال رشتهای با
بیشتر از ۵-۱۰ گام)، RNNها اطلاعات مربوط به گامهای اول را فراموش خواهند
کرد. به عنوان مثال، اگر یک پارگراف را به RNN تغذیه کنیم، احتمال نادیده
گرفته شدن اطلاعات ابتدای پارگراف وجود دارد.
LSTMها برای حل این مشکل به وجود آمدند.
در این مطلب میتوانید اطلاعات بیشتری در مورد LSTMها به دست آورید.
تعریف وزن
هدف از تعریف وزن اطمینان حاصل کردن از این است که شبکهی عصبی به یک راهکار بیهوده همگرایی نخواهد داشت.
اگر
مقدار تعریفشده برای همهی وزنها یکی باشد (برای مثال همه ۰ باشند)،
همهی واحدها سیگنالی دقیقاً یکسان دریافت میکنند؛ در نتیجه، لایهها طوری
رفتار میکنند که فقط یک سلول واحد وجود دارد.
بنابراین،
باید به صورت تصادفی مقادیر نزدیک صفر، اما نه خود صفر، را به وزنها
اختصاص دهیم. الگوریتم بهینهسازی تصادفی که برای آموزش مدل به کار میرود
از این قاعده استثناست.
مقایسه گرادیان کاهشی تصادفی با گرادیان کاهشی دستهای
افراد
مایل به استخدام یادگیری عمیق باید بدانند که گرادیان کاهشی دستهای و
گرادیان کاهشی تصادفی دو روش متفاوت برای محاسبهی گرادیان هستند.
گرادیان
کاهشی دستهای، گرادیان را بر اساس همهی دیتاست محاسبه میکند. این روش
در دیتاستهای بزرگ، سرعت پایینی خواهد داشت، اما برای هموارسازی یا واگرا
شدن منیفلد خطا بهتر است.
در
روش گرادیان کاهشی تصادفی، گرادیان در هر بازهی زمانی، بر اساس یک
نمونهی آموزشی واحد محاسبه میشود. به همین خاطر، این روش از نظر محاسباتی
سریعتر و کمهزینهتر است. با این حال، در این روش، بعد از رسیدن به
کمینهی سراسری، جستجو در اطراف همچنان ادامه میباید. نتیجهی این روش
قابلقبول است، اما بهینه نیست.
هایپرپارامترها
هایپرپارامترها
متغیرهایی هستند که ساختار شبکه را تنظیم میکنند و بر نحوهی آموزش آن
نظارت دارند. از جمله هایپرپارامترهای متداول میتوان به این موارد اشاره
کرد:
پارامترهای معماری مدل همچون تعداد لایهها، تعداد واحدهای نهان، و …؛
نرخ یادگیری (آلفا)؛
تعریف وزنهای شبکه؛
تعداد دورهها (دوره به معنی یک چرخهی کامل در دیتاست آموزشی است)
اندازهی بستهداده
نرخ یادگیری
نرخ
یادگیری یکی از هایپرپارامترهای شبکههای عصبی است که بر اساس خطای برآورد
شده در هربار به روزرسانی وزنها، میزان انطباق مدل را تعیین میکند.
اگر
نرخ یادگیری خیلی پایین باشد، سرعت آموزش مدل آهسته خواهد بود؛ زیرا در هر
تکرار، وزنهای مدل به حداقل میزان ممکن به روزرسانی خواهند شد. به همین
دلیل، قبل از رسیدن به کمینه، باید بهروزرسانیهای زیادی انجام شود.
اگر نرخ یادگیری خیلی بالا باشد، توابع زیان
رفتاری واگرا خواهند داشت. زیرا در به روزرسانی وزنها، تغییراتی چشمگیر
رخ میدهد. این رفتار ممکن است آنقدر شدید باشد که تابع هیچگاه همگرا
نشود.
بخش
قابلملاحظهای از مطالب موجود در اینترنت به دست ربات های نویسنده نوشته
شده است. امروزه، ابزارهای نگارش هوش مصنوعی به صورت رایگان در دسترس همگان
قرار دارد؛ مِنجمله دانشجویان. با توجه به تغییرات سریع و گستردهای که
در جهان امروز شاهد هستیم، تالیف پسااِنسانی که انسانها و ماشینها در آن
به همکاری میپردازند، میتواند پیامدهای اخلاقی بسیاری به همراه داشته
باشد. از آنجا که محتوای تولید شده به دست ماشینها در مقیاس گسترده برای
برقراری ارتباط با سایرین به کار برده میشود، مطالعه اخلاق در هوش مصنوعی باید در دستور کار مراکز آموزشی قرار گیرد.
ربات های نویسنده نیز قادر به نگارش هستند
ربات
های نویسنده از قبیل GPT-3 در چند ثانیه قادر به تولید متنی هستند که گویا
به دست انسان نوشته شده است. در ماه سپتامبر ۲۰۲۰، ربات GPT-3 مقاله
کاملی در روزنامه گاردین نوشت تا این نوید را به مردم بدهد که هوش مصنوعی
ابزار ترسناکی نیست. هوش مصنوعی این کار را به واسطه «تولید و پردازش زبان طبیعی»
انجام میدهد . در همین راستا، زبان انسان به دستورهای کامپیوتری و بالعکس
تبدیل میشود. برای انجام این کار، الگوریتمهای ماشینی به مطالعه
میلیونها نمونه متن، واژگان، جملات و پاراگرافهایی میپردازند که انسان
از آنها برای درک عمومیِ بافت زبان استفاده میکند. سپس، ماشین از دانش
برای تولید متن استفاده میکند. تا همین سال ۲۰۱۹، این نوع فناوری دور از
دسترس به نظر میرسید . اما امروزه، در دسترس قرار گرفته است . برای نمونه،
ابزار تولید محتوای رایگان Zyro برای وبسایتها متن تولید میکند . شما
میتوانید دستههای «سلامت و زندگی» و «مربی خصوصی» را انتخاب کنید. متن
زیر در عرض دو ثانیه در اختیارتان قرار میگیرد: «من تجربه کافی در
زمینههای آموزش فردی، عملکرد ورزشی و تغذیه را دارم. همچنین، کار با
کودکان، زنان باردار، افراد مسن، افراد ناتوانِ جسمی، ورزشکاران و تمامی
علاقمندان به شرکت در رقابتهای ورزشی نیز از جمله قابلیتهای من است.
مشاورههای من منجر به ارتقای سطح سلامت کلی و عملکرد افراد میشود. من به
سایر گزینههای سلامت از قبیل مشاوره تغذیه و سلامت نیز علاقمند هستم. در
اوقات فراغت از حضور در کنار خانواده، بیرون از خانه و یا کار نگارش لذت
میبرم.» این محتوا میتواند مناسبِ وبسایت من باشد. این فرصت را دارم
تا پاسخهای بیشتری از ابزار تولید محتوای رایگان Zyro درخواست کنم. متن
زیر در عرض دو ثانیه ارائه میگردد: «من تجربهی کار با بزرگسالان و
کودکان را دارم و میتوانم سلامت فیزیکی و روانی آنها را بهبود بخشم. مایلم
به شما کمک کنم تا به اهداف خود برسید. دوست دارم به دیگران کمک کنم تا به
اهدافشان برسند. من مادرِ دو فرزند سالم و همسر دو انسان فوقالعاده
هستم.» اگرچه Zyro متوجه خظای آشکار (یعنی تکرار) در جمله آخر نمیشود،
اما تصحیح اینگونه مسائل کار آسانی است. امکان تولید متن در چند ثانیه
وجود دارد. ابزارهای دیجیتال دیگری از قبیل ابزارهای تاویلکننده و نگارش
مجدد میتوانند تا ۱۰۰۰ مقاله را تنها با استفاده از یک مقاله تولید کنند.
هر کدام از این مقالهها میتوانند منحصربفرد باشند. برای نمونه، Quillbot و
WordAI توانایی بازنویسی سریع متن را دارند و تشخیص سرقت ادبی را سخت
میکنند. WordAI قادر است محتوای نامحدودی با کیفیتی مثالزدنی تولید کند.
مدارس و دانشگاهها باید به پرسشهای زیر توجه داشته باشند؟
تولید
این ابزارهای نوین چه پیامدهایی برای آموزش، نوشتار و جامعه دارد؟ ممکن
است برخی افراد به فکر تقلب در نگارش مقالهها و سایر تکالیف درسی بیفتند.
مسئولان مدارس و دانشگاهها باید تدابیری برای مقابله با این قبیل از مسائل
در عصر پساانسانی بیندیشند. دامنهی استفاده از ماشینها به قدری افزایش
یافته که افراد دستکم برای بررسی اشتباهات املایی و دستوری از آنها استفاده
میکنند. ابزارهایی نظیر Turnitin که برای تشخیص سرقت ادبی ساخته شده است،
میتوانند نویسنده متن را با استفاده از ابزارهای پیچیده شناسایی کنند .
این کار با شناخت اثرانگشت منحصربفرد نویسنده (انسان) صورت میگیرد. در
بخشی از این فرایند، نوشتار تایید شده به صورت الکترونیکی با نوشتار قبلی
دانشجو مقایسه میگردد. امروزه، بسیاری از دانشجویان از ابزارهای نگارش هوش مصنوعی
استفاده میکنند. شاید بهتر است به جای ممنوعیت یا تلاش برای افشای همکاری
انسان و ماشین، از این خلاقیت افزوده استقبال به عمل آید. افراد باید نحوه
نگارش با ماشینها را یاد گیرند چرا که این کار در آینده اهمیت بالایی
خواهد داشت. ربات های نویسنده از سرعت خارقالعادهای بهره میبرند.
آنها قادرند به چند زبان بنویسند، از تصاویر استفاده کنند و در عرض چند
ثانیه به تولید فراداده، عنوان، تبلیغات اینستاگرامی، ایده محتوا، صفحه
ورودی سایت و متن بهینهسازی شده برای موتورهای جستجو بپردازند. دانشجویان
باید از این نوع قابلیتهای ماشینها استفاده نمایند. شاید بهتر است
ارزیابی دانشجویان با توجه به توانایی استفاده ماهرانهی آنان از این
ابزارها صورت گیرد؛ نه اینکه فقط به ارائه متنی بسنده شود که تماماً به دست
انسان نوشته شده است.
آیا استفاده از ماشینهای نگارشی با اصلِ عدالت سازگار است؟
این
پرسش کماکان جای بحث و بررسی دارد. دانشجویانی که به ربات های نویسنده
بهتری دسترسی داشته باشند، قادر به تولید و ویرایش بهتر متن خواهند بود.
ربات های نویسنده پیشرفته قیمت بسیار بالایی دارند و به صورت ماهانه در
دسترس قرار میگیرند. اگر مدارس و دانشگاهها ابزارهای پیشرفته نگارش هوش
مصنوعی را در اختیار فراگیران قرار ندهند، نابرابری در حوزه آموزش تشدید
خواهد شد. باید پروتکلهایی برای تعیین نویسنده متن در نظر گرفته شود. باید
مشخص شود چه کسانی در نگارش متن نقش داشتهاند. باید مسئول محتوا و
آسیبهای احتمالی آن تعیین گردد. سیستمهای شفافی برای شناسایی، تایید و
کمیتسنجیِ محتوای انسان مورد نیاز است. مهمتر از همه، باید به بررسی این
مسئله پرداخت که آیا استفاده از ابزارهای نگارش هوش مصنوعی برای همه
دانشجویان منصفانه است یا خیر. افرادی که هیچ شناختی از نگارش هوش مصنوعی
ندارند، بهتر است کار با ابزارهای رایگان را در فضای اینترنت آغاز کنند و
با معنای «تولید» در آیندهی رباتیک آشنا شوند.