استارتاپ هوش مصنوعی Tractable در صنعت بیمه

استارتاپ هوش مصنوعی Tractable قادر است میزان آسیب خسارات را در عرض چند دقیقه برآورد کند و هزینه تعمیرات را تخمین بزند. در نتیجه برگشت مطالبات بیمه‌شدگان سریع‌تر انجام می‌شود و زندگی آن‌ها زودتر به روال عادی بر می‌گردد.

معرفی استارتاپ هوش مصنوعی Tractable

Tractable یک استارتاپ هوش مصنوعی در حوزه بینایی ماشین و یادگیری عمیق است. این شرکت با توسعه محصولات مبتنی بر هوش مصنوعی به شرکت های فعال در زمینه بیمه خدمات ارائه می دهد.
با استفاده از تکنولوژی یادگیری عمیق نظارتی و یادگیری نیمه‌نظارتی و دیتاست حاوی میلیون‌ها عکس از تصادفات و سوانح گوناگون، Tractable توانسته است ارزیابی میزان خسارات وارده به اموال مسکونی و کشاورزی و همچنین وسایل نقلیه در تصادفات رانندگی را کاملا اتوماتیک، بدون نیاز به کارشناس و تنها در عرض چند دقیقه انجام دهد.
لذا به کمک هوش مصنوعی، عمل ارزیابی سریع‌تر، ارزان‌تر و دقیق‌تر انجام شده و مطالبات مردمی که روزانه درگیر این مشکلات هستند بسیار سریعتر به آن‌ها برگردانده می‌شود.

ارزشهای پیشنهادی Tractable

این استارتاپ هوش مصنوعی، ارزش پیشنهادی خود را ببهبود سریع‌تر زندگی مردم آسیب دیده از تصادفات و بلایا عنوان کرده است. سالانه میلیون نفر در سراسر جهان از بلایای طبیعی و تصادفات متضرر و آسیب دیده می‌شوند. حداقل کاری که در این حالت برای این افراد می‌توان انجام داد برگشت سریع مطالبات آن‌ها از شرکت‌های بیمه است که بتوان سریع‌تر آن‌ها را به روال عادی زندگی برگرداند.

در کنار این‌ها ارزیابی سریع و دقیق بدون مداخله نیروی انسانی از دیگر ارزش‌های پیشنهادی این استارتاپ هوش مصنوعی است.

مدل کسب و کار، نحوه کسب درآمد و مشتریان Tractable

از آن‌جا که بیمه صنعتی کاملا رقابتی است بکارگیری هر تکنولوژی که بتواند در کاهش هزینه‌ها و تسریع فرآیند مطالبات ایفای نقش کند جزو مزیت‌های رقابتی این صنعت محسوب می‌شود. مفهوماِی پی آی باز، چندین سال است که موجب تحول در صنایع مالی، بورس و بیمه در سراسر دنیا شده است. این APIها بر بستر ابر پیاده‌سازی شده‌اند و به راحتی با سیستم‌های مدیریت مطالبات ادغام می‌شوند. با توسعه این مدل توسعه دهندگان می‌توانند API های خود را در اختیار سایر کسب‌وکارها قرار دهند. Tractable به عنوان استارتاپ توسعه دهنده سرویس‌های هوش مصنوعی خدمات خود را بصورت API در اختیار شرکت‌های بیمه‌ای، تعمیرکاران و یا شرکت‌های کرایه اتومبیل به‌منظور ارزیابی میزان خسارات وارده و تخمین هزینه‌ها قرار می‌دهند. نحوه کسب درآمد در Tractable پرداخت به ازای استفاده است که همین امر موجب کاهش هزینه‌ها می‌شود.

خدمات استارتاپ هوش مصنوعی Tractable

۱. تشخیص میزان خسارات وارده به اتومبیل ها از طریق هوش مصنوعی

در هر تصادف رانندگی، پای بیمه به حادثه باز می‌شود. کارشناس ارزیابی به محل مراجعه و میزان خسارات وارده به ماشین را ارزیابی می‌کنند. فکر می‌کنید در شیوه سنتی و در شهری پر ترافیک مثل تهران خودمان و یا نیویورک آن‌ها رسیدن کارشناس به محل حادثه چقدر طول می‌کشد؟!!
هوش مصنوعی Tractable با یک دیتاست حاوی میلیون‌ها عکس از تصادفات رانندگی آموزش دیده است و با دقتی بسیار نزدیک به دقت انسان می‌تواند میزان خسارات وارده را ارزیابی نماید و هزینه تعمیرات را بدون مداخله نیروی انسانی تخمین بزند.
کارشناسان این شرکت ادعا می‌کنند با این کار سرعت کار ارزیابی و استرداد وجه از بیمه به مردم ۱۰ برابر شده و میزان خطاهای انسانی جهت ارزیابی و تخمین هزینه‌ها کاهش می‌یابد. این سرویس برای هر وسیله نقلیه‌ای در هر جا قابل استفاده است.

۲. تشخیص میزان خسارات بلای طبیعی از طریق هوش مصنوعی

بلایای طبیعی حتی اگر جانمان را نگیرند، ممکن است آسیب‌هایی به خانه‌ها و یا مزارع کشاورزی وارد کنند و زندگی ما را دچار تحت تاثیر قرار می‌دهند. سالانه میلیون نفر در سراسر دنیا  حدود ۱ تریلیون دلار خسارت متحمل می‌شوند.
در این مواقع ارزیابی سریع خسارات و تخمین هزینه از طریق هوش مصنوعی Tractable قابل انجام است. در این حالت تصاویر از طریق ماهواره، پهبادها و گوشی‌های هوشمندی به صورت کلی و همه جانبه گرفته می‌شود.

۳. تشخیص اشیای موجود در صحنه از طریق هوش مصنوعی

هوش مصنوعی در Tractable این قابلیت را دارد که اشیای موجود در عکس را تشخیص دهد. این سرویس تشخیص اشیاء   می‌تواند صنایعی را که به تحلیل تصاویر متکی هستند متحول کند.

کافی ست کاربر عکسی از محل خسارات، یا تصویری هوایی از اموال مسکونی و کشاورزی را در پلتفرم مربوطه بارگذاری کند، هوش مصنوعی میزان خسارت را برآورد و هزینه تعمیرات را تخمین می‌زند و پاسخ را در عرض چند دقیقه ارسال می‌کند.

نکته جالب اینکه این سرویس ضریب اطمینانی از برآورد و تخمین انجام شده خود به کاربر ارائه می‌کند. در صورتی که این ضریب اطمینان پایین باشد، سیستم از کاربر نمونه عکس‌های بیشتری از محل خسارت با زوایای مختلف درخواست می‌کند تا ارزیابی به بالاترین سطح اطمینان برای تصمیم‌گیری برسد.

جذب سرمایه در استارتاپ هوش مصنوعی Tractable

این شرکت در سال ۲۰۱۴ تاسیس شد و به سرعت توانست نظر سرمایه‌گذاران را به خود جلب کند. تاکنون با جذب سرمایه‌ای نزدیک به ۶۰ میلیون دلار، این شرکت در سه قاره توسعه یافته است و هم اکنون بیش از ۱۰۰ پرسنل در شهرهای لندن، نیویورک، توکیو، مادرید، پاریس و مونیخ دارد.

منبع: hooshio.com

اولین ربات وکیل و طلاقی که منجر به تولد آن شد

داستان از جایی شروع شد که پدر و مادر آندرو آرودا تصمیم به جدایی از همدیگر گرفتند. آندرو پس از مشاهده‌ی روند پیچیده و گران‌قیمت طلاق تحقیقاتی را انجام داد که منجر به راه اندازی ROSS یعنی اولین ربات وکیل شد. راس محصولات مبتنی بر هوش مصنوعی را برای افزایش توانایی‌های شناختی وکلا ایجاد می‌کند. اعضای تیم استارتاپ راس را مهندسان کامیپیوتر و هوش مصنوعی ، طراحان و وکلایی تشکیل می‌دهند که با استفاده از پیشرفته‌ترین فناوری‌ها به دنبال حل مشکلات قانونی هستند. آنها می‌خواهند به وکلا کمک کنند تا زمان زیادی را که برای رسیدگی به یک پرونده نیاز است کاهش دهند.

چه کسانی راس را تاسیس کردند؟

استارتاپ راس در سال ۲۰۱۴ و توسط آندرو آرودا و جیمو اوبیاگله تاسیس شد. آندرو آرودا در حال حاضر مدیر عامل راس است. او همچنین یک سخنران برجسته بین المللی درباره هوش مصنوعی و برپایی عدالت است که از فارغ التحصیلان رشته حقوق دانشگاه ساسکاچوان کانادا به شمار می‌رود. آرودا در سال ۲۰۱۷ در فهرست سی زیرِ سی مجله فوربس قرار گرفت. این فهرست به معرفی سی نفر از افراد زیر سی سال می‌پردازد که در ۱۵ حوزه مختلف به موفقیت برجسته‌ای نائل شده‌اند.
جیمو اوبیاگله هم‌بنیانگذار و مدیر ارشد فناوری راس است. او درباره هوش مصنوعی و تجارت به سخنرانی می‌پردازد و یکی از متخصصین هوش مصنوعی دانشگاه تورنتو است، دانشگاهی که از پیشگامان هوش مصنوعی در جهان است. راس در حال حاضر دو مرکز در سان فرانسیسکو و تورنتو دارد.

اولین ربات وکیل چگونه کار می کند؟

این ربات وکیل از فناوری ابررایانه واتسون آی‌بی‌ام و پردازش زبان طبیعی برای جستجوی و تهیه اطلاعات حقوقی از استنادهایی که به پرونده‌ها صورت گرفته تا خلاصه‌های قانونی استفاده می‌کند. دیتابیس راس شامل بسیاری از پرونده‌های قضایی منتشر شده و یا منتشر نشده در سطح ایالتی و فدرال کشور آمریکا است که قدمت برخی از این پرونده ها بیش از ۱۰۰ سال است. از آنجایی که راس یک ابزار جستجوی پیشرفته است به عنوان یک منبع اطلاعاتی قوی از طرق مختلف به وکلا کمک می‌کند.

چه چیزی راس را متمایز کرده است؟

راس چه ویژگی‌هایی دارد؟

این ربات وکیل به هزاران وکیل دادگستری که در طیف گسترده ای از شرکت ها و در همه زمینه های حقوقی فعالیت می‌کنند ، خدمات ارائه می‌دهد. البته این خدمات محدود به وکلا نیست و همه می‌توانند از این اطلاعات بهره‌مند شوند. نگاهی بیاندازیم به ویژگی‌ها و خدماتی که راس ارائه می‌دهد:

۱- جستجوی معنایی مبتنی بر سوال

با استفاده از این ویژگی می‌توانید سوال حقوقی خود را به همان شکلی که از همکاران خود می پرسید مطرح کنید و راس بهترین پاسخ را به سوال شما می دهد. هوش مصنوعی راس با بهره‌گیری از جستجوی پیشرفته توانایی درک و شناخت اصطلاحات حقوقی موجود در سوال را دارد و متون حاوی این اصطلاحات را به کاربر نشان می‌دهد.

۲- مشابهت‌یابی متون

بررسی پرونده‌های قضایی و حقوقی مشابه، به وکلا کمک می‌کند از استدلال های انجام شده در آنها بهره ببرند تا بتوانند موضع قوی‌تر و مستدل‌تری در دادگاه داشته باشند . با استفاده از این ویژگی راس، وکلا می‌توانند تمامی موضوعات مشابه با کیس مورد نظر خود را بر اساس ایالت و تاریخ بررسی کنند. راس از وکلا به عنوان کاربران می‌خواهد از هیچ تلاشی برای دفاع از موکلان خود فروگذاری نکنند.

۳- تجزیه و تحلیل اسناد

تحلیل اسناد و پرونده های گذشته امکانی‌ست که راس در اختیار وکلا قرار می‌دهد و به آن ها می‌گوید که کدام استدلال از نظر دادگاه تایید شده و یا کدام یک نقض شده و مورد تردید قرار گرفته است . با این کار وکلا می‌توانند با آمادگی هرچه بیشتر برای ارائه استدلال های قوی در دادگاه حاضر شوند.

۴- بررسی اجمالی متمرکز بر سوال

اگر فرصت زیادی برای بررسی پرونده‌های مختلف ندارید با استفاده از این ویژگی قادر خواهید بود با مطرح کردن سوال خود یک راست به سراغ موضوع موردنظرتان بروید. در این دیتابیس گزینه‌ای به نام بررسی اجمالی پرونده وجود دارد. با کلیک روی این گزینه کادری باز می‌شود و به شما این امکان را می‌دهد تا سوال خود را در آنجا وارد کنید و متن برجسته شده را به عنوان پاسخ مشاهده نمایید.

۵- تفسیرها و مباحث پرونده

مشاهده پرونده‌های مشابه و مطالعه تفسیرهای مختلفی که از آنها شده است گره‌گشای خوبی برای وکلا است. راس به شما این امکان را می‌دهد تا به سرعت پرونده‌هایی را که نقض شده‌اند یا به آن ها ایراد وارد شده است بیابید.

در حال حاضر راس دسترسی ۱۴ روزه‌ی رایگان را در اختیار وکلا قرار می‌دهد و پس از آن افراد می‌توانند با پرداخت ماهانه ۸۹ دلار به طور دائمی از خدمات این استارتاپ استفاده کنند.

وکلا در مورد راس چه می گویند؟

بسیاری از وکلا و شرکت‌های بزرگ در حال حاضر از خدمات این ربات وکیل استفاده می‌کنند. شرکت حقوقی Baker & Hostetler از اولین مشتریان راس بود که از این ابزار هوش مصنوعی به عنوان دستیاری برای کمک به وکلایش در بخش پرونده‌های مالی و ورشکستگی استفاده کرد.

همچنین درمن مور دستیار و شاغل در شرکت تامپسون کوبرن می‌گوید:

راس کاری کرده است تا دیگر مجبور نباشید در تاریکی شلیک کنید و سپس به دنبال شکار بگردید.” این جمله اشاره‌ای است به فرایند سخت و پیچیده‌ی جستجوی هزاران پرونده حقوقی

آینده‌ی راس

آروودا معتقد است که فناوری این پتانسیل را دارد تا دسترسی افراد به خدمات حقوقی را بسیار بیشتر کند.کاربردی که هم‌اکنون استارتاپ راس دارد کمک به وکلا برای استفاده‌ی بهینه از زمان است، آن هم در شغلی که که ارزش زمان با پول برابری می‌کند. او در این رابطه می‌گوید:

تحقیقات ۲۰ در صد از زمان یک وکیل را به خود اختصاص می دهد. ما می توانیم این زمان را از چندین ساعت به چند دقیقه کاهش دهیم، چه بسا به چند ثانیه.

به کارگیری هوش مصنوعی در موسسات حقوقی یک روند آهسته و مرحله‌ای خواهد بود. اگرچه فناوری پردازش زبان طبیعی در اسکن و پیش‌بینی اینکه چه اسنادی برای یک پرونده مرتبط خواهد بود مفید است، با این حال سایر وظایف وکلا، مانند مشاوره با مشتری، نوشتن خلاصه نامه‌های حقوقی، مذاکره و حضور در دادگاه کار ربات‌ها نیست. به عبارت دیگر یک روبات نمی‌تواند جایگزین وکلا شود، حداقل نه به این زودی. اما اگر یک وکیل هستید بعید نیست در آینده ای نزدیک علاوه بر قانع کردن دادگاه مجبور شوید مراجعان خود را نیز متقاعد کنید که کار شما بهتر از اولین ربات وکیل است.

منبع: hooshio.com

جنگ بر سرِ آینده فناوری از دید کارشناسان هوش مصنوعی

اینکه جنگ بر سرِ جنگ بر سرِ آینده فناوری از دید کارشناسان هوش مصنوعی چیست و به کجا خواهد رسید سال‌هاست که از چالش‌های همیشگی کارشناسان هوش مصنوعی بوده است. هوش مصنوعی از دهه ۱۹۵۰ میلادی با فراز و نشیب‌های فراوانی روبه‌رو بوده است.

اگرچه در سال‌های اخیر و به لطف یادگیری عمیق در حوزه هوش مصنوعی، پیشرفت‌های قابل‌توجهی حاصل شده، اما هوش مصنوعی کماکان در برابر حملات، از خود آسیب‌پذیری نشان داده و توانایی سازگاری با محیط‌های در حال تغییر را ندارد. تمامی این چالش‌ها و مشکلات، باعث عدم اطمینان کامل به فناوری هوش مصنوعی شده و ظرفیت آن را برای به‌کارگیری سودمندانه در جامعه محدودتر کرده است.
در ۲۶ مارس ۲۰۲۰ و در مدت رویداد سالیانۀ «EmTech»در حوزه دیجیتال، دو شخصیت برجسته حوزه هوش مصنوعی درباره چالش‌های پیش رو و یافتن راهکاری مناسب برای فائق آمدن بر این مشکلات به بحث و تبادل نظر پرداختند.
«گری مارکوس» استاد بازنشستۀ دانشگاه نیویورک و بنیان‌گذار و مدیر عامل «Robust.AI» یکی از منتقدان مشهور یادگیری عمیق است. وی در کتاب خود تحت عنوان «Rebooting AI» که سال گذشته به چاپ رسید، اظهار داشت که معایب هوش مصنوعی ریشه در این روش دارد. بنابراین، او مدعی شده که محققان باید فراتر از یادگیری عمیق گام برداشته و آن را با سیستم‌های هوش مصنوعیِ نمادین یا کلاسیک ادغام نمایند؛ سیستم‌هایی که دانش را رمزگذاری کرده و از قابلیت استدلال برخوردار هستند.
«دنی لانج» نایب رئیس حوزه هوش مصنوعی و یادگیری ماشینی در «Unity» از یادگیری عمیق طرفداری می‌کند. وی تا کنون به عنوان مدیر یادگیری ماشینی در شرکت تاکسی‌رانی اینترنتی «Uber»، مدیر کل یادگیری ماشینی آمازون و یکی از کارشناسان این حوزه در شرکت مایکروسافت سابقه فعالیت داشته است و در طول فعالیت چندساله خود، همواره از قابلیت‌های نویدبخش هوش مصنوعی صحبت کرده است. او هم‌اکنون در «Unity» مشغول به همکاری با آزمایشگاه‌هایی نظیر «DeepMind» و «OpenAI» است. هدف از این همکاری، کمک به ساخت محیط‌های آموزشی مجازی است که در آن الگوریتم‌ها بتوانند درکی از جهان حقیقی یاد بگیرند.
درطول این رویداد، هریک از سخنران برای مدتی کوتاه، سخنرانی کوتاهی را ارائه داده و برای برگزاری بحث و گفتگو در این حوزه، گردهم می‌آمدند. مخالفت‌هایی که درطول این گردهمایی مطرح شد، بازتاب‌دهندۀ چالش‌ها و دیدگاه‌های متفاوت در حوزه هوش مصنوعی و نحوه شکل گرفتن این تکنولوژی به لطف تنوع و گستردگی ایده‌های تازه است. با توجه به تمامی این صحبت‌ها و گفتگو‌ها، می‌توان به وضوح دید که قاطعیت چندانی در حوزه گام بزرگ بعدی فناوری هوش مصنوعی وجود ندارد و ممکن است شاهد تغییراتی باشیم که پیش از این، انتظار آن را نداشتیم.
در زیر خلاصه‌ای از این بحث را می‌خوانید.

گری، تو با تکیه بر تخصص خودت در علوم اعصاب و روان‌شناسی، سعی کردی به این مسئله پاسخ بدهی که هم‌اکنون هوش مصنوعی با چه چالش‌هایی دست‌و‌پنجه نرم می‌کند. از نگاه تو، چه عاملی هوش مصنوعیِ کلاسیک را به سیستمی مناسب برای ادغام با یادگیری عمیق تبدیل می‌کند؟

گری مارکوس: اولیه نکته‌ای که باید به آن اشاره کنم این است که ما احتمالاً به یک سری سیستم‌های ترکیبی نیاز خواهیم داشت که بسیار پیچیده‌تر از یادگیری عمیق و هوش مصنوعی کلاسیک هستند. البته چیزهای دیگری هم شاید وجود داشته باشد که حتی خواب‌شان را هم ندیده‌ایم! به همین خاطر باید با نگرشی باز و پذیرا به جنگ بر سرِ آینده فناوری نگاه کنیم.
چرا باید هوش مصنوعی کلاسیک را به این ترکیب اضافه کرد؟ خب، استدلال‌های مختلف ما همگی بر پایه دانش‌مان در جهان استوار است؛ یادگیری عمیق این مورد را بازتاب نمی‌دهد. هیچ روشی در این سیستم‌ها وجود ندارد که بتوان به آنها نشان داد توپ یا بطری چیست و این‌ها چه تاثیری روی همدیگر می‌گذارند. بنابراین نتایج خوب و امیدبخش‌ به نظر می‌رسند، اما قابلیت تعمیم آنها خیلی کم است.
هوش مصنوعی کلاسیک می‌تواند یک جمله را به بخش‌های معنایی مختلف تجزیه کند، یا دانشی درباره اتفاقات جهان بدست آورده و بر اساس آنها استنتاج نماید. البته هوش مصنوعی کلاسیک مشکلات خودش را هم دارد: برای مثال، معمولا فاقد پوشش کافی است چرا که بخش اعظم آن به صورت دست‌نوشته است، اما حداقل در تئوری، این تنها روش برای تولید سیستم‌هایی است که توانایی انجام کارهایی مثل استنتاج منطقی و استقراء در دانش انتزاعی را دارند. البته کماکان بدین معنا نیست که استدلال‌های آن کاملا صحیح‌اند، اما در حال حاضر بهترین ابزاری است که در اختیار داریم.
همچنین شواهد و مدارک روان‌شناسی موجود، گویای آن است که افراد تا حدودی قادر به نمایش نمادین هستند. من قبلاً با آزمایش‌هایی که بر روی کودکان هفت‌ماهه انجام دادم، به این نتیجه رسیدم که کودکان توان تعمیم دادن دانش نمادین را دارند. بنابراین اگر یک کودک هفت‌ماهه قادر به انجام چنین کاری باشد، چرا همچنان به دنبال ساخت سیستم هوش مصنوعی بدون سازوکارهایی هستیم که کودکان از آن برخوردارند؟

آیا تابه‌حال محققان موفق شده‌اند در پروژه‌های خود یادگیری عمیق و هوش مصنوعی را به شیوه‌ای نویدبخش ادغام کنند؟

گری مارکوس: من در مقاله‌ای با عنوان «دهه بعدی در هوش مصنوعی» به ۲۰ پروژۀ اخیر اشاره کردم که استفاده از مدل‌های ترکیبی را در دستور کارشان قرار داده بودند که در این مدل‌ها، سطحی مشخص از یادگیری عمیق و دانش نمادین به کار گرفته شده است. یک مثال که همه با آن آشنا هستند، جستجوی گوگل است. وقتی در یک موتور جستجو تایپ می‌کنید، هوش مصنوعی کلاسیک سعی می‌کند تا واژگان را ابهام‌زدایی کند. مثلا وقتی که از «پاریس» حرف می‌زنید، هوش مصنوعی به دنبال پی بردن به این مسئله است که آیا منظورتان پاریس هیلتون است یا پاریسِ فرانسه. در این راستا، از نمودار دانش گوگل استفاده می‌شود. سپس از یادگیری عمیق برای انجام برخی کارهای دیگر استفاده می‌کند؛ مثل یافتن مترادف‌ها با استفاده از مدل « BERT». البته جستجوی گوگل، آن هوش مصنوعیِ ایده آل که به دنبالش هستیم نیست، اما جستجوی گوگل این گواهی را به ما می‌دهد که باید به تلاش خود‌ ادامه داده و رویای‌مان را در این حوزه تحقق ببخشیم.

دنی، آیا موافق هستی که باید از این مدل‌های ترکیبی استفاده کنیم؟

دنی لانج: خیر، من موافق نیستم. مشکل من با هوش مصنوعی نمادین اینجاست که این فناوری می‌خواهد بطور جامع از مغز انسان تقلید کند. این اقدام مرا به یاد قرن ۱۸ می‌اندازد، دورانی که اگر به دنبال حمل‌و‌نقل سریع بودید، اقدام به ساخت اسب مکانیکی می‎‌کردید؛ به جای اینکه موتور احتراق را اختراع کنید. بنابراین، من درباره تلاش برای حل هوش مصنوعی با تقلید از مغز انسان خیلی تردید دارم.
یادگیری عمیق لزوما یک راهکار جادویی نیست، اما اگر داده‌های کافی در اختیار یادگیری عمیق قرار دهیم و از ساختار شبکه عصبی مناسبی بهره‌مند باشیم، یادگیری عمیق قادر به یادگیری آن دسته از مفاهیم انتزاعی خواهد بود که ما انسان‌ها از تفسیر آن مفاهیم عاجز هستیم. این کار می‌تواند کارآیی سیستم را برای حل طیف وسیعی از کارها افزایش دهد.
به نظر می‌رسد شما دیدگاه‌های کاملا مخالفی درباره اهداف هوش مصنوعی دارید.

گری مارکوس: من در ماه دسامبر ۲۰۱۹ با «یوشوآ بنجیو» گفت‌وگویی داشتم. بجیو گفت که تنها نقش مثبت یادگیری عمیق این است که بنیان آن روی عصب‌شناختی استوار باشد. من دیدگاه‌های کاملاً مخالفی در خصوص یادگیری عمیق شنیده‎‌ام. این موضوع کمی عجیب است و به نظر من نباید این گفته‌ها را زیاد جدی بگیریم. در عوض، باید این پرسش مطرح کنیم: «آیا نمادها می‌توانند به ما کمک کنند؟» بله، بی‌تردید. تقریباً تمامی نرم‌افزارهای جهان بر اساس نمادها ساخته شده‌اند. شاید پرسش بعدی‌تان این باشد: «از دید تجربی، آیا یادگیری عمیق همان کاری را انجام می‌دهد که ما انتظار انجامش را داریم؟» مشکل اینجاست که یادگیری عمیق عاری از مدل است.

دلیل اصرار ما بر تجدید نظر در خصوص قابلیت‌های انسان این است که انسان می‌تواند برخی از کارها را خیلی بهتر از سیستم‌های یادگیری عمیق انجام دهد. البته نباید این‌طور برداشت کرد که انسان‌ها سرانجام به عنوان مدل مناسب مورد استفاده قرار خواهند گرفت، در واقع ما به دنبال ساخت سیستم‌هایی هستیم که ترکیبی از ویژگی‌های رایانه‌ و انسان را داشته باشند، اما از آنجایی که انسان تنها مدل یک سیستم است که می‌تواند درک عمیقی از موضوعی خاص داشته باشد، باید این مدل را جدی گرفت.

دنی لانج: پس مثالی که در آن گفته می‌شود زبان‌های برنامه‌نویسیِ جهان نمادین هستند، واقعیت دارد زیرا هدف از طراحی آنها، تحقق بخشیدن به افکار و ایده‌های انسان است. یادگیری عمیق نسخه کپی از مغز انسان نیست. شاید بتوان گفت که یادگیری عمیق از سیستم عصبی الهام گرفته شده است، اما این یک نرم‌افزار است. ما در حال حاضر موفق به رمزگشایی ابعاد ژرف بحث یادگیری عمیق نشده‌ایم. ما حجم محدودی از داده‌های آموزشی در اختیار داریم. ساختارهای قابل‌دسترس ما نیز محدود هستند. افزایش قدرت محاسباتی یکی از نیازهای مبرم ماست. اما نباید این نکته کلیدی را فراموش کرد که یادگیری عمیق، مفهوم و ویژگی‌ها را فرامی‌گیرد. این کار، دستکاری شده و مهندسیِ شده بدست انسان نیست. فکر می‌کنم تفاوت بزرگ میان روشِ گری و روش من این است که آیا مهندسان عامل «هوش» را در سیستم تعبیه می‌کنند یا سیستم خودش به یادگیری «هوش» خواهد پرداخت.

دنی، تو اشاره کردی که یادگیری عمیق به دلیل محدودیت داده‌ای و محاسباتی قادر نیست ظرفیت‌های خود را به طور کامل نشان دهد. با توجه به اینکه یادگیری عمیق خیلی ناکارآمد است، بهتر نیست روش‌های جدیدی توسعه پیدا کنند؟ ما برای رمزگشایی و استفاده از قابلیت‌های جدید یادگیری عمیق، مجبور به افزایش چشمگیرِ محاسبات بودیم.

دنی لانج: یکی از مشکلات اصلی یادگیری عمیق، توسعه آن برپایه یک نوعی روش کلاسیک است؛ یعنی ما یک مجموعه‌داده آموزشی بزرگ را ایجاد کرده و سپس آن را وارد سیستم می‌کنیم. یکی از چیزهایی که می‌تواند یادگیری عمیق را بهبود ببخشد، برخورداری از یک فرآیند یادگیری فعال است. بر این اساس شبکه آموزش داده شده تا داده‌های آموزشی بهینه‌سازی شوند و دیگر مجبور به افزودن مقادیر عظیمی داده به شبکه نیستیم تا فرایند یادگیری را بهبود پیدا کند؛ شما می‌توانید به طور پیوسته، داده‌های آموزشی خود را برای رسیدن به یک نقطه مشخص بکار بگیرید.

گری، تو به آسیب‌پذیر بودنِ یادگیری عمیق در برابر بایاس (سوگیری) و حملات خصمانه اشاره کردی. دنی، تو گفتی که داده‌های مصنوعی راه‌حل مناسبی برای این مشکل است زیرا هیچ نوع سوگیری در کار نیست و افزون براین، امکان انجام میلیون‌ها شبیه‌سازی وجود دارد که مصون از این حملات خصمانه هستند. پاسخ شما به این مسائل چیست؟

گری مارکوس: داده کماکان نمی‌تواند به تنهایی یک راه‌حل قلمداد شود. داده‌های مصنوعی این قابلیت را ندارند که در مواردی همچون اعطای وام یا مصاحبه‌های شغلی، جلوی سوگیری را بگیرند. مشکل اصلی این است که این سیستم‌ها دچار نوعی از سوگیری می‌شوند که دلایل آن ریشه تاریخی دارد. درحال حاضر عده‌‎ای به جای استفاده‌ از داده‌های مصنوعی، مشغول ساخت سیستم‌هایی هستند که بتواند سوگیری‌های فرهنگی را به خوبی درک کند.
حملات خصمانه مقوله کاملاً متفاوتی هستند. شاید داده‌ها جلوی برخی از این حملات را بگیرند، اما کماکان طیف وسیعی از حملات خصمانه انجام می‌شوند و عملاً امکان پیشگیری از آنها وجود ندارد. سیستم‌هایی که کاملاً داده‌محور هستند، همواره آسیب‌پذیر خواهند بود.

دنی لانج: داده‌های جهان حقیقی سوگیری زیادی دارند. به عنوان مثال، ما در محیط خاصی مثل وسایل نقلیه خودران به گردآوری داده می‌پردازیم و داده‌های ثبت شده از عبور و مرور ۹۰ درصد از بزرگسالان و ۱۰ درصد از کودکان در خیابان‌ها خبر می‌دهند. این توزیع نرمال است، اما سیستم یادگیری ماشینی باید بر اساس تعداد برابری از بزرگسالان و کودکان آموزش داده شود تا به هیچ یک از آن‌ها برخورد نکند. پس اگر جانب احتیاط را رعایت کنیم، می‌توانیم با داده‌های مصنوعی به برقراری تعادل پرداخته و از رخ دادن هرگونه سوگیری اجتناب کنیم. البته این بدان معنا نیست که امکان ایجاد سوگیری جدیدی وجود ندارد، باید مراقب این مسئله باشیم. در ضمن رخ دادن چنین موضوعی می‌تواند نگرانی‌های موجود در حوزه امنیت و حریم خصوصی را نیز کاهش دهد، چرا که در داده‌های آموزشی، هیچ بزرگسال یا کودک واعقی وجود نخواهد داشت. ما به حجم عظیمی از داده‌ها احتیاج خواهیم داشت تا بتوانیم چنین مدل‌های بینایی رایانه‌ای را ایجاد کرده و میزان فریب‌خوردگی‌ آن‌ها را به حداقل برسانیم.

کدام یک از جنبه‌های هوش مصنوعی از دید شما بیشترین جذابیت را دارد و در آینده خبرهای بیشتری از آن خواهیم شنید؟

گری مارکوس: در سال‌های اخیر شاهد جهش قابل‌توجهی به سمت مدل‌های ترکیبی بوده‌ایم. افراد به دنبال کاوش در مسائلی هستند که قبلاً رغبتی به آنها نشان داده نمی‌شد و به نظر من، این اقدام هیجان‌انگیزی است.
دنی لانج: من فکر می‌کنم سیستم‌های چندمدلی درآینده فناوری خبرساز خواهند بود. این سیستم‌ها از چندین مدل مختلف تشکیل یافته‌اند که در حوزه ادراک و رفتار به کار گرفته خواهند شد. به نظر من این سیستم‌ها در حل مسائل پیچیده نقش بزرگی ایفا خواهند کرد.

منبع: hooshio.com