مقدمه اول: نوشتن این مقاله کاریه که مرتبا در چند ماه اخیر عقب انداختم؛ اما این چند روز تصمیم گرفتم که به هر طریقی شده انجامش بدم. نمی دونم چقدر طولانی میشه و چه قدر نوشتنش طول میکشه. سعی میکنم که موارد را بندبند بنویسم تا در انتها شکل یک محتوای کاملتر را به خودش بگیره. امیدوارم اینطور نوشتن باعث گسستگی متن نشه و در کنار این که نوشتن را برای من ساده‌تر میکنه باعث بشه فهم موضوعات هم راحت‌تر باشه. نهایتا هم امیدوارم که نتیجه چیز خوبی از آب در بیاد و در به درد کسایی که به نحوی در کارشون آمیختگی علوم انسانی و هوش مصنوعی وجود داره، بخوره.
مقدمه دوم : مطلبی که نوشتم بر اساس دانسته‌های محدودم از فلسفه علم و هوش مصنوعیه. قطعا هم مطالب بهتری در این موضوع وجود داره و هم ایرادات زیادی به نوشته من وارده؛ خوشحال میشم که من را در جریان هر دو بذارید.
برای من چالش‌هایی که هوش مصنوعی در فلسفه علم ایجاد میکنه، همواره جالب بوده. فلسفه علم به صورت عمده در ارتباط با چیستی علم و اینکه از بین دستاوردهای نظری و ذهنی انسان چه چیزی علم است و چه چیزی علم نیست صحبت میکنه؛ یا در مورد این صحبت میکنه که علم چطور توسعه پیدا میکنه. حالا هوش مصنوعی به عنوان یک "مغز منفصل" در این مجموعه از نظریات چه تغییراتی را ایجاد میکنه ؟
شاید بارها در بحث‌هایی که با دوستان داشتید و یا گفتگوهایی که ناظر اون ها بودید دیدید که یک طرف دیگری را به این متهم میکنه که ادعای اون علمی نیست. منظور اون از این اتهام چیه؟ شاید سؤال درستتر این باشه که اصلا کلا علم چیه ؟ ما به چه چیزی علم میگیم و چه چیزی را علم نمیدونیم!؟ حقیقتا در مورد همین یه سؤال کوچولو چند صد ساله که آدم‌ها در حال بحث هستند و شاید همه اون چیزی که ما توی این جستار می‌نویسیم هم به نوعی گریز زدن به همین موضوع از زاویه بحث خودمون یعنی هوش مصنوعی باشه.
به نظرم ما نمیتونیم هیچ پاسخ خلاصه‌ای به سوالات مطرح شده در دو بند بالا داشته باشیم. در واقع من نمیتونم در یک کلام و یک جمله کوتاه بیام بگم علم مجموعه‌ای از نظریات ابطال پذیر است و یا این که ادعا کنم که علم آن چیزی است که از طریق روش علمی به دست آمده است.در عمل بیشتر مواردی که در ذیل فلسفه علم مطرح میشه مجموعه‌ای از بحث های جدلیه که هیچ وقت پایان نیافته.
با توجه به این پیچیدگی و نبود نظر مشترک در میان اندیشمندان، نکته‌ای که در اینجا برای ما دارای اهمیت است جایگاه ما در این مجموعه فکری است. ما به دنبال این هستیم که به پرسش‌های اصلی این حوزه، با توجه به توسعه هوش مصنوعی پاسخ بدهیم. پرسش‌هایی که به قول خارجی ها Divisive هستند و به نوعی افراد را به دو دسته حامی و مخالف خودشان تقسیم می‌کنند.
اضافه شدن هوش مصنوعی به عنوان یک "عقل منفصل" به موضوعِ "چیستی علم"، به پیچیدگی های اون اضافه می‌کند. در این مقاله بنا داریم که در ارتباط با این موضوع صحبت کنیم.
پرسش مهم اول
از بین همه پرسش‌های مهمی که در حوزه فلسفه علم و علوم انسانی مطرح می‌شود، شاید بتوان گفت مهمترین پرسش این است که آیا تحقیقات Value laden هستند و یا Value Free. به زبان ساده منظور این است که آیا پژوهشگر می‌تواند خودش را از موضوع مورد پژهش خودش جدا کند و ارزش‌های ذهنی خود را در مشاهده، تحلیل و نتیجه‌گیری خود دخیل کند یا نه؟
اگر بنا باشد به زبان خیلی خیلی ساده تر و با یک مثال موضوع را توضیح دهیم، می‌توان اینطور گفت که آیا شما به عنوان یک دانشجو، کارگر و یا استاد رفتار سازمانی در "مشاهده، تحلیل، بررسی، نتیجه گیری و گزارش‌دهی" در مورد پاسخ به یک پرسش، که فرضا موضوع اصلی یک پژوهش در حوزه کارسنجی است، می‌توانید مستقلا به نتایج یکسان برسید و یا سیستم ارزشی هر کدام از شما و تجربه زیسته متفاوتتان سبب تمایز در آرا شما خواهد شد؟ آیا پدیده ای مانند "طفره رفتن از کار" از سمت یک استاد رفتار سازمانی، سر مهندس و یک کارگر به صورت مشابه با هم درک و مشاهده، تحلیل و گزارش‌دهی می‌شود و یا این که دید هر یک از آنها در مقام پژوهشگر با یکدیگر متفاوت است؟ آیا یک استاد رفتار سازمانی ایرانی، عربستانی و آلمانی درک و مشاهده، تحلیل و گزارش‌دهی مشابهی از پدیده "کار" دارند و یا این که تمایزی در بین آنها نیست؟
پرسش مهم دوم
پرسش مهمی دیگری که در اینجا مطرح میشه نقش دانشمند و یا پژوهشگر در فرایند مطالعه است. این پرسش بیشتر از آن که بر درست بودن روایت از حقیقت بپردازد، به استراتژی و فعالیت‌های شایسته‌ی انجام یک پژوهش می‌پردازد. در این پرسش ما به دنبال پاسخ به این سؤال هستیم که راه درست ساخت یک تئوری چیست؟ پژوهش‌ها با اهداف مختلفی انجام می‌شود. آیا در یک پژوهش نقش پژوهشگر بررسی صحت و سقم گزاره‌های مختلف است و یا یافتن و ساخت گزاره‌های جدید؟ استراتژی‌های تولید نظریه در علم چیست؟ استراتژی تحلیل و بررسی تعمیم پذیری یک نظریه چیست؟
پژوهشگر در یک پژوهش علمی به داوری یک نظریه می‌پردازد و یا گرداوری در ارتباط با موضوع؛ چگونه؟ به طور مثال به نظر شما برای تولید یک نظریه بومی در خط‌مشی‌گذاریِ هوش مصنوعی باید به بررسی تعمیم پذیری نظریات توسعه داده شده‌ی موفق در دیگر کشورها پرداخت و درباره بخش‌های غیرقابل تعمیم آن نظر داد و یا این که پژوهشگر باید با بررسی محیط پژوهش نسبت به تولید یک نظریه جدید اقدام کند؟
پاسخ به دو پرسش مهم بالا شما را در موضعی متفاوت در فلسفه علم قرار می دهد. در واقع فارغ از این که به درستی یا اشتباه بودن پاسخ به دو پرسش بالا بیاندیشیم، هر پاسخی به پرسش های بالا، هویت شما را به عنوان یک پژوهشگر، و ماهیت پژوهش شما و نتایج و اعتبار آن را متاثر می‌سازد. به نظر شما انسان در استفاده از هوش مصنوعی برای پژوهش و یا هوش مصنوعی در موقعیتی مستقل به عنوان پژوهشگر چه پاسخی به این پرسش‌ها دارد؟
معمولا از ابزارهای آماری برای تایید و تصدیق یک تئوری و یا نظریه در محیط جدید استفاده می‌شود. در واقع تئوری‌های کلان معمولا به وسیله مشاهده و روش های کیفی با یک نگاه جز به کل ساخته می شوند (آنچه که ما آن را استقرا می نامیم). در چنین شرایطی پژوهشگر با استفاده از مشاهدات محدود خود و تکرار آن و تحلیل جزئیات محیط یک نظریه یا تئوری درباره یک موضوع و یا مساله می دهد. پژوهشگرانی که اثرگذاری‌های عمده در حوزه خط‌مشی‌گذاری و علوم اجتماعی دارند، معمولا به ندرت از ابزار آماری استفاده می‌کند و به طور رایج با استفاده از "مشاهده- مصاحبه و تحلیل های کیفی، اقدام به ساخت نظریه می‌کرده‌اند(می‌کنند). اما در ادامه همان دانشمند و یا پژوهشگر و یا اسایر افراد برای اثبات ادعای تئوری ساخته شده اقدام به آزمون و سنجش تئوری می کنند. در این گام از روش‌های ریاضی استفاده می‌شود(معمولا این فرایند، یعنی بررسی تعمیم پذیری نظریات دیگر را، نگاه قیاسی مینامیم)
پرسش مهم ما
وقتی که ما داده کاوی می‌کنیم و یا از هوش مصنوعی استفاده می‌کنیم در کدام یکی از این دو مقام قرار می‌گیریم؟ داوری و یا گردآوری؟ در واقع با استفاده از هوش مصنوعی و یا داده کاوی ما از کدام یک رویکردهای استقرایی و یا قیاسی استفاده می کنیم؟ آیا استفاده از هوش مصنوعی مانند روش‌های آماری به معنای رفتن در مسیر قیاس و بررسی تعمیم پذیری نظریه هاست. خود الگوریتم‌های هوش مصنوعی در چه جایگاهی قرار می‌گیرند؟
من، "شخصا" و بر اساس تجربه‌های محدودی که در پژوهش داشتم اینطور می‌اندیشیدم که در حین استفاده از هوش مصنوعی، درمقام داوری قرار می گیریم در واقع انقدر داده های مختلف را می توانیم جمع‌آوری کنیم (بیگ دیتا) و تئوری های مختلف را به وسیله این داده‌ها آزمایش کنیم که در نهایت با قیاس های مختلف به یک تئوری خوب و محکم برسیم و یا حداقل یه بدانیم که یک تئوری کجا معتبر است و کجا معتبر نیست
اما اخیرا مقاله‌ای خواندم که آقای کشاورز (دوست توئیتری من) به من معرفی کرد. مقاله نگاه جالبی به موضوع داشت و در یک کلام این موضوع را مطرح می‌کند که ما با استفاده از هوش مصنوعی در حین پژوهش بیشتر در مقام مشاهده و تئوری‌سازی و استقرا قرار داریم و نه مقام داوری!
مقاله چی میگه؟ (بخش‌هایی از مقاله که لابه‌لای اون خودم هم حرف زدم!)
مقاله با این بحث شروع می شود که ما در دنیای علم کشفیات مهمی داریم که نتیجه یک اتفاق بوده است (چیزی که فرنگی‌ها به اون سرندپیتی میگن). به طور مثال برخی از اکتشافات پزشکی فقط نتیجه اتفاقات در حین انجام آزمایش و مشاهده زیرکانه است. در سال 1877 لوئی پاستور مشاهده کرد که رشد باکتری باسیل به وسیله کپک هایی که در محیط ازمایش وجود دارند کنترل می‌شد و این مشاهده منتج به کشف پنی سیلین گشت. در مدیریت هم یکی از ستون‌های مدیریت منابع انسانی، یعنی مطالعات هاثورن یک سرندپیتی بود.
رویکردهای به کشف، هم غیرقابل پیش‌بینی و هم پرشور هستند، و بر «خلاقیت» و «تخیل» در زمینه مشاهده بی‌طرفانه تکیه می‌کنند. یکی از رویکردهای ممکن برای شکستن موانع رشد سریع،استفاده از مشاهدات بی‌طرفانه است با کمک ابزارهای اخیراً توسعه یافته و در دسترس بودن پایگاه های داده بزرگ، ممکن است بتوانیم "فرایند کشف" را تسریع کنیم و سرنخ های جدیدی تولید کنیم که می توان آنها را در مطالعات آزمون فرضیه بعدی ارزیابی کرد.
یکی از این ابزارها یادگیری ماشینی (ML) است.
زمینه ای که به دنبال پاسخ به این سؤال است، "چگونه می توانیم سیستم های کامپیوتری بسازیم که به طور
خودکار با تجربه بهبود می یابند، و قوانین اساسی که بر همه فرآیندهای یادگیری حاکم هستند کدامند؟"
این مزیت را دارد که متشکل از سیستم هایی از تجربه، مشاهده و/یا ابزارهای دیگری که «یاد می گیرند» است. لذا منجر به سیستمی می شود که کارایی و/یا اثربخشی خود را در طول زمان بهبود می بخشد.
نکته مهم این است که استفاده از یادگیری ماشین در بررسی و تحلیل داده‌ها هوش مصنوعی نیازی به فرضیه پیشینی ندارد ( Importantly, the use of ML approaches to data does not require a priori hypotheses., )
در واقع دانشمند و هوش مصنوعی هر دو داده های خود را بررسی می کنند ولی هوش مصنوعی الزاما نیازی به نظریه پیشینی ندارد و حتی می تواند با استفاده از داده ها خودش شروع به نظریه سازی کند. مانند هر روش کمی استاندارد دیگر در حین پژوهش هوش مصنوعی می تواند به پرسش‌هایی در ارتباط با داده پاسخ دهد
چه ارتباطی میان داده ها وجود دارد ؟ آیا این رابطه نشان از یک علیت دارد؟ و… در کنار این مشخصه نسبت به یک تحقیق کمی رایج ماشین لرنینگ این توانایی را دارد که از منابع بسیار غنی و بزرگ داده استفاده کند که در حالت عادی برای یک پژوهشگر امکان‌پذیر نیست. منابع بزرگ مربوط به دیتابیس‌های بزرگ از مراکز عمومی و خصوصی و پژوهشی و غیر پژوهشی
هم اکنون ما به منابع زیادی از داده ها دسترسی داریم که توسط هیچ پژوهش‌گری (یا سیاست پژوهی ) مورد بررسی قرار نگرفته است. استفاده از هوش مصنوعی و این داده ها می تواند افق های جدید را در برابر ما بگشاید. در واقع ما مزرعه‌هایی از داده را داریم و امکان این را داریم که از این مزارع نظریه برداشت کنیم. در این راه ممکن است با مساله‌های مختلفی روبرو شویم
برخی از این مسائل مطمئناً منحصر به این نوع مجموعه داده نیستند، اما با این وجود، گستردگی نمونه ممکن است آن را از اهمیت حیاتی تبدیل کند
نتیجه‌گیری
همان طور که در این مقاله می بینید کارکرد داده‌کاوی برای ما همیشه تایید صحت تئوری نیست و در واقع هوش مصنوعی به ما این امکان را میده که ما بتونیم یک مشاهده‌گر باشیم. اون هم نه یک مشاهده‌گر معمولی بلکه مشاهده گری که با استفاده از هوش مصنوعی می تونه بسیار تصویر بزرگتر و عمیقتری از جامعه را می‌بینه و به همین دلیل احتمالا نظریه‌های بهتری می‌سازه
در گذشته زمانی که ما از روش های آماری استفاده می کردیم معمولا در حال استفاده از قیاس بودیم. یعنی تلاش می کردیم با استفاده از روش قیاسی و داده های در دسترس به این موضوع برسیم که آیا داده هایی که در محیط مساله ما قرار دارند تایید کننده نتیحه مطالعات قبلی هستند یا نه و با توجه به تایید و یا عدم تایید گزاره‌هایمان تصمیم می‌گرفتیم.
اما امروزه استفاده از داده های بزرگ و همین طور ابزارهای مختلف که هوش مصنوعی و سایر ابزارهای هوش مصنوعی مثل دسته بندی و… در اختیار ما قرار می‌دهد ما را به این نتیجه می‌رساند که در دوره جدید شما الزاما نیاز به مصاحبه و درک همدلانه برای رسیدن به درک از محیط خود ندارید و ابزارهایی که به صورت جدیدتری فراهم شده‌اند به شما کمک می‌کنند تا به دستاوردی فراتر از فهم همدلانه برسید و آن دستاورد هم یک تصویر و درک بسیار بزرگ و عمیق از محیط و بازیگران تصمیم و به وسیله آن می توانید به توسعه تئوری ها بپردازدید.
در یک کار کیفی معمولا تئوری ها از انجام مصاحبه های متعدد شکل می گیرند و اکنون شاهد آن هستیم که داده کاوی و هوش مصنوعی ما را یک قدم جلوتر می برند و بینش هایی را به ما می دهند که به وسیله یک مطالعه هوشمند بتوانیم با همان قدرت تئوری سازی کنیم. علاوه بر استراتژی که در مقاله فوق‌الذکر به ان پرداخته شد، این هیچ بعید نیست که استراتژی‌های دیگر در تولید دانش به وجود آید. به طور مثال با استفاده از داده‌های بسیار زیادی که در دسترس هوش مصنوعی قرار دارد نظرات گروه‌های مختلف شبیه‌سازی شود. یعنی در یک پژوهش فرضی شما به جای مصاحبه با یک استاد دانشگاه با یک ربات که نمایندگی از افکار اساتید دانشگاه را دارد و به وسیله داده‌های آنها آموزش داده شده است
تا اینجای کار در ارتباط با پرسش دوم توضیح دادیم و اکنون باید پاسخ سؤال اول را مشخص کنیم. آیا تحقیقات هوش مصنوعی می‌تواند Value-Free باشد؟
نکته‌ای که به نظر نگارنده می‌رسد این است که موضوع بایاس‌ها، که از اتفاق به صورت ویژه در هوش مصنوعی مورد توجه دانشمندان قرار گرفته است، باید نقطه تمرکز ما در این بخش باشد. یکی از اصلی‌ترین پرسش‌هایی که از ابتدای سرعت یافتن هوش مصنوعی در میان سیاست‌گذاران در کانون توجه قرار گرفته است اسن موضوع است که تصمیمات الگوریتم‌ها از هر گونه تعصب به دور باید و گروهی از افراد جامعه بر اثر این تصمیم متضرر نشوند. به طور مثال هوش مصنوعی نباید میان نژادهای مختلف تمایزی قائل شود. مشکلات گزارش شده درباره تصمیم گیری‌های متعصبانه هوش مصنوعی در این زمینه های سبب شده است تا راهکارهایی مانند نظارت دائمی انسان بر تصمیمات هوش مصنوعی، جایزه گذاری برای گزارش مشکلات الگوریتم، ایجاد تنوع نژادی، جنسی، قومیتی و… در تیم های توسعه دهنده محصول و… در نظر گرفته شود. به نظر می‌رسد که در مورد موضوعات پژوهشی نیز همین روش قابل اشاعه است و باید از راهکارهای مشابهی استفاده کرد. در واقع استفاده از الگوریتم‌ها در حوزه پژوهش و به تبع آن سایر علوم و سیاست گذاری باید به وسیله راهکارهایی مورد کنترل قرار گیرد تا حتی‌المقدور از سوگیریها پیشگیری شده و اثرگذاری ارزش‌های پژوهشگر کمتر شود. البته همچنان بعید به نظر می رسد که عطیف قابل توجهی از فلاسفه علم و افراد صاحب نظر دور بودن تصمیمات هوش مصنوعی از سوگیری را تایید کنند.
اما در نهایت به نظر می رسد که با توجه به نوع توسعه هوش مصنوعی که ریشه در فرهنگ کاری حوزه علوم کامپیوتر کار جمعی، چابک و باز و سرمایه‌محور در سطح بین‌المللی است، در نهایت روش‌های مبتنی بر هوش مصنوعی در نهایت به Value-Free بودن نزدیک‌تر شوند
پی‌نوشت
اگر پژوهشگرِ خط‌مشی‌گذاری هوش مصنوعی و یا کنشگر در سطوح مختلف مدیریتی باشید حتما نیاز به مطالعه مجموعه‌ای از اسناد مربوط به این موضوع دارید .در AI Policies and Plans Repository مجموعه‌ای قابل دانلود از
استراتژی‌های ملی در حوزه هوش مصنوعی،
خط مشی گذاری‌های در حوزه هوش مصنوعی،
انواع نقشهراه در حوزه خط مشی گذاری هوش مصنوعی،
انواع گزارشهای معتبر سیاستی معتبر در بعد حاکمیتی هوش مصنوعی،
انواع ابزارهای تحلیلی برای توسعه و ارزیابی هوش مصنوعی،
رتبهبندیهای مختلف در ارتباط سیاست گذاری هوش مصنوعی،
و معرفی منابع معتبر آموزشی و علمی در ارتباط با هوش مصنوعی است.
اطلاعات بیشتر و نحوه دسترسی به این پروژه را در پست زیر بخونید
درباره AI Policies and Plans Repository
از طریق کانال‌های زیر می‌توانید با من در ارتباط باشید:
ایمیل من: javadsadeqi@gmail.com
آیدی تلگرام من: https://t.me/javaadsaadeghi
