https://virgool.io/feed/@javaadsaadeghi مفلسانیم و هوای می و مطرب داریم... fa 2026-06-16 19:12:53 https://files.virgool.io/upload/users/80217/avatar/iZnWbh.jpeg?height=120&width=120 https://virgool.io/@javaadsaadeghi https://virgool.io/@javaadsaadeghi/%D9%85%D8%B9%D8%B1%D9%81%DB%8C-%D9%BE%D8%B1%D9%88%DA%98%D9%87-ai-policies-and-plans-qtojzzmrexpa در این پست بنا دارم تا تلاشی را که مدتی پیش آغاز کرده‌ام را به شما معرفی کنم. حتما شما تاکنون گزارش‌های مختلفی که در دنیا در ارتباط با موضوع سیاست‌گذاری هوش مصنوعی منتشر می‌شوند را دیده‌اید. این گزارش‌ها را می‌توان براساس ابعاد گوناگون آنها مانند هدف، متریال مورد استفاده، روش مورد استفاده، موضوع مورد بحث و بسیاری از ابعاد دیگر دسته بندی کرد. من به سبب کار پایان نامه‌ دوره دکتری خود که در موضوع برنامه‌ریزی و سیاست‌گذاری هوش مصنوعی در اسکوپ شهری تعریف شده است، متناوبا با تعداد زیادی از این گزارش ها روبرو می‌شوم. علاوه بر این در روند کاری که در حال انجام آن هستم در بعضی مواقع با مشکلاتی در تامین منابع مطالعاتی روبرو بوده‌ام. در واقع یا دسترسی به برخی از منابع یا دشوار بود و یا منابع در دسترس مشکلات مختلفی را داشت که (به زعم من) در کار پژوهشگرها و برنامه‌ریزان و خط‌مشی‌گذران ایجاد بایاس و انحراف می‌کرد (و می‌کند).با توجه به این مقدمه و شرایط یاد شده، تصمیم گرفتم که AI Policies and Plans Repository را ایجاد کنم. این Repository دو بخش اصلی دارد. بخش اول شامل مجموعه‌ای از سیاست‌ها، استراتژی‌ها و برنامه‌ریزی‌های ملی در ارتباط با هوش مصنوعی است. تا امروز (اردیبهشت 1401) بیش از 50 کشور بررسی شده و به این مجموعه اضافه شده‌اند. این قسمت به مرور تکمیل شده و امیدوارم بتوانم با کمک شما دوستان در حد قابل قبولی آن را به روز نگه دارم تا در برنامه‌های پژوهشی و سیاست‌گذاری قابل استفاده باشد. در بخش دوم تلاش کردم تا تحلیل‌ها و لنزهای نظری مفیدی که می‌تواند به سیاست‌گذاری و مدیریت در سطح حکومتی در موضوع هوش مصنوعی کمک کند را جمع آوری کنم. این بخش هم قطعا برای محققان می‌تواند مورد رجوع باشه و در بسیاری از کارهای خود از آنها استفاده کنند.امیدوارم در یک افق بلند مدت این کار به یک تلاش جمعی بین‌المللی در ارتباط با هوش مصنوعی تبدیل شود و بتواند فضای منصفانه‌ و جدیدی را برای کمک به پژوهشگران و کشورها در حوزه هوش مصنوعی ایجاد کند. تحقق این موضوع قطعا به تنهایی توسط من ممکن نیست و از شما خواهش می‌کنم که به یکی از روش های زیر به من در انجام این کار کمک کنید:1- پروژه را به دوستان خود معرفی کنید. اگر افرادی را می‌شناسید که در این موضوع یعنی سیاست گذاری هوش مصنوعی فعالیت دارند، آن‌ها را در جریان این کار قرار دهید.2- این پروژه را در شبکه‌های اجتماعی خود به اشتراک بگذارید. برای این کار می‌توانید لینک همین پست و یا لینک خودِ AI Policies and Plans Repository را در شبکه های اجتماعی خود با دوستانتان همرسانی کنید.3- شبکه‌های اجتماعی پروژه را دنبال کنید و آن‌ها را در شبکه‌های اجتماعی به دوستان خود معرفی کنید.4- در کارهای علمی خود در ارتباط با موضوع AI Policy، از محتوا استفاده کنید و به پروژه ارجاع دهید.5- در نهایت بهترین کمک شما می‌تواند Contribute به پروژه در گیتهاب باشد. برای این کار علاوه بر ستاره دادن (که یک جان به جان‌های نگارنده اضافه می‌کند :D ) می‌توانید:برنامه های مربوط به هوش مصنوعی در سازمان و یا کشور خود را به پروژه اضافه کنید یا در صورت نیاز اسناد موجود را اصلاح کنید.برنامه‌های مربوط به کشورهای دیگر را که فکر می‌کنید نادیده مانده است را به پروژه اضافه کنید یا در صورت نیاز اصلاح کنید. مقالات کاربردی در چارچوب برنامه‌ریزی شده در بخش دوم، یعنی لنزهای نظری را با پیشنهادات خود غنی‌تر کنید. روی متون، پروژه‌های مختلف تعریف کنید (به طور مثال هم‌اکنون افرادی در حال تحلیل متن سیاست‌ها برای ایجاد یک گونه‌شناسی (Taxonomy) میان کشورها و همین طور شناسایی تاپیک‌های موضوعی هستند)ایرادات مختلف املایی و نگارشی و زبانی را برطرف کنید تا کار کردن با این پروژه برای همه راحت‌تر باشد.دوباره یادآوری می‌کنم که قطعا این کار بدون کمک شما شدنی نیست، پس لطفا همین الان کمک کردن را شروع کنید. صفحه AI Policy Repository در گیتهابصفحه توئیتر AI Policy Repositoryصفحه لینکدین AI Policy Repositoryاز طریق کانال‌های زیر می‌توانید با من در ارتباط باشید:ایمیل من: javadsadeqi@gmail.com آیدی تلگرام من: https://t.me/javaadsaadeghiلینکدین من توئیتر من javad sadeghi javad sadeghi Tue, 17 May 2022 21:11:20 +0430 https://virgool.io/@javaadsaadeghi/%D9%87%D9%88%D8%B4-%D9%85%D8%B5%D9%86%D9%88%D8%B9%DB%8C-%D9%88-%D8%A2%DB%8C%D9%86%D8%AF%D9%87-%D9%BE%DA%98%D9%88%D9%87%D8%B4-cgnjobqcicib 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 اولاز 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 دومپرسش 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 ماوقتی 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 نیستاما 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 طورخودکار 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 دهدچه 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 پژوهشیهم 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 شویممسائل آشکاری در مورد سوگیری انتخاب وجود دارد، زیرا فقط کسانی که مایلند اطلاعات شخصی خود را عمومی کنند شرکت خواهد کرد.همچنین فقط کسانی که سواد کامپیوتر و/یا دانش فنی دارند یا منابع اقتصادی دسترسی به فناوری را دارند احتمالا داده های خود را به "مزرعه" ارسال می کنند.علاوه بر این، هیچ روشی برای اطمینان از اعتبار تشخیص های اعلام شده وجود ندارد.همچنین تضمینی وجود ندارد که داده های قابل مقایسه باشدبرخی 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 کندنتیجه‌گیری 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 می‌سازهدر 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 استتا 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 شوندپی‌نوشتاگر 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 بخونیددرباره AI Policies and Plans Repositoryاز طریق کانال‌های زیر می‌توانید با من در ارتباط باشید:ایمیل من: javadsadeqi@gmail.com آیدی تلگرام من: https://t.me/javaadsaadeghiلینکدین من توئیتر من javad sadeghi javad sadeghi Mon, 10 Jan 2022 11:59:52 +0330 https://virgool.io/@javaadsaadeghi/%D8%B2%D8%A8%D8%A7%D9%86-%D9%88-%D8%B3%DB%8C%D8%A7%D8%B3%D8%AA-%DA%AF%D8%B0%D8%A7%D8%B1%DB%8C-%D8%A8%D8%B1%D8%B1%D8%B3%DB%8C-%DB%8C%DA%A9-%D9%86%D9%85%D9%88%D9%86%D9%87-%D8%AF%D8%B1-%D8%B3%DB%8C%D8%A7%D8%B3%D8%AA-%DA%AF%D8%B0%D8%A7%D8%B1%DB%8C-%D9%87%D9%88%D8%B4-%D9%85%D8%B5%D9%86%D9%88%D8%B9%DB%8C-ymmgcabmjnay خیلی از مساله‌ها و موضوعات هست که شاید بارها در کتاب و مقالات در مورد اونها مطالعه کرده باشیم. ولی تا با این مفاهیم سر و کار نداشته باشیم و به صورت عملی درگیر اون موضوع نشده باشیم برآوردی از میزان اثرگذاری اون‌ها نداریم. یکی از این موارد برای من مساله زبان در سیاست گذاری بود.برای من همیشه این موضوع که جنبه زبانی و رتوریک از یک سیاست مساله قابل توجه و اثرگذار است، قابل پذیرش و توجه بوده اما تا وقتی در یک کار واقعی با اون روبرو نشدم، نتونستم به خوبی اون را درک کنم.برای این که بتونم بهتر این مساله را بررسی کنیم و ابعادش را ببینیم شاید جالب باشه که یه موضوع واقعی توی حوزه هوش مصنوعی را بررسی کنیم. در هوش مصنوعی مساله سوگیری (بایاس) یکی از مهمترین مواردی هست که مورد توجه جامعه علمی و همین طور سیاست گذاران قرار گرفته است. در یک تعریف ساده از مساله، الگوریتم‌ها باید در اعمال رفتارهای خودشون نسبت به گروه خاصی از افراد تعصب نداشته باشند و گروهی را فراموش نکنند. اصل مساله ریشه در دو موضوع داره. در وهله اول این داده‌هایی که ربات‎ها و الگوریتم ها به وسیله اون ها آموزش دیدند باید دارای سوگیری نباشند و همه اقلیت‌ها را در نظر بگیرند. به طور مثال نسل اول از الگوریتم هایی که برای ممیزی رزومه ها در شرکت هایی مثل امازون مورد استفاده قرار می‌گرفت، به واسطه داده‌ای که برای اموزش الگوریتم انتخاب شده بود، زنان را کاملا از انتخاب‌های خودش حذف می کرد. در واقع به دلیل این که داده هایی که الگوریتم به وسیله اون ها آموزش دیده بر اساس شایستگی نبود و تنها رکوردی از مدیران قبلی که همه مرد بودند، الگوریتم سوگیری داشت. دومین بعد اصلی که موجب سوگیری در الگوریتم ها میشه موضوع برنامه نویسان و جامعه توسعه دهنده کد است. در این بعد توسعه دهندگان به دلیل تجربه محدودی که در زندگی خودشون داشتند، بخشی از جامعه هدف را مد نظر قرار نمی‌دهند. به طور مثال باز هم در نمونه‌های اولیه توسعه داده شده هوش مصنوعی سیستم های بینایی ماشین وقتی که الگوریتم توسط تعدادی از افراد سفید پوست توسعه داده شده بودند، افراد سیاه پوست در جامعه را در نظر نمی‌گرفتند و به نوعی ناخواسته سبب تبعیض نژادی در برابر اونها می‌شدند.خب!در مورد بایاس صحبت کردیم اما مساله ما چیز دیگری بود. تاثیر زبان در سیاست گذاری. حالا موضوع بایاس در هوش مصنوعی و مساله سیاست گذاری نگاه کنیم. تقریبا همه کشورهای جهان و با ایدئولوژی‌های مختلف موضوع بایاس را مورد توجه قرار دادند. تفاوتی ندارد که شما در چین باشید و یا در امریکا و یا در اروپا. هر کدام از این قطب‌ها که به نوعی در موضوع حکمرانی داده صاحب اندیشه و مکتب محسوب می‌شوند، بلااستثنا موضوع بایاس هوش مصنوعی را مورد توجه قرار داده‌اند و در مورد موضوع بایاس یا سوگیری صحبت کردند. مقصود آنکه فارغ از این که در کجای طیف سرمایه داری/کمونیسیم و یا در یکی از پایگاه های انقلابی یا محافظه کاری در دنیا ایستاده باشید موضوع حفاظت ازشهروندان مورد توجه و پذیرش قرار دارد.حلا به کشور خودمان برگردیم. فرض کنید که شما به عنوان یک سیاست پژوه و یا کارشناس در یک اداره سیاستی مسئول نگارش سندی درباره هوشمندسازی یا هوش مصنوعی هستید. بدیهی است که با توجه به ارزش های ملی(مانند اصول مصرح در قانون اساسی در باره حقوق ملت) ، دینی (مانند تاکیدات صریح متن قران بر کرامت انسان‌ها) و یا اهداف توسعه‌ای موضوع بایاسِ الگوریتم‌های هوش مصنوعی مورد توجه شما قرار می گیرد. نکته قابل توجه و سؤال مهم اینجاست که شما چطور و با چه زبانی در متن سند سیاستی خود چگونه این موضوع را مورد توجه قرار می‌دهید. به دو نمونه زیر توجه کنید:1- هر سازمان ارائه کننده خدمات، در ارائه خدمات مبتنی بر هوشمندسازی باید به گروه‌های مختلف در شهر توجه کند و هیچ گروهی به دلایل فرهنگی، قومی، اجتماعی، زبانی، جنسیتی درآمدی از دسترسی به خدمات و راهکارهای هوشمند باز نماند.2- نهادهای دولتی، خصوصی و تعاونی باید با توجه به باورها و ملاحظات دینی و انقلابی و تأمین کرامت و حقوق عامه مردم به ویژه محرومان و مستضعفان و با تاکید بر کرامت همه اقشار و اقوام و توجه ویژه به جایگاه زن در صحنه‌های اجتماعی نسب به توسعه سیستم خود اقدام کنند.شاید در نظر خواننده‌ای که در حوزه سیاست گذاری کار کرده باشد این دو متن با هم تفاوت آنچنانی نداشته باشند. در واقع معنای تحت‌الفظی هر دو گزاره یکی است. اما از نظر مخاطب حرفه‌ای سیاست، که آن را مورد بررسی قرار می دهد این تفاوت در نوع زبان استفاده شده در میان دو گذاره‌ای که از نظر معنایی در صورت با هم برابر هستند، دارای اهمیت است.گذاره اول و دوم هر دو یک مساله را مورد توجه قرار می دهند. هر دو به موضوع بایاس در سیاست گذاری می پردازند. از منظر راهکار نیز نظر سیاست‌گذار یکی است‌. در هر دو مورد هوش مصنوعی و سیستم‌هایی که در آن‌ها از هوش مصنوعی استفاده می کنند، نباید بایاس داشته باشد. از نظر ابزار متن قانون آن را صراحتا ممنوع کرده است. اما نکته‌ای که وجود دارد زبان مورد استفاده در این دو گذاره است. در یکی زبان خنثی و صریح و مورد استفاده قرار گرفته است. در واقع برداشت و تفسیر دیگر از موضوع در بند اول بسیار دشوار است. بند دوم از جنبه معنایی تفاوتی با بند اول ندارد ولی از نظر زبانی، از زبانی استفاده می کند که در عمل یعنی در اجرا و ارزیابی سیاست، مجری و ارزیاب را با جنبه‌ی ارزشی و تفسیرپذیری گزاره‌ها روبرو می سازد.در واقع آنچه در موضوع بایاس در بند اول مورد توجه قرار گرفته است جنبه‌های حقوقی بنیادی شهروندان بر مبنای ارزش‌های اروپایی است. اما بند دوم تلاش کرده است که با به کار گیری زبان حاکم در ادبیات جمهوری اسلامی ضمن بیان موارد عنوان شده در بند اول، مبنای نظری خود را که در مواردی -درست یا غلط- در تعارض و تناقض با ارزش های اروپایی و حقوق بنیادی شهروندان در اروپاست. را بر اصول حاکم در سیاست گذاری تحمیل کندفارغ از جنبه ملال آور موضوع که مقایسه موضوع حقوق بنیادین شهروندان در جمهوری اسلامی و اتحادیه اروپاست؛ یک سیاست گذار (یا سیاست پژوه، یا هر فرد علاقه‌مند به موضوع سیاست‌گذاری) باید به این موضوع توجه داشته باشند که جنبه نمادین الفاظ و سبک نگارش مورد استفاده در نگارش سند آن را به مسیرهای متنوعی در اجرا و ارزیابی هدایت خواهد کرد.در این مورد به نظر می‌رسد که سیاست‌نویس باید به پرسش‌های زیر در استفاده از زبان پاسخ دهد:آیا زبان مورد استفاده در دارای همراستایی با ارزش‌های اساسی سازمان ابلاغ کننده قرار دارد؟ (به طور مثال زبان مورد استفاده در سند تا چه اندازه با زبان مورد استفاده در اساسنامه و یا قانون و ابلاغ تاسیس سازمان سیاست گذار مطابقت دارد؟)آیا زبان مورد استفاده با بستر سیاست گذاری تطابق دارد ؟ (به طور مثال استفاده از زبانی با جهت‌گیری ارزشی و در سیاست گذاری اقتصادی مناسب است؟)نتیجه به کار گیری زبان در مراحل مختلف سیاست‌گذاری چگونه است ؟ (به طور مثال چگونه استفاده از زبان بر موضوع تعیین KPI برای بررسی اثرگذاری سیاست مؤثر است؟)موارد ذکر شده در بالا موضوعاتی بود که از منظر زبانی در تدوین یک سند سیاستی مورد به نظر نگارنده این مقاله رسید و قطعا افراد مختلف می‌توانند با توجه به مطالعات و تجربه‌های مختلفی که در سیاست‌گذاری دارند، این متن را اصلاح کرده و یا تکمیل کنند.پی‌نوشتاگر 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 بخونیددرباره AI Policies and Plans Repositoryاز طریق کانال‌های زیر می‌توانید با من در ارتباط باشید:ایمیل من: javadsadeqi@gmail.com آیدی تلگرام من: https://t.me/javaadsaadeghiلینکدین من توئیتر من javad sadeghi javad sadeghi Tue, 14 Dec 2021 18:32:42 +0330 https://virgool.io/@javaadsaadeghi/%D9%87%D9%88%D8%B4-%D9%85%D8%B5%D9%86%D9%88%D8%B9%DB%8C-%D9%88-%D9%85%D8%AF%DB%8C%D8%B1%DB%8C%D8%AA-%D8%B4%D9%87%D8%B1%DB%8C-%D8%A8%DB%8C%D8%A7%D9%86-%D9%85%D8%B3%D8%A7%D9%84%D9%87-%DB%8C%D8%A7-%D8%AA%D9%88%D8%B5%DB%8C%D9%81%DB%8C-%D8%A7%D8%B2-%D8%A2%DB%8C%D9%86%D8%AF%D9%87-ncjob4sokw2k برای بسیاری از مخاطبان مدیریت شهری و آنطور که در بسیاری از پژوهش‌های دانشگاهی شاهد آن هستیم، پژوهشگران ادعا می‌کنند که افزایش جمعیت شهرها و رشد شهرنشینی سبب ساز مشکلات و مسائل عدیده ای در زمینه‌های مختلف برای نوع بشر شده است. به طور مثال می‌توان به مقالات پررجوع سال‌های اخیر در این حوزه از زندمقدم و اصغری، 1398؛ حبیبی و گرامی، 1397؛ روستایی و پورمحمدی و قنبری، 1397اشاره کنیم. اما به نظر می‌رسد که این ادعا به اندازه بسامدی که در تحقیقات دارد، سنجیده نبوده و می‌توان آن را در معرض نقدهای جدی قرار داد.بشر از سال‌های دور الگوی زندگی شهر نشینی را به عنوان یکی از الگوهای زندگی پذیرفته است(حبیبی، 1397). در بسیاری از نقاط دنیا ما شاهد آن بوده‌ایم که جمعیت شهروندان شهر و شهر به معنای کالبد فیزیکی آن در دهه‌های اخیر در حال ازدیاد و گسترش بوده است (محمودیانی و کوششی، 1398). اما آیا می‌توان ادعا کرد در شهرهای بزرگی که در صد سال اخیر در جهان پدیدار شده‌اند و یا توسعه یافته‌اند کیفیت ارائه خدمات به واسطه افزایش جمعیت و اندازه شهر رو به افول بوده است؟شهروندان امروز به سرعت مسیرهای طولانی را که در گذشته روزها و هفته‌ها برای پیمودن آن‌ها نیاز به زمان بوده است، را طی می‌کنند. در دنیای معاصر استانداردهای بهداشتی و سلامت در زندگی شهروندان به حدی بالاتر رفته است که متوسط عمر شهروندان شهرها به صورت مداوم در حال افزایش است. شهرها بهترین و بالاترین امکانات آموزشی را به صورت بسیار عادلانه‌تر از سده‌های پیشین در اختیار شهروندان خود قرار می‌دهند و می‌توان توسعه حقوق شهروندان را در هر یک از کلان شهرهای جهان در طول قرن اخیر شاهد بود.پس این ادعای پژوهشگران در ارتباط با مصائب پیش آمده در اثر رشد جمعیت و گسترش شهرنشینی ریشه در چه موضوعی دارد؟آیا ما حق داریم که افزایش جمعیت شهری و رشد شهرنشینی شهری مانند تهران را، که در کمتر از صد سال از یک ییلاق خوش آب و هوا به یکی از وسیع ترین، پرجمعیت‌ترین و آلوده‌ترین کلانشهرهای جهان تبدیل شده است(یورونیوز،2018) را دلیل زندگی دشوار شهروندان در آن دانسته و تلاش کنیم که با معکوس کردن توسعه شهر، بر مساله‌های آن فائق آییم؟ چنین گزاره‌‌ای درست به نظر نمی‌رسد و به اعتقاد نگارنده پژوهشگران پیشین با مشاهده رابطه همبستگی میان افزایش جمعیت و رشد شهرنشینی آن را به اشتباه پدیده‎ای علی فرض کرده‌اند. کلانشهرهای جهانی مانند توکیو و نیویورک نیز با مسائل و مشکلاتی مانند تامین آب شرب یا مسکن شهروندان روبرو هستند. اما یقینا جنس مسائل مدیران این شهرها، که جمعیتی به مراتب بیشتر از شهرهای در معرض بحران در کشورهای در حال توسعه دارند، و از نظر اقتصادی گردش مالی این شهرها از برخی از کشور‌های در حال توسعه نیز بالاتر است، با جنس مسائل مدیران شهری در شهرهای واقع در کشور‌های در حال توسعه متفاوت است. مساله این مدیران بیشتر از آن که معطوف مسئله‌های روزمره و بحران‌ها باشد معطوف به تامین منابع و برنامه ریزی برای رقابت‌پذیری هر چه بیشتر اقتصادی شهر و افزایش توسعه‌ی آن در سیستم اقتصاد بین‌المللی است(چشم انداز بلند مدت توکیو، 2020). لذا مقایسه توسعه‌نیافتگی و مسائل شهرهایی مانند تهران و نسبت دادن مشکلات آن به جمعیت از طریق ارجاع به مسائل کلان‌شهرهای جهان گمراه کننده به نظر می‌رسد.شهر نیویورک به جمعیت و اندازه‌ای برابر با تهران دارد.اما آیا کیفیت زندگی و خدمات شهری در تهران و نیویورک برابر است؟در طول زمان و با توسعه فرصت‌های مختلف اقتصادی ناشی از پیشرفت فناوری و تجارت شهرها توسعه یافته‌اند. می‌توان گفت که این توانمندی‌ها، نظام‎های مدیریتی و نهادهای حاکم بر این شهرها است که به آنها این امکان را داده است تا بتوانند در گذر زمان و همراه با توسعه و پیشرفت تکنولوژی آن را در جهت مثبت به کارگرفته و امکان توسعه اقتصادی و انسانی را فراهم آورند. باید در این مناطق همپا با توسعه تکنولوژی توانمندی مدیران، نهادها، و نظام‌های مدیریتی برای به کارگیری تکنولوژی نیز افزایش یافته و هم اکنون این شهرهای گسترده و پرجمعیت موتور توسعه کشور خود به حساب می‌آیند.در واقع این مدیریت و بهره‌گیری از فناوری در ابعاد گوناگون آن است که به کلانشهرهای جهان اجازه آن را داده است که بتوانند در عین آن که سنگین‌ترین عملیات‌های خدمت‌رسانی را بر دوش دارند، همچنان به حیات خود ادامه داده و در کنار آن رفاه شهروندان خود را نیز بالاتر برند. لذا به نظر می‌رسد که به جای پاک کردن صورت مساله و ارجاع مشکلات شهری به افزایش جمعیت و رشد شهرنشینی شایسته است که بر توانایی انجام کارها، یا فناوری[1] در ابعاد مختلف (انسانی و مهندسی) آن متمرکز شده و راهکارهایی بهتر برای اداره شهرها بیابیم.تاریخ نیز گواه آن است که فناوری یک عنصر تحول‌زا و اثرگذار در زندگی بشر بوده و علت بسیاری از تحولات اساسی در جوامع شهری و حتی شکل شهرها، فناوری است. یکی از نغزترین تحلیل‌های صورت پذیرفته در این موضوع را کارل مارکس تاریخدان و جامعه‌شناس بزرگ ارائه کرده است. او در بررسی سیر تاریخی تحول جوامع، روابط میان مالکیت ابزار تولید و شکل گیری طبقات در جوامع را مورد توجه قرار داده است. در اندیشه مارکس جوامع در دوره‌های پی در پی بر اثرات تحولات در روش‌های تولید و مالکیت ابزار تولید، و در پی ایجاد تنازع میان طبقات مختلف دستخوش تغییرات عمیق و ژرف شده‌اند(مارکس، 1876).کمون اولیه، برده‌داری، فئودالیسم، و سرمایه داری(مارکس، 1876) فرانهادهای حکمرانی، و روش‌های حاکم بر اداره جامعه بوده‌اند که مارکس آن‌ها را به صورت ضمنی متاثر از اثرگذاری‌های فناوری که به صورت مالکیت ابزار تولید در تحلیلش نمود پیدا کرده‌اند، می‌دانست. آنچه برای ما در اینجا بسیار اهمیت دارد و باید به آن توجه ویژه کنیم، آن است که هر یک از این فرانهادها واثرات آنها بر جامعه شهری، به تبع رشد و بلوغ یک فناوری برانداز[2]شکل گرفته اند.در اینجا به هیچ عنوان ادعا و قصد آن را نداریم که روایتی یکسان در ارتباط با تغییرات در جوامع گوناگون ارائه دهیم. اما با علم و پذیرش تفاوت‌هایی که بسترهای تاریخی و فرهنگی و جغرافیایی در دنیا با یکدیگر دارند، و حوادث و ظرایف متعدد که چرخ تاریخ را در گوشه و کنار جهان به پیش رانده است، باز هم می‌توانیم رَد اثرگذاریِ تغییر نظام‌های تولیدی و مالکیت ابزار تولید که مستقیما تحت اثر فناوری‌های برانداز قراردارد را، در سیر تاریخ جوامع پی بگیریم.در نمونه متاخر این سیر تاریخی، یعنی انقلاب صنعتی، ما شاهد آن بوده‌ایم که چگونه تقریبا همه مناسبات در همه رده‌ها در جهان تغییر کرد. انقلاب صنعتی جامعه، اقتصاد، فرهنگ، هنر، سازمان و هر مفهوم انسانی و حتی طبیعی مانند محیط زیست را تحت اثرات عمیق خود قرار داد و به نوعی سیر تاریخ و زندگی انسان‌ها را به دو بخش پیشین و پسین خود تقسیم نمود. اکنون چنین به نظر می‌رسد که ما پس از دهه‌ها بعد از انقلاب صنعتی در آستانه انقلابی دیگر با اثراتی حتی شدیدتر از آن ایستاده‌ایم. انقلاب صنعتی چهارم که هوش مصنوعی را می‌توان قلب آن دانست، انقلابی است که همه شئون زندگی انسانی از جمله شهرها و شهرنشینی و اداره امور شهری را تحت تاثیر خود قرار خواهد داد. (اسعدی، 1398)اگر چه سا‌ل‌ها از زمانی که تورینگ[3]آزمون هوشمندی ماشین خود را مطرح کرد و هوش مصنوعی برای اولین بار مورد بحث قرار گرفت می‌گذرد، اما به جرات می‌توان گفت که اکنون در نقطه‌ای از تاریخ ایستاده ایم که می‌توانیم به هوش مصنوعی به عنوان یک فناوری برانداز در تاریخ بشر نگاه کنیم. امروز ما به دلیل توسعه ابزارهای گوناگون، توان محاسباتی قابل توجه و گسترش بی حد منابع اطلاعاتی در نقطه‌ای قرار داریم که به زودی شاهد سیستم‌های هوشمند‌تر از انسان خواهیم بود (sousa et al., 2019b) در واقع روند بلوغ تکنولوژی هوش مصنوعی طی شده است و باید منتظر اثرات آن بر سیستم‌های مختلف از جمله سیستم‌های فنی_اجتماعی مانند شهرها باشیم.تجربه تاریخی انقلاب صنعتی و شکل گیری سازمان‌های مدرن به ما نشان داد که هر ابزاری که در جایگاه انسان به تصمیم‌گیری می‌پردازد، می‌تواند مانند انسان منشا خیر و یا شر باشد. همانگونه که امروزه ما سازمان‌ها را به عنوان عاملان اتفاقات منفی مانند تروریسم، آلودگی محیط زیست و یا در نقطه مقابل نیکوکاری و توسعه معرفی می‌کنیم، در آینده نه چندان دور نیز هوش مصنوعی به عنوان عاملی که مانند سازمان جایگزین انسان در همه و یا بخشی از تصمیمات خواهد شد، منشا رویداد‌های مثبت و یا منفی در زندگی شهروندان و اداره شهرها خواهد بود. هوش مصنوعی مانند هر فناوری برانداز دیگر می‌تواند ابعاد مثبت و یا منفی در اداره شهرها داشته باشد (Taddeo & Floridi, 2018) و این هنر ما به عنوان طراحان و برنامه‌ریزان این سیستم است که نتایج اثرگذاری هوش مصنوعی را به سمت و سوی انسانی‌تر هدایت کنیم.اگر مدیران شهری در سطح بین‌المللی برای آینده شهرها، پایداری، زیست پذیری و رقابت را طلب می‌کنند(اتحادیه جهانی مخابرات، 2017)، باید به ابعاد فنی و انسانی این فناوری در مدیریت شهرها مسلط شوند. هوش مصنوعی به عنوان یک فناوری برانداز در آینده شهرها و شهروندان تاثیر جدی خواهد داشت و مدیران و پژوهشگران باید راهنماهای موثق و کاملی در ارتباط با بکارگیری این فناوری در دست داشته باشند. در دسترس بودن چنین راهنما و نقشه راهی برای مدیران شهری مساله‌ای است و تهیه و تدوین آن می‌تواند ما را از مشکلات ناشی عدم آمادگی در برابر توسعه شهرنشینی و افزایش جمعیت شهرها رها کرده و امکان ارائه خدمات متناسب با نیاز شهروندان را فراهم آورد.نباید فراموش کنیم که شهرها دارای نظام مدیریتی متفاوتی از سازمان‌های خصوصی که تاکنون پیشرو در بکارگیری هوش مصنوعی بوده‌اند، هستند(Agarwal, 2018)؛ لذا پیش بودن بخش خصوصی در بکارگیری هوش مصنوعی نباید باعث آن شود که ما در شهرها به تبع آن‌ها و با ارزش‌های بخش خصوصی به پیاده‌سازی هوش مصنوعی بپردازیم. به همین منظور ضروری به نظر می‌رسد که برای بهره‌مندی از مواهب هوش مصنوعی در بخش عمومی ‌و دور بودن از آفت‌هایی که ممکن استفاده از این تکنولوژی برای آن و متعاقبا جامعه ایجاد می‌کند، به صورت دقیق‌تر در این بستر به بررسی این موضوع یا مسئله بپردازیم. نتایج چنین بررسی سبب خواهد شد که شهرهای ما در آینده بتوانند به صورت بهتری مسائل خود را مدیریت کرده و رفاه و سایر شئون انسانی زندگی برای شهروندان فراهم باشد.(Luusua & Ylipulli, 2020)با آنچه در بالا وصف آن شد، آیا استفاده کردن(نکردن) از هوش مصنوعی می‌تواند آینده شهرهای ایران را تحت تاثیر قرار دهد؟چگونه هوش مصنوعی در تهران می‌تواند به مردم خدمت کند؟مدیران شهری با چه تدابیری و چگونه امکان بهره‌مندی از هوش مصنوعی را خواهند داشت؟همان‌طور که پیش از این نیز به آن اشاره کرده‌ایم، کاربرد هوش مصنوعی در سیاست گذاری و نسبت و موقعیتی که هوش مصنوعی در برابر سیاست گذاری دارد را می‌توانیم در سه دسته قرار دهیم. به صورت مشابه در مدیریت شهری و سیاست‌گذاری برای آینده شهر هم می‌توان از این دسته بندی برای تحلیل شرایط استفاده کرد:1. کاربردهای هوش مصنوعی در بهینه‌سازی سیاست گذاریِ شهریدر بعد فنی مهمترین کاربرد هوش مصنوعی بهینه‌سازی است. در شهرها ما با موضوعات مختلفی در سطوح خرد و کلان مواجه هستیم که نیاز داریم برای طرح‌ریزی آنها به بهینه‌سازی بپردازیم. هوش مصنوعی به ما این امکان را می‌دهد که به بهترین شکل ممکن که خارج از توانایی ذهنی انسان است از داده‌ها و کلان داده‌ها استفاده در حوزه شهری استفاده کنیم. به طور مثال انواع مدل‌های بهینه سازیِ توزیع منابع به صورت‌های مختلف ( یارانه‌ها، عوارض، مشوق‌های ساخت و ساز و المان‌های دیگر برنامه‌ریزی)، فهم شهروندان از توسعه، عدالت، کارایی و به کلی تصویر حکمرانی شهری را به شدت تحت تاثیر قرار خواهد داد.2. سیاست گذاری برای به کارگیری هوش مصنوعی در شهریکی از ساحت‌های برخورد مدیریت شهری به موضوع هوش مصنوعی، توسعه خود هوش مصنوعی در شهر و پیشگامی شهر در بهره‌گیری از هوش مصنوعی است. اگر مطالب قبلی را خوانده باشید حتما با ویژگی‌های هوش مصنوعی به مثابه یک "مساله عمومی‌جدید " آشنا شده‌اید. سیاست گذار همان گونه که باید وظایف خود را در حوزه‌های مختلف اقتصادی- اجتماعی ، سیاسی و ... انجام دهد، باید در مورد اکوسیستم علم و فناوری شهر که هوشمصنوعی امروز یکی از مهمترین و جنجالی‌ترین بحث‌های موضوعه در آن است، سیاست گذاری‌ و برنامه‌ریزی‌های مناسبی داشته باشد. هوش مصنوعی در طبقه بندی انواع فناوری، در دسته فناوری‌های تحول آفرین و برانداز( disruptive) قرار می‌گیرد و با توجه به شمول اثرات آن به همه عرصه‌ها باید سیاست گذاری از سوی مدیران شهری در ارتباط با آن کاملا جدی گرفته شود. در صورتی که سیاست گذاری و به تبع آن برنامه ریزی و اجرای مناسبی در مورد هوش مصنوعی صورت نگیرد، قطعا شهر و سیستم مدیریت شهری در آینده با مشکل روبرو خواهند شد.3. حکمرانی توسط هوش مصنوعی بر شهرهوش مصنوعی بسیاری از معادلات و مفروضاتی که در حال حاضر دنیای سیاست گذاری و اداره امور عمومی ، که مدیریت شهری در زیر مجموعه آن قرار گرفته است را، به شدت تحت چالش قرار خواهد داد. دموکراسی، بروکراسی، تخصص و بسیاری دیگر از کلیدواژه‌هایی که شکل دهنده نظام‌های اداری هستند، و با اهدافی مانند گسترش خیر عمومی، اداره بهتر امور ، شایسته سالاری و حفظ حاکمیت مردم مردم توسعه پیدا کرده‌اند، تحت تاثیر موضوع هوش مصنوعی باید به صورت جدی مورد باز تعریف قرار گیرند. علاوه بر این هیچ دور از ذهن نیست که در نتیجه رشد هوش مصنوعی هر کدام از این پایه‌های مدیریت در بخش عمومی از جمله شهرداری‌ها ‌به صورت کلی منسوخ شود. تکنولوژی هوش مصنوعی موضوع جدی و بی سابقه حکمرانی غیر بشر بر بشر است.----------------------------------------------------------------------------------توضیحات[1] از نظر طارق خلیل (یکی از مهمترین ادیشمندان حوزه فناوری) توانایی انجام کار یکی از تعاریف ساده اما کاربردی است که ما برای تکنولوژی یا فناوری داریم[2] Disruptive[3] آلن ماتیسون تورینگ (Alan Turing) ‏ ریاضی‌دان، دانشمند رایانه، منطقدان، فیلسوف، زیست-ریاضیدان و رمزنگار انگلیسیپی‌نوشتاگر 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 بخونیددرباره AI Policies and Plans Repositoryاز طریق کانال‌های زیر می‌توانید با من در ارتباط باشید:ایمیل من: javadsadeqi@gmail.com آیدی تلگرام من: https://t.me/javaadsaadeghiلینکدین من توئیتر من javad sadeghi javad sadeghi Sat, 03 Jul 2021 22:32:39 +0430 https://dataio.ir/نگاهی-به-مقررات-گذاری-هوش-مصنوعی-در-اتحادیه-اروپا-nrbj2morzkhk این مطلب درباره مقررات گذاری هوش مصنوعی را مدت ها پیش نوشتم و الان دیدم که به تعداد دفعات زیادی خوانده شده. لذا لازم دیدم که به خوانندگان یادآوری کنم که در ارتباط با حکمرانی داده و علوم داده تغییرات زیادی اتفاق افتاده و احتمالا در آینده هم این تغییرات ادامه خواهد داشت.شاید خیلی مسخره باشه، ولی حقیقتا بعد از داستان مهسا دیگه انگیزه‌ای برای نوشتن ندارم. حتی پایان‌نامه‌ام را هم با این که تقریبا تمام شده نرفتم دفاع کنم؛ ترجمه مطالب جدیدتر ترویجی توی این حوزه که...باری، اگر توی این زمینه پژوهش می‌کنید بد نیست این به این دوتا لینک هم یه نگاهی بندازید: لینک یکم: فلوچارت GDPR برای هوش مصنوعیلینک دوم: درباره قانون هوش مصنوعی اتحادیه اروپا ادامه متن همان مطلب قدیمی است.در بیست و یکم آوریل 2021 اتحادیه اروپا پیشنهادیه برای مقرات گذاری (REGULATION) در هوش مصنوعی را منتشر کرد. این اقدام اتحادیه اروپا را میتوان نخستین اقدام در اسکوپ جهانی برای تنظیم مقررات(Regulation) موضوع هوش مصنوعی دانست. پس از انتشار این پیشنهادیه (پروپوزال) توسط اتحادیه اروپا نظرات مختلفی در ارتباط با آن ابراز شد. از جمله اریک اشمیت رئیس سابق هیئت مدیره گوگل و رئیس فعلی کمسیون امنیت ملی آمریکا در حوزه هوش مصنوعی نتیجه بلند مدت این قوانین را کند شدن توسعه هوش مصنوعی د ر اروپا و آمریکا و خطر سیطره چین در حوزه هوش مصنوعی به دنیا عنوان کرد. در این مطلب با هم مقاله منتشر شده توسط نیکیتا لوکیانت در ارتباط زیر و بم این پروپوزال و قوانین منتج از آن را مرور میکنیم و می‌بینیم که این پیشنهادیه که هم اکنون بخشی از آن به صورت قانون درآمده است چه ویژگی هایی دارد و به چه صورت آینده هوش مصنوعی را تحت تاثیر قرار خواهد داد.این پیش نویس در ارتباط با چیست؟این مجموعه به ارائه تعدادی از قوانین و مقررات برای استقرار و استفاده از سیستم های هوش مصنوعی در اتحادیه اروپا شامل مجموعه ای از ممنوعیت ها برای کاربردهای خاصی از هوش مصنوعی، الزامات و وظایف اجباری در اپراتوری سیستم های پر ریسک و همین طور رویکرد این اتحادیه در پایش و نظارت بر بازار هوش مصنوعی می پردازد. برای داشتن تصویری از محتوای این پروپوزال مقررات گذاری، به ابر کلماتی که از متن این پروپوزال تهیه شده است توجه کنید. همان طور که مشاهده می کنید با حذف لغات نامربوط به موضوع بحث کلمات “high-risk”, “safety component”, “conformity assessment”, “intended use”, and not surprisingly — “authorities”.بیشترین بسامد را در متن این پروپوزال دارند.ابر کلمات پیشنهادیه متن پروپوزال از دو سند تشکیل شده است و 9 پیوست آن را تکمیل می کند. اگر به لینک داده شده در ابتدای متن مراجعه کنید می بینیدکه پروپوزال از ساختارمندی مناسبی برای بررسی، مانند استفاده ازعناوین درست برای ایجاد یک چارچوب معنایی و یا شماره بندی مناسب برخوردار نیست.حوزه های موضوعی رگولیشن هوش مصنوعی عناوین (سرفصل‌ها) پوشش داده شده در سند به شرح ذیر است:• عنوان اول دامنه کاربرد قوانین جدید را شامل می شود که شامل جایگاه‌ آن در بازار ، راه‌اندازی و استفاده از سیستم های هوش مصنوعی است.• عنوان دوم شامل کلیه آن سیستم های هوش مصنوعی است که استفاده از آنها بعنوان نقض حقوق اساسی غیرقابل قبول تلقی می شود• عنوان سوم شامل قوانین خاصی برای سیستم های هوش مصنوعی است که ریسک بالایی را ایجاد می کند. طبقه‌بندی یک سیستم هوش مصنوعی به عنوان سیستمی با "ریسک بالا" بر اساس هدف طراحی آن سیستم AI و مطابق با قوانین ایمنی محصول موجود است.• عنوان چهارم مربوط به تعهدات شفافیت برای سیستم هایی است که 1)با انسان تعامل دارند ، 2) برای شناسایی احساسات یا تعیین ارتباط با دسته های (اجتماعی) بر اساس داده های بیومتریک استفاده می شود ، یا 3) تولید یا دستکاری محتوا به صورت دیپ فیک می کنند.• عنوان پنجم ایجاد یک چارچوب قانونی مناسب و دوستدار نوآوری را هدف خود قرار داده است.• عنوان ششم سیستم های حکمرانی را در سطح اتحادیه و ملی را مقررات گذاری می کند.عنوان هفتم این هدف را دارد که کار نظارت کمیسیون و مقامات ملی تسهیل کند.• عنوان هشتم تعهدات نظارت و گزارش دهی برای ارائه دهندگان هوش مصنوعی را تعیین می کند.• عنوان نهم مربوط به چارچوبی برای تشویق ارائه دهندگان سیستم های هوش مصنوعی بدون ریسک برای اعمال داوطلبانه مقررات مربوط به سیستم های پرخطر است.• عنوان دهم قوانینی را برای تبادل اطلاعات بدست آمده در حین اجرای این مقررات گذاری را تعیین می کند• عنوان یازده قوانینی را برای اعمال اختیارات تفویض اختیار و اجرا تعیین می کند• عنوان دوازده شامل تعهدی برای کمیسیون است که به طور مرتب و متناسب با نیاز نسبت بروزرسانی، ضمیمه سوم را ارزیابی کند و گزارش‌های منظم در مورد ارزیابی و بررسی مقررات را تهیه کند.چه چیزهایی ممنوع است ؟این پیشنهاد با بیان برنامه های ممنوع هوش مصنوعی آغاز می شود (اگرچه موارد استثنایی وجود دارد ، به ماده 5.3 مراجعه کنید). موارد ممنوعیت شامل موارد زیر است:موارد ممنوع1. آن دسته از سیستم های هوش مصنوعی‌ که subliminal techniqueها (تکنیک هایی به صورت فرعی) را بدون اطلاع دادن به فرد برای تحریف رفتار شخص به روشی که احتمالاً صدمه جسمی یا روانی دارد ، به کار می‌گیرد.2. سیستم های هوش مصنوعی که به دلیل در نظر نگرفتن از آسیب پذیری های گروهی از انسان‌ها، مثلا بر مبنای سن، ناتوانی جسمی یا ذهنی ، ایجاد آزار فیزیکی و ذهنی می کند3. امتیازدهی اجتماعی: برخورد منفی یا نامطلوب با افرادی خاص یا گروه هایی خاص در جامعه که نا مربوط با زمینه ای است که در آن که داده ها در ابتدا تولید یا جمع‌آوری شده اند. برخورد منفی یا نامطلوب با افراد یا گروهها که نا متناسب و بدون توجه با رفتار اجتماعی آنها است.4. سیستم های شناسایی بیومتریک از راه دور در مکان های عمومی برای اجرای قانون ، مگر اینکه ... (در اینجا ما استثنائاتی داریم که در ماده 5 توضیح داده شده استمنظور از های ریسک چیست ؟بخش بزرگی ازا ین پروپوزال بر روی سیستم های با ریسک بالا (HIGH RISK) تمرکز پبدا کرده است. عبارت با ریک بالا به خوبی تعریف نشده استاما اتجادیه اروپا معیارهایی را برای در ذیل بند ششم برای شفاف کردن الگوریتم و سیستم هایی که در ذیل این دسته قرار میگیرند یا نه تعریف کرده است. این معیار ها مبتنی بر مقررات ایمنی محصولات فعلی در اتحادیه اروپا (پیوست دوم این سند) است. همچنین در پیوست سوم این سند به صورت مستقیم سیستم هایی که به عنوان سیستم های با ریسک بالا معرفی می شوند آمده است. لیست موجود در پیوست سوم به صورت سالانه آپدیت خواهد شد.سیستم های هوش مصنوعی فارغ از این که خود زیرمجموعه یک سیستم دیگر باشند یا این که به تنهایی سرویس های خود را ارائه کنند می توانند در ذیل دسته بندی سیستم های با ریسک بالا قرار بگیرند. لذا می توان مورد با ریسک بالا را به صورت زیر عنوان کرد :AI system is a product with intended use within Annex IIThe product with an AI system as a safety componentAI system is a component of the product within Annex IIAI system is a safety component of a ProductAnnex III AI Systemمن در حال توسعه یک سیستم هوش مصنوعی هستم، چه باید بکنم !؟اول ، شما باید درک کنید که آیا در جایی که شما هستید و بر کیس مورد نظر شما برای پیاده‌سازی هوش مصنوعی ، مقررات اعمال می گردد یا نه ؟ هدف از استفاده هوش مصنوعی یکی از ارکان اصلی این مقررات است و بنابراین شما باید کاملاً همراستا با مفاد قانونی مربوط به بخش فعالیتتان در بازار و محصول خود باشید و درنظر داشته باشید که چرا از یک سیستم هوش مصنوعی به عنوان محصول و یا بخشی از یک سیستم بزرگ‌تر استفاده می کنید.همچنین باید توجه کنید که سیستم هایی که به صورت انحصاری برای کاربردهای نظامی مورد استفاده قرار می گیرند، خارج از دایره شمول این قانونند.در نمودار زیر می توانید شمای کلی برای تصمیم گیری در ارتباط با یک سیستم هوش مصنوعی دراتحادیه اروپا را مشاهده کنید.طریقه مصوب شدن قانون در اتحادیه اروپا به چه صورت است ؟خیر ، هر پروپوزال قانونی برای بحث و بررسی بیشتر به پارلمان اروپا و شورای اروپا می رود. آیین نامه ها پس از تصویب ، 20 روز پس از انتشار در مجله رسمی EUR-Lexاتحادیه اروپا لازم الاجرا می شود. در این مورد 24 ماه پس از آن تاریخ اعمال می شود ، اما برخی از مقررات زودتر اعمال خواهند شد (مانند ممنوعیت های مدنظر در قانون که هم اکنون اعمال شده اند). از این تاریخ ، مخاطب آن می تواند به طور کامل فراخوانی شود و کاملاً قابل اجرا خواهد بود.به دلیل پیچیدگی دامنه هوش مصنوعی ، ممکن است یک دوره زمانی بین تاریخ لازم الاجرا شدن مقررات ، یعنی از نظر قانونی وجود داشته باشد ، و تا تاریخ واقعی که آیین نامه می تواند اعمال شود ، یعنی تاریخی که قابل اجرا است و حقوق قانونی و تعهدات را می توان به طور موثر اعمال کرد.این دوره زمانی (vacatio law) به طور عمدی برای کشورهای عضو ، مقامات ذی صلاح ، اپراتورها ، سازمان ها ، دارندگان پروانه و سایر مخاطبان یا ذینفعان مقررات معرفی می شود تا سیستم ها ، فرایندها ، رویه ها ، مستندات و غیره را برای انطباق آماده کنند. با قوانین جدید همانطور که توسط جتی تیلمنز متذکر شد ، این "دوره موافقت" طولانی این خطر را افزایش می دهد که ، با وجود تلاش های اتحادیه اروپا برای ایجاد مقررات متناسب در آینده ، برخی از مفاد آن قبل از اینکه اعمال شوند ، توسط پیشرفت های فناوری خالی از معنا شوندمنابعhttps://lukianets.medium.com/a-more-visual-guide-to-the-proposed-eu-artificial-intelligence-act-64ae0e550ac3Proposal of EU AI Act — https://ec.europa.eu/newsroom/dae/document.cfm?doc_id=75788Annexes — https://ec.europa.eu/newsroom/dae/document.cfm?doc_id=75789پی‌نوشتاگر 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 بخونیددرباره AI Policies and Plans Repositoryاز طریق کانال‌های زیر می‌توانید با من در ارتباط باشید:ایمیل من: javadsadeqi@gmail.com آیدی تلگرام من: https://t.me/javaadsaadeghiلینکدین من توئیتر من javad sadeghi javad sadeghi Thu, 03 Jun 2021 18:46:42 +0430 https://virgool.io/@javaadsaadeghi/%D8%AF%D8%A7%D8%AF%D9%87-%D8%A8%D8%A7%D8%B2-open-data-%D8%AF%D8%B1-%D8%A7%DB%8C%D8%B1%D8%A7%D9%86-%D9%86%DA%AF%D8%A7%D9%87%DB%8C-%D8%A7%D9%86%D8%AA%D9%82%D8%A7%D8%AF%DB%8C-%D8%A8%D9%87-%D9%88%D8%B6%D8%B9%DB%8C%D8%AA-%D9%81%D8%B9%D9%84%DB%8C-%D8%AF%D8%A7%D8%AF%D9%87-%D9%87%D8%A7%DB%8C-%D8%A8%D8%A7%D8%B2-%D8%AF%D8%B1-%DA%A9%D8%B4%D9%88%D8%B1-kri5c8sqjoas نگاه من به داده باز پیش از این که شروع به خواندن این نوشته کنید باید به شما اطلاع دهم که آنچه در این متن می خوانید تحلیل شخصی من در ارتباط با موضوع داده باز و کنش های صورت گرفته پیرامون این موضوع در کشور است. در واقع تلاش دارم تا در اینجا با نگاهی انتقادی وضعیت داده‌های باز در کشور را مورد بررسی قرار دهم و کمتر به سراغ تعاریف و کاربردهای آن خواهم رفت. دلیل این رویکردم در آن است که در وهله اول محتوای تحلیلی در ارتباط با داده های باز کمتر نگارش شده است و از طرف دیگر داده باز و بحث های مربوط به تعریف و استانداردهای آن به دلیل این که این موضوع در ذیل و حاشیه جنبش نرم افزار اوپن سورس و فرهنگ آن تعریف شده اند، راحت‌تر در دسترس قرار گرفته و در کشور ما رواج پیدا کرده اند و شاید تمرکز من بر روی تعاریف و کاربردها نه تنها باعث بهتر شدن تعاریف بلکه باعث دورتر شدن شما از اصل مطلب شود.در این جستار کوتاه به دنبالآن هستم که موضوع داده باز را با نگاه انتقادی از پنجره سیاست گذاری و آن هم در حوزه تعریف مساله در سیاست گذاری، و در کانتکست فعلی جامعه ایران بررسی کنم. آنچه در ادامه می‌خوانید، تحلیل من از علت عقب ماندگی کشور در حوزه داده های باز از سایر کشورهای دنیا است. بی توجهی به کانتکست در جهت به کارگیری داده های باز توسعه استفاده از یک تکنولوژی در یک کشور با به کارگیری یک نمونه توسعه یافته از آن تکنولوژی در جغرافیایی دیگر، و بدون توجه به الزامات محیطی آن، می تواند به صورت کلی ما را به راه اشتباه هدایت کند؛ و بیشتر از آن که به سمت بالا بردن بهره‌وری و استفاده از فواید تکنولوژی پیش رویم، ما را در دام کژکارکردهای یک تکنولوژی بیاندازد. این موضوع در ارتباط با تکنولوژی هایی که بُعد نرم و انسانی آن ها بر بُعد فنی آن‌ها غلبه دارد خود را بیشتر نشان می دهد. اگر با اغماض و سهل‌گیری و بدون توجه به برخی از تعاریف سختگیرانه، دموکراسی، قانون اساسی، تفکیک قوا و مفاهیمی از این دست را به عنوان یک تکنولوژی در نظر بگیریم، شاهد آن هستیم که این موارد(به عنوان یک تکنولوژی) در پیاده سازی بسیاری از چالش‌هایی را در کشور ایجاد کرده اند که بر کسی پوشیده نیست. به عنوان مثال می توان از چالش های آن‌ها به دو انقلاب در فاصله کمتر از 100 سال ناشی از آنها اشاره کرد! البته الزاما این چالش ها نتایج منفی نداشته است اما توجه به الزامات محیطی در به کارگیری هر یک می‌توانست ما را در پیاده‌سازی هر یک از آن‌ها موفق‌تر سازد . لذا به نظر نگارنده توجه به بسترهای محیطی در استفاده از تکنولوژی‌ها، به ویژه مواردی که اثرات جدی در حوزه انسانی و اجتماعی دارند، از الزامات برای پیاده سازی آن ها است. داده محوری و مدیریت مبتنی بر داده و شواهد استفاده از داده و شواهد در تصمیم گیری و یا همان مدیریت مبتنی بر داده و شواهد ، نیز یک توانمندی مدیریتی (فناوری مدیریتی) است. این فناوری، که علی رغم آنکه این روزها بسیار بر سر زبان هاست، اما در عمل فاصله زیادی تا پیاده سازی واقعی آن داریم. در ارتباط با داده های باز نیز ما با مساله‌ای مشابه روبرو هستیم. برنامه های داده باز در دنیا بیش از آن که یک موضوع در حوزه آی تی باشند، در بستر اجتماعی و سیاستی معنا پیدا می‌کنند. این طور به نظر می رسد که ابعاد مختلف محیطی در خط‌مشی‌گذاری و تحلیل های مربوط به داده های باز در کشور مورد توجه قرار نگرفته است. یعنی تحلیل‌گران و سیاست‌گذاران و به طور کل کنشگران علاقه‌مند به این حوزه در کشور ما، به بستری که این تکنولوژیِ انسانی (بخوانید تکنولوژی شهروندی یا تکنولوژی در حوزه علوم انسانی)، در آن توسعه یافته است توجهی نداشته‌اند و به صورت مشابه قصد پیاده سازی آن در کشور ایران که زمینه‌های متفاوت محیطی دارد را داشته‌اند.حتی با یک تحلیل محیطی ساده می توانیم شاهد تفاوت در بسترهایی که در آن داده های باز توسعه یافته است، مانند ساحت‌های سیاسی، اقتصادی، اجتماعی، فناوری و قانونی در کشورهای غربی با کشور خودمان باشیم. البته این موضوع بدان معنا نیست که ما در کشور نباید به سمت داده های باز می‌رفتیم. به نظر نگارنده یکی از دلایلی که امروز داده‌های باز آن طور که باید و شاید به توفیق مشابه کشور های اروپایی و آمریکا نرسیده است بی‌توجهی کانتکست و چرایی به وجود آمدن داده‌های باز در پیاده‌سازی و به کارگیری آن است. در واقع بی‌سیاستی و نداشتن راهنمایی برای تصمیمات در باز کردن داده‌ها در کشور سبب‌ساز آن شده است که ما چنان که باید نتوانیم مانند سایر کشورها از داده‌های باز بهره‌مند شویم.آیا موضوع داده های باز را به درستی متوجه شده ایم ؟اگر پیگیر موضوع داده‌های باز در کشور بوده باشید، می‌دانید که این موضوع به مساله فساد در ایران گره خورده است. به جرئت می توان گفت که بخش قابل توجهی از تلاش‎های پیشگامانه در حوزه داده‌های باز در ایران در راستای مبارزه با فساد در بخش دولتی صورت پذیرفته است. شاید باید گفت که ما داده‌هایی را باز کرده‌ایم ولی متوجه نشده ایم که این ابزار برای مساله ای دیگر ابداع و استفاده شده است و یا حداقل با توجه به وضعیت حکمرانی در کشور ما استفاده از آن برای حل چالش‌های مربوط به شفافیت و مبارزه با فساد در کشور ما بسیار آرمانگرایانه است. من از موضع شهروند سپاسگزار عزیزانی هستم که در ارتباط با داده های باز فعالیت های ترویجی و یا رسمی و سیاست‌گذارانه داشته‌اند و توانسته‌اند به سختی علاوه بر ترویج این مفهوم، دسترسی به داده‌هایی را با استاندارد داده‌های باز در سطح جهان برای شهروندان فراهم سازند اما در نهایت این طور فکر می‌کنم که ما هنوز نتوانسته‌ایم داده باز داشته باشیم چرا که به ریشه‌های مساله ای که در اثر آن داده‌های باز شکل گرفته است، توجه نکرده‌ایم. شکل گیری هر جریان فراگیری در دنیا و در علوم انسانی دارای ریشه و علت‌های اساسی است و داده‌های باز و اشاعه برنامه‌های مربوط به آن نیز از این قاعده به دور نیست. همه ما می‌دانیم که کشورهایی که در حوزه داده باز پیشگام بوده‌اند اگر بهترین کشورهای دنیا از منظر شفافیت نباشند، حداقل از منظر مبارزه با فساد و شفافیت در جایگاه های پایین در میان کشورهای دنیا قرار نداشته‌اند. پس در چنین شرایطی انتشار داده های باز چه ضرورتی داشته است و به چه دلیلی باید این کشورها داده های باز را توسعه داده باشند؟ نوآوری باز این طور به نظر می رسد که موتور توسعه و گسترش داده های باز در کشورهای پیشگام موضوع، بیش از آن که سیاسی بوده باشد، اقتصادی بوده است. در رقابت اقتصادی میان کشورهای مختلف بحث فناوری و نوآوری از جایگاه ویژه ای برخوردار است. در واقع کشورهایی که بتوانند اقتصاد نوآوری و فناوری خود را سریع‌تر و قوی‌تر توسعه دهند، در نهایت می‌توانند با استفاده از مزیت رقابتی ایجاد شده جایگاه اقتصادی بهتری در دنیا پیدا کنند.در چنین شرایطی توجه و تمرکز کشورها بر روی تکنولوژی و نوآوری به شدت افزایش یافته است و این سرمایه‌گذاری و توجه باعث ارتقا در این حوزه شده است. یکی از مفاهیمی که اخیرا در همه کشورهای دنیا به ویژه در کشورهایی توسعه یافته در حوزه اقتصاد نوآوری مورد توجه و اقبال قرار گرفت است، موضوع "نوآوری باز" است. در نوآوری باز این ادعا مطرح می شود که دوران استفاده از ساختارها و سازمان های بسته (درونی) در توسعه تکنولوژی ها به پایان رسیده است و مجموعه های تکنولوژیک باید با استفاده از همیاری‌های یکدیگر در بتوانند به توسعه تکنولوژی بپردازند .اما در این میان جایگاه دولت چیست؟ دولت در چنین شرایطی، و صد البته با با توجه به ویژگی‌های دولت در کشورهای پیشگام داه باز و نوآوری باز، باید تسهیل‌گری در جهت توسعه زیر ساخت نوآوری باز را فراهم آورد؛ به این معنی که باید در چارچوب اختیارات خود و با توجه به توانمندی‌های جامعه، صنعت و نهادهای علمی و تکنولوژیک امکانات مورد نیاز از جانب خود را در این حوزه به فراهم کند. در این راستا مجموعه‌ای از وظایف برای دولت‌ها و بهتر بگوییم برای حکومت‌ها در این حوزه تعریف شد که همگی یک هدف مهم داشت و آن هم این بود که مجموعه هایی که در حوزه علم و فناوری فعال هستند در کنار یکدیگر با همکاری هم بتوانند تکنولوژی هایی را توسعه دهند و از قِبَل آن اقتصاد توسعه یابد. اصلاح قوانین و مقررات حوزه حق ثبت اختراع و مالکیت معنوی یکی از مواردی است که برای تسهیل هممکاری های بین بخشی و به وقوع پیوستن نوآوری باز در این مجموعه به شدت مورد توجه قرار گرفت. در واقع دولت به عنوان یک بازیگر تلاش کرد تا از جانب خود با توسعه در قوانین کپی رایت و پتنت و مالکیت معنوی، اطمینان خاطر در میان فعالان دیگر از مجموعه های علمی مانند دانشگاه ها و یا مجموعه های فناوری ماننند شرکت های بخش خصوصی را برای شرکت در فرایند نوآوری باز را ایجاد کند . گام مهم دیگری که دولت ها برای توسعه نوآوری باز برداشتند و بر روی آن تاکید بسیار زیادی داشتند، آزاد کردن اطلاعاتی بود که تاکنون نزد دولت ها قرار داشت. در واقع موفقیت برنامه های داده باز و علاقه به انتشار آنها از جانب دولت ها به این دلیل بود که داده های باز قسمتی از پازل نوآوری باز بودند. دولت ها داده هایی که تاکنون نزد آن ها قرار داشت را در اختیار همه بازیگران در بخش های دیگر قرار دادند تا بتوانند از نوآوری های مربوط به دولت و نوآوری های دیگر که در بخش های مختلف اتفاق می افتد، حمایت کنند. توجه به این مساله، یعنی موضوعیت و پیشران داده های باز بسیار حائز اهمیت است. انتشار داده های باز قطعا باعث افزایش شفافیت در بخش دولتی شده است ولی در نهایت هدف اصلی حمایت دولت ها از داده های باز و انتشار آن ها ایجاد ارزش اقتصادی برای جامعه است و معمولا نتایج این هدف گذاری به صورت برمی‌گردد.من بعید می دانم که اگر شما روزی از شهردار نیویورک و یا شهردار لندن بپرسید که داده های باز در وهله اول چه کمکی به شما و شهروندان شما می کنند بر این تاکید کند که داده های باز در مقابل فساد قرار گرفته اند . هدف شهرها و کشورها و نهادهای بین المللی از شرکت در برنامه های داده باز و توسعه سیاست ها در این حوزه در نهایت توسعه اقتصادی و افزایش رقابت و کسب منفعت از این طریق است.این نکته، نکته ای است که در کشور ما مغفول مانده است . در واقع ما از دری وارد داده های باز شده ایم که حداقل در وهله اول مورد توجه سایر شهرها و کشور ها نبوده است. صد البته موضوع شفافیت و مقابله با فساد ناشی نبود شفافیت، از اواویت های فعلی کشور است اما تاکید بیش از حد بر روی این موضوع سبب شده تا داده های باز در خدمت هدفی که برای آن طراحی شده است قرار نگیرد و از همه مهم‌تر از راهکارهای اصلی مبارزه با فساد نیز در مواردی مورد غفلت شودعدم توجه به ذینفعان و شکل نگرفتن اکوسیستم داده بازسیاست گذاری در کوتاه‌ترین و شاید پرمغزترین تعریف خود به معنای تصمیم دولت در انجام برخی از کارها و انجام ندادن برخی دیگر است. تمرکز ما در موضوع داده های باز بر محور شفافیت و مبارزه با فساد در حکومت و تغییر دادن طرف های عرضه و تقاضای داده باز، باعث شده است که هیچگاه اکوسیستم داده در کشور شکل نگیرد.ما در همه دنیا شاهد آن هستیم که داده های باز در یک چارچوب زنده در حال انتشار هستند. یعنی سیستم به دلیل طراحی درست در مسیری پویا قرار گرفته است و در عمل با استفاده از منابع و ارتباطات داخلی خود به صورت خودکار به روز شده و بدون تزریق انرژی و منابع خارجی به حیات خود ادامه می دهد. چنین مجموعه ای که از بازیگران مختلف تشکیل شده است را یک اکوسیستم داده باز می نامیم . مجموعه ای که پویا بدون نیاز به تزریق انرژی و منابع اضافه که در جهت درست حرکت می کند. اما ما به دلیل آن که از مسیر اشتباه وارد موضوع داده شده ایم با دشواری های فراوان در این حوزه روبرو هستیم. با عوض شدن نقش بازیگران (حاکمیت، بخش خصوصی، شهروندان و دانشگاهیان) و نقطه فوکوس در داده باز ، اکوسیستم داده های باز در عمل هیچ وقت در ایران شکل نگرفته است. در واقع از آنجایی که تاکنون نتوانسته‌ایم ذینفعان خود را به درستی مدیریت و منتفع سازیم، و در اکوسیستم طرف های عرضه و تقاضا را به درستی طراحی کنیم با وضعیت موجود تا ابد نیازمند تزریق منابع مالی و معنوی از بیرون خواهیم بود.بی توجهی به الزامات برای اجرا سیاست های داده باز در کشورنه در کشور ما که در همه جهان، تولید سند و سیاست نسبت به اجرا و مداخله اثر بخش پیشی دارد. در واقع همه علاقه به دست گرفتن قسمت نرم سیاست گذاری و برنامه ریزی دارند و طرف سخت این حوزه همواره به فراموشی سپرده شده است . نهایت این امر آن است که در میدان عمل آنچه با عنوان سیاست مطرح می‌شود نمی تواند راهگشا و نتیجه بخش باشد و سردرگمی و تسلط سلیقه ها در این اجرا در بخش های مختلف در دولت بسیار مشهود است . در ارتباط با داده های باز نیز متاسفانه چنین شرایطی دیده می شود . من علاقه ای به بحث درباره موضوع قانون انتشار و دسترسی آزاد به اطلاعات ندارم. باری آنچه برای من مهم است آن است که کنشگران در حوزه سیاست‌گذاری ما ( چه داده باز و چه غیر آن ) سیاست‌گذاری و مدیریت در بخش عمومی را به معنای نوشتن چند جمله بر روی کاغذ می دانند و اینطور می اندیشند که اوامر ایشان به صورت خودکار تبدیل رویه خواهد شد. من در میان کنشگران موضوع داده باز نیز میلی به طراحی درست سیاست های داده باز نمی بینم.اهداف در حوزه داده باز همانطور که پیش تر به آن اشاره کردم با چشم اندازی اشتباه (و شاید بدون چشم انداز) انتخاب شده است. در میان اهداف انتخاب شده نیز رویه ای معکوس نسبت به سایر نقاط جهان که از ابزار داده باز استفاده میکنند، شاهد هستیم. یعنی هم اهداف به اشتباه انتخاب شده‌اند و هم اولویت‌گذاری اشتباهی در میان همین اهداف اشتباه وجود دارد. از طرف دیگر باید به این موضوع توجه کرد که صِرف وجود سیاست، دستور العمل و قانون به معنای اجرای آنها نیست. در عمل بسیاری از سیاست‌ها و برنامه‌ها در هر جامعه‌ای وجود دارد که بدون وجود هیچ قانونی پیاده و اجرا می شود و موارد بسیاری نیز به خصوص در کشور ما وجود دارد که علی رغم وجود قانون مصوب هنوز هیچ اثری از اثر بخش شدن آن قانون در جامعه وجود ندارد و حتی قانون‌گذار و مجری آیین‌نامه و مقررات مربوط به ان را ابلاغ نکرده و آن را به فراموشی سپرده‌اند. در نهایت عدم وجود پشتوانه و ضمانت اجرایی و نبود سازمان و ساختارهای حکومتی مناسب برای این موضوع آن را محکوم به شکست کرده است. پی‌نوشتاگر 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 بخونیددرباره AI Policies and Plans Repositoryاز طریق کانال‌های زیر می‌توانید با من در ارتباط باشید:ایمیل من: javadsadeqi@gmail.com آیدی تلگرام من: https://t.me/javaadsaadeghiلینکدین من توئیتر من javad sadeghi javad sadeghi Thu, 18 Feb 2021 18:45:13 +0330 https://virgool.io/@javaadsaadeghi/%D8%A7%D8%B3%D8%AA%D9%81%D8%A7%D8%AF%D9%87-%D8%A7%D8%B2-%DA%A9%D9%84%D8%A7%D9%86-%D8%AF%D8%A7%D8%AF%D9%87-%DB%8C%D8%A7-%D8%A8%DB%8C%DA%AF-%D8%AF%DB%8C%D8%AA%D8%A7-%D8%AF%D8%B1-%D9%85%D8%AF%DB%8C%D8%B1%DB%8C%D8%AA-%D8%AF%D9%88%D9%84%D8%AA%DB%8C-%D8%A8%D8%B1%D8%B1%D8%B3%DB%8C-%DB%8C%DA%A9-%D8%B7%D8%B1%D8%AD-%D9%BE%DA%98%D9%88%D9%87%D8%B4-uh9fdy9go982 آنچه در ادامه می خوانید یک طرح پژوهش در ارتباط با اثر گذاری کلان داده بر حوزه مدیریت دولتی و سیاست گذاری است. همان طور که میدانید ارزش ها و مفاهیمی اساسی و کلیدی مانند دموکراسی، بروکراسی، مشارکت، پاسخگویی، منافع عامه، عدالت و... ستون هایی هستند که در مدیریت دولتی و به تبع آن سیاست گذاری حول آن ها شکل گرفته اند. آنچه در ادامه این مقاله بررسی می‌شود، نمونه ای از کاربست کلان داده ها در حوزه مدیریت دولتی و خط مشی گذاری است.این نوشتار را پیش از این به عنوان تکلیف درس روش تحقیق (به عنوان نمونه ای از یک پروپوزال) ارائه کرده‌ام.برای این که محتوا از موضوع بحث ما یعنی کلان داده ها و نقش آنها در مدیریت دولتی و سیاست گذاری دور نشود تا حد امکان، مطالبی که پیرامون روش تحقیق در بود را حذف کرده‌ام. به نظرم در نهایت، علی‌رغم برخی ازکاستی‌ها، مطالب عنوان شده می تواند دید خوبی در ارتباط با کلان داده در حوزه مدیریت دولتی و سیاست گذاری به مخاطب علاقه‌مند بدهد.بررسی امکان اثر گذاری کلان داده های بر تحقق دموکراسی رایزنانه اگر از آنچه با عنوان اندیشه فیلسوفان پیشاسقراطی نام برده می‌شود بگذریم می‌توان گفت که دموکراسی و بحث پیرامون آن به اندازه تاریخ اندیشه انسانی عمر و پیچیدگی دارد(فاستر، 1394). پژوهشگر برای درک درست از چنین مفهومی‌باید نگاه ژرف نگر و کل نگر داشته باشد به این معنی که نه تنها باید سیر اندیشه را در طول تاریخ مورد بررسی قرار دهد بلکه باید در هر دوره از تاریخ و در نظر هر یک اندیشمندان، گفتمان‌ها و پارادایم‌های تاریخی غالب نیز به اندازه قابل توجهی مداقه انجام دهد تا بتواند بر ابعاد این موضوع تسلط یابد. در واقع از آن جایی که دموکراسی در ساحت‌های مختلف در حیات اجتماعی انسان‌ها در طول هزاره‌های گذشته موثر بوده‌ و از آن‌ها تاثیر پذیرفته است مطالعه این پدیده بدون نگاه جامع نگر به به هریک از این المان‌ها امکان پذیر نمی‌باشد. مطالعات دموکراسی متاثر از جریان‌های اجتماعی و علمی‌زمانه بوده است (بشیریه، 1380). مطالعه دموکراسی در کنار مفهوم توسعه و انقلاب دو ادبیات مختلف را خلق می‌کند. آنچه با عنوان گذار به دموکراسی مورد توجه اندیشمندان قرار می‌گیرد از آنچه در بحث مشروعیت بخشی دموکراسی به حکومت‌ها مطرح می‌شود به کلی جداست. اگر آرنت و رالز در ثنای دموکراسی سخن گفته اند (آرنت، 1380؛ رالز1397) این به معنای توافق نظری در میان آن دو نیست. از منظری دیگر اگر افلاطون و‌ هابرماس هر دو به انتقاد از دموکراسی می‌پردازند این انتقاد نیز به دال بر این نیست که نگاهشان به جایگزین دموکراسی یکسان باشد و یکی در انتهای بحث خود به الگوی فیلسوف-شاه می‌رسد و دیگری به دموکراسی مبتنی بر گفتمان.هابرماس آخرین بازمانده حلقه فرانکفورت(لسناف،1392) نیز مانند بسیاری دیگر از فیلسوفان سیاسی نقدهای خود را بر دموکراسی و به خصوص آنچه دردوران او با عنوان لیبرال دموکراسی مطرح بوده است ابراز کرده است. او در تلاش خود برای "بازسازی" مفهوم دموکراسی بر مبنای نظام سازیی که پیش از آن با مفهوم "عقلانیت ارتباطی" ارائه داده است، مدل دموکراسی رایزنانه و مفهوم "ساحت عمومی" را ارائه می‌کند. در این طرحواره از دموکراسی تلاش می‌شود تا با تاکید بر "ساحت عمومی" شکاف میان مردم و حاکمیت که نتیجه ناخواسته لیبرال دموکراسی است پوشش داده شود(یزدخواستی و عدلی‌پور و سپهری، 1392). به زعم وی امر سیاسی را نمی‌توان به امر اخلاقی تقلیل داد و به نظر تاکید بیش از حد بر منفعت عامه باعث گرایش به سمت استبداد و انحصار گرایی می‌شود(قزلسفلی و دوست محمدی).در الگوی دموکراسی رایزنانه که می‌توان آن را به عنوان شاخه ای ازآنچه تحت عنوان دموکراسی مبتنی بر گفتمان مطرح می‌شود بیان کرد، تلاش بر این است که میان آحاد مردم و نهادها در زمینه تصمیم گیری همگرایی صورت پذیرد. مفهوم سازی صورت پذیرفته توسط‌ هابرماس از دموکراسی می‌تواند برای ما دو دستاورد بسیار مهم داشته باشد. اول آن که‌ هابرماس به عنوان یک فیلسوف سیاسی الگویی معتبر از دموکراسی را در برابر لیبرال دموکراسی ارائه می‌کند. امروز شاهد آن هستیم کسانی که مدینه فاضله لیبرال دموکراسی را با عنوان یک نظام آرمانی یا "پایان تاریخ" صورت بندی کرده بودند، خود گرایش به سمت آرا و نظرات ‌هابرماس و اندیشمندانی چون او تمایل پیدا کرده اند(گروه مدیریت دولتی دانشگاه استنفورد، 2018). در وهله دوم الگوی‌ هابرماس از دموکراسی مبتنی بر ارتباطات است و در دنیای امروز ما ارتباطات و انتقال داده و دانش و پیام بیش از هر عاملی رشد داشته داشته تا آنجا که عصر ما عصر دانش و دانایی دانسته و ما معاصر با انقلاب اطلاعاتی بوده‌ایم. این رویداد و تبعات ان مانند تکنولوژی‌ها و ابزار‌های توسعه یافته در بسترش تاثیر خود را بر نحوه اداره حکومت و آنچه ما به عنوان دموکراسی می‌شناسیم پیش از این گذاشته و در ادامه نیز شاهد تاثیرات آن خواهیم بود(عبداللهی و شیخ انصاری، 1396).در حال حاضر در دنیا روند تغییرات به سمت استفاده از داده‌ها در کاربردهای گوناگون است و مساله حکومت و حکمرانی و به تبع آن دموکراسی نیز از آن مستثنی نبوده است(یانسن و کوک، 2016؛ متئوس ویانسن، 2015؛ ساژنا، 2017). در درون پارادایم‌های اطلاعات نیز روند‌های گوناگونی در حال شکل گیری است که ازمیان آن‌ها صورت بندی BOLD که خلاصه ای برای اطلاعات باز، عظیم، و پیوسته داده‌ای است بیش از سایرین مورد توجه قرار گرفته است(خان و همکاران، 2015؛ یانسن و کوک، 2016). منظور از داده‌های باز حکومتی مجموعه ای داده‌هاست که به صورت رایگان یا هزینه کم، در دسترس شهروندان قرار گرفته باشد(یانسن، 2012) و امکان خوانش ماشینی، باز نشر و استفاده دوباره برای این داده‌ها فراهم باشد(هاردی و ماروشات، 2017). از طرفی اگر این داده‌ها ای با سرعت زیاد در حجم و تنوع بالا منتشر شوند، کلان داده نامیده می‌شوند(لِیک و دریک، 2014؛ تسایی و همکاران، 2015؛ مارو و همکاران، 2015) و داده‌های پیوسته اشاره به فرایندی دارد که در آن مجموعه از بهترین تجربیات برای انتشارداده‌های ساختار یافته در اینترنت پیگیری می‌شود(ویراکدی، 2016). این آخرین مرحله در یک پیاده سازی درجه یک از نقشه ای برای انتشار داده‌های باز است. داده ی پیوسته ارجاع به نوعی داده دارد که در اینترنت منتشر می‌شود و قابلیت خوانایی با ماشین را دارد و علاوه بر این به سازه‌های داده ای دیگر نیز بسته و مربوط است(میلتی و حسین، 2016). ما شاهد آن هستیم که استفاده از داده‌های BOLD در عرصه‌های مختلف حاکمیتی گسترش داشته است. بررسی رضایت شهروندان، مبارزه با فساد، بررسی کارایی و بهروری دولت و بسیاری دیگر از مسائل در حال حاضر با استفاده از داده‌های BOLD تغییرات اساسی یافته و ضمن حل برخی مشکلات در آن‌ها حتی شاهد توسعه به صورت کلی در یک مفهوم بوده‌ایم(ماکیوفسکی، 2016).دموکراسی نیز به عنوان یکی از موضوع مهم این تاثیر پذیری را می‌تواند داشته باشد. یعنی اگر استفاده از داده‌های BOLD موجب شد تا مبارزه با فساد در میدان‌هایی که تا پیش از این امکان‌پذیر نبود امکان‌پذیر شود، به کارگیری داده‌های BOLD در حوزه دموکراسی می‌تواند الگویی مانند الگوی ‌هابرماس را برای اجرا توانمند سازد.در الگوهای مبتنی بر دموکراسی گفتمان به ویژه الگوی رایزنانه ‌هابرماس این مساله وجود دارد که ما با پارادوکس صرفه جویی در مقیاس روبرو می‌شویم، به این معنی که امکان پذیر نیست که همه افراد در یک کشور بر روی یک مساله تبادل نظر کنند و آرای آن‌ها سنجیده و بررسی شود. الگوی پیشنهادی ‌هابرماس این تلاش دارد تا در ابتدا با طرح بحث در ساحت عمومی‌"افکار عمومی" را صورت دهی کند و در ادامه با استفاده از نمایندگان "اراده عمومی" را جاری سازد(نرگسیان، 1390). اما الگوی‌ هابرماس دوضعف اساسی داد. ابتدا این که در برابر این مساله که افکار عمومی‌بیشماری وجود دارد و ضبط و تاثیرگذاری آن‌ها بر دولت چگونه است راه حلی ارائه نمی‌کند و دیگر این که هیچ راه حلی برای بررسی محتوای ساحت افکار عمومی‌ارائه نمی‌کند. به نظر می‌رسد با استفاده از مدل‌ها و راه حل‌هایی که علم اطلاعات و به ویژه راهکارهایی که داده‌های BOLD در اختیار مباحث حکومتی قرار می‌دهد می‌توان دموکراسی رایزنانه را به عمل نزدیک تر کرد.مرور ادبیاتبا توجه به این که از یک طرف داده‌های باز در حال حاضر یک روند جدید در دنیا محسوب می‌شود و از طرف دیگر مفهوم ساحت یا فضای عمومی ‌هابرماس از مفاهیم جا افتاده در ادبیات پژوهشی است، از ادغام این دو با هم هنوز ادبیات قابل توجهی تولید نشده است و یا ادبیات موجود به صورت مستقیم مربوط به موضوع مورد بررسی نیست. لذا از با توجه به این فقدان به خصوص در بخش بررسی ادبیات به صورت تجربی با مشکل روبرو هستیم اما به قرینه تلاش خواهیم کرد تا با استفاده از مفاهیم و تحقیقات با اهداف مشابه و نزدیک مانند تاثیرگذاری انتشار داده بر حوزه عمومی‌به صورت غیربُلد این فقدان را جبران کنیم.ادبیات نظریاز زمان ورود دموکراسی و آشنایی مردم با الفبای آن در ایران عده ای بر این باور بودند که با تحولات فکری، ذهن مردم را با دموکراسی عجین می‌کنند و از این رو به تاسیس فراموشخانه، طبع کتب و روزنامه و یا ایجاد محافل فکری در قهوه خانه‌ها روی آوردند و آن را تلاشی در جهت سوق پیدا کردن به دموکراسی نامیدند. از طرفی دیگر گروهی نمادهای عینی دموکراسی مانند مجلس، قانون اساسی و سایر نهادهای جامعه مدنی را به عنوان محقق کننده دموکراسی در نظر گرفته اند (علی‌حسینی و مرندی، 1398). داده‌های بُلد با توجه به تعریف خود می‌توانند هر دو این نقش‌ها را برای ما بازی کنند. بر طبق تعریف داده باز به داده ای گفته می‌شود که:رایگان یا با هزینه کم(یانسن و کوک، 2016)عمومی‌و بدون نیاز به مجوز و قابلیت استفاده مجدد (یانسن و کوک، 2016؛ متئوس ویانسن، 2015؛ ساژنا، 2017)به‌هنگام و به‌روز بودن(یانسن و کوک، 2016)ماشین‌خوان بودن(یانسن و کوک، 2016)قابل تغییر و ترکیب بودن(یانسن و کوک، 2016؛‌هاردی و ماروشات، 2017)داده ی پیوسته‌ی باز ارجاع به نوعی داده دارد که در اینترنت منتشر می‌شود و قابلیت خوانایی با ماشین را دارد و علاوه بر این به سازه‌های داده ای دیگر نیز بسته و مربوط است (ماکیوفسکی، 2016). از طرفی اگر این داده‌ها ای با سرعت زیاد در حجم و تنوع بالا منتشر شوند، داده‌های عظیم نامیده می‌شوند(لِیک و دریک، 2014؛ تسایی و همکاران، 2015؛ مارو و همکاران، 2015) این جنس از داده هم به عنوان یک جریان آگاه سازنده هم به عنوان یک نماد عینی از دموکراسی می‌تواند مطرح باشد. درباره تاثیرگذاری داده‌ها بر حوزه عمومی‌و متعاقب آن دموکراسی جای دارد در ابتدا حوزه عمومی‌را به خوبی بشناسیم.اندیشه ریشه‌دار تفکیک ساحت‌های حیات اجتماعی بشر به در حوزه عمومی‌و خصوصی، در عصر جدید و ظهور و تطور مدرنیته، دستخوش تغییر شده و با تفکیک حوزه قلمرو دولت از قلمرو حوزه عمومی‌(Public Sphere) همراه بوده است. یورگن‌هابرماس، فیلسوف و جامعه شناس آلمانی از جمله صاحب نظران شاخص در مورد مفهوم حوزه عمومی‌در قرن بیستم به شمار می‌رود که به بررسی آن پرداخته است.‌ هابرماس در سال ۱۹۶۲ کتاب تحول ساختاری در حوزه عمومی‌و در سال ۱۹۸۱ کتاب نظریه کنش ارتباطی را منتشر کرد و در این دو اثر به حوزه عمومی‌پرداخت. به نظر ‌هابرماس، تحول سرمایه داری تجاری در قرن شانزدهم، همراه با اشکال نهادی و در حال تغییر قدرت سیاسی، شرایط ظهور نوع جدیدی از حوزه عمومی‌را در اوایل اروپای مدرن به وجود آورد. در این مضمون، معنای «اقتدار عمومی» آغاز به جابجایی کرد و بیش از پیش، به فعالیتهای یک نظام حکومتی که از نظر قانونی، حوزه‌های انحصار استفادة مشروع از قدرت را معین کرده بود، متمایل شده است. (حبیب‌نژاد و شیرزاد، 1398). « حوزه عمومي جدا و مستقل از دولت، نه همانند روابط شخصی و خانوادگی، خصوصی است و نه قلمرو اقتدار دولت است؛ بلکه فضا و عرصه‌ای اجتماعی است که در آن شهروندان در شرایطی برابر و عاری از هرگونه زور، فشار و مصون از دخالتهای دولت، از راه گفتگو، تبادل دیدگاهها، استدلال و مفاهمه درباره امور عمومی‌و خیر و منافع مشترک، مجموعه ای از رفتارها، مواضع و جهت گیری‌های ارزشی و هنجاری را ایجاد و تصمیم گیری می‌کنند.» (نوذری به نقل از‌ هابرماس ، ۱۳۸۱) از نظر‌ هابرماس حوزه عمومی‌به معنی دقیق کلمه عرصه ای است که هیچ حد و حدودی بر فعالیت آن وضع نشده باشد. به زعم وی، حوزه عمومی‌حوزه عقلانی و حقیقت یاب و حقیقت ساز جامعه است. این حوزه، عرصه فکر، گفتگو، استدلال و زبان است، شرایط مکالمه باز و آزاد در حوزه عمومی‌متضمن این اصل است که هیچ فرد یا گروهی نمی‌تواند در خارج از این حوزه (یعنی در عرصه قدرت) مدعی شناخت بهتر خیر و صلاح جامعه باشد (پرتوی و خیابانی، 1398). « حوزه عمومي جدا و مستقل از دولت، نه همانند روابط شخصی و خانوادگی، خصوصی است و نه قلمرو اقتدار دولت است؛ بلکه فضا و عرصه‌ای اجتماعی است که در آن شهروندان در شرایطی برابر و عاری از هرگونه زور، فشار و مصون از دخالتهای دولت، از راه گفتگو، تبادل دیدگاهها، استدلال و مفاهمه درباره امور عمومی‌و خیر و منافع مشترک، مجموعه ای از رفتارها، مواضع و جهت گیری‌های ارزشی و هنجاری را ایجاد و تصمیم گیری می‌کنند.» (نوذری به نقل از هابرماس ، 1381). پاسخ به پرسش‌هایی از این قبیل که آزادی، عدالت و برابری چیست، تنها در حوزه عمومی‌هر جامعه ای ممکن است داده شود و مورد پذیرش و باور قرار گیرد. حوزه عمومی‌که ‌هابرماس از آن صحبت می‌کنند، حد واسط میان دولت رسمی‌(اقتدار عمومی) که بر ابزار اعمال خشونت کنترل دارد و حوزه خصوصی است و کارکرد فعال اجتماعی آن، وابسته به تمایز قطعی و جدایی بین این دو حوزه است(حبیب‌نژاد و شیرزاد، 1398). «مردم، هم به فضایی نیاز دارند تا روابط شخصی و خانوادگی خود را آسوده خاطر از دخالت‌های دولت، تنظیم و مدیریت نمایند و هم به فضایی عمومی‌نیازمندند تا فارغ از مداخلات دولت، به گفتگویی عقلانی، منطقی و انتقادی درباره امور عمومی‌و خیر و مصلحت مشترک پردازند». در این پیکره عمومی‌می‌توان مسائل و موضوعات مورد علاقه عمومی‌را به بحث و بررسی گذاشت؛ عرصه‌ای که در آن می‌توان اختلاف نظرات، آرا و افکار را از طریق بحث و استدلال منطقی و نه از طریق توسل به جرم یا مسلم و با توسل به احکام سنتی صادره از سوی عرف وعادات حل کرد، مهم ترین شاخص حوزه عمومی، رهایی از حوزه اقتدار دولتی است (عبداللهی و شیخ انصاری، 1396). بر این اساس، حوزه عمومی‌حوزه ای مستقل و سازمان یافته است که در عین حال که تنظیم رفتار شهروندان و محدود ساختن مداخلات دولتی را بر عهده دارد. میانجی مناسبات دولت و اتباعشان نیز هست. تنها در حوزه عمومی‌جامعه می‌توان اهداف و خواست‌های معقول را تعیین و دولت و سیاست را عقلانی کرد.» (پولادی به نقل از ‌هابرماس، ۱۳۸۸) به دیگر سخن، یکی از اهداف عمده حوزه عمومي جدا از دولت، نظارت بر دولت و شفاف کردن أعمال و تصمیمات عمومی، سیاسی و اداری است. «هرکس به طور بالقوه حق حضور و مشارکت در این فضا را دارد و در این حوزه کسی را بر دیگری برتری و امتیازی نیست.» (پرتوی و خیابانی، 1398).‌هابرماس ریشه‌های تاریخی و مکانی ظهور حوزه عمومی‌را در درون سالن‌ها و مجامع عمومی‌و بحث‌های آزاد و علنی پیگیری می‌کند، از جمله باشگاه‌ها، کافه‌ها، روزنامه‌ها و مطبوعات که در واقع طلایه دار و پیشگام روشنگری ادبی و سیاسی به شمار می‌آیند. در حوزه عمومی‌مردم آزادانه افکار خود را هم در مقام فرد و هم در مقام ذهنی مشترک شکل می‌دهند و افکار مشترک حاصل شده، از طرق گوناگون بر حکومت و قدرت سیاسی اثر می‌گذارد و آن را کنترل یا برخی از سیاست‌های آن را تعدیل می‌کند (غفاری و بهرام، 1394). در مقام جمع بندی و ارائه تعریف از حوزه عمومی‌می‌توان بیان داشت: « حوزه عمومی‌به مثابه گونه ای فضای عمومی‌است که در آن اعضای جامعه از راه رسانه‌های گوناگون نظیر مطبوعات رسانه‌های الکترونیکی و حتی ارتباط چهره به چهره با همدیگر ملاقات می‌کنند و درباره موضوعات مورد علاقه مشترک، بحث و گفتگو می‌کنند و بنابراین قادرند درباره این موضوعات، ذهنیت یا عقيده مشترکی را شکل دهند.از دهه‌ی ۱۹۷۰ م. علایق رو به رشدی نسبت به نظریه اجتماعی و فرهنگی در طرح پرسش از فضا و مکان به وجود آمده است. به طور کلی در گذشته نظریه مدیران بیشتر به زمان علاقه مند بود و آن را به مثابه ي حوزه پویای تغییرات اجتماعی در نظر می‌گرفت و در مقابل، فضا عنصری مرده، ثابت و بی تحرک تلقی می‌شد که حرکت‌های تاریخ آن را به پیش می‌برد. امر مدرنه با زمانمند کردن واقعیت و وجود انسانی، همه فضا را به حیطه ی فراموشی سپرده بودند (لارنس گراسبرگ، ۱۳۸۶). مفهوم فضای مجازی که به رمان نویس به نام ویلیام گیبسون (۱۹۸۴) نسبت داده می‌شود، به منزله ی مفهوم امکان بیان، است یعنی جایی که واژگان، روابط آنی، داده‌ها، موقعیت مالی و قدرت با استفاده از کامپیوترها با واسطه فناوری ارتباطات آشکار می‌شوند. در یک تعریف ساختارگرا می‌توان گفت: فضا، بر ساخت و تجلی مادی روایتی اجتماعی است که مفروضات و اعمال فرهنگی را نشان می‌دهند (پار کر، 1391) ‌هاروی و کاسئلز بر ساختن و بازسازی فضاها به منزله محیطی تأکید می‌کند که با گسترش سرمایه داری صنعتی خلق شده است. آنها می‌گویند جغرافیای شهرها نتیجه عوامل طبیعی نیست، بلکه نتیجه قدرت سرمایه داری در ایجاد بازارها و کنترل نیروی کار است (پار کر، 1391) به زعم‌هاروی نظام سرمایه داری برای باز تولید روابط توليد که شرط بقای آن را البته به طور موقت تضمین می‌کند در مرحله سوم که آن را به صورت دیالکتیکی و در قالب ستری برای چرخه‌های اول و دوم سرمایه می‌آورد، نیازمند فناوری‌های ارتباطی و شبکه‌های اطلاعاتی گسترده است. از نظر‌هاروی سرمایه داری از منظر تولید (چرخه اول سرمایه داری جلد اول کاپیتال مارکس نیازمند تکمیل شدن از طریق سرمایه داری از منظر مصرف (چرخه دوم) و از منظر علم، فناوری و ارتباطات (چرخه سوم) و همین طور به صورت مارپیچی از این قیل چرخها در پویایی‌های نظام سرمایه داری است (هاروي، 1393). ما در این پژوهش هر کجا از فضای مجازی یاد شد بر مبنا و پایه ریزی انجام شده ای که در این جا به آن اشاره کردیم به تحلیل و بررسی می‌پردازیم.‌ هابرماس به چگونگی تضعیف حوزه عمومی‌نیز اشاره دارد و معتقد است که دخالت دولت، سیاست‌های حزبی و دستکاری رسانه‌های جمعی، حوزه عمومی‌را تضعیف می‌کند و حوزه عمومی‌به عنصری ایدئولوژیک بدل می‌شود. به عقیده‌ هابرماس، علت زوال مباحثه دموکراتیک راستين، نقشی است که رسانه‌های جمعی انحصاری در ناآگاه و خوش باور نگه داشتن عامه مردم ایفا می‌کنند. اگر حوزه عمومی‌تحت سلطه و سیطره تعداد معدودی از سازمانها و تشکیلات عظیم و قدرتمند قرار گیرد، این حوزه به وسیله و ابزاری برای دستکاری منافع و اذهان عمومی‌تبدیل می‌شود و هر گروه ذینفع خاصی می‌کوشد با دست پیدا کردن بر وسایل ارتباط جمعی، منافع خصوصی خود را به عنوان منافع عمومی‌جلوه دهد که این تاثیر پذیری منفعلانه، یکی از ویژگی‌های حکومتهای توتالیتر و اقتدارگر است که به سادگی مردم را به گله‌های رام شدنی تبدیل می‌کنند (پولادی به نقل از ‌هابرماس، ۱۳۸۸).هابرماس برای رهایی از این وضعیت، به دنبال احیای دوباره حوزه عمومی‌است.او برای نیل به این مقصود، «نظریه خرد ارتباطی» (The Theory of Communicative Action) را به عنوان قاعدة حاکم بر بحث و گفتمان برای رسیدن به حقیقت مبنی بر توافق ارائه می‌کند.» خرد ارتباطی، نظریه نوینی است که در مقابل مفهوم رایج «عقلانیت ابزاری » ابراز شده است (واشیانی، 1398). عقلانیت ابزاری یا عملی شیوه ای از زندگی است که فعالیت‌های فردی و اجتماعی را برای تأمین منافع فردی با رویکردی عمل گرایانه لحاظ کند. این نوع عقلانیت برای رسیدن به اهداف عملی معین، مناسبترین وسیله را درنظر می‌گیرد. چنین عقلانیتی ناظر به الگوی وسیله - هدف می‌باشد .خرد ارتباطي‌ هابرماس، عقلی است که دیگر در محتوای یک نظم کهن با در اندیشه‌های از پیش تعیین شده جای نمی‌گیرد؛ بلکه فقط در ارتباطی موجودیت می‌یابد که ما با یکدیگر برقرار می‌کنیم( فکوهی و همکاران، 1388). ‌هابرماس با طرح نظریه خرد ارتباطی معتقد است که مدرنیته در طول تاریخ تطور خود، دو مسیر را پیموده است. یکی مسیر عقلانیت ایزاری و دیگری مسیر عقلانیت ارتباطی با فرهنگی، در عقلانیت ابزاری، انسان متجدد، مدعی سلطه بر طبیعت شد و طبیعت را تسخیر کرد و یک عقل ابزاری شکل گرفت که نهایتا دامن گیر خود انسان هم شد و مخلوق انسان، یعنی تکنولوژی برانسان تسلط پیدا کرد. ولی مدرنیته غربی یک خط توسعه دیگری هم داشت و آن، عقلانیت ارتباطی و فرهنگی بود. در واقع مدرنیته با عقلانیت فرهنگی شروع شد که شاخص‌های آن، حوزه عمومی، جامعه مدنی، کنش کلامی‌آزاد، تضعیف و تخریب ایدئولوژی، ظهور منطق زبان و خلاصه، حوزة حوزه عمومی‌و نسبت آن با روابط بين الأذهائي افراد بود. (اشرف نظری، ۱۳۹۰)‌ هابرماس مدعی غلبه تدریجي عقلانیت ابزاری بر عقلانیت ارتباطی و در نتیجه تخديش آگاهی، آزادی و فردیت انسان است و تکمیل پروژه ناتمام مدرئینه را منوط به احیاء عقلانیت ارتباطی در جوامع مدرن می‌داند(عبداللهی و شیخ انصاری، 1396). در واقع‌ هابرماس معتقد است که در زندگی اجتماعی برخی حوزه‌های ارتباطی وجود دارند که در آنها منطق سود و زیان، تحت تأثیر احساسات انساني ناشی از ارتباط‌های رو در رو کم رنگ می‌شود و تأثیرگذاری ناشی از همدلی، جریان قدرت و تسلط را تغییر می‌دهد. او جریان آزاد اطلاعات را در جهان امروزه زمینه ساز توسعه این حوزه‌ها می‌داند (کریمی، ۱۳۹۲). «حوزه‌هایی که با توسعه آنها می‌توان به گفتگو پویا و تأثیرات متقابل فرهنگها برهم امید داشت و با تقویت فرصت‌های اظهار نظر، به دموکراتیزه شدن ساختارهای قدرت پرداخت.» (پولادی به نقل از‌ هابرماس، ۱۳۸۸).در این پژوهش و ارکان آن مانند اهداف و سوالات پژوهش هر کجا به مفهوم حوزه عمومی‌و عقلانیت ارتباطی اشاره شد منظور این برداشت از حوزه عمومی، همین تعریف با ویژگی‌ها و تحلیل‌های یاد شده است. اثرگذاری اینترنت بر این حوزه عمومی‌نیز در همین راستا بررسی می‌شود.به عقیده بیل ریدینگز نیز اینترنت محملی برای دموکراسی و فرصتی برای برابری شهروندان است. ریدینگز این چنین اظهار نظر می‌کند، فضای مجازی نوعی فضای فوق سرزمینی با شکلی فرهنگی از شناخت پسا ملی گرایی است و در سرتاسر شبکه‌ها جریان دارد. اینترنت حامل مكالمات بین میلیون‌ها نفر بدون توجه به جنس، نژاد با رنگ آنهاست، و ظاهرا چنین تصور می‌کند که نكته ی اصلی برای هر کس آن است که فقط به مبادله اطلاعات کمک کند، یا در مکالمه جهانی، بزرگ شرکت جوید(یزدان‌پناه و همکاران،1397). در این چارچوب داتا ‌هاروی(۲۰۰۰) معتقد است: «جهان سایبر که درباره واقعیات اجتماعی زنده و جسمانی است که در آن افراد از خویشاوندی با حیوانات و ماشین‌ها و تپز هویتهای دائما محدود و دیدگاه‌های منافقي ترسی ندارند. افسانه سایبری بر اساس تخیلات، تصورات و واقعیات گفتمانی خلق شده است که به ایجاد جهان سلطه و تجاوز کمک کرده است. جهانی که در آن علم به طور همزمان به تحکیم روابط سرکوب گرانه و مورد سؤال قرار دادن دو گانگی ما بین فرهنگ و طبیعت می‌پردازد (استیونسن، ۱۳۸4). کریستوفر می‌(۲۰۰۲) در اثر خویش تحت عنوان «در جامعه ی اطلاعاتی: دیدگاهی شکاکانه دیدگاه‌های اغراق آمیز در مورد انقلاب اطلاعاتی را مورد نقد قرار میدهد. او معتقد است که فناوری‌های اطلاعاتی و ارتباطی جدید تغییرات واقعی را به ارمغان بیاورده اند. نظر به این که این فناوری‌ها تنها به لحاظ کمی‌و ته کیفی منجر به بروز تغییراتی شده اند(یانگ، ۲۰۰۵). می‌با اشاره به اثرات فناوری‌های اطلاعاتی و ارتباطی بر کار، مالكيت، اجتماع، سیاست و همچنین نقش آن در دولت و صنعت استدلال می‌کند این فناوری‌ها بدون این که جایگزین چیزی شوند. تنها برخی از عناصر جدید را همراه خود آورده اند. می‌بر این اعتقاد است که مفهوم طبقه در جامعه اطلاعاتی تا حد زیادی معنای خود را از دست می‌دهد به دلیل این که جامعه اطلاعاتی بر مبنای تصاحب مالكيت ذهنی به حیات خویش ادامه می‌دهد(مِی،2002). اینترنت و سایر شکل‌های پدیدار شونده‌ی ارتباطات الکترونیک در حال از بین بردن نظام‌های سنتی دموکراسی و مرزها و نزدیک تر کردن فرهنگ‌ها به یکدیگرند (عقیلی،1397). همچنین فناوری‌های اطلاعاتی پیشرفته می‌تواند به تقویت بخش‌های اساسی و مهم کمک و یاری دهد و به عنوان یک پشتیبان محكم حوزه عمومی‌دموکراسی عمل نماید (لیوتار، 1387). در این زمینه کلنر بیان می‌کند جامعه‌ی جهانی جدید نوعی جامعه ی فن/سرمایه دارانه است و به تغییر شکل جامعه سرمایه داری به گونه ای می‌اندیشد که در آن فناوری نه برای سلطه بر خرده نظام‌های اجتماعی، بلکه برای اعتلای آزادی فرهنگی انسان اجتماعی، شیوه‌های جدید سازماندهی اقتصاد، سیاست، اجتماع و فرهنگ را تمهید می‌کند (حسنی، ۱۳94). استفاده از فناوری‌های اطلاعاتی و ارتباطی، نیروهای گریز از مرکز را تقویت می‌کند، با کمک این فناوری‌ها آنها می‌توانند روابط اطلاعاتی و ارتباطی خود را شکل دهند و حیطه‌های نفوذ مدیریت خود را اداره کنند. به این ترتیب، آنها نظام سیاسی مختص خود را می‌سازند و نقش هماهنگ کننده دولت در یک قلمرو خاص را کنار می‌زنند. برخلاف دولت، فناوری‌های اطلاعاتی هیچ مرزی ندارند (کاراز و جیاتی، 2011). رهبری در آنها معمولا بر شایستگی و شخصیت بنا دارد تا مرتبه ی اجتماعی با سازمانی و بنابراین قدرته سریع تر و آسان تر از دیوانسالاری جا به جا می‌شود و با پیدایش وضعیت‌های تازه ای که به مهارت‌های جدید نیاز دارد، از کسی به کسی دیگر انتقال می‌یابد (تافلر، 1386).حال اینترنت بستری را فراهم آورده است تا افراد بتوانند به اطلاعات به صورت نا محدود و ارزان با قابلیت تحلیل و ارزیابی دسترسی داشته باشند. این اطلاعات که به عنوان داده‌های باز شناخته می‌شود چه تاثیری بر توسعه حوزه عمومی‌و متقابلا اجرای دموکراسی رایزنانه ‌هابرماس دارند؟در حال حاضر در دنیا روند تغییرات به سمت استفاده از داده‌ها در کاربردهای گوناگون است و مساله حکومت و حکمرانی و به تبع آن دموکراسی نیز از آن مستثنی نبوده است(یانسن و کوک، 2016؛ متئوس ویانسن، 2015؛ ساژنا، 2017). در درون پارادایم‌های اطلاعات نیز روند‌های گوناگونی در حال شکل گیری است که ازمیان آن‌ها صورت بندی BOLD که خلاصه ای برای اطلاعات باز، عظیم، و پیوسته داده‌ای است بیش از سایرین مورد توجه قرار گرفته است(خان و همکاران، 2015؛ یانسن و کوک، 2016). منظور از داده‌های باز حکومتی مجموعه ای داده‌هاست که به صورت رایگان یا هزینه کم، در دسترس شهروندان قرار گرفته باشد(یانسن، 2012) و امکان خوانش ماشینی، باز نشر و استفاده دوباره برای این داده‌ها فراهم باشد(هاردی و ماروشات، 2017). از طرفی اگر این داده‌ها ای با سرعت زیاد در حجم و تنوع بالا منتشر شوند، داده‌های عظیم نامیده می‌شوند(لِیک و دریک، 2014؛ تسایی و همکاران، 2015؛ مارو و همکاران، 2015) و داده‌های پیوسته اشاره به فرایندی دارد که در آن مجموعه از بهترین تجربیات برای انتشارداده‌های ساختار یافته در اینترنت پیگیری می‌شود(ویراکدی، 2016). این آخرین مرحله در یک پیاده سازی درجه یک از نقشه ای برای انتشار داده‌های باز است. داده ی پیوسته ارجاع به نوعی داده دارد که در اینترنت منتشر می‌شود و قابلیت خوانایی با ماشین را دارد و علاوه بر این به سازه‌های داده ای دیگر نیز بسته و مربوط است(میلتی و حسین، 2016). ما شاهد آن هستیم که استفاده از داده‌های BOLD در عرصه‌های مختلف حاکمیتی گسترش داشته است. بررسی رضایت شهروندان، مبارزه با فساد، بررسی کارایی و بهروری دولت و بسیاری دیگر از مسائل در حال حاضر با استفاده از داده‌های BOLD تغییرات اساسی یافته و ضمن حل برخی مشکلات در آن‌ها حتی شاهد توسعه به صورت کلی در یک مفهوم بوده‌ایم(ماکیوفسکی، 2016) https://docs.google.com/document/d/1xR6oR6vI8N2WIKIosQFnhNEHNWYjLRkWnNcehq5gvC4/edit?usp=sharing نگاه انتقادی به ادبیات موضوع آ) نگاه بومی‌ به مساله حوزه عمومیبه اقتضای مکتبی و کمال گرا بودنِ قانون اساسی ، نمی‌توان تطبیق کاملی میان حوزه عمومی‌و نظام حقوق اساسی جمهوری اسلامی‌ایران برقرار کرد و تنها با تفاسیر و برداشت‌های نوین می‌توان انتظار داشت که این دو نظام به هم نزدیکتر گردند و از مزایای یکدیگر بهره ببرند ؛ ولی درعین حال این همانیِ میان آن‌ها قطعاً منتفی است. مصادیق این عدم تطابق را در مواردی مانند مربوط به حق بر مشارکت از طریق اداره امور عمومی‌با انتخابات آزاد، وجود اصول غیرقابل بازنگری، حق بر انجمن سازی شهروندانو گروه‌ها، و جایگاه آزادی بیان و عقیده شاهد بود.(حبیب‌نژاد و شیرزاد، 1398). هرمن و چامسکی با بررسی اخبار نظریه ای در مورد رسانه‌ها ارائه می‌کنند که تا حدی به بحث کنونی ما تعمیم پذیر است. این دو اذعان دارند که در انتشار یک داده در میان مردم( حوزه عمومی) پنج فیلتر اساسی وجود دارد که باید بررسی شود. فیلتر اول مربوط به مالکیت ابزار انتشار اطلاعات است. فیلتر دوم به بررسی منابع درآمدی انتشار دهنده اطلاعات اشاره دارد فیلتر سوم به منبع خبر اشاره می‌کند و فیلتر چهارم احتمال مواخذه در صورت انتشار یک اطلاعات را مورد بررسی قرار می‌دهد. در نهایت بحث کنترل و ممیزی به وسیله ایدئولوژی حاکم مورد تجزیه و تحلیل قرار می‌گیرد (دهقان و احمد، 1398) . اگر ما این مدل را به عنوان یک ابزار در جهت بررسی امکان پیاده سازی داده‌های باز حکومتی برای ایجاد توسعه فضای عمومی‌در نظر بگیریم انگاه در میابیم که در مورد استفاده از داده‌های بُلددر ایران نمی‌توان خوشبین بود.ب)انتقادات و بررسی‌های تاریخی/جامعه شناسانه:قسمت اعظم مطالب انتقادی که درباره اینترنت به نگارش در آمده یا به روش‌هایی اشاره کرده اند که اشکال فناورانه جدید به انباشت سرمایه، کالایی کردن و نابودی حوزه عمومی‌پیوند زده شده اند و یا به خوش بینی به امکانات ارتباطی اشاره کرده اند که ساختار‌های اطلاعاتی دارای سازمان افقی و نه عمودی بیانگر آن هستند.· خوشبینان به آینده به خصوص جنبش هایی که ریشه هنرسالارانه داشتند، ستایش از فناوری مدرن را تا حد نوعی شیفتگی افراطی عجیب و غریب و خودویرانگر به پیش بردند. که این شیفتگی به ماشین‌ها پس از جنگ جهانی اول در قالب اشکال پالایش یافته زیباشناسی ماشین پاستورالهای تکنوکراتیک گرو پیوس و مايز وان درروهه، لوکوربوزیه و لژه و مکتب معماری باوهاس، و باله مکانیکی روبه رو می‌شویم.· پس از دومین جنگ جهانی نیز باز همین شیوه را در کمینستر فولر و مارشال دو فصلنامه علمی‌- پژوهشی مک لوهان، و در شوک آینده الوین تافلر باز می‌یابیم. مک لوهان، در فهم رسانه‌ها (۱۹۶۴)، اینچنین می‌گوید: «در یک کلام کامپیوتر به اتکای فناوری ظهور نوعی وضعیت قدسی فهم و درک وحدت مطالعات همگانی را وعده می‌دهد. ظاهرا گام منطقي بعدی باید دور زدن و کنار گذاردن زبان‌های مختلف به نفع یک آگاهی کیهانی عام باشد. به موازات وضعیت بی وزنی، که به قول زیست شناسان وعده فناناپذیری جسمانی را در خود نهفته دارد، می‌توانیم به وضعیت بی کلامی‌دست یابیم که نوعی صلح و هماهنگی جمعی دائمی‌را به ما عطا کند» (برمن، 1386).· گیدنز جامعه شناس انگلیسی نیز (۱۹۹۰) دیدگاه خوشبینانه ای از فناوری جدید اطلاعاتی دارد، او عقیده دارد که مخابرات راه دور می‌تواند ارتباطات زمان و فضا را به گونه ای که منجر به یأس و ناامید شدن مردم نشود، دگرگون سازد. به جای آنکه آنان قدرت خود را از دست بدهند، قادرند تا مثلا با مشارکت در نوعی فعالیت سیاسی که محدود به هویت‌های قومی‌و یا ملی نیست از امکانات جدید استفاده کنند. به زعم او روابط اجتماعی را می‌توان در فضایی گسترده و در زمانی کوتاه دوباره سازماندهی کرد (مویر، ۱۳۷۹)· در ادبیات اخیر خوش بینانه نیز جامعه اطلاعاتی یک جامعه فرا صنعتی است که در آن اطلاعات و فناوری‌های اطلاعاتی نیروهای اصلی رشد هستند. در جامعه اطلاعاتی نوظهور گروه‌های اجتماعی و کارگران خدماتی جدید اکثریت عمده را تشکیل می‌دهند. این جامعه همچنین جامعه ای مرفه است که هر کسی از آن منتفع می‌شود. ایالات متحده مدلی از چنین جامعه ای است (بویان، ۲۰۰۸). از چنین منظری در جامعه اطلاعاتی به طور مستمر توانایی‌ها، مهارت‌ها، دانش و قابلیتهای ضروری تغییر می‌کنند که این امور برای موفقیت کارکنان بسیار مهم هستند (براک و باکلی، ۲۰۱۳)در قطب مخالف دیدگاه‌های دنباله رو ماکس وبر و سنت فوکویی را داریم که انتقادهای زیادی را به دنیای فناوری وارد کرده و شهروندی و دموکراسی مجازی را در این فضا در‌هاله ای از تردید فرو برده اند.· ماکس وبر در کتاب، اخلاق پروتستانی و روح سرمایه داری (۱۹۰۴)، کل جهان سترگ نظام اقتصادی مدرن» را به مثابه «قفس آهنین» ترسیم می‌کند. این نظام انعطاف پذیر کاپیتالیستی، بوروکراتیک و قانون گذار زندگی همه افرادی را که در چارچوب این مکانیسم زاده می‌شوند با نیروی مقاومت ناپذير تعیین می‌کند. در نظر وبر، معاصران وی چیزی نیستند مگر متخصصان بی روح و لذت پرستان بی دل؛ و این موجود انسان مدرن اسیر این توهم است که به سطحی از رشد و توسعه رسیده است که نوع بشر قبلا هرگز بدان دست نیافته است. بنابراین جامعه ی مدرن نه تنها قفسی آهنین است، بلکه ماهیت اعضای آن نیز توسط میله‌های همیین قفس تعیین می‌شود (برمن، 1386)· دیدگاه‌های میشل فوکو نیز مجموعه ای بی پایان و عذاب آور از تغییرات گوناگون بر مضامین وبری قفس آهن است. دغدغه همیشگی فوکو با زندان‌ها بیمارستان‌ها، تیمارستان‌ها و به طور کلی نهادهای تام است. فوکو به طور کلی منكر امکان تحقق هر گونه آزادی، چه در بیرون نهادها و چه در چارچوب پیچ و خم‌های درونی آنهاست و وحشیانه ترین تحقیر خویش را تثار کسانی می‌کند که خیال می‌کنند آزاد بودن برای بشر مدرن مهم است. به عم او قدرت خود را در صورت‌های مختلف بازتولید می‌کند و فناوری بخشی از آن است. ما به قدرت دست نمیابیم و تنها از سوی قدرت به جلو رانده می‌شویم. هر انتقادی در حکم تو خالی است؛ زیرا خود منتقد در ماشین سراسر بین نشسته است، بهره مند و انباشته از اثرات قدرت آن؛ زیرا ما بخشی از مکانیسم آن هستیم (برمن، 1386).· زیگمونت باومن نیز هنگامی‌که «تولید کنندگان نخبه معنا»ی نوین را با انخبگان لاتین گو و لاتین نویس حاضر غیاب و فوق سرزمینی اروپای قرون میانه مقایسه می‌کند. نکته جالبی را خاطر نشان می‌سازد: اعضای سایبرنتیکی، که به طور مطمئتی در وب سایت‌های اثیری اینترنتی لنگر انداخته، معادل امروزی زبان لاتین قرون میانه است . فضایی که برگزیدگان آموزش دیده امروز در آن به سر می‌برند و امکان کمی‌برای آن هست که ساکنان فضای سایبرنتیک بتوانند درباره آن با کسانی صحبت کنند که هنوز با نامیدی گرفتار فضای فیزیکی کاملا واقعی اند. بخصوص این که آنها بتوانند از این گفتگو سود ببرند.(باومن، ۱۳۸6).پ) انتقادات از نگاه تکنولوژیکسومین انتقاد این مساله است که شهروندان امنیت داده ای خود را در در دنیای اطلاعات از دست خواهند داد. خطر تعقیب پذیری همه‌ی کنش‌های کاربران شبکه‌های عمومی‌چیزی است که بیشترین ترس را در میان مردم ایجاد کرده است. در اینترنت، همه‌ی مراحل کسب اطلاعات و خدمات مکالمه‌ای را فناوری‌های موسوم به پیگیری ثبت می‌کنند. برای هر قدم برداشته شده در اینترنت یک فایل گزارشی وجود دارد. همچنین استفاده از شماره مشترک در شبکه‌های دیجیتالی می‌تواند باعث ثبت هويت تماس گیرنده شود. با استفاده از فناوری‌های مختلف، شماره‌ی تماس گیرنده ثبت می‌شود (ون دایک، 1395). با توجه به امکاناتی که فناوری‌های جدید برای نظارت و مدیریت و کنترل مرکزی پدید آورده است، می‌توان صورت‌های دیگر از حاکمیت با تمايلات تمامیت خواهانه را متصور شد. برای درکی حقیقی از این صورت‌های جدید حاکمیت، نباید پنداشت که آنها به نظارت مستقیم با کنترل کامل همه‌ی سطوح تولید و توزیع اطلاعات نیاز دارند. قدرت سیاسی یا اقتصادی را تنها باید هنگامی‌به کاربرد که شهروندان، کارگران با و مصه ملی و بی مصرف کنندگان از یکی از خطوط تعیین شده که توسط نظام‌های کلان و گسترده الکترونیکی ثبت و محافظت می‌شوند، عبور کنند شفافیت که هدفی قابل تحسین در عملکرد صحیح و موقتی یک جامعه ی دموکراتیک است. هنگامی‌که در ارتباط با نظارت دولت تعریف می‌شود، معنای متفاوت پیدا می‌کند. دولتمردان غالبا به دنبال شهروندان اشقانه هستند، کسانی که رفتارهای آنان به سهولت قابل تشخیص و کنترل می‌باشند (دربیگی، 1395). مسئله جرم در محیط اینترنت یکی دیگر از عواملی است که دخالت فزاینده ی نهاد قدرت را در محیط مجازی افزایش می‌دهد (کوثری ۱۳۸۷).تعریف مفاهیم اصلی داده‌های بازداده های باز ایده‌ای است که برخی از داده ها باید آزادانه و قابل خوانش توسط کامپیوتر در دسترس همه قرار بگیرند تا آنها را بدون دلایل کپی رایت ، ثبت اختراعات یا سایر سازوکارهای کنترل استفاده و منتشر کنند (یانسن و کوک، 2016؛‌هاردی و ماروشات، 2017).ساحت عمومیحوزه عمومی آلمانی ( entffentlichkeit) زمینه‌ای در زندگی اجتماعی است که افراد می توانند برای آزادانه بحث و شناسایی مشکلات اجتماعی جمع شوند و از طریق آن بحث بر فعالیت سیاسی تأثیر بگذارند(پولادی به نقل از ‌هابرماس، ۱۳۸۸).خرد ارتباطیخرد ارتباطی، نظریه نوینی است که در مقابل مفهوم رایج «عقلانیت ابزاری » ابراز شده است (واشیانی، 1398). خرد ارتباطي‌ هابرماس، عقلی است که دیگر در محتوای یک نظم کهن با در اندیشه‌های از پیش تعیین شده جای نمی‌گیرد؛ بلکه فقط در ارتباطی موجودیت می‌یابد که ما با یکدیگر برقرار می‌کنیم( فکوهی و همکاران، 1388).پی‌نوشتاگر 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 بخونیددرباره AI Policies and Plans Repositoryاز طریق کانال‌های زیر می‌توانید با من در ارتباط باشید:ایمیل من: javadsadeqi@gmail.com آیدی تلگرام من: https://t.me/javaadsaadeghiلینکدین من توئیتر من javad sadeghi javad sadeghi Wed, 10 Feb 2021 12:04:16 +0330 https://virgool.io/@javaadsaadeghi/%DA%A9%D9%84%D8%A7%D9%86-%D8%AF%D8%A7%D8%AF%D9%87-%D8%A8%D8%B1%D8%A7%DB%8C-%D8%B3%DB%8C%D8%A7%D8%B3%D8%AA-%DA%AF%D8%B0%D8%A7%D8%B1%DB%8C-r8f6serxzfne در بخش پیشین مقدمه ای در ارتباط با کلان داده ها را مطرح کردیم. در این بخش در این ارتباط صحبت می‌کنیم که کلان داده ها چگونه بر اجرای سیاست ها اثر گذار هستند.استفاده از کلان داده برای حل نارسایی‌های ناشی از اجرا با رویکرد پایین به بالا در خط‌مشی چنانچه در ادبیات موضوع اجرا و به خصوص در کتاب‌های اجرا و ارزیابی خط‌مشی عمومی‌‌مورد بحث قرار گرفته است رویکرد پایین به بالا که با تاکید بر مشکلات به جای اهداف خط‌مشی، توجه به بروکرات‌های سطح خیابان به جای خط‌مشی‌گذاران و جست‌وجو و بها به شبکه‌های خط‌مشی در تحلیل خود را مطرح کرد و در برابر رویکرد بالا به پایین اجرای خط‌مشی قرار گرفت. این رویکرد در نهایت مانند رویکرد بالا به پایین نارسایی‌هایی دارد که موجب می‌شود نتواند به عنوان راه‌حل جایگزین شناخته شود. به نظر می‌رسد که برخی از این نارسایی‌های مطرح شده به وسیله تکنولوژی‌های اطلاعاتی از جمله کلان داده ها قابل تغییر است. در واقع نگارنده نمی‌تواند مدعی شود که این نارسایی‌ها با استفاده از این تکنولوژی‌های حل شده است بلکه مدعی این است که در صورت تمرکز در جهت حل، این نارسایی‌ها قابل حل است. در زیر به برخی از این موارد اشاره می‌شود:یکم: کلان داده برای حل نارسایی ناشی از نداشتن تصویر کلینارسایی رخ داده در اینجا ناشی از این است که مسئولین محلی دارای دید درست و جامعی نسبت به حدود مساله و اطلاعات مورد نیاز برای تصمیم‌گیری نیستند. در واقع ریسک این وجود دارد که سیاست‌گذاری با رویکرد بالا به پایین موجبات بخشی‌نگری را فراهم آورد. این نارسایی در کیس‌های مختلف مورد بررسی قرار گرفته است و یکی از راهکارهای ارائه شده برای آن استفاده از کلان داده و نسل جدید داشبوردهای مدیریتی است.استفاده از داشبوردهای مدیریتی علی رغم اهمیتش آن چنان که هدف این پژوهش است، نمی‌تواند تحت عنوان "توانمندسازی تکنولوژی اطلاعاتی" مورد رجوع باشد. اما نکته این است که خود داشبوردهای مدیریتی نیز در سال‌های اخیر تحت تاثیر تکنولوژی اطلاعاتی قرار گرفته‌اند و یک گام به جلو حرکت کرده‌اند. داشبوردهای مدیریتی بر خلاف نمونه‌های قدیمی‌آن‌ها با چند تغییر عمده دوران اخیر روبرو بوده اند. در زیر به مواردی از این تغییرات اشاره می‌شود:1. روند استفاده از داده در داشبوردهای مدیریتی از شکل داده‌های دوره‌ای و ایستا به کلان داده‌ های بلادرنگ و پویا تغییر کرده است. این موضوع تنها با استفاده از امکانی مانند اینترنت اشیا و کلان داده امکان‌پذیر بوده است. در دوران اخیر ما شاهد گسترش "اینترنت چیزها" یا همان IoT بوده ایم. این تکنولوژی ما را به صورت ناخواسته در شبکه ای از سنسورها قرار داده است و جریان بلادرنگ اطلاعات را برای سیاست گذاران فراهم می‌کند. اکنون دیگر نیازی به انتظار در جهت تجمیع اطلاعات مربوط به مصرف بنزین برای تصمیم گیری در مورد قیمت آن نیست و سیاست‌گذاران می‌توانند مصرف آن را به صورت لحظه ای رصد کنندیکی از راه‌های تأثیرگذاری کلان داده ها در مرحله اجرای فرآیند خط‌مشی ، تولید داده‌های واقعی است. اجرای سیاست‌های جدید بلافاصله داده‌های جدیدی تولید می‌کند ، که می‌تواند برای ارزیابی اثربخشی سیاست‌ها و بهبود فرایندهای اجرای آینده مورد استفاده قرار گیرد. آزمایش یک سیاست جدید در زمان واقعی می‌تواند بینشی در مورد اینکه آیا این اثر مطلوب را دارد یا نیاز به اصلاح دارد فراهم کند. این موضوع در ارتباط با کلان داده منجر به افزایش استقلال برای ادارات عمومی‌می‌شود، و به آنها امکان واکنش سریع در مورد نتایج ارزیابی را می‌دهد. دولت‌ها می‌توانند از آزمایش‌های خرد به صورت بلادرنگ و در زمان حال برای آزمایش سیاست‌ها با دستکاری متغیرهای ورودی در قانون، بازارها، معماری، هنجارهای اجتماعی و اطلاعات و ... استفاده کنند. اثرات مرتبط با این متغیرهای تغییر یافته را می‌توان با دقت زیادی به منظور پیشنهاد ، آزمایش ، ارزیابی و در طراحی مجدد مداخله در سیاست سنجید.2. استفاده از کلان داده و هوش مصنوعی چندین بهره بخشی برای سیاست گذاران دارد و آن‌ها قادر خواهند بود تا موارد غیر نرمال را در میان داده‌ها کشف کنند. این موارد غیر نرمال می‌تواند به طور مثال فساد مالی یا روند‌های ناشی از عدم اجرای درست قانون باشد که به دلیل عدم تطابق در میان اطلاعات توسط سیستم‌های هوش مصنوعی قابل رهگیری است.3- استفاده ازکلان داده و هوش مصنوعی می‌تواند داده‌های از دسته رفته را نیز برای سیاست گذار شبیه سازی کند. در واقع ایرادی که اینجا به رویکرد پایین به بالا وارد است عدم ایجاد یک تصویر بزرگ از حوزه مساله و خط‌مشی است؛ حال انکه با استفاده از داشبوردهای اطلاعاتی و هوش مصنوعی در رویکرد پایین به بالا نه تنها تصویر کلی از حوزه مساله خواهیم داشت بلکه آن بخش از اطلاعات ناقص که به دلایل مختلف در دست سیست گذار در شرایط عادی نخواهد بود را نیز به وسیله شبیه سازی توسط هوش مصنوعی خواهیم داشت.4- در کنار همه موارد گفته شده تحلیل روند‌ها هوش مصنوعی بر روی کلان داده ها دید بصری قابل توجهی نسبت به آینده به خط‌مشی گذاران می‌دهد. در واقع داشبوردهای اطلاعاتی به دلیل بهرگیری از فناوری‌های گسترده، خود یکی از مهمترین ابزار و تکنولوژی‌ها در تحلیل داده به حساب می‌آیند و می‌توانند ضعف ناشی از نداشتن تصویر کلی در سیاست‌گذاری از پایین به بالا رادر سیاست‌گذاری را حل کنند.دوم: استفاده از کلان داده برای حل نارسایی ناشی از نبود مشروعیت تصمیماتاستفاده از پلتفرم‌های جمع‌سپاری یکی از نوآوری‌ها و تکنولوژی‌هایی است که استفاده از آن رو به افزایش بوده است. در خط‌مشی‌گذاری با رویکرد پایین به بالا، یکی از نگرانی‌ها این است که اختیارات بخشی یا محلی در تعارض با اختیارات دولت مرکزی واقع شود و یا این که تصمیمات به دلیل نداشتن مشروعیت به درستی نتیجه‌بخش نشوند. استفاده از جمع‌سپاری این ریسک را در اجرای از پایین به بالا از بین می‌برد. جمع‌سپاری قانون‌نویسی یکی از مصادیق بهره‌گیری حکومت‌ها از خرد جمعی در بستر فناوری اطلاعات است. حکومت‌ها همواره با وضع قوانین سعی دارند که امنیت و آسایش را برای شهروندانشان به ارمغان بیاورند. علاوه بر این به کارگیری کلان داده ها امکان تحلیل روند و تحلیل محتوا از نظراتشهروندان را برای ما فراهم می آوردسوم: استفاده از کلان داده ها برای سیاست در بحراندر منابع از جمله کتاب اجرا و ارزیابی دکتر منوریان ذکر شده است که در حل مسائل و اجرا با رویکرد پایین به بالا ما نیازمند منابع و زمان بسیار زیاد هستیم. به این معنی که سیاست‌گذاری و تصمیم گیری با استفاده از این رویکر مستلزم صرف زمان ریاد است و در موارد بحرانی مانند جنگ و زلزله ما امکان استفاده از این رویکرد پایین به بالا را نداریم.استفاده از تحلیل محتوا شبکه‌های اجتماعی از جمله توئیتر یکی از تکنیک‌هایی است که در زمان بحران می‌تواند مورد استفاده قرار گیرد. به تازگی استفاده از این روش در ژاپن آغاز شده است. به اذعان مسئولان ژاپنی با استفاده از این روش به سریع ترین شکل ممکن اطلاعات را از رده‌های پایین به رده‌های بالا منتقل می‌شود. همچنین نارسایی‌های مربوط به هر بخش با استفاده از مِتادیتاها مربوط به هر توئیت مورد شناسایی قرار می‌گیرد. به طور مثال در با تحلیل محتوای پیام‌ها درباره الویت ارسال نیروهای روانپزشک به بخشهای مختلف زلزله زده تصمیم گیری می‌شود.چهارم: استفاده از کلان داده ها در شناسایی شبکه‌های خط‌مشی با استفاده از خوشه بندیدر خط‌مشی گذاری چه در مرحله تدوین و چه در مرحله اجرا و چه در تحلیل و ارزیابی آن توجه به شبکه‌های خط‌مشی از اهمیت بسیاری برخوردار است. در واقع امروزه برای همه فعالان این حوزه پذیرفته شده است که چه با نگاه فرایندی و چه با نگاه مرحله ای به خط‌مشی گذاری نگاه کنیم تحلیل محیط و بازیگران یکی از مهمترین اعمالی است که باید هر خط‌مشی گذار انجام دهد. مباحث مربوط به شبکه‌های خط‌مشی و اجرا و ارزیابی از سوی سایرین مورد بررسی قرار گرفته است. آنچه در اینجا موضوع بحث ماست شناسایی این شبکه‌ها است.یکی از روال‌هایی که به صورت متداول شاهدش بوده‌ایم آن است که ابزارها و فناوری ها و روش‌ها مانند استفاده از کلان داده ها در میان مدیریت بخش عمومی ‌و خصوصی جابجا شده و هر کدام از ابزارهای دیگری برای بهبود عملکرد خود بهره گرفته اند. به طورمثال برنامه ریزی بر مبنای سناریو در ابتدا در بخش عمومی‌مورد ابداع و استفاده بوده است اما هم اکنون در بخش خصوص نیز از آن استفاده می‌شود و یا برخی از تکنیک‌های مربوط به تحلیل ذینفعان در بخش خصوصی مطرح شده و برخی در بخش عمومی‌نیز آن رابه کار گرفته اند.درباره شناسایی شبکه‌های خط‌مشی نیز می‌توانیم به چنین اشاعه ای اشاره داشته باشیم. تحلیل کلان داده ها هر چند در هر دو بخش خصوصی و عمومی‌مورد توجه قرار گرفت اما در بخش خصوصی به کار گیری آن و بهرمندی از نتایجش سریع تر اتفاق افتاد. نمونه این استفاده را در بخش بندی مشتریان در علم بازاریابی شاهد هستیم. در علم بازاریابی با تحلیل کلان داده‌ ها و به طور مشخص با استفاده از خوشه بندی اطلاعات توانسته اند که بخش‌های مختلفی از اطلاعات را دسته بندی کنند و بر مبنای آن آمیخته بازاریابی را برای هر بخش طراحی کنند.به صورت مشابه این امکان برای بخش عمومی‌نیز وجود دارد که با تحلیل خوشه بندی بر روی کلان داده‌ها بتوانید شبکه‌های مختلف را در یک حوزه موضوعی استخراج کند. خوشه‌بندی به عنوان یکی از روش‌های بدون نظارت تشخیص الگوهای پنهان شناخته می‌شود و با تحلیل حجم عظیم داده‌های شبکه می‌تواند به آرا و نظرات حول یک موضوع و یا رفتار شهروندان را مورد بررسی قرار دهد و گروه‌های مختلف را به ما معرفی کند.اجرای سیاست‌ها می‌توانند توسط کلان داده Big Data از دو طریق تحت تأثیر قرار بگیرند:اول ، توانایی مشخص کردن حوزه مشکل می‌تواند راهی برای اجرای سطوح مختلف شدت سیاست باشد. به عنوان مثال ، افزایش پلیس می‌تواند با دقت بیشتری روی مناطق مشکل ساز متمرکز شود و از این طریق وقوع جرم در نقطه منشأ آن کاهش یابد.دوم ، اجرای دقیق سیاست‌های جدید تقریباً بلافاصله داده‌های جدیدی را تولید می‌کند ، که می‌تواند از این طریق برای ارزیابی اثربخشی این سیاست‌ها و تقویت فرآیندهای اجرایی آینده با شناسایی مشکلات برنامه‌های قبلی استفاده شود. تولید داده در مورد اجرای سیاستهای نه پس از آن بلکه در حین اجرای می‌تواند انعطاف پذیری بی سابقه ای را در هنگام تبدیل ایده‌های سیاست به سیاست‌های قابل اجرا به وجود آورد. به عنوان مثال ، کد مالیاتی توزیع مجدد جدید می‌تواند تقریباً بصورت بلادرنگ مورد آزمایش قرار گیرد که آیا دارای اثر مطلوب است یا اصلاح آن ضروری است و یا بر هر یک از خوشه‌ها و شبکه‌های خط‌مشی چگونه اثر گذار است . همانطور که در ابتدا در این مقاله ذکر شد ،چنین استفاده‌ای از کلان داده در سیاست این به معنای افزایش استقلال برای ادارات دولتی است تا بتوانند در اسرع وقت نسبت به نتایج ارزیابی ورودی واکنش نشان دهندپی‌نوشتاگر 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 بخونیددرباره AI Policies and Plans Repositoryاز طریق کانال‌های زیر می‌توانید با من در ارتباط باشید:ایمیل من: javadsadeqi@gmail.com آیدی تلگرام من: https://t.me/javaadsaadeghiلینکدین من توئیتر من javad sadeghi javad sadeghi Fri, 05 Feb 2021 22:47:53 +0330 https://virgool.io/@javaadsaadeghi/%DA%A9%D9%84%D8%A7%D9%86-%D8%AF%D8%A7%D8%AF%D9%87-%DB%8C%D8%A7-%D8%A8%DB%8C%DA%AF-%D8%AF%DB%8C%D8%AA%D8%A7-%D8%AF%D8%B1-%D8%B3%DB%8C%D8%A7%D8%B3%D8%AA-%DA%AF%D8%B0%D8%A7%D8%B1%DB%8C-av2nxvv9p5jh مقدمه: توضیحات ابتدایی در ارتباط با موضوع کلان داده و سیاست گذاریگزارش پیش رو قسمت اول جستاری در باب استفاده از تکنولوژی‌های اطلاعاتی به ویژه کلان داده ها یا بیگ دیتا در اجرای خط‌مشی است. در عدم استفاده از عبارت "فناوری اطلاعات" در عنوان، قصد و نیت‌مندی داشتم و آن هم این بود که عبارت "فناوری اطلاعات" در ایران و در میان فارسی زبانان بیشتر از آن که بار معنایی "فناوری" داشته باشد بار معنایی "ارتباطی" دارد. یعنی با استفاده از این عبارت آن چنان که شایسته است خواننده یا شنونده این آگاهی و هشیاری را به دست نمی‌آورد که در حال صحبت کردن در مورد یک تکنولوژی (مثل کلان داده) است. زمینه شناسی این اتفاق را می‌توان از نگاه‌های متعددی انجام داد که در این مجال نه می‌گنجد و نه منظور است؛ آنچه برای ما اهمیت دارد این است که خواننده به طور کامل هوشیار باشد که با مفهوم و برساخت‌های مربوط به تکنولوژی رو در رو است.نکته حائز اهمیت بعدی در مطالعه کلان داده یا بیگ دیتا استفاده از عبارت توانمندسازی است. با به کارگیری این عبارت بیشتر تلاش داشته‌ام تا در میان مباحث مهم و اساسی که در این حوزه‌ی جدید در جریان است بخشی را برجسته و از سایرین مرزبندی کنم. تکنولوژی‌های اطلاعاتی در حال حاضر موضوع روز دنیای علم به حساب می‌آیند؛ به طوری که از بیوتکنولوژی تا حقوق همه به گونه‌ای با آن سروکار دارند. سیاست‌گذاری هم از این جریان جدا نبوده و نیست. آنچه ما در میان موضوعات گسترده مورد بحث در مورد تکنولوژی‌های اطلاعاتی برای بررسی انتخاب کرده‌ایم "توانمندسازی"ها است. در واقع شاید بسیاری از منظرهای گوناگون دیگر مانند "سیاست‌گذاریِ تکنولوژی‌های اطلاعاتی" به این مسأله بپردازند؛ مثلاً سیاست‌های مورد نیاز هوش مصنوعی، رمزارزها و ماشین‌های خودران را بررسی و ارزیابی کنند. اما ما در این جستار بیشتر در پی آن هستیم که هر یک از این تکنولوژی‌های اطلاعاتی به چه صورت می‌تواند در زمینه اجرا ، سیاست‌گذران را یاری کند.یک سوی تحلیل به حوزه اجرا محدود است. در واقع اگر نگاه مرحله‌ای را مد نظر داشته باشیم در این نوشتار اشاره ای به مراحل دیگر مانند دستورگذاری، فرمولیشن، مشروعیت‌دهی و... نداریم. در مقابل در انتخاب تکنولوژی‌ها تا حد امکان دست خود را باز گذاشته‌ایم. یعنی از میان گونه‌های مختلف تکنولوژی مانند کلان داده، بلاکچین، داده باز، هوش مصنوعی، وب معنایی، شبکه‌های اجتماعی و... به گونه‌ای خاص محدود نشده و تلاش کرده ایم تا در صورت وجود کاربرد به این موارد اشاره کنیم. اما از آنجایی که مه‌داده‌ها یا کلان داده‌ها جنس اصلی مورد تحلیل ما هستند در ابتدا در حدی که به کلیت بحث آسیبی وارد نکند به معرفی آن‌ها می‌پردازیم. لازم به ذکر است در مورد بقیه انواع تکنولوژی‌ها در هرکجای متن که به آن‌ها اشاره شد درکادر کوچکی در چند خط آن‌ها را تعریف و در موردشان توضیح خواهیم داد.کلان دادهاصطلاح کلان داده برای اولین بار در سال ۲۰۰۱ از سوی داگ تنی در موسسه گارتنر، برای اشاره به داده‌هایی که از نظر حجم، سرعت و تنوع در حال افزایش هستند مطرح شد. طبق تعریف داگ تنی، کلان داده شامل اطلاعاتی با حجم زیاد است که با روش‌های نوین پردازش و ذخیره‌سازی برای درک بهتر از دنیا و روند تصمیم‌گیری دقیق‌تر، مورد استفاده قرار می‌گیرند. در سال‌های اخیر، روند توسعه کلان داده در سه بعد مطرح شده از سوی دانگ لنی، رشد چشمگیر و خیره کننده‌ای داشته است. در پژوهش‌های دمکنكور، انگور و ممبری (۲۰۱۳)، سی ال پی چین و ژانگ (۲۰۱۴) و ام. چن، مائو و ليو (۲۰۱۴) گسترش این تعریف در حوزه‌های مختلف بررسی شده که برخی از آن‌ها به شرح زیر است:کلان داده از نظر تنوع:کلان داده‌ ها از ابزار و تجهیزات مختلف مانند گوشی‌های موبایلی، حسگرهای محیطی، لاگ نرم‌افزارهای مختلف، دوربین‌ها، میکروفون‌ها، سامانه بازشناسی با امواج رادیویی به شبکه‌های حسگر بی‌سیم و غيره توليد مي‌شوند.از حیث تنوعموضوعی کلان داده‌ ها، داده‌ها در حوزه‌هایی مانند هواشناسی، ژنتیک، شبیه‌سازی‌های پیچیده فیزیک، تحقیقات زیست شناسی و محیطی جست‌وجوی اینترنت، تبلیغات، جاسوسی، تحلیل‌های اقتصادی و مالی و تجاری تولید و مورد استفاده قرار می‌گیرند.کلان داده از نظر حجم تولید داده:بر اساس یک گزارش بین المللی كل داد‌ه‌های جهان در سال ۲۰۰۵ حد ۱۳۰ اگزا بایت، و در سال ۲۰۲۰ به حدود ۴۰ زتا پایت خواهد رسید و حجم تولید داده در هر سال ۹ برابر افزایش پیدا می‌کند.از نظر سرعت تولید داده:در هر ثانیه ۱۷ میلیون میلیارد بایت معادل حجم ۳۶۰ هزار لوح فشرده داده در دنیا تولید می‌شود. در سال ۲۰۱۰ اطلاعات تولید شده در هر روز بیش از کل داده‌های تولید شده تا سال ۲۰۰۳ است.در گوگل پردازش صدها پایتا بایت در روز و در فیسبوک تولید بالاي ده پتابایت لاگ فایل در هر ماه، انجام می‌شود.در پژوهش‌های اخیر، علاوه بر ویژگی‌های اشاره شده، ۵ ویژگی دیگر نیز برای کلان داده در نظر گرفته شده است که در مجموع تحت عنوان هشت وی شناخته می‌شوند. این ویژگی‌های جدید عبارتند از: صحت کلان داده ها (كيفيت داده و حفظ مشخصات آن)، نوسان کلان داده ها (نرخ تغییرات زمانی داده‌ها با مدت زمان و دوره نگهداری اطلاعات)، مصورسازی کلان داده ها (به‌کارگیری گراف‌های تصویری و بصری‌سازی اطلاعات برای فهم روابط پیچیده بین آن‌ها)، اعتبار کلان داده ها (اطمینان از روایی اطلاعات علاو بر صحت آن‌ها) و ارزش کلان داده ها (برآورد میزان هزینه جمع‌آوری پردازش و نگهداری اطلاعات در برابر حجم داده) است.در پست بعدی، کلان داده برای سیاست گذاری : بررسی کاربردها بیشتر موضوع کاربردهای کلان داده در سیاست گذاری پرداخته‌ام.پی‌نوشتاگر 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 بخونیددرباره AI Policies and Plans Repositoryاز طریق کانال‌های زیر می‌توانید با من در ارتباط باشید:ایمیل من: javadsadeqi@gmail.com آیدی تلگرام من: https://t.me/javaadsaadeghiلینکدین من توئیتر من javad sadeghi javad sadeghi Fri, 05 Feb 2021 20:11:50 +0330 https://virgool.io/@javaadsaadeghi/%DA%A9%D8%A7%D8%B1%D8%A8%D8%B1%D8%AF-%D9%87%D9%88%D8%B4-%D9%85%D8%B5%D9%86%D9%88%D8%B9%DB%8C-%D8%AF%D8%B1-%D8%B3%DB%8C%D8%A7%D8%B3%D8%AA-%DA%AF%D8%B0%D8%A7%D8%B1%DB%8C-ctbfcdpfsuky اگر با یک دید کل نگر، کاربرد هوش مصنوعی در سیاست گذاری و نسبت و موقعیتی که هوش مصنوعی در برابر سیاست گذاری دارد را بررسی کنیم؛ و بخواهیم این ارتباط را در چند سرفصل سامان‌دهی کنیم، می‌توانیم بگوییم که سه عنوان یا دسته‌بندی مهم در ارتباط با موضوعِ نسبتِ هوش مصنوعی و سیاست‌گذاری وجود دارد:1. کاربرد هوش مصنوعی در سیاست گذاریهوش مصنوعی کاربردهای مختلف و فراوانی دارد و در حوزه‌های گوناگون زندگی اجتماعی، که به نوعی میدان عمل سیاست‌گذاری حساب می‌شوند، می‌توانیم از هوش مصنوعی استفاده کنیم. این کاربرد هوش مصنوعی در سیاست گذاری و مدیریت دولت و تاثیراتش می‌تواند به صورت بنیادی بوده و پیش فرض‌ها و شاخص‌هایی که با استفاده از آن‌ها وضعیت و کیفیت یک حکومت ارزیابی می‌شود را تحت تاثیر قرار دهد. به طور مثال انواع مدل‌های بهینه سازیِ توزیع یارانه‌ها، فهم شهروندان از عدالت و کارکردهای نهادهای نظام اقتصادی را به شدت تحت تاثیر قرار خواهد داد و یا در مثال دیگر می‌توان به شاخص‌های مبارزه با فساد که یکی از شاخص‌های اندازه‌گیری حکمرانی خوب به حساب می‌آید، اشاره کرد که به صورت جدی تحت تاثیر استفاده از الگوریتم‌های جدید کشف فساد قرار می‌گیرند. به طور کلی می‌توان این بخش را با عنوان جهش در سیستم‌های خبره در حوزه سیاست گذاری نیز نامگذاری کرد.2. سیاست گذاری برای هوش مصنوعیاگر مطالب قبلی را خوانده باشید حتما با ویژگی‌های هوش مصنوعی به مثابه یک " مساله عمومی‌جدید " آشنا شده‌اید. سیاست گذار همان گونه که باید وظایف خود را در حوزه‌های مختلف اقتصادی- اجتماعی ، سیاسی و ... انجام دهد و در مورد موضوعات جاری، به ویژه اثرگذاری مربوط سایر فناوری‌ها، برنامه‌ریزی کرده و تصمیمات مشخص و نظام یافته ای اتخاذ کند؛ باید در مورد هوش مصنوعی نیز به عنوان یک مساله جدی سیاست گذاری‌ها مناسبی داشته باشد. هوش مصنوعی در طبقه بندی انواع فناوری، در دسته فناوری‌های تحول آفرین و برانداز( disruptive) قرار می‌گیرد و با توجه به شمول اثرات آن به صنایع و نهادها و طبقات مختلف جامعه باید سیاست گذاری در ارتباط با آن کاملا جدی گرفته شود. در صورتی که سیاست گذاری و به تبع آن برنامه ریزی و اجرای مناسبی در مورد هوش مصنوعی صورت نگیرد، قطعا جامعه و سیستم حاکمیتی را با مشکل روبرو خواهند شد.3. حکمرانی توسط هوش مصنوعیهوش مصنوعی بسیاری از معادلات و مفروضاتی که در حال حاضر دنیای سیاست گذاری و اداره امور عمومی ‌را شکل داده است را به شدت تحت تاثیر قرار خواهد داد. دموکراسی، بروکراسی، تخصص و بسیاری دیگر از کلیدواژه‌هایی که شکل دهنده نظام‌های اداری هستند، و با اهدافی مانند گسترش خیر عمومی، اداره بهتر امور ، شایسته سالاری و حفظ حاکمیت مردم مردم توسعه پیدا کرده‌اند، تحت تاثیر موضوع هوش مصنوعی باید به صورت جدی مورد باز تعریف قرار گیرند. علاوه بر این هیچ دور از ذهن نیست که در نتیجه رشد هوش مصنوعی هر کدام از این پایه‌های مدیریت در بخش عمومی ‌به صورت کلی منسوخ شود. تکنولوژی هوش مصنوعی نه تنها مانند بقیه تکنولوژی‌ها در دو بعد فوق الذکر (کاربردهای هوش مصنوعی و سیاست گذاری برای هوش مصنوعی ) بر سیاست گذاری اثرگذار است، بلکه موضوع جدی و بی سابقه حکمرانی غیر بشر بر بشر است.در سه رویکرد می‌توان کاربرد هوش مصنوعی درسیاست گذاری را بررسی کرددر این مقاله ما به بعد اول اشاره شده در ارتباط با هوش مصنوعی و سیاست گذاری، یعنی نمونه کارکردهای هوش مصنوعی در سیاست گذاری می‌پردازیم و در مقاله آینده موضوعات سیاست گذاری برای هوش مصنوعی (تحت عوان استراتژی ها ملی در مواجه با هوش مصنوعی ) و حکمرانیِ هوش مصنوعی را بررسی خواهیم کرد. برای این منظور، در ادامه به بررسی مقالهHow and where is artificial intelligence in the public sector going? A literature review and research agendaمی‌پردازیم که به مرور مقالات مربوط به حوزه هوش مصنوعی و دولت در بین سال‌های 2008 تا 2018 پرداخته است. بررسی مقاله این شانس را به ما می‌دهد تا تلاش‌های انجام شده در حوزه عمومی ‌برای به کارگیری هوش مصنوعی را از پنجره بررسی‌های علمی‌مورد بررسی قرار دهیم. متن زیر ترجمه آزاد و خلاصه، از بخش‌های منتخب این مقاله است.هوش مصنوعی و کارکردهای دولتعلی‌رغم توسعه سریع الگوریتم‌های هوش مصنوعی شاهد این بوده‌ایم که اثرات آن بر روی نیروی کار، سازمان و ساختارش، اقتصاد و جامعه و در نهایت و از همه مهم‌تر دولت به درستی مورد بررسی قرار نگرفته است و مطالعات جامعی در این زمینه انجام نشده است. همواره در طول تاریخ تغییرات در تکنولوژی، موجب ایجاد تغییر در فرایندهای تولیدی ، بهروری سازمان‌ها و قوانین و فرهنگ جوامع می‌شود. علاوه بر این تغییرات استفاده از هوش مصنوعی پرسش‌های مهمی ‌را در حوزه اخلاق، مالکیت داده، حریم شخصی، تصمیم‌گیری توسط ماشین‌ها و جانشینی نیروی کار توسط ربات‌ها به وجود آورده است که همگی در دل بخش عمومی‌ ریشه دارند.با توجه به این مقدمه به نظر می‌رسید که در بسیاری از کشور‌ها در بسیاری از بخش‌های استفاده از هوش مصنوعی با یک خلا بزرگ معرفتی روبروست و علی رغم بسیاری از تلاش‌های صورت پذیرفته در این حوزه توسط دولت، بسیاری از گام‌های اولیه ، فرآیند‌ها، خروجی‌ها و نتایج، نیاز به صورت بندی و شکل دهی دارند.برای پر کردن این خلا ما از مدل کارکردهای سنتی دولت که توسط OECD ارائه شده است،استفاده کرده‌ایم. هدف از استفاده از این مدل یا چارچوب به دست آوردن یک راهکار ساختارمند جهت بررسی تاثیرات هوش مصنوعی بر مدیریت کالا و خدمات عمومی ‌است. در این چهارچوب با توجه به عملکرد دولت و همین طور نوع هزینه‌های(تخصیص بودجه) آن در راه رسیدن به اهدافش و خدمت رسانی عمومی، فعالیت‌هایی که انجام می‌دهد به صورت زیر دسته بندی شده اند.Classification of the Functions of Government طبقه بندی COFOG یا Classification of the Functions of Government یا همان طبقه بندی وظایف دولت (برای مطالعه بیشتر به این سند یا سند منتشر شده توسط مرکز آمار ایران مراجعه کنید ) به ما این امکان را می‌دهد تا پیاده شدن و یا مطالعات هوش مصنوعی در هریک از بخش‌های دولت را به صورت ویژه و جداگانه مورد توجه قرار دهیم. علت استفاده از این تقسیم بندی استاندارد بودن آن و مورد استفاده بودن آن درمقیاس جهانی است. این نگاه توسط نهاد‌هایی مانند IMFو OECDو... مورد استفاده است.توصیف مطالعات صورت پذیرفته در حوزه کاربرد هوش مصنوعی در سیاست گذاری25 کشور در مجموعه مطالعات بررسی شده توسط ما وجود دارند. هند و ایالات متحده تحقیقاتشان در این زمینه گسترده‌تر از سایرین بوده و به دنبال آن‌ها کشورهای کانادا و چین قرار دارند، کشورهایی که سرمایه گذاری سنگین در حوزه تکنولوژی برای بخش عمومی‌کرده‌اند. نرخ تولید مطالعات که ناشی از پیاده سازی‌های مختلف هوش مصنوعی در بخش عمومی‌در این کشورها بوده است، در طول دوره مورد بررسی رشد جهشی داشته استدر ارتباط با موضوع روش شناسی تحقیقات انجام شده به غلبه روش‌های کمی ‌با 56 درصد می‌توان اشاره کرد. 28 درصد از روش کیفی استفاده کرده اند و همین طور در مورد 17 درصد از روش‌هایی که از ترکیب روش‌های کمی ‌و کیفی اند استفاده کرده‌اند. غلبه روش‌های کمی ‌بر روش‌های کیفی شاید به خاطر ذات مهندسی هوش مصنوعی و بررسی ابعاد فنی آنها باشد که ناخواسته ما را به زمین آمار و ریاضی سوق می‌دهد. در مطالعه ما به روش استانداردی که توسط نویسندگان و یا مقاله‌ای برای مطالعه این موضوع به صورت سراسری استفاده شود برنخوردیم.دسته بندی تحقیقات با توجه به وظایف دولتآنچه با عنوان وظایف دولت در این پژوهش مورد اشاره قرارمی‌گیرد بر مبنای (COFOG) است که پیش از این معرفی شد. تصویر زیر به تعداد مطالعاتی که وظایف دولت را مورد ارجاع قرار داده‌اند اشاره می‌کند. شاید برای شما این مجموع تعداد مقالات در جدول زیر بیشتر از عدد یاد شده در بخش قبل است سوال ایجاد کرده باشد.(در بخش قبل اشاره شد نهایتا 59 مقاله برای مطالعه انتخاب شدند) این افزایش تعداد به این دلیل رخ داده است که برخی از مقالات فوق الذکر به بیش از یک بخش از وظایف دولت پرداخته اند و لذا جمع تعداد موضوعات از تعداد مقالات بیشتر است. البته نود درصد از مقالات بررسی شده مطالعه خود رادر حدود یکی از وظایف محدود کرده اند . در حدود 8 دصد به دو وظیفه و تنها یک مقاله سه وظیفه را مورد بررسی قرار داده است.فراوانی کاربرد هوش مصنوعی در سیاست گذاری بر طبق کاکردهای دولتکدام الگوریتم‌های هوش مصنوعی در بخش عمومی‌ با استقبال روبرو شده اند ؟ بررسی مطالعات صورت گرفته بر روی کاربرد هوش مصنوعی در سیاست گذاری و دولت، استفاده فراگیر از هشت روش هوش مصنوعی را نمایان می‌سازد. برخی از مطالعات به استفاده از بیش از یک روش اشاره دارند ولی یازده مطالعه صورت گرفته به روش مورد استفاده اشاره‌ای نداشته اند. در میان تحقیقات گزینش شده تنها یک تحقیق نیاز به اذعان نوع روش هوش مصنوعی به کار رفته نداشت، چرا که این تحقیق درحوزه اخلاق بوده و به تاثیر رباتیک بر خط مش گذاری عمومی‌در حوزه‌های سلامت، دفاع و جمعیت(سالخوردگی) ‌پرداخته بود.میزان اقبال به استفاده از الگوریتم های مختلف در بخش عمومیدر این تصویر یادگیری ماشین به عنوان یک روش هوش مصنوعی در نظر گرفته شده است اما می‌دانیم که ماشین لرنینگ خود در بر گیرنده تعداد زیادی از روش‌ها است که با هدف استفاده از داده برای حل مسائل به کار گرفته می‌شود و شبکه عصبی مصنوعی یکی از عمده ترین آن روش‌ها است.الگوریتمANNبا 36 بار پر ارجاع ترین روش مورد استفاده در تحقیقات مورد مطالعه است. هیچ توضیح مخصوصی درباره علت و توجیه استفاده از این روش در تحقیقات ذکر نشده است. در تحقیقات اشاره‌ای به دلیل استفاده نشده و تحقیقاتی که اشاره‌ای به این موضوع داشته‌اند، تنها به این مساله در ادبیات و به تحقیقات گذشته و مد نظرقرار دادن استفاده آن‌ها، اشاره کرده اند. به طور مثال یکی از تحقیقات در متن خود تنها به این موضوع اشاره می‌کند که استفاده از شبکه عصبی مصنوعی یک از روش‌های پرکابرد برای پیش بینی در بخش انرژی است. ANN یا شبکه‌های عصبی مصنوعی اشاره به سیستم‌های خود تطبیق دهنده‌ای دارد که با الهام گیری از فرایند توابع پردازشی ذهن انسان ساخته شده است. چارچوب استفاده از هوش مصنوعی در سیاست گذاری و بخش دولتیاطلاعات به دست آمده از بررسی مقالات به ما کمک کرده است تا بتوانیم حوزه‌های موضوعی (کاربرد هوش مصنوعی در سیاست و دولت) را در کنار کارکردهای دولت و الگوریتم‌ها را در یک شکل نمایش دهیم.در راستای عرض، این جدول خانه ی "وظایف دولت" (F) نمایش می‌دهد که چگونه هر یک کارکردهای دولت بیشتر از هوش مصنوعی منتفع می‌شوند. به طور مثال خدمات عمومی ‌درخانه اول سمت چپ قرار گرفته است. به صورت مشابه خانه‌ی مربوط به روش‌های هوش مصنوعی در پایین جدول نمایش دهنده فرکانس استفاده از روش‌های هوش مصنوعی در بخش دولتی است. (ANNبیشترین استفاده و منطق فازی دوم و ... )در قسمت میانی جدول نمونه‌هایی از موضوعاتی که در آن‌ها هوش مصنوعی برای بهبود عملکرد دولت به کار گرفته شده است را مشاهده می‌کنید. در بخش بعدی از این مقاله یافته‌های اصلی مرتبط با این بخش چهارچوب مورد بحث قرار می‌گیرند. یافته‌هایی که دانشگاهیان و افرادی که در حوزه‌های اجرایی بخش عمومی‌اثرگذار هستند، می‌توانند با استفاده از آن‌ها به پژوهش و تفحص، بهره بخشی‌، ساختن استراتژی برای دولت، و هدایت مطالعات در هوش موضوع بپردازند. این بخش برای آگاه بودن از برآورده شدن سیاست‌ها و موضوعات موثر اخلاقی بسیار حیاتی و مهم است. نتایج و پیامدهای استفاده از هوش مصنوعی در سیاست گذاری بر طبق گزارش یکی از مقالات نباید از دیدن یک ملتی که همه شهرهای آن هوشمند هستند و هوش مصنوعی نقش اساسی در بهبود خدمات و کیفیت زندگی افراد بازی می‌کند، تعجب کنیم. آنچنان که توسط مرکز نوآوری داده و اخلاق پیشنهاد شده است، هوش مصنوعی و توانمندی‌های آن قابلیت گسترده و وسیعی برای اجرا و عملی شدن دارند و نیاز به سیاست‌ها و مقررات در بخش دولتی احساس می‌شود. نتیجتا چنان که در تصویر بالا به نمایش در آمده است. سیاست‌ها و مسائل اخلاقی (پیامد و مباحث اخلاقی) در هر کاربری از هوش مصنوعی نفوذ و سرایت خواهدکرد.این سناریو نشان می‌دهد که پیامدهای مثبت و منفی احتمالی استفاده از هوش مصنوعی در بخش دولتی باید به جد مورد مداقه و بررسی قرار گیرد. به عنوان نمونه گروهی از دانشمندان در تحقیقشان از این مساله پرده برداشتند که دولت‌های نمی‌توانند استفاده از این تکنولوژی را در سطح خدمات عمومی‌بدون انجام همفکری و بحث و آگاه سازی با جامعه توسعه دهند.با تکیه بر این منطق بریتانیا، که یکی از کشورهای پیشگام در خط مشی گذاری مبتنی بر شواهد است، با تکیه بر تجربه مثبت پیشین خود در این زمینه، بخشی با عنوان هوش مصنوعی در زیر مجموعه دپارتمان انرژی صنعت و کسب و کار خود ایجاد کرده است که مسئولیت نهادینه سازی ارتباطات و مشارکت‌های میان دولت، و صنعت و دانشگاهیانی که در را اقدام به توسعه سیستم‌های هوش مصنوعی برای کامیابی جامعه می‌کنند، را انجام دهد.مطابق با نظر مخایلوف از آنجایی که زمینه کلی در حوزه هوش مصنوعی مثبت است، بخش دولتی تمرکزی برای حل ایرادت بالقوه سیستم‌های هوش مصنوعی و کژکارکرد‌های آن‌ها ندارد. در همه کشورها دولت سعی می‌کند که با مشارکت بیشتر و درگیر ساختن دانشگاه‌ها و سایر بخش‌های دیگر ظرفیت موجود در آن‌ها را برای حل مشکلات یاد شده یک کاسه کند.علاوه بر این مخایلوف تصریح می‌کند که مباحث به راه افتاده در خصوص استفاده از هوش مصنوعی باید در حوزه‌های سیاست گذاری و قانونی اتفاق بیافتد و دولت به دنبال جلوگیری از اشتباه، پیش داری و تبعیض، تفاسیر غلط و سایر مساله‌ها ممکن باشد. باید توجه داشته باشیم که هوش مصنوعی مورد طراحی قرار می‌گیرد؛ نتیجتا اگر کنترل و مقررات گذاری مناسبی در این زمینه وجود نداشته باشد، رفتار‌ها و خطاهای انسانی ماشین تکرار می‌شود. این پژوهشگر توجه همگان را به این موضوع جلب کرد که بیشتر آنچه با با عنوان چالش‌های جدی در مورد هوش مصنوعی گزارش شده است، مربوط به خطر مساله بایاس و پیشگیری از تمیزگذاری در موضوعات مربوط قضاوت است.پیش از این نمونه ای از بایاس ایجاد شده توسط الگوریتم‌های هوش مصنوعی را در نمونه موردی "استخدام در آمازون و ایجاد تبعیض جنسیتی" دیدیم. این گونه از تبعیضات در مطالعه هوش مصنوعی در سپهر عمومی به شدت مورد توجه بوده‌اند. نمونه دیگری از این بایاس در الگوریتم، تبعیض توسط دستگاه‌های خودکار تشخیص هویت میان سفید پوستان و سیاه پوستان در یکی از ادارات ایالات متحده است. در این مورد به دلیل آن که الگوریتم هوش مصنوعی توسط سفید پوستان و داده‌های مربوط به آنها آموزش دیده بود، سرویس درستی به سیاه پوستان ارائه نمی‌کرد و این اتفاق مسبب بحث‌های مختلف پیرامون استفاده از الگوریتم‌ها و تبعیض نژادی شد. فراموش نکنیم که موضوعات جنسیتی و نژادی بسیار در دوران ما مورد تاکید و حساس هستند و نهضت‌هایی مانند فمنیسم و جنبش سیاهان در آمریکا، پیرامون و در برابر پیش فرض های غلطی که عینا مشابه نمونه‌های موردی اشاره شده هستند، شکل گرفته اند.این گونه از نگرانی‌ها در گزارشی که مجلس لردهای انگلیس نیز به تازگی منتشر کرده است دیده می‌شود. در این گزارش به طور مشخص به دو دشواری در استفاده از تکنولوژی‌ها اشاره شده است:1-دشواری پاسخگویی قانونی در زمانی که که به دلیل تصمیم گرفته شده توسط یک الگوریتم زندگی یک فرد در جهت سو تحت تاثیر قرار میگیرد2-استفاده مجرمانه از تکنولوژی هوش مصنوعی نگاهی بر راهکارهای عملی هوش مصنوعی در سیاست گذاری و خدمات عمومیبا این که موضوع بحث ما درباره هوش مصنوعی تحت تاثیر موضوع اخلاق و سیاست است و به وسیله آن‌ها در بر گرفته شده ، اما تحلیل‌ها و مطالعات در درجه اول و بیشتر به موضوعات مربوط ارائه راهکارهای فنی و اجرایی متمرکز شده‌اند. برای اجرای راهکارهای ارائه شده، مشاهده می‌شود که در هر وضعیت، استفاده از یک تکنیک موردی(الگوریتم) بر اساس نوع مسئله مورد توجه است. از سوی دیگر الگوریتم مورد استفاده، منابع مورد نیاز برای اجرای یک راهکار را تعیین می‌کند.این منابع می‌توانند شامل الگوریتم، متدهای پردازش اطلاعات و ارائه پاسخ باشند. پاسخ‌های این سیستم به صورت پیش گویی‌ها، هشدارها، محاسبات، تحلیل‌ها و یادگیری در عمل پیاده سازی می‌شوند که می‌توانند خدماتی برای بهبود بهره‌وری در بخش دولتی ارائه کنند و به عملکرد دولت غنای بیشتری بدهند.با همین منطق، مقاله‌ها معمولا نمونه‌هایی از کاربرد هوش مصنوعی در بخش‌های دولتی را ارائه می‌کنند (و به همین دلیل می‌توانند نمایان گر نوع توسعه و توضیح دهنده کارایی هوش مصنوعی در دولت باشند).به طور مثال یکی از مقالات با توجه به توان هوش مصنوعی در بازیابی و طبقه بندی اسناد در حجم بزرگ آن را شایسته استفاده در سیستم‌های مدیریت دانش در سازمان‌های دولتی می‌داند. یکی دیگری از مقالات صورتی از پردازش‌ها برای دولت الکترونیک را ارائه می‌کند. همچنین مقاله دیگری به این موضوع می‌پردازد که هنگامی‌که یک شهروند نیاز به دسترسی به اطلاعاتی دارد، سیستم هوش مصنوعی می‌تواند بهترین سرویس شخصی سازی شده را برای برآورده شدن نیاز به او ارائه بدهد.هوش مصنوعی می‌تواند برای تصمیم سازان نیز در اتخاذ تصمیم ‌و الویت بندی میان موضوعات یاری رسان باشد. هوش مصنوعی می‌تواند به عنوان یک کنترل کننده داخلی به شکل یک ممیز بهره بخشی داشته باشد و یا با پردازش اطلاعات بسیار زیاد با کارایی بالا و انجام ارزیابی‌های موثر، ریسک تقلب را کاهش دهد. این الگوریتم‌ها می‌تونند به مثابه یک نهاد نظارتی بر دولت (آمبودزمان!) یا دادآور با بهروری بسیار بالا عمل کنند.این توانایی تشخیصی هوش مصنوعی به داخل سازمان دولت محدود نمی‌ماند و به دولت کمک می‌کند که مهمترین تقاضاهای شهر در آینده را پیش بینی کند و بر اساس آن برنامه ریزی درست و منسجم داشته باشد. با استفاده از هوش مصنوعی می‌توان در یک نگاه ترکیبی با سایر ابزار‌هایی مانند جی آی اس میزان مشارکت مردم را بهینه کرد.هوش مصنوعی در زمینه‌های متعددی دیگر، از زیر ساخت تا امنیت عمومی‌ برای مردم تولید ارزش می‌کند. یکی از مقالات بحث شده به موضوع بهینه سازی و ارائه مدل برای پروژه‌های ساخت و ساز می‌پردازد. سه مقاله مدل‌هایی برای بهینه سازی سیستم‌های آبیاری ارائه می‌کنند. در مقاله دیگری به ارائه مدلی به بهینه سازی در جهت منافع شهروندان در ترافیک شهری پرداخته می‌شود. مقالاتی که با موضوع انرژی پیوند داشتند به ارائه مدلی برای پیش بینی میزان مصرف، بهره‌وری، کاهش هزینه پرداخته‌اند. به صورت مشابه به معرفی مدل‌های مشابه در کاهش مصرف آب نیز پرداخته شده است و مقالاتی در حوزه کیفیت آب، مصرف و هدر رفت آب که از هوش مصنوعی برای بهینه سازی استفاده کرده‌اند، در میان پژوهش‌ها (و متقابلا برنامه‌های دولت برای بهره برداری از هوش مصنوعی) وجود دارند.در نهایت تم اصلی مقالات به این صورت است که یا سیاست‌هایی را در حوزه هوش مصنوعی تعریف کنند و یا راهکاری برای مدیریت به وسیله هوش مصنوعی ارائه کنند. این راهکارها می‌تواند رنج گسترده‌ای از مدلسازی برای حفاظت و نگه داری از یک منطقه معدنی دور افتاده تا مدیریت پسماند در یک منطقه شهری برای مدیریت بهتر پسماندها و جمع آوری به موقع آن‌ها باشد .نتیجه گیریدر ابتدای مقاله هدف ما ارائه یک پیشنهادیه و چارچوب برای انجام تحقیقات هوش مصنوعی بوده است . به طرز جالبی مشاهده کردیم که در تمام لایه‌های مورد بررسی قرار گرفته دو موضوع اخلاق و سیاست گذاری جاری بوده و اجزای المان‌های هوش مصنوعی در حوزه عمومی را به هم پیوند می‌دهد. با توجه به این موضوع، ایجاد گفتگو با جامعه در مورد هوش مصنوعی ضرورت دارد و پیشنهاد می‌شود. برخی از دولت‌ها هم اکنون نهادهایی برای مدیریت تلاش‌ها در این حوزه را سازماندهی کرده اند. همچنین نگرانی‌هایی در مورد استفاده نادرست و مجرمانه از داده‌ها و همین طور رفتار نامناسب الگوریتم‌ها را شاهد هستیم. علاوه بر این چهارچوب ارائه شده در مقاله به کارکرد‌ها و وظایف دولت و راهکارهای متعددی که عمدتا در حوزه بهینه سازی توسط هوش مصنوعی ارائه شده است، می‌پرازد. محققان می‌توانند با به کارگیری این یافته‌ها در زمینه‌های دیگر و کارهای متعدد، ارزش‌ها راهکارهای جدید ایجاد کنند.پی‌نوشتاگر 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 بخونیددرباره AI Policies and Plans Repositoryاز طریق کانال‌های زیر می‌توانید با من در ارتباط باشید:ایمیل من: javadsadeqi@gmail.com آیدی تلگرام من: https://t.me/javaadsaadeghiلینکدین من توئیتر من javad sadeghi javad sadeghi Mon, 23 Nov 2020 01:00:36 +0330 https://virgool.io/@javaadsaadeghi/%D9%85%D9%81%D8%A7%D9%87%DB%8C%D9%85-%D8%A7%D9%88%D9%84%DB%8C%D9%87-%D8%A7%D9%84%DA%AF%D9%88%D8%B1%DB%8C%D8%AA%D9%85-%D9%87%D8%A7-%D8%A8%D8%B1%D8%A7%DB%8C-%D8%B3%DB%8C%D8%A7%D8%B3%D8%AA-%DA%AF%D8%B0%D8%A7%D8%B1%D8%A7%D9%86-znke8j9t4rif در مقالات قبلی به عنوان فتح باب و بیان مساله، در مورد مصداق‌ها و نمونه‌هایی از درگیری نظام سیاست گذاری با موضوع هوش مصنوعی صحبت کردیم و به صورت اجمالی تاریخچه هوش مصنوعی را مورد بررسی قرار دادیم. در این مقاله به معرفی بیشتر یادگیری ماشین می‌پردازیم و تلاش می‌کنیم فهم بهتری از الگوریتم‌ها به دست آوریم.امروزه الگوریتم‌ها ما را در بر گرفته‌اند و بر روی تصمیماتی که ما می‌گیریم و یا درباره ما گرفته می‌شوند تاثیر می‌گذارند. مثال‌های ساده‌ای از این الگوریتم‌ها را می‌توانید در پیشنهادهای فیلم یوتیوب و یا پیشنهادهایی که فروشگاه‌های اینترنتی به شما می‌دهند مشاهده کنید. نمونه استفاده از این الگوریتم‌ها در بخش عمومی ‌نیز در سرتاسر دنیا وجود داد. به طور مثال در آمریکا دادگاه‌ها و نظام پزشکی به صورت ویژه از این الگوریتم‌ها برای تصمیم گیری استفاده می‌کنند. اما الگوریتم‌ها چه چیزهایی هستند !؟بهتر است با مثال ساده تهیه شربت آبلیمو خوشمزه شروع کنیم:مرحله اولبرای تهیه شربت آبلیمو خوشمزه ابتدا شکر را به همراه آب داخل یک قابلمه مناسب می‌ریزیم و روی حرارت زیاد قرار می‌دهیم تا آب سریعتر به جوش بیاید، سپس شکر را هم می‌زنیم تا به طور کامل در آب حل شود.مرحله دومپس از اینکه آب به جوش آمد حرارت را ملایمتر می‌کنیم و صبر می‌کنیم تا شربت به قوام برسد. حدود ۷ تا ۱۲دقیقه زمان نیاز است تا شربت به غلظت کافی برسد. پس از اینکه به قوام رسید، قابلمه را از روی حرارت کنار می‌گذاریم.مرحله سومدرب قابلمه را می‌گذاریم تا دیواره‌های قابلمه عرق کنید و شربت شکرک نزند. پس از اینکه شربت به خوبی خنک شد، آبلیمو را کم کم اضافه می‌کنیم و به خوبی با شربت مخلوط می‌کنیم تا با هم ترکیب و کاملا یکدست شوند.مرحله چهارمدر صورت تمایل پوست لیمو ترش را نیز رنده می‌کنیم و داخل شربت می‌ریزیم. اگر لیمو ترش تازه در دسترس دارید می‌توانید به جای استفاده از پوست لیمو ترش پالپ‌های درون لیمو ترش را خرد کنید و داخل شربت بریزیددستو تهیه شربت آبلیمو دقیقا یک الگوریتم است!دستور العملی که در بالا برای تهیه یک شربت آبلیمو خوشمزه دیدید، یک الگوریتم است! یک الگوریتم، روشی گام به گام برای حل مسئله است. هر الگوریتم مجموعه‌ای متناهی از دستورالعمل‌ها است، که به ترتیب خاصی اجرا می‌شوند(مثلا اگر اول آبلیمو به آب اضافه کنید، دیگر شربت آبلیمو "خوشمزه" نخواهید داشت :) ). یعنی زمانی که شما با استفاده از تعداد مشخصی از عملیات، در تعداد و ترتیبی مشخصی از مراحل، پاسخی به یک مساله می‌دهید، یک الگوریتم برای آن ارائه کرده اید. به طور مثال به الگوریتم ساده زیر که برای تشخیص زوج یا فرد بودن یک عدد است توجه کنید:1. یک "عدد" دریافت کن2. مقدار باقیمانده "عدد" تقسیم بر 2 را محاسبه کن3. اگر باقیمانده برابر با صفر است، چاپ کن عدد زوج است4. در غیر این صورت چاپ کن عدد فرد استهمان طور که مشاهده می‌کنید الگوریتم‌ها مجموعه ای دستورالعمل‌هاست و می‌توان آن را در مورد مساله‌های ساده از بستن بند کفش تا شناسایی تقلب در تراکنش‌ها بانکی استفاده کرد و توسعه داد.به طور مشابه با استفاده از اصول و فنون آماری، ما الگوریتم‌هایی را توسعه داده‌ایم که تلاش می‌کنند با توجه به تجربیات نتایج خروجی خود را بهبود دهند و به آن یادگیری ماشین می گوییم. وقتی این الگوریتم ها به کمک موضوع سیاست گذاری عمومی و مدیریت در بخش عمومی و حاکمیت می دهند و در آن فرایندهای آن تداخل و تقاطع ایجاد می کنند، موضوع حاکمیت الگوریتم ها مطرح می شود.نکات دیگری مانند استفاده از فلوچارت در رسم توضیح الگوریتم ها دراین حوزه بحث وجود دارد که شاید دانستن آنها برای پژوهشگران این حوزه سودمند باشد، اما برای بحث ما یعنی بررسی هوش مصنوعی با محوریت سیاست گذاری همین قدر بسط و بررسی موضوع الگوریتم در این مرحله کفایت می‌کند.تفاوت های میان الگوریتم و هوش مصنوعی و یادگیری ماشین اشتباه و اختلال ترمینولوژیک در میان دو واژه هوش مصنوعی و یادگیری ماشین به صورت رایج در بین افرادی که در این حوزه مشغول به کار هستند دیده می‌شود و البته پرسش در مورد این دو نیز از سوالات رایج است. در این بخش تلاش می‌کنیم تا تعاریف را نه با تعاریف خشک دانشگاهی بلکه با استفاده از مثال‌ها و توجه به تفاوت‌ها بیان کنیم.احتمالا همه شما در فیزیک در مورد انرژی جنبشی و پتانسیل مطالبی را مطالعه کرده‎اید و می‌دانید که اگر در مورد جرم و سرعت اولیه یک جسم اطلاع داشته باشیم، می‌توانیم حداکثر ارتفاعی که این جسم پس از پرتاب مستقیم به سمت بالا پیدا می کند را محاسبه کنیم.حالا فرض کنید به شما و دوستتان فرصت سه ماهه ای داده شده است تا در مسابقه ای شرکت کنید. در این مسابقه به شما یک توپ تنیس داده شده است و از شما می‌خواهند توپ را به گونه ای به سمت بالا پرتاب کنید که تا نزدیک ترین فاصله سقف برسد، اما به سقف برخورد نکند. با هر پرتاب فاصله توپ از سقف اندازه گیری شده و از میان شما و دوستتان کسی برنده است که کمترین فاصله را ثبت کند. استراتژی شما برای برنده شدن چیست ؟شاید شما تصمیم بگیرید که با محاسبه ارتفاع و وزن توپ تنیس، توپ را به نحوی با سرعت مناسب پرتاب کنید که در نزدیک سقف متوقف شده و به پایین بازگردد.اما ممکن است دوست شما که دانش فیزیک خوبی ندارد، تصمیم دیگری بگیرد. او سه ماه تمرین می‌کند و با استفاده از سعی و خطا تلاش میکند تا "یاد بگیرد" که چگونه پرتاب‌های خود را اصلاح کند و به نتیجه بهتر برسد.فارغ از این که برنده این مسابقه فرضی کیست، نوع دوم از حل مساله بالا (استراتژی دوست شما) قرابت بسیاری به حل مساله توسط یادگیری ماشین در هوش مصنوعی دارد.هوش مصنوعی، هوشمندی ارائه شده از سوی ماشین‌هاست. ماشین لرنینگ یا یادگیری ماشین زیر مجموعه‌ای از هوش مصنوعی و مجموعه‌ای از الگوریتم‌هاست که رفتار و عملکرد ماشین را از طریق تجربه‌های پی در پی بهبود می‌بخشد. منظور ما از ماشین کامپیوترها ، ربات‌ها و کلا همه مواردی است که قدرت پردازش کردن داده‌ها رادارند. انواع الگوریتم‌های یادگیری ماشین وجود دارد و هر یک از آن‌ها با توجه به نوع و دسته بندی ورودی و نتایج خروجی دسته بندی می‌شوند.نسبت هوش مصنوعی و یادگیری ماشیندسته بندی‌های مختلفی در مورد الگوریتم‌های یادگیری ماشینی صورت پذیرفته است و آن‌ها را بر مبنای منبع داده‌های مورد استفاده در ورودی و خروجی (گسسته و پیوسته)، نوع ورود داده‌ها به الگوریتم (بسته ای یا تدریجی)، بلادرنگ یا آفلاین بودن آنها و .... دسته بندی می‌کنند. در میان این انواع یادگیری دسته بندی زیر با توجه به کارکرد آن بیشتر می‌تواند برای ما به عنوان سیاست گذار کمک کند.این دسته بندی با توجه به نوع داده‌های ورودی و خروجی صورت پذیرفته است. هوش مصنوعی و یادگیری ماشین بر پایه داده‌های موجود عمل می‌کنند. در واقع ماشین با استفاده از دیتاست‌هایی که وجود دارد (تجربه‌های قبلی)، نتایج آینده را پیش بینی می‌کند. در ذیل هر یک از این الگوریتم‌ها در دسته بندی زیر به صورت دقیق تری این موضوع را تشریح می‌کنیم.1- یادگیری نظارت شدهدر این نوع از الگوریتم‌های به ازای هر ورودی یک خروجی داریم ، یعنی یک ورودی میدهیم و خروجی میگیریم. در این نوع از روش های یادگیری داده‌ها برچسب دارند و الگوریتم با استفاده از پارامترهای ورودی، خروجی‌ها را مشخص می‌کند.مثال: شما مجموعه ای از داده‌های مربوط به قد و وزن و سن و جنسیت 200 دانشجو را به الگوریتم می‌دهید و الگوریتم با توجه به این داده‌هایِ برچسب‌دارِ ورودی، برای نمونه‌ی 201 که قد و سن و جنسیت آن داده شده است، وزن را محاسبه می‌کنداین نوع از یادگیری با توجه به پیوستگی و یا گسستگی در داده‌ها به دو مدل رگرسیون و یا طبقه بندی (classification) تقسیم می‌شوند. مثال‌های دیگر از نمونه رگرسیون (داده‌های پیوسته)ارزیابی ریسک، پیش بینی تحقق بودجه است و نمونه‌هایی از الگوریتم طبقه بندی (داده‌های گسسته) تشخیص تقلب، شناسایی تخلفات شهرداری از روی عکس هوایی است.2- یادگیری نظارت نشدهدر این نوع از یادگیری داده‌های ما برچسب ندارند و الگوریتم با کار بر روی داده‌ها به خوشه بندی و تحلیل داده‌ها می‌پردازد. به طور مثال شما تمام محتوای صفحات ویکی پدیا را به الگوریتم خود ارائه می‌کنید و او آن‌ها را به تاپیک‌های مختلف در (به طور مثال فیزیک، ریاضی، ادبیات و...) تقسیم می‌کند. در این نوع از یادگیری ورودی‌ها مشخص است اما خروجی‌ها مشخص نیست. این الگوریتم‌ها نیز به دو دسته کاهش بعد ( مثل الگوریتم‌هایی که برای متن کاوی و یا مصورسازی داده‌ها استفاده می‌شوند) و یا خوشه بندی ( به طور مثال برای تشخیص محلات مستعد در پیاده سازی یک برنامه اجرایی) تقسیم می‌شوند3- یادگیری تقویتیدر این نوع از الگوریتم‌ها که بر مبنای علوم رفتاری تهیه شده است، نظام پاداش و تنبیه وجود دارد و الگوریتم به صورت مداوم با توجه به فیدبک‌های دریافتی از محیط در حال اصلاح خودش است. از مثال‌های استفاده از این الگوریتم می‌توان به طراحی سیستم‌های لجستیک بهینه و یا مدیریت بازارهای مالی اشاره کرد.انواع الگوریتم های هوش مصنوعی در سیاست گذاریاحتمالا شما هم نام الگوریتم‌های مختلف که در یادگیری ماشین استفاده می‌شوند را شنیده اید. این الگوریتم‌ها (همان طور که در تعریف الگوریتم به آن اشاره کردیم) با استفاده از ترتیب مشخصی مساله‌ها را حل می‌کنند. به طور مثال الگوریتم KNN با توجه به همسایگی‌های نزدیک یک مجموعه در مورد آن پیش بینی می‌کند یا الگوریتم شبکه عصبی تلاش دارد تا با الهام گرفتن از سیستم عصبی به حل مسائل بپردازد. برای ما به عنوان سیاست گذار آشنایی کلی با این الگوریتم‌ها کفایت می‌کند. در مقاله کاربرد هوش مصنوعی در سیاست‌گذاری به صورت جدی تر نوع کاربرد این الگوریتم‌ها را در حوزه عمومی‌بررسی کرده‌ایم. در این جا نیز به عنوان نمونه به برخی از مقاله‌ها که در آن‌ها از روش‌های هوش مصنوعی در کنار مساله‌های حوزه عمومی‌استفاده شده است اشاره می‌کنیم. برای آشنا شدن اولیه با استفاده از الگوریتم های مختلف در بخش عمومی و سیاست گذاری، میتوانید بر روی نام هر الگوریتم در زیر کلیک کنید تا به صفحه یک مقاله مربوط بروید. دوباره تاکید می کنم که در مقاله بعدی نتایج این مقالات به همراه بیش از 50 مقاله دیگر مورد بحث و بررسی قرار گرفته استcase-based reasoning (CBR)cognitive mapping(CM) fuzzy logic (FL) machine learning (ML) artificial neural networks (ANN) genetic algorithms (GA)multi-agent systems (MAS)natural language processing (NLP)ملاحظات مهم در هنگام کار با الگوریتم‌هاالگوریتم‌ها برای ما دقیقا بر طبق دستوری که دریافت کرده‌اند، و داده‌های که با آنها آموزش دیده‌اند، کار می‌کنند. اگر ما به آن‌ها دستورات اشتباه داده باشیم (علی‌رغم اطلاعات درست)، و یا منابع اطلاعاتی ورودی آنها ایراد داشته باشد (علی رغم دستورات درست) ، ممکن است برای ما و جامعه دردسر ایجاد کنند.یکی از مثال‌های کلاسیک در این حوزه Tay چت بات ماکروسافت است که برای یادگیری به محیط توئیتر برده شده بود. چت بات‌ها یکی از کاربردهای مهم هوش مصنوعی هستند که امروزه بیش از گذشته در بخش عمومی ‌و در ذیل دولت الکترونیک برای پاسخگویی به شهروندان مورد توجه قرار گرفته‌اند. این ربات (و در واقع بیشتر چت بات های دیگر) به گونه ای طراحی شده بود که با استفاده از اطلاعاتی که از تعامل با دیگر کاربران در شبکه توئیتر به دست می‌آورد، آموزش دیده و تلاش می کرد که عملکرد بهتری داشته باشد. اما اتفاق جالبی که در واقعیت و در کمتر از نصف روز (کمتر از 12 ساعت) افتاد این بود که این ربات با توجه به این اطلاعات ورودی آن، از کاربران در توئیتر، به یک اکانت فحاش توئیتری تبدیل شد!توجه داشته باشید که قضاوت در مورد مساله‌هایی که در مورد رفتار یک ربات یا الگوریتم هوش مصنوعی می‌شود، از موضوعات بحث برانگیز است. همان طور که ممکن است ربات اشتباه کند انسان هم ممکن است دچار اشتباه شود. ما (انسان‌ها) در قضاوت‌های پزشکی، قضایی، استخدامی بارها و بارها شاهد بوده‌ایم که اشتباهات جدی رخ داده است. منشا بسیاری از خطاها انسان ها دقت پایین و احساسات آن ها است. ربات از این نظر که احساس ندارند و دقت بسیار بالاتری از انسان در محاسبات خود دارند، احتمالا در بسیاری از زمینه‌ها از انسان‌ها بهتر عمل کنند. به ویژه که ثابت شده است الگوریتم‌ها و ربات‌ها در محیط‌های ناشناخته و پیچیده عملکرد به مراتب بهتر از انسان دارند.پی‌نوشتاگر 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 بخونیددرباره AI Policies and Plans Repositoryاز طریق کانال‌های زیر می‌توانید با من در ارتباط باشید:ایمیل من: javadsadeqi@gmail.com آیدی تلگرام من: https://t.me/javaadsaadeghiلینکدین من توئیتر من javad sadeghi javad sadeghi Sun, 22 Nov 2020 23:54:13 +0330 https://dataio.ir/هوش-مصنوعی-و-انتخابات-oeo3sb1asj8b این هفته اتفاق جالبی افتاد و و نهادی امنیتی در دولت آمریکا برای جمعی از شهروندان ایرانی، چینی و روسیه ای پیامکی ارسال کرد که در آن از این افراد خواسته شده بود تا هر گونه تلاش برای اثرگذاری در انتخابات آمریکا را اطلاع داده و ده میلیون دلار جایزه بگیرند!نمونه پیامک ارسال از آمریکا برای ایرانی‌هااین پیامک را از ابعاد مختلفی می توان بررسی کرد. برای هر فردی بسته به رشته مورد مطالعه و لنز نظری مورد استفاده‌اش، این پیامک می تواند و معنا و تفاسیر مختلفی داشته باشد و قطعا آنچه که ما در اینجا به دنبال آن هستیم با آنچه که متخصصانی در حوزه جامعه شناسی، امنیت ملی، روابط خارجه، و... ،آن را پی می گیرند متفاوت است.انتخابات 2016 ایالات متحده از جنبه های مختلفی می تواند درس آموز باشد. این انتخابات را شاید بتوان یکی از جنجال بر انگیزترین انتخابات آمریکا نامید. مهمترین نکته ای که ما باید در این جا به آن توجه کنیم آن است که بحث حکمرانی داده و هوش مصنوعی کلیدی ترین موضوعی بود که در مورد این انتخابات مورد تدقیق و بررسی قرار گرفت. کشورهایی که به صورت جدی با آمریکا تخاصم داشتند این بار نه از طریق جنگ موشکی و تهدید اتمی به مقابله با آمریکا برخواستند و نه از طریق زنان زیبا روی و دلفریب قصد اثرگذاری بر سیاست‌مداران و سیاست‌گذاران آمریکا را داشتند. هر چند که توان استفاده از هر دو را داشته و صراحتا برا این بر امکان و توان استفاده از آن ها تاکید کرده بودند! از میان همه ابزار و روش های مختلف در این میدان، از کلان داده ها برای اثرگذاری بر انتخابات آمریکا استفاده شد. رسوایی و شائبه مداخله خارجی در انتخابات سال 2016 تا امروز، یعنی آخرین روزهای دولت اول (و شاید آخر) دونالد ترامپ او را مانند سایه تعقیب کرد. این رخداد اتهامات متعدد را متوجه کمپانی های مختلف تجاری در حوزه داده نمود و در نهایت بیش از پیش قدرت داده و نقش کلان داده ها و هوش مصنوعی را در اثرگذاری بر سیاست نمایان کرد.همان طور که میدانید کمپانی های زیادی به صورت تخصصی در حوزه بازاریابی و تبلیغات و برندینگ در کشور ما فعالیت دارند. در کشور ما این مجموعه ها بیشتر متمرکز بر کالاهای تجاری فعالیت میکنند و کمتر شاهد حضور جدی آنها در حوزه سیاست بوده‌ایم . معمولا حضور برندهای سرشناس در حوزه عمومی و حاکمیتی محدود به دوره انتخابات و آن هم بیشتر در تولید محتوا تبلیغاتی است. اما در خارج از ایران و به ویژه در کشور آمریکا داستان این گونه نیست و شرکت های مختلفی در حوزه بازاریابی و تبلیغات سیاسی به فعالیت می پردازند. از جمله معروف ترین این شرکت ها کمبریج آنالیتیکا "بود" که در انتخابات 2016 کمپین تبلیغاتی تد کروز رقیب دورن حزبی دونالد ترامپ را مدیریت می کرد. بعد از کنار کشیدن کروز و نهایی شدن حضور ترامپ به عنوان نماینده جمهوری خواهان در انتخابات، کمبریج آنالیتیکا به ترامپ پیوست و از این جا موضوع بحث انگیز انتخابات آمریکا کلید خورد.شاید بسیاری از شما در شبکه های اجتماعی بازی هایی از قبیل "سن عقلی شما چه قدر است" یا "از نظر روحی با کدام دانشمند بیشترین نزدیکی را دارید" و یا " کدام بازیگر هم ذات شماست" و یا " حیوان درون شما چیست{!}" را بازی کرده باشید. به ویژه این گونه نظر سنجی ها فیس بوک رواج بیشتری دارد و مخاطبان فیس بوک بعد از مشارکت در چنین بازیی و پاسخ به سوالات آن، بازیگر هم ذات خودشان را با دوستانش به اشتراک می گذارند.تا اینجای قضیه همه چیز خوب و عالی و نایس به نظر می رسد. اما قصه از آنجا حساسیت برانگیز می‌شود که کمبریج آنالیتیکا با طراحی بازی از این دست، اطلاعات نزدیک به 100 میلیون آمریکایی را برای اهداف تجاری و سیاسی خود در در اختیار گرفت. به زبان ساده تر:شما بازی " کدام بازیگر هم ذات شماست" که توسط کمپانی ایکس بازی شده است را بازی می کنید شما اطلاعات خودتان را در اختیار طراح بازی میگذاریدطراح بازی اطلاعات دوستان شما در فیس بوک را هم دراختیار خودش میگیرد!"زاک" شدن فعلی است که به تازگی و به دلیل اثرگذاری قیس بوک بر زندگی مردم به دایره لغت آمریکایی ها اضافه شده استاین سو استفاده از اطلاعات کاربران در آمریکاجنجال بزرگی را بر انگیخت. رسوایی کمبریج آنالیتیکا در ابعاد گسترده‌تر توسط رسانه ها افشا شد. علاوه بر این سوالات بسیار زیادی در مورد اطلاعاتی که فیس بوک از شهروندان در اختیار دارد، مورد پرسش قرار گرفت. آیا فکر میکنید موضوع اطلاعاتی که فیس بوک یا اینستاگرام از ما در اختیار دارد موضوع ساده ای است؟ بد نیست بدانید فیس بوک بیش از پنجاه "touch point" اطلاعاتی دقیق در مورد هر شهروند در آمریکا (و متعاقبا شهروندان سایر نقاط جهان) در اختیار دارد. یعنی آقای زاکربرگ می تواند لیستی پنجاه تایی در مورد ویژگی ها و علایق شما را در اختیار داشته باشد و یا در اختیار کسان دیگر قرار دهد؛ اطلاعاتی که شاید خودتان هم آن ها را ندانید !حالا اهمیت اینکه فیس بوک این همه اطلاعات را در دست دارد برای سیاست‌گذاران و سیاست مداران چیست؟ اینجاست که نقش هوش مصنوعی در سیاست گذاری و کلان داده خود را نمایش میدهد. با استفاده از تکنولوژی هوش مصنوعی (به طور مثال CLUSTERING) شما توانایی آن را خواهید داشت که رفتار افراد را بر حسب داده های آنها تفسیر کنید. فیس بوک بر مبنای اطلاعاتی که از شما در اختیار دارد، می تواند تشخیص دهد که شما الان میل به رفتن به سینما دارید و یا بیشتر علاقه دارید تا در زمان آزاد خود به ورزش کردن بپردازیدو بر این مبنا، تبلیغی با شانس خرید بیشتر را به شما نمایش دهد. البته این یک استفاده "تجاری متعارف" است و به طور مشابه اطلاعات شما می تواند مورد استفاده " سیاسی غیرمتعارف " نیز قرار بگیرد. احتمالا برایتان عجیب باشد ولی هوش مصنوعی قدرت پیش بینی و توانمندی‌هایی را در اختیار شما می گذارد که حتی با سالها تمرین و تحصیل و تلاش هم برایتان در دسترس نخواهد بود. به طور مثال شاید شما بتوانید سالها از دوستان خود پنهان کنید که فرزند طلاق بوده اید و والدین شما در سنین نوجوانی شما از هم جدا شده اند. اما فیس بوک به راحتی این موضوع را با استفاده از الگوریتم های هوش مصنوعی با دقت قابل قبولی تخمین قابل قبول حدس میزند. با همین قدرت و دقت هوش مصنوعی تشخیص می دهد شما با چه احتمالی به چه کسی رای میدهید، چه پیامی بر شما اثرگذارتر است؟ آیا میتوان نظر شما را در مورد رای دادن و یا رای ندادن تغییر داد؟ آیا شما ارزش سرمایه گذاری برای تبلیغات انتخاباتی را دارید و ممکن است رای خود را در لحظات آخر عوض کنید یا نه ؟ به صورت مشابه با همین قدرت و دقت کشور فرضی ایکس با نیت اثرگذاری در انتخابات و با در اختیار داشتن داده های فیس بوک و اینستاگرام می تواند در مورد شما پیش بینی کند که شما آیا در رای دادن به به یک کاندید (مثلا ترامپ) مردد هستید یا نه تصمیم خود را در مورد انتخابات گرفته اید و تبلیغات بر روی شما اثری ندارد ؟ آیا شما مذهبی هستید و ارسال تبلیغات سیاسی با محتوای مذهبی و نشان دادن ترامپ به عنوان فرد حامی کلیسا (و بر عکس هیلاری به عنوان فردی غیر مذهبی) بر شما موثر است یا نه؟ و از همه جالب تر آیا می توان شما را با قطعی نشان دادن انتخاب هیلاری کلینتون از شرکت در انتخابات در لحظات آخر و رای دادن به او منصرف کرد و فریب داد؟ همه این ها اتفاقاتی است که یک ربات با استفاده از کلان داده هایی که مالکیت و حق بهرمندی از آنها مورد سوالات اساسی و بنیادین است انجام داده و برروی انتخابات آمریکا و آینده جهان و ایران و من و شما(!) تاثیر جدی گذاشته است. خوب است که پاسخ سوالات زیر را از دید سیاست گذارانه بررسی کنید:اول: "اطلاعات" و " حق بهربرداری از اطلاعات"ی که افراد در شبکه های مجازی منتشر میکنند متعلق به چه کسی است؟ به زبان ساده تر با آگاهی از سطوح دسترسی به اطلاعات منتشر شده، منفعت و مالکیت اطلاعات، متعلق به "جمع آوری و پردازش کننده" اطلاعات است و یا "منتشر کننده اطلاعات" ؟ دوم: سیاست‌گذاران در برابر آنچه میتوان آن را ابهام در مورد هوش مصنوعی نامید، چه موضعی باید داشته باشند؟ (بد نیست برای روشن تر شدن این سوال به صدای ضبط شده از دو جلسه استماع در کنگره آمریکا که در فاصله زمانی شش ماهه با حضور زاکربرگ در مورد اتهامات متوجه فیس بوک گوش کنید) سوم:ابزار شما به عنوان یک سیاست‌گذار برای جلوگیری رسوایی هایی مانند کمبریج آنالیتیکاچیست ؟ در واقع اگر قرار باشد به طور مثال در ناتو به تحلیل این مساله بپردازید، از چه ابزاری استفاده می کنید ؟ پاسخ به هر کدام از این سوالات را در مجالی دیگر و به صورت مفصل بررسی خواهیم کرد و در هفته ها و مقالات بعدی بیشتر به آن ها می پردازیم. اما بد نیست بدانید که یکی از ابزاری که در کانتکست فضای دیجیتال برای جلوگیری از اشتباه به کار می رود، کمک گرفتن از شهروندان و متخصصان است. صورتی از آن را در پیامک به آمریکا به شهروندان ایرانی دیدیم. راهکار مشابه و خاص تر استفاده از باگ بانتی ها است. باگ بانتی ها افرادی هستند که در ازای پول سیستم شما را هک کرده و اطلاعات مربوط به حفره های امنیتی موجود در سیستم شما را در اختیار شما می گذارند. شبیه سازی چنین ایده هایی در فضای سیاست گذاری یکی از موارد امیدوارکننده، برای جلوگیری از اتفاقاتی مشابه اتفاقات انتخابات 2016 آمریکاست. پی‌نوشتاگر 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 بخونیددرباره AI Policies and Plans Repositoryاز طریق کانال‌های زیر می‌توانید با من در ارتباط باشید:ایمیل من: javadsadeqi@gmail.com آیدی تلگرام من: https://t.me/javaadsaadeghiلینکدین من توئیتر من javad sadeghi javad sadeghi Mon, 10 Aug 2020 00:43:00 +0430 https://dataio.ir/تاریخچه-هوش-مصنوعی-برای-سیاست-گذاران-iyzzmxaalola تاریخچه هوش مصنوعی مانند هر موضوع یا برنامه مطالعاتی دیگر ، مطالعه تاریخچه هوش مصنوعی را می‌توان با استراتژی‌های مختلفی شروع کرد. در مورد بسیاری از موضوعات به ویژه موضوعات بحث انگیز، باز کردن تاریخچه بحث کار دشواری است. به طور مثال در مورد جاذبه و یا حرکت زمین به دور خورشید و موضوعاتی از این دست در فیزیک، نمی توان یک نقطه مشخصی را به عنوان یک مبدا در باز شدن بحث در نظر گرفت. عده ای گالیله و نیوتون را به عنوان افراد اصلی، و نظرات آن ها را به عنوان مبدا تاریخی مطالعه در این حوزه در نظر می گیرند. اما عده ای دیگر با استناد به مدارکی قابل تامل، دقت علمی ادعای پیشین در حوزه فیزیک را زیر سوال می برند و آن را نامعتبر می دانند.صد البته اگر قرار باشد کسی با دقت تمام در مورد این موضوع تحقیق کند احتمالا می تواند موارد متعددی را بیابد که پیش از نیوتون با ادله درست و یا بر حسب اتفاق و یا با حدس های هوشمندانه، روابط میان جرم یک جسم و سرعت سقوط آن را بررسی کرده باشند و یا در مورد حرکت زمین در مدارهای بیضی شکل صحبت کرده باشند.اما تقریبا برای همه افرادی که در حوزه این علم در حال کار هستند، موضوع جاذبه زمین و همین طور مسئله‌های دیگری که در این حوزه مورد بررسی قرار می گیرند، دارای یک مبدا زمانی است و آن هم زمانی است که نیوتون به آن ها پرداخت. در واقع مطالعاتی که پیش از آن، در مورد تاریخچه جاذبه صورت پذیرفته است، نادیده گرفته می شود و افراد به جای تمرکز بر حاشیه های کم اهمیت بحث را از جایی آغاز می کنند که خط آن موضوع آن پررنگ تر از همیشه در تاریخ علم و توسط دانشمندان دنبال شده است.در مورد هوش مصنوعی نیز می توان چنین ایده ای را مد نظر داشت. هوش مصنوعی از آن جایی که به صورت ویژه در مورد شگفت انگیزترین توانایی ما انسان ها یعنی اندیشیدن، بحث و بررسی انجام می دهد دارای ریشه و سبقه طولانی در تاریخ است. بسیاری از دانشمندان، متفکران و فلاسفه با دید دینی و یا فلسفی در این مورد به بحث و گفت و گو نشسته اند و تاریخچه هوش مصنوعی را می‌توان تا صدها سال دورتر نیز دنبال کرد.اما جایی هست که موضوع هوش مصنوعی برای همگان جدی تر می شود و توجه همه را به خود جلب می‌کند. در واقع برای هوش مصنوعی نیز مانند فیزیک می توان تاریخچه ای در نظر گرفت که همه مطالعات و حدث و گمان های پیشینی، بعد از آن به صورت جدی تر توسط جامعه دانشگاهی دنبال می شود. همان طور که فیزیک کلاسیک با نام نیوتون و فیزیک نوین با نام انیشتین گره خورده است، مطالعه هوش مصنوعی نیز بدون شناخت تورینگ امکان پذیر نیست. مردی که یک پا در ریاضیات و یک پا در علوم کامپیوتر دارد و نظریاتش آنچنان اثرگذار است که شاید بدون حضور او زندگی ما شکل دیگری داشت.در مورد آلن تورینگ: شروع تاریخچه سیاست گذاریدر هر قرن و یا در هر هزاره افراد معدودی هستند که به تنهایی بشر را به اندازه چندین سال به پیش می رانند. تورینگ که شاید بتوان او را مهمترین شخصیت در تاریخچه هوش مصنوعی دانست یکی از این افراد است. بسیاری بر این باورند که اگر تورینگ چند سال بیشتر زنده بوده و به دلیل جهل و تعصبی که زندگی را بر او دشوار کرده بود، مجبور به خودکشی نمیشد، امروز بشر در نقطه دیگری از نظر پیشرفت در حوزه علوم کامپیوتر قرار داشت. شاید مطالعه زندگی تورینگ، نه تنها از نظر فهم بهتر هوش مصنوعی برای سیاست گذاری برای ما مفید باشد، بلکه بتواند دید ما را در سیاستگذاری در حوزه و قلمرو زندگی شخصی افراد نیز گسترش دهد و برای ما روشن تر کند که چه طور دخالت در حوزه های شخصی و بی اهمیت زندگی دیگران، می تواند جامعه و حتی دنیا را با خسران های بزرگی روبرو کند.دولت انگلستان بعد از 60 سال از تورینگ که به خاطر هم‌جنسگرایی تقبیح شده بود عذرخواهی کرده و چهره او را بر اسکناس 50 پوندی چاپ کرد.تورینگ به معنای واقعی کلمه استاد و دانشمند رشته ای است که امروزه آن را علوم کامپیوتر می نامیم. جایی که مرز میان ریاضیات و کامپیوتر است. در سال هایی که در آن جنگ جهانی در جریان بود، تورینگ به کمک ارتش بریتانیا آمد و یکی از مهمترین مسئله هایی را که در آن زمان ارتش بریتانیا در برابر ارتش هیتلر با آن روبرو بود را حل کرد. او توانست پیام هایی را که توسط ارتش آلمان رمزنگاری شده بود، را توسط یک ماشین الکترومکانیکی رمزگشایی کند و بخشی از شهرتش مرهون همین کار است.تورینگ نظریات متعدد علمی را به جامعه علمی ارائه کرد، از جمله این نظریات اثبات امکان پذیری انجام همه صورهای منطقی به وسیله محاسبات باینری است. در کنار آن او در مقاله ای در دهه 50 قرن گذشته جهت مشخص کردن سطح هوشمندی یک رایانه تستی را مطرح کرد که امروز همه آن را با عنوان آزمون تورینگ می شناسند. اگر بنا باشد که به زبان ساده این بازی را تشریح کنیم باید بگوییم چیزی که تورینگ مد نظر داشت فریب انسان توسط کامپیوتر در "بازی تقلید" بود. بازی تقلید نام آزمونی است که در آن در یک ارتباط رایانه ای (مجازی و غیر حضوری مانند چت) یک مرد تلاش برای اثبات خود به عنوان یک مرد و یک زن تلاش برای فریب دادن نفر سوم و جا زدن خود به عنوان یک مرد تلاش دارد.به اعتقاد تورینگ بهترین معیار برای هوشمند شمردن یک ماشین آن است که ماشین بتواند، یک انسان را در چنین بازی ای فریب دهد و فرد مورد امتحان و یا سنجشگر، متوجه نشود که با یک انسان روبروست یا یک ربات. مشابه با این چالش و برای توسعه هوش مصنوعی، چالش های متنوع دیگری نیز در دهه‌های گذشته برای توسعه هوش مصنوعی طراحی شده است.یکی از چالش های ابتدایی که در راه توسعه هوش مصنوعی مطرح شد، شطرنج بازی کردن انسان با کامپیوتر بود. شطرنج به عنوان یک نماد بازی فکری و شطرنج بازان به عنوان نمایندگانی شایسته از هوشمندی انسان همواره مطرح بوده اند. چالش یاد شده این گونه بود: به عنوان یک تست برای توانمندی هوش مصنوعی، ربات بتواند مانند انسان فکر کند و باید رباتی وجود داشته باشد که بتواند قهرمان شطرنج جهان را شکست دهد.رقابت انسان و هوش مصنوعی در بازی های مختلف، یکی از موتورهای محرک در تاریخچه هوش مصنوعی استپس از گذشت مدت زمانی این اتفاق به عنوان یک نقطه عطف در تاریخچه هوش مصنوعی اتفاق افتاد و بلو دیپ سوپر کامپیوتر IBM توانست با استفاده از الگوریتم خود، گری کاسپاروف شطرنج باز بزرگ روسی را شکست داده و برای اولین بار یک ربات قهرمان شطرنج جهان شود.بسیاری این نقطه را در تاریخچه هوش مصنوعی نقطه ی عطف می دانند اما به نظر می آمد که نکاتی وجود دارد که از آن غفلت شده است.اگرچه شکست دادن گری کاسپاروف دستاورد بزرگی بود که برنامه نویسان توانسته بودند به آن دست پیدا کنند اما نکاتی وجود داشت که هنوز الگوریتم ها نمی توانستند با آن به درستی روبرو شوند. مهمترین موضوع این بود که محیط شطرنج، محیطی استاتیک و ایستا است. یعنی همیشه در شطرنج تعداد مهره ها، قواعد حرکت آن ها، شرایط محیط و … ثابت است و در این شرایط ربات با عوامل پویا یا دینامیک روبرو نمی‌شود.همین تفاوت میان محیط های استاتیک و دینامیک بود که باعث شد، چالش های جدید در حوزه هوش مصنوعی شکل بگیرد. از جمله این چالش ها که هنوز هم در حال پیگیری و دنبال شدن است، تلاش برای طراحی ربات های فوتبالیستی است که بتوانند تا سال 2050 قهرمان جام جهانی فوتبال را شکست دهند. یعنی ربات‌هایی که بتوانند هم شرایط فیزیکی و هم شرایط نرم افزاری مختلف و پویا را تحلیل کرده و مورد بررسی قرار دهند. به همین دلیل است که شما شاهد بوده اید که در هر ساله لیگ های مختلف شبیه سازی بازی فوتبال در میان ربات ها با عناوین و قواعد مختلف تشکیل می شود و دانشجویان و دانش آموزان تلاش می کنند تا با شبیه سازی بازی فوتبال توانمندی خود را در این زمینه افزایش دهند. علاوه بر این در بازی های دیگر نیز که از شطرنج شرایط پیچیده تری داشته اند ما شاهد این بوده ایم که چالش هوش مصنوعی مطرح شده است . یکی از این موارد go است. بازی که شرایط آن بر خلاف شطرنج پیچیده تر بود. تاریخچه هوش مصنوعی در دنیای واقعیهوش مصنوعی همواره موضوع مورد توجهی بوده است و مهندسان تا حد امکان می توانند که از آن برای بهبود محصولات و راهکارهای خود استفاده کنند. از گذشته دور شما می توانید در الگوریتم ها و تکنولوژی های مختلف در این حوزه را پیدا کنید. صنایع نظامی همواره بستری برای توسعه تکنولوژی های سطح بالا بوده اند . از اولین استفاده هایی که از هوش مصنوعی در صنایع نظامی صورت گرفته می توان به استفاده از آن در تشخیص اهداف اشاره کرد . نمونه های f14 که در سال های پیش از انقلاب در اختیار ارتش ایران قرار گرفته است توانایی تشخیص اهداف مختلف، دسته بندی و پیشنهاددهی آن ها برای هدف قرار دادن، به خلبان را دارد. در حوزه نظامی هوش مصنوعی از همان زمان بیشتر هم توسعه پیدا کرده است و موضوع سلاح های خودکار یکی از بحث های جنجالی است که امروزه در همه رسانه ها به آن اشاره می شود . سلاح های مرگباری که در آنها به جای انسان یک ربات مسئولیت شلیک را بر عهده دارد.در صنایع دیگر نیز به تبع توسعه های هوش مصنوعی استفاده از این تکنولوژی رواج پیدا کرد . شاید همه شما به خاطر داشته باشید که تکنولوژی تشخیص لبخند یکی از مهمترین مواردی که بود که سال ها در تبلیغ دوربین و موبایل به آن اشاره می شد. با توسعه همان تکنولوژی بود که امروزه می توانیم فیلتر های مختلف را در اینستاگرام بر روی چهره خود اعمال کنیم. شاید شما که هم اکنون در حال مطالعه این مقاله باشید سال ها از نوشتن این مقاله گذشته باشد و فیلترهای تصویری که ما بر روی صورت خود اعمال میکنیم نیز مانند تکنولوژی تشخیص لبخند برای شما قدیمی و ساده به نظر آید :)سیاست گذاران نسل اول هوش مصنوعینقش ما سیاست گذاران نسل اول هوش مصنوعی در تاریخچه هوش مصنوعیدر دوره ای که ما زندگی می کنیم به دلایل متعددی شاهد این بوده ایم که هوش مصنوعی رشد جهشی داشته است. در واقع نه خود هوش مصنوعی بلکه تکنولوژیی های دیگری که به عنوان تکه های گم شده پازل هوش مصنوعی می توانیم آن ها را در نظر بگیریم به ما کمک کرده اند تا بتوانیم از ظرفیت هوش مصنوعی بیشتر بهره بگیریم. از جمله مواردی که این توانمندی را برای ما فراهم آورده است، توسعه موبایل و همین طور سایر سنسورهایی است که به صورت مداوم داده ها را از محیط جمع آوری کرده و برای بررسی در اختیار ما میگذارند، است . ما این شانس را داریم که اطلاعات بسیار مفیدی از رفتار افراد و شهروندان توسط گوشی های هوشمند جمع آوری می شود را در اختیار داشته باشیم. مثلا دولت امروزه می تواند به راحتی رابطه میان اثرگذاری آموزش عمومی ( مثلا نصب بیلبوردهای ترویجی در مسیری از بزرگراه های شهری) و مصرف انرژی (میزان تغییر مصرف بنزین افرادی که در آن مسیر تردد می کنند) را اندازه بگیرد و با استفاده از هوش مصنوعی تناوب مناسب برای آگهی ها و مکان های مناسب آن را پیش بینی کند. علاوه بر پیش بینی های درست در مورد برنامه های ترویجی، دولت این امکان را دارد تا با به کارگیری سیستم های خبره که هسته اصلی آن ها هوش مصنوعی است مالیات را به نحوه ای تغییر دهد که هم متغیرهایی مانند میزان انتشار کربن دی اکسید، سطح سرویس خدمات لجستیک در شهر و تولید ناخالص در یک شهر در بهینه ترین حالت ممکن باشند. همه این توانایی ها زمانی برای هوش مصنوعی در دسترس قرار گرفت که ما خود به عنوان یک سنسور، به صورت دائم در حال ارسال اطلاعات از زندگی روزمره خود هستیم.مسئله دیگری که باعث شده است ما شاهد رشد هوش مصنوعی باشیم و در تاریخچه هوش مصنوعی بی‌سابقه بوده است امکان ذخیره اطلاعات جمع آوری شده در دیتابیس های ارزان قیمت و با کارایی بسیار بالا است. امروزه دیتابیس های بزرگ این امکان را فراهم آورده اند تا اطلاعاتی که توسط سنسورها بررسی از محیط استخراج می شود، بر روی فضایی ابری ذخیره شده و به صورت آزاد در اختیار افراد قرار بگیرد.مساله مهمی در میان است که به عنوان یک سیاست گذار نباید آن را فراموش کنید. وقتی می گوییم در دوران ما استفاده از دیتابیس‌ها امکان پذیر شده است و یا می گوییم که سنسورها می توانند اطلاعات را به طُرُق مختلف پایش و ثبت کنند، یک نکته مهم وجود دارد و آن نکته این است که آنچه به عنوان امکان‌پذیری در موردش صحبت می شود، در بسیاری از موارد امکان‌پذیری فنی نیست، بلکه امکان‌پذیری از جنبه مدیریتی است. علت توسعه نیافتن هوش مصنوعی در 30 سال پیش نبود محصولی است که همه ابعاد آن از جمله ابعاد اقتصادی آن معقول باشد. یعنی امکان‌پذیری هوش مصنوعی از نظر فنی و مهندسی از سال‌ها پیش وجود داشته است ولی به دلیل این که از نظر مدیریتی این کار ناامکان‌پذیر بوده است و توجیه اقتصادی نداشته است‌، تا به سال‌های اخیر بهره‌برداری از آن معطل مانده است. در دوره ای که دانشمندان بر روی کانسپت های اولیه این مفهوم یعنی هوش مصنوعی کار می کردند هزینه اجاره یک رایانه 200 هزار دلار بود. مقایسه کنید با رایانه های پرتوانی که با قیمت های حدود 1000 دلار در بازار موجود هستند. همان طور که می بینید آنچه بیشتر از بخش فنی و مهندسی در توسعه این حوزه از دانش اثرگذار بوده است، موضوع امکان تجاری سازی و همین طور تحلیل های مختلف محیطی است.عامل بسیار مهم دیگر در کنار دو موردی که در بالا به آنها اشاره شد، حضور تکنولوژی های مختلفی است که به ما امکان بررسی و تحلیل اطلاعات بزرگ را می دهد. گزینه ای که تا بیش از این مورد توجه شرکت های مختلف نبود ولی امروزه به دلیل این که افراد و سازمان های مختلف به تحلیل اطلاعات می پردازند . تولید کنندگان راهکارهای نرم افزاری نیز تکنولوژی های مناسب برای این تجزیه و تحلیل و بررسی در منابع اطلاعاتی را توسعه داده اند و بررسی و استفاده از اطلاعات جمع آوری شده را در که به آن ها بیگ دیتا یا کلان داده می گوییم را بسیار ساده تر از گذشته کرده اند.در حوزه عمومی نیز موضوع هوش مصنوعی هرچند با تاخیر نسبت به بخش خصوصی اما به صورت جدی مورد توجه قرار گرفته است. در واقع امروز در نقطه ای از تاریخچه هوش مصنوعی قرار گرفته ایم که هوش مصنوعی به عنوان یک ابزار در حال ورود به سازمان ها و نهادهای اداری و سیاسی است. در مقالات هفته های آینده بیشتر در مورد حوزه های عمومی که در آن تکنولوژی های هوش مصنوعی موجب تحول شده است با یکدیگر صحبت خواهیم کرد اما به عنوان یک مورد بد نیست که نمونه جالب زیر را بررسی کنیدهوش مصنوعی و نظام سلامتامروز که من در حال نوشتن این مقاله هستم، مساله و موضوع نظام ملی سلامت یکی از موضوعات مهمی است که در دنیای سیاست گذاری در حال بررسی است. در دنیا به صورت متناوب میان نظام درمانی در کشورهای اروپایی با آمریکا مقایسه صورت می پذیرد. ترامپ رئیس جمهور آمریکا، نظام سلامت جامع اوباما، رئیس جمهور پیشین را به کلی کنار گذاشته است و آن را به عنوان یک بار سنگین مالی برای مالیات دهندگان معرفی میکند. در مقابل خدمات ارائه شده در حوزه سلامت در کشور آمریکا از کیفیت مطلوب مشابه کشورهای هم رده آمریکا ( به طور مثال با GDP مشابه) نیست و پرسش های متعددی در مورد این موضوع میان تحلیلگران و سیاست گذاران وجود دارد. از طرفی در کشور خودمان ایران هم طرحی مشابه آنچه اوباما در امریکا اجرا کرد با عنوان بیمه سلامت به اجرا در آمد که در انتها به دلیل فشارهای مالی بسیار سنگین آن برای کشور، و کارا نبودن طرح با شکست روبرو شد و حتی وزیر بهداشت نیز در پی اختلافات و در حقیقت شکست این برنامه استعفا داد.چرا این مساله باید برای ما به عنوان یک سیاست گذار اهمیت داشته باشد؟یکی از حوزه هایی که در سال های اخیر هوش مصنوعی به صورت ویژه در آن وارد شده است، حوزه درمان و سلامت است. سلامت یکی از مواردی است که به سبب فوریت، دولت ها و حتی نهاد های بین المللی به ناچار باید در آن دخالت کنند، یعنی به صورت جدی در این حوزه نیاز به سیاست گذاری، توجه و برنامه ریزی پیشینی، مدیریت بحران و... در سطح کشورها و موسسات حاکمیتی احساس می شود و دولت ها مجبورند بخشی از عملیات و ظرفیت نهادی خود را به آن اختصاص دهند.از طرفی به دلیل بازار بزرگ و قابل توجه، سطح بلوغ آی تی قابل قبول در بخش درمان، داده های ساختار یافته در فرمت های مختلف و… پزشکی بستری بوده است که برای هوش مصنوعی بهترین فضاهای رشد را فراهم آورده و شرکت های بزرگ مانند IBM در حوزه هوش مصنوعی، تلاش های خود را در این زمینه متمرکز کرده‌اند. شرکت IBM به عنوان یکی از رهبران بازار هوش مصنوعی، تمرکز خود را به صورت ویژه بر حوزه درمان و سلامت معطوف کرده است. نتیجه تلاش های فعالان و علاقه مندان در حوزه هوش مصنوعی باعث تغییرات عمده ای در این محیط خواهد شد و فضای آینده را برای سیاست گذاران با ابهامات جدی روبرو می کند. در واقع بدون توجه به موضوع هوش مصنوعی برای شما به عنوان یک سیاست گذار امکان این که در خصوص موضوع بحث انگیز "نظام سلامت" سیاست گذاری کنید وجود ندارد و نخواهد داشت. به طور مثال به موارد مثبت زیر توجه کنید:همین امروز که من در حال نوشتن این متن و شما در حال خواندن آن هستید، در بسیاری از موارد ربات ها بهتر از پزشکان سرطان را تشخیص می دهند.ربات ها مانند انسان ها بایاس ندارند، یعنی هیچ رباتی مانند پرستاران، به اشتباه فکر نمی کند که مردان و یا سیاه پوستان درد کمتری را نسبت به زنان و یا سفید پوستان احساس می‌کنند(!) و برای تجویز مسکن و یا اولویت پذیرش آنها در اورژانس اشتباه نمی‌کند.الگوریتم ها با تحلیل اطلاعات می توانند اپیدمی ها و پاندمی ها مانند ویروس کرونا را بسیار زودتر از انسان پیش بینی کنند و در مورد آن ها تصمیمات درستی را اتخاذ کنند.با استفاده از بیگ دیتا مربوط به بیماران می توان روش های جدید در حوزه درمان و سلامت را مورد استفاده قرار داد. به طور مثال درصد قابل توجهی از افرادی که در گوگل عبارت " درد زیر قفسه سینه در میان خواب شب" را جستجو کرده بودن، به سرطان مری دچار بوده اند و با استفاده از تحلیل داده شش ماه زودتر از روال معمول شناسایی می شوند.الگوریتم هایی که در حوزه پزشکی توسعه می یابند، کلیه فرایندهای تشخیصی و درمانی را زیر و رو می کنند و جایگاه پزشک و بیمارستان و … به کلی تغییر خواهد کرد. الگوریتم ها می توانند باعث ارزان تر شدن خدمات درمان و در دسترس بودن آن ها در یک کیفیت برای همه دنیا و به صورت متمرکز شوند.الگوریتم ها و هوش مصنوعی می توانند موجب تغییر بنیادین در هزینه های درمان از جمله بیمه شوند و هر فرد مختص با فاکتورها ریسک خود، هزینه بیمه اش (و متعاقبا هزینه های سرانه ی درمانش) مشخص شود.ناگفته پیداست که هر سیاست گذاری نیاز به اطلاع و تسلط بر موضوعات هوش مصنوعی خواهد بود. حالا با توجه به همه این موارد مثبت و خوب به داستان زیر توجه کنید:فکر کنید در بیمارستان و منتظر ویزیت پزشک هستید. در مورد دردی که احساس می کنید در اینترنت جستجو کرده‌اید و سایت های مختلف در مورد احتمال سرطان سینه صحبت کرده اند. با خود در حال کلنجار رفتن هستید و می گویید ایکاش پزشک زودتر بیاید و بتوانید با او در مورد مساله خودتان صحبت کنید و به شما آرامش خاطر بدهد. ناگهان در اتاق شما باز می شود و یک پرستار همراه با ربات وارد اتاق شما می شود. او (ربات) پزشک شماست! همین امروز که شما در حال خواندن این متن هستید ربات‌ها تقریبا بهتر از همه پزشکان و با دقتی بالاتر امکان تشخیص سرطان سینه را دارند.در همین شرایط پرستار به شما می گوید که برای این کار نیاز به مراجعه به بیمارستان را نداشته اید و می‌توانستد عکس سینه های خود را برای ما ارسال کنید! البته به شما اطمینان خاطر می دهد که ربات/پزشک شما با دقتی بسیار بالاتر از هر پزشکی و با استفاده از پردازش تصویر بیماری شما را می تواند تشخیص دهد و نیاز به هیچ آزمایش دیگری نیست. ربات شروع به بررسی و احتمالا عکاسی از شما می کند(!) و فاجعه بزرگ تازه در اینجا رخ می دهد، ربات ناگهان روی صفحه خود یک پیام با رنگ قرمز را به شما نمایش می دهد و آن این است:متاسفانه شما بدترین نوع سرطان سینه را داریدعملیات تمام شد!این روایت کوتاه برگرفته از یک تجربه واقعی است. هدف از نقل این مثال آن است که با هم پرسش هایی را در این زمینه بررسی کنیم: آیا نظام درمانی حق دارد همه بیماران را ملزم به استفاده از ربات ها در تشخیص بیماری های خود کند؟ آیا شهروندان در ارتباط با داده‌هایی که در اختیار ربات ها که اکثر تحت کنترل شرکت‌های بخش خصوصی است باید به ما اعتماد کنند؟مسئولیت رفتار و پیامدهای اشتباهات ربات ها بر عهده چه کسانی است ؟یک نمونه موردی دیگری که در آمریکا و در همین حوزه رخ داد، مساله تمایز میان سفیدپوستان و سیاه پوستان است. رباتی که در حوزه سلامت در آمریکا به کار گرفته شده بود، میزان هزینه بیمه های ویژه سرطان را با ریسک فاکتور مربوط به سرطان همبسته در نظر گرفته بود و از اینجا تبعیض سیستماتیک در میان سیاه پوستان و سفید پوستان وارد الگوریتم های تصمیم گیری هوش مصنوعی برای نظام سلامت آمریکا شده بود. میزان درگیر شدن سیاه پوستان با بیماریهای مختلف کمتر از درگیری سفیدپوستان با آن بیماری های نیست ولی ربات به اشتباه این مقدار با توجه به این که سیاه پوستان هزینه کمتری را برای بیمه می توانند پرداخت کنند، به عنوان افراد در ریسک کمتر دسته بندی کرده بودپس ما به عنوان سیاست گذاران نسل اول هوش مصنوعی مجبوریم که همه موارد احتیاطی را در مورد هوش مصنوعی مد نظر قرار داده و در مورد مسائل عمومی مربوط به هوش مصنوعی بررسی های کامل انجام دهیم. برای این کار روش های سیستماتیکی وجود دارد که در آینده بیشتر به آن خواهیم پرداخت.تایم لاینسال 1623: اولین ماشین حساب ساخته شد.سال 1770: مخترعی رباتی را که قابلیت بازی شطرنج(به عنوان یک بازی فکری و نماد هوشمندی) داشت را به ملکه اتریش معرفی کرد. این دستگاه یک ربات مکانیکی بود.سال 1945: نظریه محاسبات “آلن تورینگ” بیان کرد که یک ماشین محاسبات ساده با اعداد “0” و “1” (باینری) می‌تواند هر عمل ممکن در استنتاج ریاضی را انجام دهد.سال 1950: آزمون تورینگ توسط آلن تورینگ در مقاله‌ای با نام «محاسبات ماشینی و هوشمندی» مطرح شد.سال 1955: آلن نیوول، کلیف شاو و هربرت سیمون از طریق برنامه Logic Theorist به اثبات مفهوم هوش مصنوعی پرداختند. Logic Theorist در واقع به نوعی برنامه ریزی شده بود تا مهارت های انسان ها در حل مسئله را تقلید کند و بودجه آن توسط موسسه تحقیقات و توسعه (RAND) تهیه شده بود.سال 1956:رشته دانشگاهی پژوهش در هوش مصنوعی توسط جان مک کارتی و همکارانش در کالج دارتموث تاسیس شد.در اواسط دهه شصت میلادی تحقیقات زیادی، در دپارتمان دفاع ایالات متحده پایه ریزی شده و مراکز بسیاری در سرتاسر جهان با هدف توسعه در حوزه هوش مصنوعی، تاسیس گردیدسال 1970: ماروین مینسکی در مصاحبه ای ادعا کرد که نهایتا تا هشت سال آینده ما رباتی خواهیم داشت که هوش معادل با یک انسان معمولی را داشته باشد.سال 1980: با موفقیت های تجاری سیستم های خبره(Expert systems) پژوهش های هوش مصنوعی دوباره جان گرفتدر دهه 80 میلادی: جان هوپفیلد و دیوید راملهارت، تکنیک یادگیری عمیق را مطرح کردند.سال 1997:“دیپ بلو” کامپیوتر گری کاسپاروف را در یازدهم مِی 1997 شکست داد.سال 2006:در چالش شرکت DARPA برای اولین بار یک خودروی خودران توانست این مسابقه را به پایان برساند.سال 2011: واتسون ربات IBM در مسابقه تلویزیونی جئوپاردی(jeopardy ) توانست دو قهرمان جئوپاردی را با اقتدار شکست دهد. و جایزه ۱ میلیون دلاری را برنده شدسال 2016: آلفاگو 4 قهرمان بازی های گو را بدون آوانس برد.پی‌نوشتاگر 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 Policy 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 بخونیددرباره AI Policies and Plans Repositoryاز طریق کانال‌های زیر می‌توانید با من در ارتباط باشید:ایمیل من: javadsadeqi@gmail.com آیدی تلگرام من: https://t.me/javaadsaadeghiلینکدین من توئیتر من javad sadeghi javad sadeghi Sun, 02 Aug 2020 01:38:17 +0430 https://dataio.ir/هوش-مصنوعی-و-سیاست-گذاری-zkmdazxrknel شاید برای کسی که در حوزه سیاست گذاری کار می کند، اسم و موضوع هوش مصنوعی در وهله اول یک اسم و مفهوم پیچیده از جنس مسائل ریز مهندسی به نظر آید. این روزها در مورد هوش مصنوعی گمانه زنی و حدس های زیادی زده می‌شود و داستان های عجیب و غریب در مورد مفهومِ آن، زیاد به گوش می رسد. تا آنجا که حتی مانند مواد مخدر توانسته یکی از موضوعات جذاب برای ساخت سریال های تلوزیونی باشد :). صد البته حق دارید بگویید که برای بسیاری از افرادی هم که مطالعاتشان در حوزه علوم کامپیوتر است، هوش مصنوعی موضوع پیچیده ای به حساب می آید، و ناآشنا و غیر ملموس بودن هوش مصنوعی محدود به سیاست گذاران و یا افرادی که کارشان معطوف به سیاست گذاری و کار در حوزه اختیارات دولت است، نمی شود.اما آیا هوش مصنوعی انقدر که از دور پیچیده به نظر می آید، از نزدیک هم پیچیده است ؟آیا هوش مصنوعی اینقدر که این روزها در موردش صحبت میشود مهم است، و یا تنها یک مُد زودگذر بوده و به زودی فراموش میشود؟آیا این بحث که هوش مصنوعی را یک فناوری انقلابی می دانند و آن را با انقلاب صنعتی مقایسه می کنند درست است ؟آیا ربات ها به زودی جایگزین انسان‌ها می شوند؟آیا هوش مصنوعی تعاریف اصلی و پیش فرض های اساسی ما در حوزه های مختلف علوم انسانی مانند اقتصاد، علوم اجتماعی، فلسفه و … را تغییر خواهد داد؟به عنوان یک مدیر یا سیاست گذار و یا سیاست گر حرفه ای ما چگونه باید با مساله هوش مصنوعی (AI) روبرو شویم و از چه جنبه هایی آن را بررسی کنیم؟در این مجموعه مطالب که با عنوان سیاست گذاری و هوش مصنوعی در این پست و پس های آینده می نویسم ، امیدوارم فرصتی پیش آید تا بتوانیم در مورد این سوالات بیشتر با هم صحبت کنیم.هوش مصنوعی در معادلات سیاست گذاری هوش مصنوعی روندی رو به رشد را در سال‌های گذشته طی کرده است . به صورت کلی تکنولوژی‌هایی که "داده" به عنوان عنصر مرکزی آنها به حساب می آید در سال های اخیر، به دلیل رشد تولید کلان داده‌ها، امکان مدیریت داده‌ها با استفاده از تکنولوژی‌های جدید و دیتابیس‌هایی پیشرفته، بسیار بسیار بیشتر مورد اقبال قرار گرفته‌اند و توانسته‌اند که جایگاه خود را در میان سایر تکنولوژی ها ارتقا ببخشند. از آنجایی که بخش خصوصی به نسبت بخش دولتی و یا عمومی از چابکی بیشتری برخوردار بوده است، به کارگیری این تکنولوژی های اطلاعاتی و از جمله هوش مصنوعی در این بخش ها زودتر اتفاق افتاده است . البته مانند بسیاری دیگر از تکنولوژی‌های سطح بالا این تکنولوژی نیز برای اولین بار در بخش های نظامی ایده‌پردازی و مورد بهره برداری قرار گرفته است و سپس جهت استفاده عامه تجاری‌سازی و به کار گرفته شده است.نکته‌ای که وجود دارد و نباید در مورد هوش مصنوعی آن را فراموش کنید این است که استعاره انقلابی بودن هوش مصنوعی نباید شما را به اشتباه بیندازد. معمولا انقلابی بودن در مورد پدیده ای مورد استفاده قرار می‌گیرد که در آن تحولات به صورت ناگهانی رخ می‌دهد . عده از افراد به دلیل این که در سال های اخیر ما شاهد استفاده از هوش مصنوعی با شدت و گستردگی بالاتر نسبت به سال های پیش‌تر بوده‌ایم هوش مصنوعی و توسعه و به کارگیری آن را یک انقلاب به شمار آورده‌اند، ولی شاید این استعاره درست نباشد.همانطور که پیشتر ذکر کردیم بخش خصوصی در به کارگیری این تکنولوژی پیش قدم بوده و از آن زودتر نیز در دانشگاه‌ها و همین طور نهادهای نظامی ما شاهد استفاده از هوش مصنوعی بوده‌ایم . در واقع شاید بتوان گفت آنچه که به عنوان هوش مصنوعی امروز می‌شناسیم، نتیجه تلاشی است که از جنگ جهانی دوم شروع شده و به تدریج توانسته است که سیر رشد و توسعه خود را طی کند. امروزه هوش مصنوعی با در اختیار قرار داشتن امکاناتی مانند دیتابیس‌های بزرگ، تکنولوژی‌های تحلیل داده جدید و از همه مهمتر داده‌های تفسیر پذیر که از طریق سنسورهای مختلف دریافت می شود، اثر گذاری خود را به صورت جهشی افزایش داده و شکوفا شود.در واقع بهتر است بگوییم که رشد تکنولوژی هوش مصنوعی بیش از آنکه رشد انقلابی (revolutionary) باشد، تکاملی یا (evolutionary) بوده است و آن انقلابی که ما شاهد آن هستیم، انقلاب اثرات و پیامدهای هوش مصنوعی در نظام های اقتصادی، اجتماعی و … است.به هر روی، هم اکنون موضوع هوش مصنوعی به صورت جدی مورد توجه قرار گرفته است. توجه به هوش مصنوعی ناشی از اثراتی است که به کارگیری آن، در زندگی شهروندانِ یک جامعه ممکن است داشته باشد . در میان دولت‌های مختلف شاهد آن بوده‌ایم که در رده‌های مختلف سیاست گذاری، توجه نسبت به این موضوع صورت گرفته است. در بیشتر کشورهای پیشرفته دنیا استراتژی های ملی در مورد هوش مصنوعی وجود دارد و دولت ها با استفاده از برنامه ای مشخص به این حوزه ورود کرده‌اند .شاید بررسی و پیگیری استراتژی‌های ملی در مورد هوش مصنوعی برای شما به عنوان فردی که سیاست گذاری را به صورت حرفه ای و جدی دنبال می کنید بسیار جذاب باشد. در واقع شما فرصت آن را دارید که در نقطه‌ای شبیه نقطه صفر کشف موتور بخار و یا دستگاه چاپ قرار بگیرید و به لطف توسعه ارتباطات و آزاد بودن دسترسی به برنامه ریزی‌های دولتی، ببینید که دولت های مختلف نسبت به این موضوع چه واکنشی داشته‌اند و هر کدام از سیاست های توسعه‌ای در پیش گرفته شده در مورد هوش مصنوعی، چه نتایجی را حاصل کرده است. تلاش های دهه اخیر دولت ها موجب آن شده است که برخی از کشور ها در موضعِ رهبری در این حوزه از تکنولوژی درسطح جهان قرار بگیرند و برخی دیگر از کشور هایی که پیش از این در بسیاری از تکنولوژی های مختلف خود رهبران جهانی بوده‌اند نتوانند توان رقابتی با آن ها داشته باشند .در مقالاتی جداگانه هم به این موضوع یعنی استراتژی های ملی در حوزه هوش مصنوعی هم به تاریخچه هوش مصنوعی و شاخه های هوش مصنوعی خواهیم پرداخت. اما در این جا و در ادامه گام اول قصد دارم به این موضوع بپردازم تاثیر هوش مصنوعی در زندگی شهروندان تاکنون چگونه بوده است و چه افق و محدودیت هایی می توانیم برای آن قائل باشیم . در مثال هایی که در بخش آتی این نوشته آورده ام، بیشتر به دنبال روشن کردن این مساله هستم که هوش مصنوعی با چه مختصاتی ما را به عنوان سیاست گران حرفه ای ملزم به واکنش و عکس العمل در مورد خود کرده است. به بیان دیگر ما در این نوشته به مساله بیمار می پردازیم. شاید شما نیز استعاره‌ی بیمار و پزشک را در موضوع سیاست‌گذاری شنیده باشید. سردرد برای بیمار حس ناخوشایند و درد در سر است؛ اما برای پزشک می‌تواند مفهوم و معانی مختلفی داشته باشد. پزشک سر درد را می‌شنود و برداشت او از این موضوع ممکن است میگرن، تومور مغزی یا یک سرماخوردگی ساده باشد. سیاست گذار نیز در چنین موضعی قرار دارد. کژکاردها و رویدادهای ناخوشایند اجتماعی که هر در اخبار و از زبان مردم در ارتباط با آنها می شنویم، مساله‌هایی است که از جانب بیمار مطرح شده است و ما در موضع سیاست‌گذار باید نسبت به این موضوعات دارای نگاه حرفه‌ای مانند یک پزشک باشیم.در واقع در اینجا ما به این مسئله می پردازیم که هوش مصنوعی چه مساله یا public problem هایی را ایجاد میکند که مداخله نهادهای عمومی را می طلبد.بررسی نمونه موردی آمازون و مساله هوش مصنوعیپیش‌تر هم گفتیم که شرکت‌های تکنولوژیک و نوآور مانند آمازون در خط مقدم توسعه و استفاده از تکنولوژی‌های سطح بالا در دنیا از جمله هوش مصنوعی قرار دارند و متقابلا می توان انتظار داشت که این مجموعه‌ها به عنوان اولین به کسانی که هوش مصنوعی را به کار گرفته‌اند، مهمترینِ مجموعه‌های تولیدکننده مسئله برای بخش دولتی هستند. به موارد زیر توجه کنید.در شرکت‌های بزرگ و بین المللی مانند آمازون، بررسی رزومه‌ها به دلیل تعداد بالای رزومه‌های ارسالی به شیوه دستی امکان پذیر نیست و در واقع اگر امکان پذیر هم باشد این مساله دقت لازم و همین طور صرفه اقتصادی ندارد . در این جا مدیران آمازون با استفاده از هوش مصنوعی رباتی را توسعه داده و ساخته‌اند که نقش یک کارمند منابع انسانی را برای آن‌ها بازی میکند . این ربات با استفاده از داده‌هایی که از رزومه‌های مدیران موفق و همین طور مدیران ناموفق بخش‌های مختلف آمازون به دست می‌آورد، رزومه‌های افراد متقاضی را مورد بررسی قرار می‌دهد. ربات با سرعت بالاتر می‌تواند نتیجه‌های اولیه‌ای را به مدیران منابع انسانی نسبت به رزومه‌های دریافتی بدهد. خب در این صورت که همه چیز به خوبی در حال پیش رفتن است و همه افراد در باید راضی باشند. یک کارمند 24 ساعته که رزومه‌ها را برای مدیران به محض ارسال توسط کارجو بررسی میکند!در آمازون مشکل از آنجایی شروع شد که مدیران متوجه شدند که ربات به صورت خودکار و با توجه به این که اطلاعات نادرستی به عنوان اطلاعات آموزشی، گزینش و در اختیار آن قرار گرفته است، یکی از جنسیت ها را به صورت خودکار رد می کند . به صورت مثال از آنجایی که مدیران بخش بازاریابی در ده سال اخیر در دپارتمان هایی که داده های آن ها برای آموزش ربات استفاده شده است، همه جنسیت ایکس(x) داشته اند، ربات همه جنسیت های وای (Y) را به صورت خودکار رد کرده است.حتما برای شما باید قابل تصور باشد که با اتفاق افتادن این موضوع در آمریکا، چه فشارها و انتقاداتی به آمازون وارد شده است. بد نیست بدانید که شما در زمان استخدام نیرو در آمریکا برای یک شغل حق ندارید به جنسیت فرد اشاره کنید و به طور مثال به جای استفاده از "یک مرد قوی جهت حمل بار " باید از عبارت "فردی ورزیده با توان حمل بار به اندازه 60 کیلوگرم" استفاده کنید. در غیر این صورت امکان برخورد قانونی با شما وجود دارد.حالا در موضوع استخدام آمازون چه کسی مقصر است؟ مسئولیت این خطا بر عهده کیست ؟ نهادهای قانونگذار در مورد این تبعیض صورت پذیرفته چه کاری باید انجام دهند؟ واکنش شهروندان به این مسئله چگونه خواهد بود؟ در صورتی که نهادهای مدنی حامی زنان نسبت به استفاده از هوش مصنوعی معترض شوند، دولت چه رویکردی را باید کار بندد؟ اگر همین مساله در ایران و در شرکت دیجی کالا رخ داده بود و الگوریتم تنها کارمندان زن یا مرد را استخدام کرده یا ارتقا میداد، بازخورد نهادهای مختلف قانونی، دینی و اجتماعی در این مورد چگونه بود؟همان طور که می بینید در این مثال که یک استفاده مختصر از هوش مصنوعی است چه طور کامیونیتی های مختلف و همین طور قوانین و مقررات و نهادهای مختلف در مساله درگیر می شوند. شما می توانید این موضوع را به سطوح بالاتر مانند انتخابات آمریکا و همین طور سطوح پایین تر نیز گسترش دهید. به طور مثال در یکی دیگر از اشتباهاتی که در به کارگیری هوش مصنوعی در آمازون رخ داده بود، این شرکت با در اختیار قراردادنِ اطلاعات مشتریان به شرکتی تبلیغاتی در حوزه محصولات کودک، برای همه افرادی که محصولات مربوط به دوران اولیه بارداری را در فروشگاه جستجو کرده بوده اند و یا خریدهایی ازدسته محصولات داشته‌اند، بسته های اشانتیون ویژه آموزش دوران بارداری مادران و کاتالوگ تبلیغاتی محصولات بارداری، به صورت فیزیکی و در درب منزل ارسال کرده بود.همه چیز ساده و درست به نظر می رسد. هوش مصنوعی بر پایه‌ی جست و جوهای افراد، آنها را به گروه‌های مختلفی تقسیم کرده است و یکی از این گروه افرادی هستند که به دنبال کالاهای مربوط هفته‌های اول بارداری بوده‌اند. شاید برای شما هم پیش آمد باشد که در دیجی کالا محصولی را جستجو کرده باشید و در دفعات بعد همان محصول یا محصولات مشابهی که ممکن است شما قصد خرید آن را داشته باشید را دیجی کالا با استفاده از الگوریتم های انجمنی به شما پیشنهاد کالاهای خاصی را داده باشد . ارسال تبلیغات و استفاده از بیگ دیتا هم این روزها اگر کار پسندیده و تحسین شده ای به حساب نیاید، ناپسند هم نیست! پس فکر می کنید مشکل قضیه و خبرساز بودن داستان در چه بود ؟فاجعه از آنجایی شروع شد که طراحان این تبلیغ به این موضوع دقت نداشتند که الگوریتم هوش مصنوعی اهمیتی به روابط اجتماعی اهمیتی نمی‌دهد و در واقع برای او آنچنان اهمیتی ندارد که یک فرد چه طور و با چه مکانیزمی مادر شده باشد!در عرض یک هفته خانواده تعداد زیادی از خانواده ها متوجه این موضوع شدند که دخترانشان باردار هستند و جنجال رسانه ای بسیار بزرگی حول این موضوع در امریکا شکل گرفت.آیا آمازون حق داشت که با شرکت تبلیغاتی همکاری کند؟ مالکیت داده های مربوط به خرید شما با چه کسی است، آمازون که بستر خرید را فراهم آورده یا شما که خرید کرده اید؟ مسئولیت بازخوردهای اجتماعی پس از موردی مشابه در ایران و در یک فروشگاه اینترنتی بر عهده کیست ؟ اگر فاجعه قتل رومینا پیامد چنین اشتباهی بود شما به عنوان یک سیاست گذار حرفه ای چه پیشنهادی برای یک مدیر دولتی داشتید؟علاوه بر این داستان های کوتاه که تنها مساله هایی کوچک در حوزه کاری یک شرکت را بررسی می کرد، ما بارها با اثر گذاری و " ایجاد مساله عمومی به دلیل حضور هوش مصنوعی" در کیس ها و موارد متعدد مانند نظام درمانی، مسئله های زیست محیطی، مسائل شهری، انتخابات و... روبرو بوده ایم و همین مسئله سبب شده است که نیاز به ورود سیاست گذاران در بالاترین سطح، در این موضوع حس شود. در مطالب آینده به این موارد بیشتر به این مسئله می پردازیم.پی‌نوشتاگر 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 Policy 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 بخونیددرباره AI Policies and Plans Repositoryاز طریق کانال‌های زیر می‌توانید با من در ارتباط باشید:ایمیل من: javadsadeqi@gmail.com آیدی تلگرام من: https://t.me/javaadsaadeghiلینکدین من توئیتر من javad sadeghi javad sadeghi Sat, 18 Jul 2020 22:54:01 +0430 https://virgool.io/@javaadsaadeghi/%D8%B3%D9%84%D8%A7%D9%85-lbnoxfqupdxb من جواد صادقی، دانشجوی دوره دکتری تصمیم‌گیری و خط‌‌مشی‌گذاری دانشکده مدیریت دانشگاه تهران هستم. در مقاطع تحصیلی قبلی مدیریت شهری و مهندسی خوندم.از نظر حرفه‌ای و تحصیلی موضوعاتی که در فصل مشترک مدیریت شهری و تکنولوژی، به خصوص تکنولوژی‌هایی که پیرامون موضوع داده شکل گرفته‌اند، موضوع کار و مطالعه من بوده‌ است. پیش از این با شهرداری، چند شرکت در پارک علم و فناوری، چند شرکت خصوصی و پژوهشکده سیاست‌گذاری دانشگاه شریف در سمت‌های مختلف و در بازه‌های زمانی چندماهه تا چند ساله همکار بودم و الان در مرکز گسترش فناوری اطلاعات کار می‌کنم.برای ارتباط با من می‌توانید از کانال‌های زیر استفاده کنید:ایمیل من: javadsadeqi@gmail.com آیدی تلگرام من: https://t.me/javaadsaadeghiلینکدین من توئیتر من مطالبی که تاکنون در ویرگول قرار دادم:کلان داده و سیاست گذاریکلان داده یا Big Data در سیاست گذاری : طرح موضوعکلان داده برای سیاست گذاری : بررسی کاربردهااستفاده از کلان داده یا بیگ دیتا در مدیریت دولتی : بررسی یک طرح پژوهشهوش مصنوعی و انتخابات: نمونه‌ای‌ از استفاده از کلان داده ها در سیاستداده باز (open data) در ایران، نگاهی انتقادی به وضعیت فعلی داده های باز در کشورنگاهی به مقررات گذاری هوش مصنوعی در اتحادیه اروپاهوش مصنوعی و سیاست گذاریهوش مصنوعی و سیاست گذاریتاریخچه هوش مصنوعی برای سیاست گذاران الگوریتم ها و سیاست گذاریکاربرد هوش مصنوعی در سیاست گذاریهوش مصنوعی و مدیریت شهری، چرا این مساله مهم است؟زبان و سیاست‌گذاری: بررسی یک نمونه در سیاست‌گذاری هوش مصنوعیمعرفی پروژه AI Policies and Plansاز طریق کانال‌های زیر می‌توانید با من در ارتباط باشید:ایمیل من: javadsadeqi@gmail.com آیدی تلگرام من: https://t.me/javaadsaadeghiلینکدین من توئیتر من javad sadeghi javad sadeghi Wed, 15 Jul 2020 22:11:57 +0430