تطبیق تکنولوژی برای توسعه
پیشرفت‌های اخیر در هوش مصنوعی عمدتا در کشورهای ثروتمند و برای شهروندان این کشورها و با استفاده از داده‌های آنها صورت پذیرفته است. در طول چند سال گذشته، ما با همکاری شرکای خود در کشورهای کم‌درآمد، روی کاربردهای هوش مصنوعی برای این کشورها، کاربران آن و داده‌ها تحقیق کرده‌ایم. در چنین شرایطی، راه‌حل‌های مبتنی بر هوش مصنوعی تنها در صورتی کار می‌کنند که با شرایط اجتماعی و نهادی آن کشور مطابقت داشته باشند. در توگو، جایی که دولت از فناوری یادگیری ماشین برای هدفمند کردن کمک‌های نقدی در طول همه‌گیری کووید-۱۹ استفاده کرد، دریافتیم که تطبیق هوش مصنوعی با شرایط کشور کلید نتایج موفقیت‌آمیز بوده است. دولت با بازطراحی فناوری‌ای که برای تبلیغات آنلاین طراحی شده بود، شناسایی فقیرترین ساکنان کشور را انجام داد.
با استفاده از هوش مصنوعی، این سیستم داده‌های ماهواره‌ای و شرکت‌های تلفن همراه را پردازش کرد تا نشانه‌های فقر را شناسایی کند. به عنوان مثال روستاهایی که در تصاویر هوایی توسعه‌نیافته به نظر می‌رسیدند و مشترکان تلفن همراه با اعتبار کم به عنوان افراد فقیر شناخته می‌شدند. هدف‌گذاری بر اساس این معیارها به اطمینان از رسیدن وجوه نقد به افراد نیازمند کمک کرد. این راهکار تنها به این دلیل در توگو کارساز بود که دولت، با همکاری محققان و سازمان‌های غیرانتفاعی، این فناوری را برای پاسخگویی به نیازهای کشور سفارشی کرد. آنها سیستمی برای توزیع پرداخت‌ها از طریق تلفن همراه ساختند، الگوریتم‌های یادگیری ماشین موجود را برای انتقال وجه به افراد فقیر تطبیق دادند و با ده‌ها هزار ذی‌نفع مصاحبه کردند تا اطمینان حاصل کنند که این سیستم پرداخت درست کار می‌کند.
با این حال، این راهکار مبتنی بر هوش مصنوعی برای دائمی بودن طراحی نشده بود و قرار بود پس از پایان همه‌گیری کنار گذاشته شود. البته این راهکار نگرانی دیگری را مطرح کرد: الگوریتم‌هایی که در آزمایشگاه و شرایط کنترل‌شده عملکرد خوبی دارند ممکن است هنگام اعمال برای تصمیم‌گیری‌های مهم در عمل قابل‌اعتماد نباشند. به عنوان مثال، در سیستم هدفمندسازی کمک‌های مالی مانند توگو، ممکن است مردم رفتار خود را برای واجد شرایط دریافت مزایا شدن، تطبیق دهند و در نتیجه توانایی سیستم برای هدایت وجوه به سمت فقرا را تضعیف کنند. از دیگر کاربردهای یادگیری ماشین، تعیین واجد شرایط بودن برای دریافت وام‌های خرد بر اساس رفتار تلفن است. برای مثال، در کنیا، بیش از یک‌چهارم بزرگسالان با استفاده از تلفن همراه خود وام دریافت کرده‌اند.
اما اگر افرادی که روابط بیشتری در شبکه‌های اجتماعی دارند، احتمال بیشتری برای دریافت وام داشته باشند، برخی از متقاضیان ممکن است به‌سرعت به روابط خود اضافه کنند. در نهایت، این امر توانایی سیستم‌ها برای هدف قرار دادن افراد موردنظر را دچار مشکل می‌کند. در مطالعه‌ای با مرکز بوسارا در کنیا، متوجه شدیم که مردم قادر هستند رفتار تلفن‌های هوشمند خود را در پاسخ به چنین قوانین الگوریتمی‌ای یاد بگیرند و تنظیم کنند. به همین دلیل این فناوری‌ها به‌تنهایی نمی‌توانند بر مشکلات در اجرا غلبه کنند و بخش بزرگی از چالش ساخت چنین سیستم‌هایی اطمینان از قابل‌اعتماد بودن آنها در شرایط واقعی است.
از سوی دیگر، برخی از سیستم‌ها برای کارآ بودن نیاز به تطبیق دارند. به عنوان مثال، در بسیاری از کشورهای کم‌درآمد، معلمان با کلاس‌های پرجمعیت و منابع محدود مواجه هستند. در سیرالئون، یک شرکت داخلی، سیستم چت‌بات هوش مصنوعی برای معلمان راه‌اندازی کرد که TheTeacher.AI نامیده می‌شود و شبیه چت‌جی‌پی‌تی است، اما با برنامه درسی و آموزشی این کشور مطابقت دارد و حتی زمانی که اتصال به اینترنت ضعیف است، در دسترس است. در فاز آزمایشی، بسیاری از معلمان قادر به طرح سوال به گونه‌ای که پاسخ‌های مفیدی به همراه داشته باشد، نبودند؛ اما گروه کوچکی به طور منظم از این سیستم برای کمک به تدریس مفاهیم، برنامه‌ریزی دروس و ایجاد منابع آموزشی استفاده کردند و استفاده از این سیستم برای معلمان به آموزش و تمرین نیاز دارد.
ممکن است استفاده از هوش مصنوعی برای کسانی که از مزایای آن بهره‌مند می‌شوند، بلافاصله آشکار نباشد. کشف این کاربردها به آزمون و خطا و به اشتراک گذاشتن کاربردهای آن بستگی دارد. درک قابلیت‌های هوش مصنوعی احتمالا برای مردم در کشورهای کم‌درآمدتر که سواد خواندن و نوشتن و ریاضیات در سطح پایین‌تری است و شهروندان آنها با داده‌ها و الگوریتم‌هایی که این داده‌ها را پردازش می‌کنند کمتر آشنا هستند، دشوارتر خواهد بود. به عنوان مثال، در آزمایش میدانی ما در کنیا، توضیح الگوریتم‌های ساده با اعداد منفی و کسری به شهروندان کم‌درآمد دشوار به نظر می‌رسید. اما تیم ما راه‌های ساده‌تری برای آموزش این مفاهیم پیدا کرد و از پاسخ افراد واضح بود که آنها این مفاهیم را درک کرده‌اند. با‌این‌حال، درک سیستم‌های پیچیده هوش مصنوعی حتی برای محققان هوش مصنوعی نیز دشوار است. برای استفاده از بسیاری از این کاربردها، کاربران نیازی به درک عملکرد الگوریتم‌ها ندارند. برای مثال، پیشنهادهای فیلم نتفلیکس می‌تواند برای کاربران مفید باشد، حتی اگر نحوه انتخاب محتوایی را که الگوریتم پیشنهاد می‌دهد متوجه نشوند. به همین ترتیب، سیاستگذاران ممکن است در یک بحران انسانی، راهکارهای یک الگوریتم را که عملکرد آن را درک نکنند، قابل‌قبول بدانند.
شفافیت گاهی اوقات حیاتی است. درباره حمایت‌های اجتماعی در شرایط عادی، توضیح معیارهای واجد شرایط بودن برای ذی‌نفعان بالقوه ضروری است. البته گفتن این امر ساده‌تر از انجام آن است: مصاحبه‌های بی‌شماری به ما نشان داده که هنجارها و ارزش‌های پیرامون داده‌ها و حریم خصوصی در محیطی مانند مناطق روستایی توگو با کشورهای ثروتمند که در آن سیستم‌های مبتنی بر هوش مصنوعی رایج‌تر هستند، اساسا متفاوت است. برای مثال، تعداد کمی از افرادی که با آنها صحبت کرده‌ایم نگران دسترسی دولت یا شرکت‌ها به داده‌هایشان بوده‌اند که نگرانی غالب در اروپا و ایالات‌متحده است، اما بسیاری تعجب می‌کردند که چگونه چنین اطلاعاتی با همسایگانشان به اشتراک گذاشته می‌شود.
با گسترش کاربرد هوش مصنوعی، لازم است مردم اثرات اجتماعی آن را درک کنند. به عنوان مثال، هوش مصنوعی می‌تواند تصاویر کاملا جعلی ایجاد کند و در تماس‌ها صدای افراد را تقلید کند. این موارد بر میزان اعتمادی که مردم به اطلاعات آنلاین دارند، تاثیر می‌گذارد. حتی جوامع دورافتاده نیز باید از این احتمالات آگاه شوند و از اینکه نگرانی‌های آنها در تدوین مقررات لحاظ می‌شود، مطمئن باشند. هوش مصنوعی مبتنی بر زیرساختهای فیزیکی دیجیتالی است: از پایگاه‌های داده عظیم روی سرورها گرفته تا کابل‌های فیبر نوری و برج‌های تلفن همراه و تلفن‌های همراه. طی دو دهه گذشته، اقتصادهای در‌حال‌توسعه سرمایه‌گذاری زیادی برای اتصال مناطق دورافتاده به شبکه تلفن همراه و اینترنت انجام داده و برخی از زیرساختهای لازم برای استفاده از هوش مصنوعی را ایجاد کرده‌اند. با‌این‌حال، برخی از سیستم‌های هوش مصنوعی نیاز به سرمایه‌گذاری بر دانش خواهند داشت، به‌ویژه در اقتصادهای در‌حال‌توسعه که شکاف‌های داده‌ای همچنان وجود دارد و فقرا قابل‌تشخیص نیستند.
مدل‌های هوش مصنوعی در این کشورها اطلاعات ناقصی در مورد نیازها و خواسته‌های ساکنان کم‌درآمد، وضعیت سلامت آنها، وضعیت زندگی افراد و روستاها و ساختار زبانی دارند. جمع‌آوری این داده‌ها ممکن است مستلزم ادغام کلینیک‌ها، مدارس و کسب‌وکارها در سیستم‌های ثبت سوابق دیجیتال، ایجاد انگیزه برای استفاده از آنها و ایجاد حقوق قانونی بر داده‌های حاصل باشد. علاوه‌بر این، سیستم‌های هوش مصنوعی باید با ارزش‌ها و شرایط هر کشور سازگار شوند. به عنوان مثال، سیستم‌های هوش مصنوعی غربی ممکن است پیشنهاد کنند که معلمان از منابع گران‌قیمتی مانند تخته‌های دیجیتال یا ارائه اسلایدهای دیجیتال استفاده کنند. این سیستم‌ها برای کارآیی در مناطق فاقد این منابع، باید تطبیق داده شوند.
سرمایه‌گذاری در آموزش توسعه‌دهندگان هوش مصنوعی می‌تواند به اطمینان از اینکه نسل بعدی نوآوری‌های فنی ارزش‌ها و اولویت‌های آن کشور را بهتر منعکس کند، کمک کند. هوش مصنوعی کاربردهای مفید بسیاری برای افراد کم‌درآمد در اقتصادهای در‌حال‌توسعه نوید می‌دهد. به راحتی می‌توان تصور کرد که چگونه این سیستم‌ها می‌توانند به نفع افراد کم‌درآمد باشند، اما چالش بزرگ این است که اطمینان حاصل شود این سیستم‌ها نیازهای مردم را برآورده می‌کنند، با در نظر گرفتن شرایط خاص هر کشور عمل می‌کنند و آسیبی ایجاد نمی‌کنند.
