وقتی داده بزرگ شکست می‌خورد
یکی از تحقیقات جامعی که در زمینه اثربخش بودن عملکرد دلالان داده برای رساندن پیام‌‌‌های تبلیغاتی به مخاطبان هدف صورت گرفته بود، به نتایج ناامیدکننده‌‌‌ای منجر شد. این بار دیگر خبری از شرکت‌های تبلیغاتی و پلتفرم‌‌‌های تبلیغاتی نبود و تلاش شد تا میزان دقت و صحت عملکرد دلالان داده مورد بررسی قرار گیرد. در مجموع آنچه از دل این تحقیق و پژوهش‌‌‌های مشابهی که در این زمینه انجام شده بیرون آمده، نشان می‌دهد پلتفرم‌‌‌های هوش مصنوعی و دلالان داده با وجود اینکه دسترسی نامحدودی به داده دارند و رفتارها و عادات انبوهی از کاربران اینترنت را می‌‌‌شناسند و چیزهای زیادی در مورد آنها می‌‌‌دانند، اما باز هم اسیر دنیایی هستند که به‌‌‌سرعت در حال تغییر است و با کسانی سروکار دارند که روز به‌روز و هفته به هفته تغییر می‌کنند و سلایق و خواسته‌‌‌ها و اولویت‌‌‌های آنها به‌‌‌سرعت و پس از وقوع حوادث مختلف تغییر پیدا می‌کنند. در نتیجه آنها همان آدم‌‌‌های قبلی نیستند.
داده بزرگ و دنیای غیرثابت
فقدان شرایط ثابت و به‌‌‌شدت متغیر بودن دنیای ما، عامل بسیار مهمی است که باعث ناکارآمدی و محدود شدن کارکردهای تحلیل‌‌‌های داده بزرگ می‌شود. دانش‌‌‌آموزانی را در نظر بگیرید که ریسک مردود شدنشان در امتحانات مدرسه بالاست یا خانواده‌‌‌هایی را در نظر بگیرید که در خطر از دست دادن شغل یا خانه‌‌‌شان هستند.
در چنین موقعیت‌‌‌هایی اگر مقام‌‌‌های مسوول مانند مدیران و معلمان مدرسه یا رؤسای ادارات و بانک‌ها بتوانند بروز چنین مشکلاتی را پیش‌بینی کنند می‌توانند به‌‌‌موقع به کمک این افراد رفته و قبل از اینکه مشکل ظاهر شود، جلوی آن را بگیرند. به‌‌‌عنوان مثال، از معلم دانش‌‌‌آموزی که در خطر مردود شدن است خواسته شود به‌‌‌صورت ویژه با آن دانش‌‌‌آموز کار کند. یا یک مددکار اجتماعی برای کمک به خانواده‌‌‌های بحران‌‌‌زده در نظر گرفته شود. یا بانک تسهیلات مناسبی را برای جلوگیری از به حراج گذاشته شدن خانه ارائه کند. چند سال پیش تیمی از محققان دانشگاه پرینستون پروژه تحقیقاتی بزرگی را کلید زدند که هدف آن پیش‌بینی آینده چهار‌هزار خانواده شکننده و مشکل‌‌‌دار بود.
در این پروژه تحقیقاتی عمده توجه محققان بر این بود که بتوانند پیش‌بینی کنند چنین خانواده‌‌‌هایی چه زمانی دچار فروپاشی می‌‌‌شوند، چه موقع از خانه و کاشانه خود آواره می‌‌‌شوند، کی شغلشان را از دست خواهند داد و آیا فرزندانشان از خانه فرار خواهند کرد یا نه. محققان برای جمع‌‌‌آوری داده بزرگ موردنیاز برای این پروژه به مدت ۱۵ سال اقدام به انجام تست‌‌‌های شخصیتی، جمع‌‌‌آوری اطلاعات بیومتریک، انجام مصاحبه‌‌‌های مختلف و ارزیابی‌‌‌های گوناگون از وضعیت این چهار‌هزار خانواده کردند و به این ترتیب میلیون‌‌‌ها نقطه داده در مورد این خانواده‌‌‌ها جمع‌‌‌آوری و پردازش کردند.
در این پروژه عظیم، بیش از ۱۶۰ تیم علمی و پژوهشی مشارکت داشتند و کوشیدند با استفاده از روش‌های پیچیده یادگیری ماشین و الگوریتم‌‌‌های پیشرفته، اقدام به پیش‌بینی آینده خانواده‌‌‌های مورد بررسی کنند. بااین‌‌‌همه نتایج این پروژه بزرگ به هیچ عنوان امیدوارکننده نبود، چرا که مشخص شد بخش قابل‌توجهی از پیش‌بینی‌‌‌های صورتگرفته در خصوص خانواده‌‌‌های مورد بررسی نادرست از آب درآمد.
این در حالی است که الگوهای بسیار ساده پیش‌بینی آینده و استفاده از روش‌های ساده‌‌‌ای همچون بررسی وضعیت ازدواج تک‌‌‌والد، یا بررسی نتیجه امتحانات قبلی دانش‌‌‌آموز طی شش ماه اخیر، می‌تواند پیش‌بینی درست‌‌‌تر و دقیق‌‌‌تری را در اختیار ما قرار دهد که خیلی سریع و ساده و بدون نیاز به الگوریتم‌‌‌های پیچیده امکان‌‌‌پذیر است. در نتیجه تیم تحقیقاتی دانشگاه پرینستون پس از پایان یافتن این پروژه و بررسی نتایج حاصل از آن اعلام کرد که حتی بهترین و پیشرفته‌‌‌ترین الگوریتم‌‌‌ها هم از پیش‌بینی دقیق آینده عاجزند و عملکرد آنها نه‌‌‌‌تنها در مقایسه با روش‌های ساده پیش‌بینی آینده عالی و بی‌‌‌نقص نیست، بلکه در بسیاری موارد ضعیف‌‌‌تر از آنهاست.
تحقیق مشابهی نیز در این زمینه در انگلستان انجام شد که به نتایج مشابهی منتهی شد. در این تحقیق از ۳۲ الگوریتم یادگیری ماشین برای پیش‌بینی آینده کودکان و نوجوانانی استفاده شد که به‌‌‌خاطر حضور در خانواده‌‌‌های مشکل‌‌‌دار بیشتر از بقیه در معرض خطر قرار داشتند. نتیجه کار اما بسیار فاجعه‌‌‌بار و ناامیدکننده بود. چهار پیش‌بینی از هر پنج پیش‌بینی صورتگرفته توسط الگوریتم‌‌‌ها اشتباه از آب درآمد. بسیاری از پیش‌بینی‌‌‌های ارائه‌شده توسط الگوریتم‌‌‌ها که تاکید داشتند یک کودک یا نوجوان به طور حتم دچار مشکل خواهد شد یا نخواهد شد تحقق پیدا نکرد یا برعکس آن اتفاق افتاد. در نتیجه هزینه و انرژی عظیمی که با توجه به پیش‌بینی‌‌‌های الگوریتمی صرف ارسال مددکار اجتماعی و مواردی از این نوع شد بر باد رفت.
شاید شما در اینجا از خود بپرسید چگونه هوش مصنوعی و الگوریتمی که سال‌ها پیش توانسته در بازی شطرنج انسان را شکست دهد و تمام حرکات احتمالی طرف مقابل را به بهترین شکل ممکن پیش‌بینی کند نتوانسته و نمی‌تواند آینده را به درستی پیش‌بینی کند؟ پاسخ این سوال خیلی ساده است: زندگی مثل صفحه شطرنج نیست که قواعد و قوانین ثابتی داشته باشد، بلکه پر است از ابهام و دگرگونی و تلاطم. آنچه در آینده یک کودک اتفاق می‌‌‌افتد تابع شرایط و عوامل متعددی است که به‌‌‌شدت از هم تاثیر می‌‌‌پذیرند و بر هم تاثیر می‌‌‌گذارند. همین تغییرات و ابهامات است که باعث خلع سلاح شدن هوش مصنوعی و الگوریتم‌‌‌ها و ماشین‌‌‌ها شده و از کارآیی آنها برای پیش‌بینی آینده می‌‌‌کاهد.
بارها در مورد قدرت شگفت‌‌‌انگیز الگوریتم‌‌‌ها برای پیش‌بینی دقیق آینده شنیده‌‌‌ایم. اما واقعیت آن است که بسیاری از اینها ادعاهای گزاف و تبلیغاتی بیش نیستند که برای افزایش فروش محصولات و اپلیکیشن‌‌‌ها و پلتفرم‌‌‌های مختلف مطرح می‌‌‌شوند و در اغلب موارد واقعی و کاربردی نیستند. با این همه شاهدیم که در بسیاری از کشورها، میزان استفاده از روش‌های تصمیم‌گیری اتوماتیک مانند شناسایی بچه‌‌‌های آسیب‌‌‌پذیر، پیش‌بینی‌‌‌های سیاسی مانند نتایج انتخابات و پیش‌بینی نتایج مسابقات ورزشی و مواردی از این نوع، به‌‌‌سرعت در حال افزایش است؛ هر چند که ناکارآمدی و ضعیف بودن چنین تصمیم‌گیری‌‌‌های ماشینی و مبتنی بر هوش مصنوعی بارها و بارها به اثبات رسیده است.
آنچه موجب توسعه الگوریتم‌‌‌های مبتنی بر یادگیری ماشین و داده بزرگ شده و مبنای بسیاری از سیاستگذاری‌‌‌ها و تصمیم‌گیری‌‌‌های جوامع امروز قرار می‌گیرد، نه کارآیی و قدرتمند بودن آنها، بلکه وجود منافع سیاسی و اقتصادی برای گسترش و تقویت آنهاست. در دنیای پر از رقابت‌‌‌های سیاسی و اقتصادی بین کشورها و شرکت‌های مختلف، منافع دولت‌‌‌ها و شرکت‌ها حکم می‌کند بر طبل تصمیم‌گیری و اقدام بر اساس آنچه هوش مصنوعی می‌‌‌گوید بکوبند تا به این ترتیب به منافع و اهداف سیاسی و اقتصادی خود دست پیدا کنند.
منبع: کتاب The age of AI: and our human future
