عصر تحلیل ماشینی!

مقاله خواندنی «هوش مصنوعی برای تحلیل: مسیر پیش رو» نوشته «دنیس جی. گلیسون جونیور» که در مجله «مطالعات اطلاعات» وابسته به سازمان سیا منتشر شده است، ابعاد بهره‌برداری سازمان‌های اطلاعاتی متخاصم از ظرفیت‌های هوش مصنوعی را بررسی کرده است. این مقاله به طور خاص چالش‌ها و فرصت‌های پیش روی سازمان‌های اطلاعاتی، به ویژه CIA را در مواجهه با هوش مصنوعی مولد (GenAI) مورد توجه قرار می‎دهد. در ابتدای امر، نویسنده به این نکته کلیدی اشاره می‌کند که چت‌بات‌های امروزی، با وجود نوآوری و ظرفیت بالایی که دارند، درک عمیقی از داده‌ها ندارند و صرفاً بر اساس تحلیل آماری الگو‌های موجود در حجم وسیعی از اطلاعات، پاسخ‌هایی شبیه به هوش انسانی ارائه می‌کنند. این مسئله، به ویژه برای تحلیلگران، دانشگاهیان و روزنامه‌نگاران که به دنبال درک عمیق‌تر در فرآیند‌های تحلیلی هستند، چالشی جدی به شمار می‎آید؛ چرا که مدل‌های زبان بزرگ (LLM) در حال حاضر فاقد شفافیت بوده و امکان بررسی مبنای پاسخ‌های تولید شده از سوی آنها وجود ندارد.

مقاله مذکور، ضمن اذعان به ظرفیت‎های هوش مصنوعی مولد، بر محدودیت‌های آن در حوزه تحلیل‌های پیچیده تأکید می‌کند. برای نمونه، نویسنده بیان می‌کند که این سیستم‌ها در مواردی که اهداف و قوانین به خوبی تعریف شده باشند، عملکرد قابل قبولی دارند، اما در مواجهه با تحلیل‌های کیفی که نیازمند درک عمیق و شهودی از موضوع هستند، با چالش روبه‌رو می‌شوند. تحلیلگران به منزله متخصصان این حوزه، انتظارات بالایی از هوش مصنوعی دارند و پاسخ‌های این سیستم‌ها را با درک عمیق خود از مسائل می‌سنجند. اگر هوش مصنوعی نتواند پاسخ‌های منطبق بر انتظارات متخصصان ارائه دهد، به احتمال زیاد مورد اعتماد آنها قرار نخواهد گرفت. به همین دلیل، ضروری است که هوش مصنوعی نه تنها به اطلاعات موجود دسترسی داشته باشد، بلکه از نحوه تفکر و تکامل دیدگاه‌های تحلیلی متخصصان نیز آگاه باشد. این امر مستلزم تمرکز بر دانش و بینش‌های سازمانی است، نه صرفاً بر روی فناوری هوش مصنوعی!

در ادامه، مقاله به اهمیت دانش ضمنی یا دانش نهفته که در مهارت‌ها، ایده‌ها و تجربیات افراد نهفته است، اشاره می‌کند. این دانش که به راحتی قابل بیان و کدگذاری نیست، می‌تواند از طریق فراداده‌ها، داده‌های ممیزی و ابزار‌های مدیریت دانش ثبت و استفاده شود. تحلیلگران به طور غریزی اطلاعات را در جریان کار خود وزن‌دهی می‌کنند و تنها از اسنادی استفاده می‌کنند که فکر می‌کنند حاوی بینش‌های مرتبط با کارشان است. این فرآیند، که به نوعی «حافظه کاری بلندمدت» تحلیلگران تعبیر می‌شود، باید به منزله بخشی از آموزش هوش مصنوعی در نظر گرفته شود. این مسئله از اهمیت بالایی برخوردار است؛ چرا که دشمن می‌تواند با بهره‌گیری از هوش مصنوعی و بدون در نظر گرفتن این دانش ضمنی، تحلیل‌های سطحی و گمراه‌کننده تولید کند. بنابراین، سازمان‌های اطلاعاتی باید به دنبال راه‌هایی برای تبدیل این دانش ضمنی به دانش صریح و قابل استفاده برای هوش مصنوعی باشند. 

به طور کلی، این مقاله خواندنی بر اهمیت آماده‌سازی داده‌ها قبل از استفاده از هوش مصنوعی تأکید می‌کند. پاکسازی و غنی‌سازی داده‌ها، اگرچه کاری زمان‌بر و خسته‌کننده است، اما برای دستیابی به نتایج دقیق و قابل اعتماد ضروری است. همچنین، لازم است تحلیلگران اطلاعاتی با محدودیت‌ها و ملاحظات طراحی سیستم‌های هوش مصنوعی آشنا شوند و در فرآیند طراحی و توسعه این سیستم‌ها مشارکت داشته باشند. در این راستا، آموزش تحلیلگران و آشنایی آنها با این ابزار‌ها از اهمیت بسزایی برخوردار است. این مسئله نشان‎دهنده ضرورت هوشیاری و آمادگی دائمی در برابر تهدید‌های نوین است. دشمن ممکن است از این فناوری‌ها به منظور ایجاد اختلال در فرآیند‌های تحلیلی و اطلاعاتی ما استفاده کند. در نتیجه، ما باید با درک عمیق از این فناوری‌ها و با اتکا به دانش و تجربیات خود، از این ابزار‌ها به نفع اهداف و منافع ملی خود بهره‌برداری کنیم. نویسنده این مقاله که خود از افسران اطلاعاتی آمریکایی است همچنین پیشنهاد می‌کند که قبل از پیاده‌سازی گسترده هوش مصنوعی، یک دوره آزمایشی با استفاده از داده‌های پاکسازی شده و پاکسازی نشده انجام شود تا میزان دقت و کارایی این ابزار‌ها ارزیابی شود. این رویکرد، نشان از اهمیت رویکرد علمی و مبتنی بر شواهد در مواجهه با فناوری‌های نوین دارد.