یادگیری ماشین و علوم انسانی

زندگی در دنیای امروز، مستلزم پیوند بین یادگیری ماشین و علوم انسانی است- بخش اول

نوبسنده: محمدرضا ملکی

تخمین زمان مطالعه: ۶ دقیقه


زندگی کردن در دنیایی که داده‌های آن توسط کامپیوترها از پیش جدا شده و فیلتر شده‌اند، بدون کمک و قرار گرفتن علوم محاسباتی و علوم انسانی در کنار یکدیگر، کار آسانی نخواهد بود. این اتحاد یعنی به نوعی پیوند یادگیری ماشین و علوم انسانی مستلزم دو نوع پیوند اساسی این دو نوع علم با یکدیگر خواهد بود یعنی نقد فرهنگی از مدل‌های ریاضیاتی در حال شکل‌گیری و از طرفی دیگر مدل‌سازی ریاضیاتی در مورد فرهنگ.


یادگیری ماشین و علوم انسانی در زندگی امروز

اگر روزگاری به کسی که در دهه‌های گذشته در حال زندگی بود می‌گفتیم حال به مرحله‌ای از پیشرفت تکنولوژی رسیده‌ایم که یادگیری ماشین و علوم انسانی برای بقای هر دو زمینه‌ی مورداشاره امری لازم است، قطعاً ذره‌ای از صحبت گفته‌شده را نمی‌فهمید.

حال به مرحله‌ای از تکامل هوش مصنوعی رسیده‌ایم که از آن انتظار داریم شغل های زیادی برای یک دانش آموخته علوم انسانی بیافریند. زندگی به‌عنوان یک شهروند دهه دوم قرن بیست‌ویک کار آسانی نیست. از این به بعد ما با اینکه نیازی به نگرانی در مورد ربات‌ها و موتورهای جستجوی اینترنتی نداریم اما هنوز اندکی به داده‌های رسانه‌های مختلف به نحوی مشکوک هستیم.

اگر دموکراسی امروزه نیازمند آگاهی اعضای جامعه‌اش باشد- با توجه به داده‌هایی که امروزه به دست مردم می‌رسد- باید نتیجه گرفت با این حجم از داده‌های شکل گرفته بر اساس هوش مصنوعی، دموکراسی در جایگاه بسیار ضعیفی قرار گرفته است. این امر در واقع نهادهای تولیدکننده‌ی داده‌های موثق یعنی دانشگاه‌ها و نهادهای آموزشی را در شرایطی بحرانی قرار می‌دهد.

زندگی کردن در دنیایی که داده‌های آن توسط کامپیوترها از پیش جدا شده و فیلتر شده‌اند، بدون کمک و قرار گرفتن علوم محاسباتی و علوم انسانی در کنار یکدیگر، کار آسانی نخواهد بود. این اتحاد یعنی به نوعی پیوند یادگیری ماشین و علوم انسانی مستلزم دو نوع پیوند اساسی این دو نوع علم با یکدیگر خواهد بود یعنی نقد فرهنگی از مدل‌های ریاضیاتی در حال شکل‌گیری و از طرفی دیگر مدل‌سازی ریاضیاتی در مورد فرهنگ.

برای موفقیت بیشتر پیوند میان یادگیری ماشین و علوم انسانی، در کنار مهارت‌های جدیدی که موردنیاز خواهد بود، به نوعی استفاده از مهارت‌های سنتی علوم انسانی نیز یکی از الزامات اصلاح فضای در حال شکل‌گیری است. برای مثال ما نیازمند آزمایش فرض‌ها و همین‌طور مقابله با استدلال‌های متفاوت هستیم.

به‌عنوان یک شهروند قرن بیست و یکمی، تنها با داشتن قوه‌ی استدلال، مصون از ساخت و پردازش داده‌های از پیش تعین شده‌ی فرایندهای مختلف مربوط به ساخت داده‌ها نیستیم؛ بلکه نیازمند یافتن روشی برای کنترل نحوه‌ی دریافت اطلاعات از منابع مختلف  نیز هستیم.

واقعیت امر درباره دنیای داده‌ها این است که داده‌ها هم می‌توانند فرصت تلقی شوند و هم تهدید.  این یعنی تنها ساخت داده‌ها نباید موردتوجه ما قرار گیرد بلکه در برهه‌ای از زمان قرار داریم که باید به جستجوی منابع موثق تولیدکننده‌ی داده‌ها نیز بپردازیم. حال داده‌ها و درواقع کلان داده‌ها برای ما اهمیت بسیاری دارند.

ظهور علم یادگیری ماشین و فرا رفتن از الگوریتم‌ها

امروزه داده‌های مختلف تحت تأثیر فرآیندهای آماری‌ای هستند که با نام یادگیری ماشین در حال رشد و گسترش هستند. در ابتدای امر باید گفت بسیاری از مقالات و کتاب‌ها در مورد معنی اصلی یادگیری ماشین اشتباه می‌کنند.

برای درک بهتر از یادگیری ماشین بهتر است در ابتدا در مورد الگوریتم‌ها صحبت کنیم. الگوریتم‌ها در واقع نوعی اسکریپت راهنما هستند که مراحلی را برای حل یک مسئله معرفی می‌کند.

بنابراین هر موقع رایانه‌ها تا پیش از این عملی را صورت می‌دادند درواقع از یک الگوریتم فراخوانی شده تبعیت می‌کردند. اما چیزی که آزادی عملی بیشتری به کامپیوترها داد در واقع پیدا کردن راهی بود تا به جای نوشتن عادی الگوریتم‌های فراوان برای تصمیم‌گیری، رایانه‌ها بتوانند با مدل کردن مسئله‌ی پیش رو دستورات لازم برای حل مسئله را خود بیابند.

برای مثال فیلتر کردن هرزنامه‌های صندوق‌های ایمیل‌ها یکی از مثال‌هایی است که می‌توان در این مورد زد. برای تفکیک هرزنامه‌ها از ایمیل‌های واقعی نیازمند این هستیم که ایمیل‌هایی که توسط خواننده‌ی آن‌ها موردعلاقه وارد نشده است را در کنار دیگر ایمیل‌هایی که مورد وثوق قرارگرفته‌اند را به‌عنوان داده‌های آموزشی در نظر گرفته و به کامپیوترها اجازه بدهیم که با یافتن راهی احتمال هرزنامه بودن ایمیل‌های وارده را بررسی و آن‌ها را مشخص کنند.

برای مثال یکی از این راه یافتن واژه‌های پرتکرار اسپم‌ها و هرزنامه‌های مختلف است. واژه‌هایی چون رایگان و یا فرصت خرید و … می‌توانند به‌عنوان یکی از عوامل بالابرنده‌ی احتمال هرزنامه بودن محسوب بشود.

در واقع در روش‌های یادگیری ماشین به جای دستور دادن صریح به ابزارهای پردازنده از آن‌ها می‌خواهیم که با توجه به داده‌های موجود به‌صورت ضمنی طبق داده‌هایی که به دست آورده و روش‌های یادگیری که توسط انسان‌ها و برداشت از رفتار انسانی در فرایندهای یادگیری به دست آورده را مورد امتحان قرار داده و در واقع مدل یادگیری خود را صورت داده تا به نتیجه‌ی مطلوب برسد.

یادگیری ماشین به‌عنوان مقوله‌ای فرهنگی

یادگیری ماشین می‌تواند به‌صورت فزاینده‌ای فرهنگ انسانی را تحت شعاع قرار دهد: تمام رأی‌هایی که ما انسان‌ها می‌دهیم و یا کلماتی که در فیس‌بوک تایپ می‌کنیم می‌توانند به‌عنوان خوراک اولیه برای بسیاری از فرایندهای یادگیری رفتار انسانی قرار گیرند.

به همین دلیل این نوع داده‌های به دست آمده می‌توانند فرهنگ غالب و مسلط را به نوعی تعمیق بخشیده و از همین رو ما نیازمند نقد صریح یادگیری ماشین و نحوه‌ی استفاده از آن هستیم. با این حال مدل‌های یادگیری ماشین آن طور که تحقیقات نشان داده‌اند نامحدود نبوده و دارای محدودیت‌های فراوانی هستند.

از این رو چه در جهت نقد و چه در جهت استفاده از یادگیری ماشین ما نیازمند استفاده از تحلیل‌های علوم انسانی برای پیشبرد اهداف انسانی‌مان در رویه استفاده از ابزارهای یادگیری ماشینی هستیم.

علاوه بر این یادگیری ماشین در بسیاری از مباحث مختلف علوم انسانی سنتی می‌توانند به‌عنوان ابزارهای بسیار قدرتمند در تحلیل‌های مختلف به کار گرفته شوند. از تحلیل‌های زبانی برای تحلیل رمان‌ها و در واقع ادبیات داستانی گرفته تا اثربخشی فراوانی ابزارهای پردازش و تشخیص تصاویر در بررسی اسناد مختلف تاریخی و جغرافیایی.

ادامه دارد …

0

افزودن دیدگاه

لطفا دیدگاه خود را بنویسید
لطفا نام خود را وارد کنید

سه × 5 =