آجی آگراوال، جاشوا گانز و آوی گلدفارب (استادان اقتصاد و استراتژی مدرسه مدیریت راتمن دانشگاه تورنتو)

فصل ۱: انقلاب ارزان‌شدن پیش‌بینی؛ منطق اقتصادی هوش مصنوعی

عبور از هیاهوی تکنولوژیک به شفافیت اقتصادی

هنگامی که مدیران اجرایی با موج سهمگین فناوری‌های نوظهور روبه‌رو می‌شوند، اغلب در میان اصطلاحات پیچیده فنی همچون شبکه‌های عصبی عمیق، یادگیری تقویتی و پردازش زبان طبیعی سرگردان می‌مانند. اما آجی آگراوال، جاشوا گانز و آوی گلدفارب، سه اقتصاددان برجسته دانشگاه تورنتو، استدلال می‌کنند که برای تدوین استراتژی کسب‌وکار نیازی به درک ریاضیات درونی الگوریتم‌ها نیست؛ بلکه باید یک پرسش بنیادین اقتصادی را مطرح کرد: این فناوری هزینه چه چیزی را به شدت کاهش می‌دهد؟ پاسخ آن‌ها قاطع و روشنگر است: موج کنونی هوش مصنوعی در واقع هوش عمومی انسان‌گونه نیست، بلکه فناوری پیشرفته‌ای است که هزینه «پیش‌بینی» (Prediction) را به نزدیک صفر رسانده است.

تاریخچه حسابگری؛ زمانی که در دهه ۱۹۸۰ محاسبه ارزان شد

ویلیام نوردهاوس، اقتصاددان برنده نوبل، نشان داد که چگونه ظهور ترانزیستورها و ریزپردازنده‌ها هزینه «محاسبات حسابی» (Arithmetic) را به کسری از سنت رساند. در ابتدا، از کامپیوترها صرفاً برای کارهای سنتی محاسباتی مانند تنظیم لیست حقوق و دستمزد، محاسبات مالیاتی و جدول‌بندی سرشماری‌ها استفاده می‌شد. اما زمانی که محاسبه تقریباً رایگان شد، مهندسان متوجه شدند که می‌توانند مسائلی کاملاً غیرمحاسباتی مانند پخش موسیقی، عکاسی دیجیتال، ارتباطات پستی (ایمیل) و شبیه‌سازی‌های گرافیکی را به مسائل ریاضی تبدیل کنند. دوربین دیجیتال در حقیقت دستگاهی است که ثبت نور را به یک مسئله محاسباتیِ صفر و یک تبدیل کرد، تنها به این دلیل که محاسبه ارزان شده بود.

معنای دقیق «پیش‌بینی» در ادبیات ماشین‌های هوشمند

در زبان روزمره، پیش‌بینی اغلب به معنای حدس زدن رویدادهای آینده (مانند پیش‌بینی وضعیت آب‌وهوا در هفته آینده یا قیمت سهام در سال بعد) تلقی می‌شود. اما در چارچوب این کتاب، پیش‌بینی فرآیند پر کردن اطلاعات مفقود با استفاده از اطلاعات موجود است. شما داده‌هایی که در اختیار دارید (که به آن‌ها «داده»، «ورودی» یا «ویژگی» گفته می‌شود) را برمی‌دارید و از آن‌ها برای تولید اطلاعاتی که ندارید برآورد می‌سازید. این اطلاعات مفقود ممکن است در آینده رخ دهند، یا در زمان حال و حتی در گذشته باشند.

برای مثال، زمانی که شما کارت اعتباری خود را در پایانه فروشگاهی می‌کشید، بانک باید در کسری از ثانیه «پیش‌بینی» کند که آیا فردی که هم‌اکنون کارت را در دست دارد، صاحب واقعی حساب است یا یک سارق سایبری. رویداد در «زمان حال» در حال وقوع است، اما هویت واقعی تراکنش‌کننده یک «اطلاعات مفقود» است. به همین ترتیب، هنگامی که پزشک به تصویر ام‌آر‌آی نگاه می‌کند تا وجود تومور را تشخیص دهد، تومور از قبل در بدن بیمار وجود دارد؛ کار هوش مصنوعی در اینجا پیش‌بینی آینده نیست، بلکه پیش‌بینی «وضعیت فعلیِ پنهان» بر پایه پیکسل‌های تصویر است.

جادوی یادگیری ماشین در واقع شعبده‌بازی نیست؛ بلکه ریاضیات پیش‌بینی است. زمانی که پیش‌بینی ارزان می‌شود، ما ناگهان شروع به بازتعریف مسائلی می‌کنیم که هرگز فکر نمی‌کردیم مسئله پیش‌بینی باشند.
— آجی آگراوال، جاشوا گانز و آوی گلدفارب

تغییر پارادایم از آمار کلاسیک به یادگیری ماشین

چرا تکنیک‌های نوین هوش مصنوعی را «ماشین‌های پیش‌بینی» می‌نامیم، در حالی که علم آمار و اقتصادسنجی دهه‌هاست به رگرسیون و برآورد مشغول‌اند؟ تفاوت بنیادین در نحوه برخورد با متغیرهای متعدد و تعاملات پیچیده غیرخطی نهفته است. در آمار سنتی (مانند رگرسیون خطی)، پژوهشگر مجبور است از پیش یک فرضیه یا مدل علّی مشخص کند و تعداد محدودی متغیر را وارد معادله سازد تا برآوردها به طور میانگین «بی‌طرف و نااریب» (Unbiased) باشند. اما در دنیای واقعی، وقتی با میلیون‌ها پیکسل یک تصویر یا هزاران سیگنال رفتاری یک کاربر روبه‌رو هستیم، روش‌های سنتی فرو می‌پاشند.

بازتعریف مسائل سنتی به عنوان مسائل پیش‌بینی

درست همان‌طور که ارزان‌شدن محاسبات باعث شد عکاسی و موسیقی به کدهای حسابی تبدیل شوند، ارزان‌شدن پیش‌بینی نیز در حال تبدیل کردن فعالیت‌های شناختی و عملیاتی به مسائل پیش‌بینی است. دو نمونه درخشان از این تغییر زاویه دید، «ترجمه زبان» و «رانندگی خودران» هستند که دهه‌ها مهندسان را به بن‌بست کشانده بودند تا اینکه از دریچه پیش‌بینی بازتعریف شدند.

چگونه مهندسان ناوبری، رانندگی را از یک مسئله منطق به یک مسئله پیش‌بینی تبدیل کردند؟

برای دهه‌ها، دانشمندان رباتیک تلاش می‌کردند خودروهای خودران را با نوشتن قواعد منطقی (If-Then-Else) برنامه‌نویسی کنند: «اگر جسمی در فاصله ۱۰ متری دیدی، ترمز کن؛ اگر چراغ قرمز بود، بایست؛ اگر عابر پیاده در لبه خیابان بود و به چپ نگاه می‌کرد...». این رویکرد در محیط‌های کنترل‌شده کار می‌کرد، اما در خیابان‌های واقعی به سرعت شکست می‌خورد؛ زیرا تعداد سناریوهای ممکن در دنیای واقعی بی‌نهایت است و نمی‌توان همه آن‌ها را کدنویسی کرد. انقلاب زمانی رخ داد که مهندسان صورت‌مسئله را تغییر دادند و پرسیدند: «اگر یک راننده ماهر انسان پشت فرمان بود، با دیدن این داده‌های ورودی از دوربین، لیدار و رادار، چه واکنشی نشان می‌داد؟» ناگهان، رانندگی از یک مسئله غیرممکنِ قانون‌گذاری منطقی، به یک مسئله ساده پیش‌بینی تبدیل شد: پیش‌بینی زاویه چرخش فرمان و فشار پدال گاز یا ترمزِ یک راننده انسانی در هر میلی‌ثانیه!

همین تحول در ترجمه ماشینی و تشخیص گفتار نیز رخ داد. زبان‌شناسان سال‌ها سعی کردند تمام قوانین دستوری و استثنائات زبان‌های بشری را کدنویسی کنند و ناکام ماندند. اما زمانی که پیش‌بینی ارزان شد، سیستم‌های ترجمه مدرن به جای درک گرامر، صرفاً پیش‌بینی می‌کنند که یک مترجم حرفه‌ای دوزبانه در مواجهه با این دنباله کلمات، به احتمال زیاد کدام جمله را در زبان مقصد می‌نویسد. همین اصل در حال نفوذ به مدیریت زنجیره تأمین، کشف دارو، جذب استعدادهای سازمانی و مدیریت ریسک اعتباری است.