وقتی رایانه‌ها جای انسان‌ها تصمیم می‌گیرند

‌این یادداشت کوتاه درباره «یادگیری ماشین» یا به زبان انگلیسی ماشین‌لرنینگ است. درواقع درباره چگونگی آغاز این راه است. جان کلام این یادداشت درباره ماشین‌های تورینگ است؛ اما پیش از آن چند نکته کوتاه درباره برخی بِگرت‌ها یا مفاهیم رایانشی را بگویم. نخست اینکه یادگیری ماشین تنها به فضای مهندسی و کارهای فنی و دانش‌های زاستاری مانند فیزیک محدود نمی‌شود. امروزه در جهان سیاست هم از یادگیری ماشین استفاده می‌شود که چگونگی‌اش را خواهم گفت. دوم اینکه در برخی درس‌خانه‌های آموزش مجازی مانند مکتب‌خانه و فرادرس درسگفتارهای خوب رایگان وجود دارد که بسیار مفیدند و می‌توان از آنها استفاده کرد؛ بنابراین نیاز نیست برای کلاس‌های گران‌قیمت آموزشی هزینه کنید. سوم اینکه چندین کتاب خوب هم درباره یادگیری ماشین به زبان فارسی چاپ‌ شده که خواندنش پرفایده است. نکته دیگری که باید بدانیم این است که یادگیری ماشین خودش زیرمجموعه‌ای از «هوش مصنوعی» است. هوش مصنوعی یکی از پررونق‌ترین موضوع‌های پژوهشی و صنعتی در جهان امروزی است و کشوری که در این زمینه سرمایه‌گذاری درست نکند و بخواهد درها را به روی تحولات ببندد، روزگار سختی پیش‌رو خواهد داشت. لازم است خوانندگان عزیز به اهمیت یک واژه دیگر هم پَرسونش یا دقت کافی داشته باشند. واژه‌ای که بسیار می‌شنویم؛ اما توجه کافی نداریم. آن واژه «داده» است. داده که زیربنای فراروند رایانشی را می‌سازد، عبارت است از: به تمام دانسته‌ها، آگاهی‌ها، کمیت‌های داشته و جمع‌آوری‌شده، اعداد، اطلاعات و آمارها که به انسان یا ماشین رایانشی توان و امکان تحلیل یا آنالیز را بدهند، داده می‌گویند. زیربنای زندگی امروز بر‌اساس داده است و هرچه پیچیدگی سامانه‌ای بیشتر شود، داده نقش پررنگ‌تری ایفا می‌کند. خود فراروند داده‌گیری و داده‌یابی و داده‌سازی و داده‌پردازی دانشی نسبتا نوپا و هیجان‌انگیز است. حال این داده‌ها نقش اصلی را در گام‌های بعدی که هوش مصنوعی و یادگیری ماشین و یادگیری عمیق یا ژرف است، بر‌عهده‌ دارند. جهان امروز جهان داده و رایانه است. یادگیری ماشین هم با داده و رایانه سروکار دارد؛ بنابراین تحلیل درست از وضعیت اقتصادی، انرژی، سلامت، اجتماعی، اقلیمی، زیست‌بومی، غذایی، آبی، نظامی، لجستیکی، جمعیتی، ژنتیکی و اپی‌ژنتیکی و بسیاری موارد دیگر در یک سامانه پیچیده مانند کشور مبتنی است بر داده و تحلیل روی داده. بنابراین کشوری که سیاست‌مدارانش درک درستی از اهمیت کار با داده را نداشته باشند، نمی‌توانند آینده‌پژوهی درستی برای کشور داشته باشند و مدام با بحران روبه‌رو خواهند بود. بحران هم یعنی افزایش انتروپی یا به زبان ساده‌تر افزایش آشفتگی و اختلال و اتلاف سرمایه‌های مالی و انسانی کشور. بگذارید با یک مثال ساده این بحث را ببندیم و به ماشین‌های تورینگ بازگردیم. کار یک رئیس‌جمهور سفر مدام به استان‌ها و گفت‌وگو با انگشت‌شمار از آدم‌ها و بازدید از چند جایِ از پیش برنامه‌ریزی‌شده نیست؛ بلکه کار اصلی او مدیریت و برنامه‌ریزی و اجرای طرح‌های کشور است. این کار بیش از دیدن با چشم نیازمند تحلیل است. گاهی کار تخصصی رئیس‌جمهور و گروهی از متخصصان کاربلد روی چندین نمودار و جدول به‌مراتب به حال آحاد مردم مفیدتر است از سفر به استانی. به ماشین‌های تورینگ برگردیم.

رایانه‌ها می‌توانند کارهایی را انجام دهند که بسیار به فراروند اندیشه‌ورزی در انسانِ خردمند نزدیک است. برای همین هم مردم نگران‌اند که رایانه‌ها جایگاه آدمی را به‌عنوان موجودات خردمند تهدید کنند. برای همین هم برخی پژوهش‌ها روی اثبات محدود‌بودن توانمندی‌های رایانه‌هاست. در درازای تاریخ بشر این ترس از دست دادن جایگاه همواره وجود داشته است. زمانی به نظر می‌رسید آدمی مرکز گیتی است و اشرف مخلوقات. اما این باور نادرست فروریخت و در عصر جیمز وب دریافته‌ایم که از هیچ‌ وجهی منحصربه‌فرد نیستیم. درباره نظریه فرگشت هم چنین بود. مخالفان فرگشت بیش از آنکه زیربنای دانشی فرگشت را بشناسند، دشمنی‌شان برگرفته از لرزیدن ستون‌های بی‌همتایی انسان است. درباره رایانه‌ها، یادگیری ماشین‌ها و هوش مصنوعی هم داستان بی‌شباهت به فرگشت و نامرکزی زمین نیست. آدمی می‌ترسد رایانه‌ها خاستگاه ارزش انسان و نیز امنیت زیستی او را به خطر بیندازند. بخشی از این ترس درست است و بخشی نادرست و این همان‌ جایی است که یادگیری ماشین با چالش روبه‌روست. خوب است ساده‌ترین تعریف ممکن از یادگیری ماشین را بگویم. یادگیری ماشین یعنی اینکه ماشینی با توان رایانشی و پردازشی داشته باشیم که با داشتن داده، بدون کمک انسان یا با کمترین یا بهینه‌ترین کمک بتواند تصمیم‌گیری کند. نگره یا دیدگاه مرکزی در نظریه محاسباتی بر مبنای یک ابررایانه جهان‌شمول است که امکان شبیه‌سازی تمام ماشین‌های محاسباتی دیگر را دارد. رایانه‌های چندمنظوره یا چندکاره نمونه‌ای برای رایانه‌های عمومی است و درواقع بیشتر رایانه‌هایی که روزانه با آنها سروکار داریم، رایانه‌های عمومی هستند، با نرم‌افزار مناسب و حافظه کافی. هر رایانه عمومی می‌تواند از دیگر گونه‌های رایانه یا دستگاه‌های پردازش اطلاعات و داده، تقلید کند.

یکی از پیامدهای مهمی که می‌توان دریافت، این است که تنها تفاوت دو رایانه در توان، سرعت و اندازه حافظه‌شان است. چه‌ بسا دستگاه‌های ورودی و خروجی متصل به رایانه‌ها با هم تفاوت داشته باشد؛ بنابراین تجهیزات جانبی از شاخص‌های ضروری یک رایانه نیستند. همه رایانه‌های عمومی و همه انواع دیگر از سامانه‌های محاسباتی عمومی بر حسب کارهایی که می‌توانند انجام دهند، اساسا شبیه یکدیگرند. به سال 1937 م. و دو سال پیش از آغاز جنگ جهانی دوم، ریاضی‌دان بریتانیایی با نام «آلن تورینگ» (گاهی «اَلن تیورینگ» هم نوشته می‌شود که مرسوم نیست؛ اما درست‌تر است) نظریه رایانه‌ای عمومی را پایه‌ریزی کرد و آن را به زبان ریاضی بیان کرد. «تورینگ» مانند بسیاری از پیشگامان دنیای رایانه‌ها و رایانش، به مسئله ساختن ماشینی که بتواند فکر کند، مشتاق بود. او طرحی برای ماشین‌های چندمنظوره اختراع کرد. ازآنجایی‌که آن زمان هنوز واژه رایانه به دستگاهی گفته می‌شد که محاسبات انجام می‌دهد و نه بیشتر؛ بنابراین تورینگ ساختار ذهنی‌اش را ماشین یا دستگاه چندمنظوره نامید. برای تصور دستگاه تورینگ ریاضی‌دانی را خیال کنید که محاسبات را روی طوماری بلند انجام می‌دهد. فرض کنید طومار بی‌نهایت دراز است و ریاضی‌دان خیالی ما هم درگیر قسط وام و گرانی نیست و فرصت کافی برای ریاضی‌پژوهی دارد. ریاضی‌دان تواناست تا برای هر مسئله‌ای راه‌حلی ارائه دهد. این مسئله که فراروند حل مسئله چندین مرحله باشد و نیازمند الگو یا الگوریتم، اهمیت ندارد و بی‌شک برای مسائل دشوار به زمان بیشتری نیاز است. تورینگ نشان داد محاسباتی که یک ریاضی‌دان باهوش می‌تواند انجام دهد، یک کارمند کندذهن اما بسیار پرسون هم که مجموعه‌ای منظم از قانون‌های ساده برای خواندن و نوشتن داده‌ها را روی طومار بداند، می‌تواند عملیات ریاضیاتی را انجام دهد. درواقع تورینگ نشان داد می‌توان جای یک انسان را با یک دستگاه یا یک ماشین عوض کرد. ماشینی که بتواند یاد بگیرد. اینجا جهان یادگیری ماشین است. ماشین یک بار نماد روی طومار را می‌خواند. روی هر خط یک نماد ساده وجود دارد. به یک دستگاه یا همان ماشین یادگیرنده مجموعه‌ای منظم و ثابت و خوش‌تعریفی از حالت‌های ممکن ارائه می‌شود. مجموعه‌ای از ورودی‌های مجاز که حالت را تغییر می‌دهد و به همین شکل مجموعه‌ای از خروجی‌های ممکن. خروجی‌ها فقط به وضعیتی بستگی دارد که در آن ورودی‌ها و ترتیب آنها در حافظه ثبت‌ شده‌اند. امروزه به چنین دستگاهی، دستگاه یا ماشین تورینگ می‌گوییم و زیربنای سه چیز است. هوش مصنوعی، یادگیری ماشین و یادگیری ژرف. اما ماشین یادگیرنده یک تفاوت دیگر دارد. درواقع هدف بعدی ساخت ماشینی است که داده‌ها یا ورودی‌ها را بگیرد و بتواند در حالت‌های گوناگون تصمیم‌گیری کند. در یادگیری ماشین چند نکته وجود دارد. نخست اینکه می‌خواهیم ماشین بتواند به‌ جای داده‌های شسته‌رفته با داده‌های آماری پالایش‌نشده کار کند و حتی بتواند هوشمندانه پالایش کند. سپس بتواند خودش مدل‌سازی کند و خروجی آن یک تصمیم باشد. اینکه چگونه بتوانیم ماشین‌ها را یادگیرنده و تصمیم‌گیرنده کنیم کاری سترگ است و آینده بشر، چه در جنگ و چه در بقا به آن گره‌ خورده است.