اقتصاد هوش مصنوعی در کشورهای درحال‌توسعه

در حال حاضر فناوری هوش مصنوعی در کنار بلاک چین، از جمله مواردی هستند که بار‌ها در بحث‌های اقتصادی، به‌عنوان راز درمان مشکلات مطرح می‌شوند. اما در بسیاری از موارد، باید به زیرساخت‌ها و شرایط کشور‌های مختلف برای بهره‌وری ازاین‌گونه تکنولوژی‌ها نیز توجه کرد.

در این مقاله، تمرکز ما بیشتر بر روی پتانسیل هوش مصنوعی در کشور‌های درحال‌توسعه است؛ و اینکه در قدم اول با چه مشکلاتی در مسیر بهره‌وری از آن مواجهیم. اما بهتر است قبل از هر چیزی، مروری بر نحوه کار هوش مصنوعی و یادگیری ماشینی داشته باشیم.

هوش مصنوعی چگونه کار می‌کند؟

کسانی که با مفاهیم آماری سروکار دارند، به‌خوبی با مفهوم هوش مصنوعی و یادگیری ماشینی آشنا هستند؛ زیرا به‌طورکلی، یادگیری ماشینی یعنی بهره‌وری از داده‌های گذشته، برای ساخت یک الگوی آماری که توانایی پیش‌بینی نتیجه‌ها را ارائه می‌دهد.

اگر این تعریف تصویر شفافی از توانایی‌های هوش مصنوعی را در ذهن شما ترسیم نمی‌کند، به مثال زیر دقت کنید:

فرض کنید که شما یک رستوران را اداره می‌کنید و به‌تازگی تصمیم گرفته‌اید تا برای کاهش هزینه‌های خود و کاهش اسراف، میزان مواد اولیه لازم در زمان‌های مختلف سال را پیش‌بینی کنید. اینجاست که یادگیری ماشینی می‌تواند با بررسی داده‌های گذشته مصرف شما مانند میزان آرد خریداری‌شده در زمان‌های مختلف و باقی‌مانده آن، در کنار بسیاری از داده‌های دیگر زمانی و مقداری، الگوریتمی ایجاد کند که با توجه به فروش فعلی، مواد اولیه موردنیاز شما را تا ماه‌های آینده پیش‌بینی کند.

هوش مصنوعی نیز درواقع آن الگوریتم نهایی است که از تکنیک‌های یادگیری ماشینی استخراج می‌شود.

همان‌طور که در این مثال ذکر کردیم، هوش مصنوعی می‌تواند حتی در ساده‌ترین حالت‌ها از کسب‌وکار‌ها، به کاهش هزینه و افزایش رشد کمک کند. استفاده از هوش مصنوعی به شرکت‌ها و خرده‌فروش‌ها نیز ختم نمی‌شود، بلکه سیستم‌های دولتی، بانکی و آموزشی نیز می‌توانند از آن بهره ببرند. در ادامه، توضیح می‌دهیم که هرکدام از بخش‌های اقتصاد در کشور‌های درحال‌توسعه چگونه می‌توانند از هوش مصنوعی برای رشد سریع‌تر بهره ببرند.

پتانسیل رشد به‌واسطه هوش مصنوعی

در زمان‌های گذشته، برای پیش‌بینی وضعیت و شرایط یک صنعت در آینده، باید بسیاری از متخصصان دارای تجربه دورهم جمع می‌شدند و مدت‌زمان زیادی را تنها به جمع‌آوری داده اختصاص می‌دادند. سپس زمان حتی بیشتری نیز صرف آنالیز و بررسی آن داده‌ها می‌شد؛ زیرا که تنها افراد محدودی توانایی‌های لارم برای تحلیل آن‌ها را در اختیار داشتند و بررسی هرکدام از بخش‌ها و حالت‌های مختلف، عمل بسیار زمان‌بری بود.

اما در حال حاضر، هوش مصنوعی بسیاری از این زمان‌های موردنیاز را کاهش می‌دهد؛ توسط یادگیری ماشینی الگوریتم‌ها می‌توانند بسیاری از عوامل موثر بر یک تغییر را شناسایی کرده و آن را در محاسبات خود لحاظ کنند؛ کاری درگذشته اگر غیرممکن نبود، قطعا به زمان و توجه بسیار زیادی احتیاج داشت.

در این قسمت، چند مورد از توانایی‌های هوش مصنوعی در بخش‌های اقتصادی مختلف را بررسی می‌کنیم.

1. بهبود خدمت‌رسانی در بخش‌های مختلف

• کشاورزی

بخش کشاورزی از بخش‌هایی است که می‌تواند بهره‌وری عظیمی از توانایی‌های هوش مصنوعی داشته باشد. کشاورزان می‌توانند به نحوه موثرتری بر مقدار محصولات زراعی خودکنترل داشته باشند و درنتیجه، پیش‌بینی‌های بهتری برای کاشتن محصولات و برداشت آن‌ها اتخاذ کنند. در هند، بسیاری از کشاورزان مناطق روستایی در حال بهره‌وری از هوش مصنوعی برای رشد بازدهی زمین‌های خود هستند. زیرا از این طریق، ‌آن‌ها دسترسی به اطلاعات آب‌وهوایی و مصرفی محصولات خود داشته و درنتیجه می‌توانند بسیاری از هزینه‌های بذر، نیروی کار و زمان خود را کاهش دهند.

اما در ایران، بیش از هر موقع احساس نیاز به هوش مصنوعی برای مقابله با مشکلات آبی وجود دارد. با توجه به کمبود آب، ما همچنان شاهد عدم کاشت محصول در اقلیم‌های متناسب و یا شرایط آب‌وهوایی مناسب هستیم.

بهره‌وری از هوش مصنوعی می‌تواند با ارائه پیش‌بینی‌های کم‌هزینه نه‌تنها سود کشاورزان را افزایش دهد، بلکه محصولات متناسب با شرایط همان منطقه و همان سال جاری را به آن‌ها پیشنهاد داده تا از اتلاف منابع آبی و کشاورزی کشور جلوگیری شود.

• بهداشت و درمان

دکتر کالپاتی-کریمر، دکترای عصب‌شناسی در بیمارستان ماساچوست آمریکا، بیان می‌کند که پتانسیل هوش مصنوعی برای رشد دسترسی به امکانات درمانی بسیار وسیع است؛ به‌عبارت‌دیگر، هوش مصنوعی می‌تواند سیستم بهداشت و درمان کشور‌های درحال‌توسعه را به‌طورکلی بهبود دهد.

یکی از بزرگ‌ترین مشکلاتی که کشور‌های درحال‌توسعه در بخش بهداشت و درمان با آن مقابله می‌کنند، نبود دسترسی به پزشکان باتجربه و متخصص در زمینه‌های بهداشتی است. در این حالت، با بهره‌وری از هوش مصنوعی می‌توان سیستم‌هایی را طراحی کرد که از تخصص و تجربیات پزشکان معتبر در دیگر نقاط جهان استفاده کرده و به‌عنوان سیستمی همراه، برای پزشکان تازه‌کار در مناطق کم دسترس مورداستفاده قرار بگیرد. برای مثال، حتی روتین‌ترین عملیات پزشکی نیز می‌تواند از این نوع اطلاعات فراهم‌شده توسط هوش مصنوعی بهره ببرد.

در ایران، باوجوداینکه پزشکان به تعداد کافی برای سرتاسر کشور آماده می‌شوند، همچنان مناطق فقیر و روستایی بسیاری از داشتن دسترسی به امکانات پزشکی و نیرو‌های متخصص محروم‌اند. طراحی یک سیستم معاینه و تجویز که از اطلاعات و توانایی‌های پزشکان متخصص در تهران بهره‌ می‌برد، می‌تواند کمک شایانی به شهر‌های به نسبت دورافتاده داشته باشد.

• آموزش

یکی دیگر از بخش‌هایی که پتانسیل تأثیرگذاری هوش مصنوعی را به‌خوبی نشان می‌دهد، آموزش است. در بحث آموزش نیز می‌توان از هوش مصنوعی برای تربیت معلمان در مناطقی استفاده کرد که در حالت عادی، به منابع آموزشی به‌روز دسترسی ندارند.

برای مثال، نکته‌ای که در بحث اقتصاد فقر و آموزش به آن اشاره می‌شود این است که حتی در صورت فراهم کردن مدرسه و امکانات تحصیلی برای مناطق دورافتاده، آیا کیفیت این آموزش به‌اندازه‌ کافی خوب خواهد بود؟ دافلو و بنرجی، برندگان نوبل اقتصاد 2019، در یکی از مصاحبه‌های خود با پادکست Planet Money بیان کردند که کیفیت آموزش ارائه‌شده به افراد فقیر، بسیار مهم‌تر از داشتن یک ساختمان یا میز و صندلی و یا لوازم‌التحریر است.

هوش مصنوعی نه‌تنها می‌تواند به معلمان برای به‌روز نگاه‌داشتن اطلاعات آموزشی آن‌ها کمک کند، بلکه می‌توان به کمک هوش مصنوعی عملکرد و نقاط ضعف دانش‌آموزان را بررسی کرد و آموزش‌های متناسب با نیاز‌هایشان را ارائه داد.

1. بهبود سیستم‌های مالی و دسترسی به آن‌ها

همانند بسیاری از موارد قبلی، در مناطق روستایی و دورافتاده دسترسی به امکاناتی مانند وام‌ و سیستم‌های مالی نوین بسیار محدود است. در کنیا و تانزانیا سیستمی وجود دارد که شهروندان به‌واسطه آن می‌توانند از طریق تلفن همراه خود (تلفن‌های ساده و نه تلفن‌های هوشمند) به‌سادگی برای یکدیگر پول ارسال کنند؛ حال به دلیل اطلاعات فراهم‌شده از طریق استفاده از این سیستم، می‌توان به‌راحتی واجدالشرایط بودن افراد برای دریافت وام را با هوش مصنوعی تعیین کرد.

شهروندان کنیا از طریق سیستم M-Pesa، با گوشی‌های ساده خود پرداخت‌هایشان را انجام می‌دهند.

از همین طریق، می‌توان به‌جای صرف کردن هزینه‌های هنگفت برای ساخت سیستم‌های سنتی بانکی در مناطق روستایی، با استفاده از سیستم‌های مالی مدرن و هوش مصنوعی، دسترسی به وام‌ها، مبادلات بانکی آسان و هزاران امکانات دیگر را برای این افراد فراهم کرد.

حتی در مناطق توسعه‌یافته‌تر مانند تهران، هوش مصنوعی می‌تواند بخش عظیمی از هزینه‌های اعتبار سنجی و یا ارزش‌گذاری سرمایه‌ها را کاهش دهد؛ با توجه با داده‌های در اختیار بانک‌ها، می‌توان در یک‌لحظه از توانایی بازپرداخت وام و نکول آن توسط افراد و شرکت‌ها مطلع شد و از طرف دیگر، می‌توان به‌دوراز هر نوع سوگیری، ارزش‌گذاری سرمایه‌های افراد و بانک‌ها را انجام داد.

1. کاهش فساد

بهره‌وری از هوش مصنوعی در سیستم‌های دولتی و مالی از چند راه می‌تواند از فساد جلوگیری کند. اول‌ازهمه، به دلیل ماهیت هوش مصنوعی، این تکنولوژی توانایی نشان دادن الگوهایی را دارد که برای ذهن انسان بیش‌ازحد پیچیده‌اند. برای مثال در سال 2017 محققان اسپانیایی، فیلکس ایتوریگا و ایوان سانز، با استفاده از طراحی شبکه‌های عصبی (یکی از مفاهیم یادگیری ماشینی) توانستند الگوریتمی برای پیش‌بینی فساد در مناطق مختلف اسپانیا ایجاد کنند.

این الگوریتم توانست یک رابطه پنهان میان عوامل اقتصادی مانند رشد قیمت مسکن و تعداد موارد فساد مالی بیابد. توسط این مدل، پتانسیل‌های ایجاد فساد قبل از رخ دادن آن مشخص‌شده و نشان ‌می‌دهد که چه میزان از زمینه‌های فعالیت‌ غیرقانونی، از زیر دست قانون‌گذاران در می‌رود؛ این نوع بهره‌وری از هوش مصنوعی، به‌شرط آن‌که توسط ارگان‌های دولتی مورداستفاده قرار گیرد، می‌تواند بسیاری از پتانسیل‌های ناخواسته فساد را از بین ببرد.

از طرف دیگر، بررسی داده‌ها و قوانین برای شناسایی فساد سیستمی کاری بسیار هزینه‌بر، خصوصا از لحاظ نیروی انسانی است. با کمک هوش مصنوعی، حجم زیادی از کار‌های دستی و پردازش داده‌های حجیم بر الگوریتم‌ها تحمیل‌شده و نیروی‌های انسانی می‌توانند تمرکز بیشتری بر جزئیات مسئله داشته باشند؛ از این طریق، فرصت شناسایی فساد حتی برای ارگان‌هایی که از منابع مالی کمتری برخوردارند نیز فراهم می‌شود.

درنهایت، مهم‌ترین عاملی که باعث می‌شود تا هوش مصنوعی از فساد جلوگیری کند، انسان نبودن آن است! دلیل آن نیز بسیار واضح است؛ اگر یک الگوریتم به‌درستی طراحی شود، در هیچ مسئله‌ای نفعی کسب نخواهد کرد و به همین علت نمی‌توان آن را تهدید کرد یا به آن رشوه داد.

در کنار این نکته، سیستم‌هایی که تماما بر تکنولوژی هوش مصنوعی سوار باشند، کمترین نیاز به دخالت انسانی را خواهند داشت و درنتیجه می‌توان امیدوار بود که تصمیم‌های دارای سوگیری توسط آن به حداقل برسد.

موانع سر راه بر فراگیری هوش مصنوعی

تعجب‌برانگیز نیست که اجرای چنین سیستم‌های بهره‌ور از هوش مصنوعی، چندان راحت نیستند؛ حتی در کشور‌های توسعه‌یافته نیز مشکلاتی بر سر راه استفاده از این تکنولوژی وجود دارد. در اینجا دو مورد از این مشکلات را مطرح کرده که یکی از آن‌ها، بیشتر گریبان گیر کشور‌های درحال‌توسعه است.

1. جمع‌آوری داده

اولین منبع لازم برای طراحی سیستم‌های هوش مصنوعی، داده است؛ چیزی که به آن نفت قرن بیست‌ویک نیز می‌گویند. لازم به ذکر است که هر داده‌ای نیز لزوما کاربردی نخواهد بود، بلکه داده‌ای می‌تواند باعث ایجاد منفعت شود که نماینده خوبی از تمامی جامعه بوده و رفتار تمامی اقشار را در برمی‌گیرد.

لزوم در اختیار داشتن چنین داده‌هایی، وجود زیرساخت‌های جمع‌آوری آن و در قدم بعدی، وجود شفافیت است. برای مثال، اگر قصد بهبود سیستم حمل‌ونقل تهران را داشته باشیم، باید تمامی رفتار‌های حمل‌ونقل مردم مانند استفاده از تاکسی یا مترو، در سیستم‌های الکترونیکی ثبت‌شده باشد؛ و در قدم بعدی، دولت این نوع اطلاعات را در اختیار ارگان‌های ذی‌ربط قرار داده تا سیستم‌های طراحی سیاست شکل بگیرند.

شاید در بحث حمل‌ونقل تهران به‌اندازه کافی داده در اختیار داشته باشیم، اما همچنان بسیاری از فعالیت‌های اداری مانند بیمه و ثبت‌نام‌ها همچنان به‌صورت دستی انجام می‌شوند؛ این زیرساخت‌های قدیمی، کار را برای جمع‌آوری داده بسیار مشکل می‌کنند.

از طرف دیگر، به علت پتانسیل پیگیری‌های حقوقی در مسائل مالی، شفافیت کافی برای داده‌های این زمینه وجود ندارد؛ بررسی آمار‌های مربوط به فقر، بیکاری و یا مواردی مانند وام‌ها، لزوما اطلاعات درستی را در اختیار افراد متخصص قرار نمی‌دهد، مگر آنکه به‌تدریج تمامی بنگاه‌ها برای رعایت شفافیت مورد بازرسی قرار بگیرند.

1. سوگیری در داده‌ها

این عامل بیشتر از آنکه مربوط به شرایط کشور‌های درحال‌توسعه باشد، نوعی خطا است که به‌صورت ناگزیر و با توجه به ماهیت هوش مصنوعی رخ خواهد داد. درنتیجه تنها راه ‌مقابله با آن نظارت انسانی و از بین بردن آن در طول زمان است.

سوگیری داده حالتی است که هوش مصنوعی، تمامی سوگیری‌ها و اختلالات پیشین انسانی را وارد الگوریتم می‌کند زیرا رد پای این سوگیری‌ها در بخش اعظمی از داده‌ها وجود دارد.

یکی از بارزترین نمونه‌های این سوگیری، بحث الگوریتم‌های استخدام و تبعیض جنسیتی است؛ ازآنجایی‌که درگذشته برای استخدام افراد متخصص، سوگیری جنسیتی وجود داشت و مردان بدون توجه به مهارتشان بیشتر استخدام می‌شدند، درنتیجه از دیدگاه هوش مصنوعی نیز زن بودن فرد به‌عنوان یک نکته منفی به‌حساب می‌آمد که باعث می‌شد تا در سیستم‌های اتوماسیون استخدام، یک جهت‌گیری منفی به‌سوی زنان وجود داشته باشد.

پس باید مراقب بود که در طراحی چنین سیستم‌هایی از چه داده‌های استفاده می‌کنیم، چراکه ممکن است بسیاری از اشتباهات پیشین انسانی، وارد تصمیم‌گیری‌های الگوریتمیک شود.

وضعیت ایران در زمینه هوش مصنوعی

در زمان فعلی، حتی باوجود تصمیم برای ایجاد «دولت الکترونیک»، بسیاری از سیستم‌های دولتی، مالی و مالیاتی در حالت نیمه-دستی هستند؛ یعنی باوجوداینکه اطلاعات در سیستم‌های کامپیوتری ذخیره‌ می‌شوند، اما پردازش و کنترل آن‌ها همچنان توسط انسان‌ها صورت می‌گیرد و به همین علت، منفعت چندانی از خودکار شدن سیستم‌ها حاصل نشده است.

از لحاظ توانایی ایجاد سیستم‌های هوش مصنوعی، بسیاری از کمپانی‌های داخلی مانند اسنپ و دیجیکالا ثابت کرده‌اند که نیروی‌های داخلی از پس اجرای چنین سیستم‌هایی برمی‌آیند؛ اما مسئله اینجاست که چه عاملی درنهایت باعث پذیرش این تکنولوژی توسط سیستم‌های دولتی و بانکی خواهد شد.