چرا هوش مصنوعی (هنوز) نمی‌تواند این مقاله را بنویسد

یادگیری ماشینی و هوش مصنوعی تا این اندازه سریع و کامل نبوده است، اما محدودیت‌هایی دارد. پژوهشگر و استاد سابق دانشگاه، راجر شنک هدف جدیدی را برای هوش مصنوعی پیشنهاد داد: کامپیوترها باید بتوانند داستان وست‌ساید را تماشا کنند و طرح داستانی رومئو و ژولیت را درک کنند. شنک و دانشجویانش عقیده دارند که داستان‌ها کلید عقل و خرد، استدلال منطقی و معنادار بودن هستند. بر اساس استانداردهای سنجیده‌شده توسط شنک، امروزه هوش مصنوعی چندان باهوش نیست.

در سلسله‌مقالات «فرصت کسب‌وکار هوش مصنوعی» در مجموعه «هوش مصنوعی، توانا یا ناتوان؟» و در مجله Harvard Business Review، مثال‌های خوبی از کارهایی که کامپیوترها نمی‌توانند انجام دهند، گردآوری شده است. آن مقاله توسط دو متخصص نوشته شده که از ده‌ها سال تجربه برای تدوین موضوعات، جمع‌آوری مدارک و ایجاد گفتمان استفاده کرده‌اند. سپس، سه ویراستار به آنها کمک کردند تا متن تقریبا ۵۰۰۰ کلمه‌ای را رسیدن به نسخه نهایی ویرایش کنند.

این واقعیت که نرم‌افزار هنوز توانایی نوشتن این نوع مقاله بلند را ندارد، توهینی به هوش مصنوعی نیست، و همچنین ثابت نمی‌کند که هوش مصنوعی نمی‌تواند باعث تغییراتی در آینده نزدیک شود، بلکه در عوض دریچه‌ای را برای درک دقیق این موضوع می‌گشاید که فناوری‌های یادگیری ماشینی چگونه کار می‌کنند و در حال حاضر چه کاری انجام می‌دهند. کارهایی را که خوب انجام می‌دهند و یا بد و چگونه به ابزار نوشتن تبدیل خواهند شد و یا حتی نویسنده شوند.

حرف برای گفتن زیاد است، هنوز جای کار دارد

در حال حاضر، عملکرد هوش مصنوعی در ابتدا باید کار را به یک مسئله پیش‌بینی تبدیل کند و سپس با استفاده از روش‌های آماری و حجم زیادی از داده پیش‌بینی را انجام دهد. به‌عنوان نمونه، یک مسئله پیش‌بینی محتوای ساده را در نظر بگیرید: تکمیل خودکار.

هنگامی که من در تلفن همراهم می‌نویسم «چطور»، تلفن همراهم از داده‌ها و الگوهای آماری برای پیش‌بینی کلمه بعدی استفاده می‌کند. این کلمه شامل گزینه‌هایی مانند «تو» و یا کلمات دیگر است. کلمه‌ای که در ذهن من است «این» است، پس این کلمه را انتخاب می‌کنم و بعد از آن تلفن همراه کلمه بعدی را پیش‌بینی می‌کند. این بار، خیلی مطمئن است که من کلمه «می‌رود» را انتخاب خواهم کرد (درست است)، بنابراین هیچ گزینه دیگری را ارائه نمی‌دهد و به پیش‌بینی کلمه بعدی ادامه می‌دهد، «با … می‌رود» یا «امروز می‌رود» را پیشنهاد می‌کند.

در یادگیری ماشینی، این مسائل پیش‌بینی، یادگیری نظارت‌شده نامیده می‌شود. فقط مجموعه‌ای از داده‌ها را که پاسخ صحیح را دربرمی‌گیرد، وارد الگوریتم کنید (در مثال قبلی، به معنی تعداد زیادی پیام متنی کامل است) و الگوریتم الگوی تشخیص را یاد می‌گیرد.

برای مثال، معمولا «می‌رود» بعد از کلمه «چطور» می‌آید. (روش دیگری یادگیری ماشینی، که با نام یادگیری بدون نظارت شناخته می‌شود، به طریقه دیگری کار می‌کند، اما پیشرفت‌هایی که اخیرا در این زمینه انجام شده، بیشتر با استفاده از یادگیری نظارت‌شده صورت گرفته است.)

با این وجود، فرآیند نوشتن یک مقاله بلند برای یک مجله حداقل در حال حاضر نمی‌تواند در یک مسئله پیش‌بینی خلاصه شود.

سم بائومن، استاد دانشگاه نیویورک است. در سمینار اخیر، سم بائومن در مورد هوش مصنوعی و روزنامه‌نگاری صحبت کرد. «در صورت عدم وجود یک قالب کاملا شفاف برای روزنامه‌نگاران، مفهوم مقالات خیلی بلند و منسجم همچنان دور از دسترس قرار دارد.» بائومن در ادامه توضیح داد که پژوهشگران نشان داده‌اند یادگیری ماشینی می‌تواند تحت شرایط خاص محتوای منطقی بنویسد، اما «ساخت سیستمی که بتواند محتوای منطقی را با استفاده از ایده‌های انتزاعی و یا یک رشته حقایق تولید کنند، همچنان خیلی سخت و مشکل است.»

برای توضیح اینکه این کار چقدر مشکل است، بائومن به فیلمی به نام «سان‌اسپرینگ» اشاره کرد که در سال ۲۰۱۶ با استفاده از سیستم یادگیری ماشینی نوشته شده بود. فرآیند تولید این فیلمنامه بر اساس شخصیت است. ابتدا، ده‌ها فیلمنامه داستانی وارد یک شبکه عصبی (الگوریتم یادگیری ماشینی) می‌شود، یعنی داده‌های یادگرفته‌شده توسط الگوریتم بر اساس فیلمنامه هر شخصیت است. به‌عنوان یک واحد، بر اساس شخصیت‌هایی که به نمایش درآمده‌اند، الگوریتم یاد می‌گیرد پیش‌بینی کند که کدام شخصیت وارد تصویر می‌شود.

این واقعیت که بازیگران «ریکان» دیالوگ‌ها را به زبان انگلیسی بیان می‌کردند، تاثیرگذار بود (گرچه جملاتی که آنها می‌گفتند منطقی به نظر نمی‌رسید): پیش از اینکه شبکه عصبی این فیلمنامه‌ها را «بخواند»، نه‌تنها چیزی درباره نوشتن فیلمنامه نمی‌دانست، بلکه اصلا زبان انگلیسی را نمی‌فهمید.

به‌عنوان مثال، هوش مصنوعی ویژگی‌های خاص فیلمنامه را یاد می‌گیرد، باید دیالوگ‌ها را با شخصیت‌ها هماهنگ کند، یا اینکه فیلمنامه باید شامل توصیف صحنه باشد. باز هم، هوش مصنوعی همه این موارد را با خواندن ده‌ها فیلمنامه یاد گرفت.

تنها چیزی که هوش مصنوعی از این فیلمنامه‌ها یاد نمی‌گیرد، هنر داستان‌گویی و روایت است. «ریکان»، هیچ داستانی ندارد. هدف از وجود شخصیت‌ها فقط به این دلیل است که دیالوگ‌ها را بیان کنند. از این فیلمنامه، ما می‌توانیم بفهمیم که یادگیری ماشینی راه درازی را در پیش رو دارد، قبل از آنکه به مهارت داستان‌گویی دست پیدا کند یا «باهوش» شود. اما الگوریتم‌ها توانایی چینش جمله‌ها و درک ویژگی‌های اصلی فیلمنامه را دارند، که نشان می‌دهد هوش مصنوعی می‌تواند نقش مهمی در آینده نویسندگی ایفا کند. اما آن آینده حداقل برای یک دوره کوتاه، بسیار محدود است.

هوش مصنوعی خلاصه مطالب را می‌نویسد

بعضی پیشرفت‌های مفید در یادگیری ماشینی و در زمینه نویسندگی خلاصه‌ها و چکیده‌های مطالب هستند. یافتن کانون مرکزی و نقطه ثقل مقاله و نوشتن خلاصه مطلب از کارهای نویسندگی خیلی متداولی است: گروه رسانه‌ای «خلاصه» اخبار روزانه را گردآوری می‌کند، خبرنگار به‌طور خلاصه مطالب قبلی را هنگام نگارش داستان شرح می‌دهد، اتاق فکر تحقیق جدیدی را انجام می‌دهد، و ویراستار کتاب یک فصل را ویرایش می‌کند.

خیلی از این کارها امروزه توسط ماشین‌ها انجام می‌شود، و استارتاپ‌ها و شرکت‌های فناوری در زمینه ساخت ابزارها و محصولاتی که چنین کارهایی را ساده‌تر و راحت‌تر کند، با یکدیگر رقابت می‌کنند.

روش‌های خلاصه‌نویسی خودکار معمولا به دو گروه تقسیم‌بندی می‌شوند: استخراجی و خلاصه‌سازی. روش خلاصه‌سازی، پیدا کردن مهم‌ترین جملات در متن مقاله و جمع‌بندی این جملات به‌صورت خلاصه متن است. نسخه امروزی این فناوری بسیار پیچیده‌تر از قبل است، اما مفهوم اصلی این روش همچنان قابل توضیح است.

این مفهوم اولین بار توسط هندز در شرکت IBM تهیه شد، که توسط پیتر لون در سال ۱۹۵۸ میلادی مطرح شده بود. لون اعتقاد داشت کلماتی که در مقاله بیشتر به کار می‌روند (به‌جز حرف تعریف و و) می‌توانند سرنخ‌هایی در مورد موضوع مقاله نشان دهند. بنابراین جمله‌های حاوی آن کلمه‌ها می‌توانند به بهترین شکل نمایانگر مقاله باشند؛ تا زمانی که این جمله‌ها خلاصه و در یک متن کنار همدیگر قرار بگیرند، محتوای نزدیک به چکیده می‌تواند شکل بگیرد.

در مقابل، خلاصه‌سازی تلاش می‌کند تا اطلاعات را در یک یا چند مطلب به زبان خود الگوریتم بیان کند. این تلاشی جاه‌طلبانه‌تر بوده است، اما هنوز نتایج خوبی در پی نداشته است. همان طور که فیلمنامه «سان‌اسپرینگ» نشان می‌دهد، به وجود آوردن زبان‌های جدید دشوار است. اما با پیشرفت یادگیری عمیق، که زیرمجموعه یادگیری ماشینی است، پژوهشگران بار دیگر علاقه خود را به بازنویسی چکیده مطالب نشان داده و نتایج امیدوارکننده‌ای را ارائه کرده‌اند.

برای نشان دادن کاری که یادگیری ماشینی می‌تواند انجام دهد و کاری که نمی‌تواند انجام دهد، بیایید سه چکیده مقاله در مورد هوش مصنوعی را مقایسه کنیم، یک چکیده توسط نویسنده نوشته شده، یک مطلب توسط اتوماسیون ماشینی خلاصه‌نویسی شده و یک متن دیگری بازنویسی خلاصه مطلبی که توسط اتوماسیون ماشینی تولیده شده است.

چکیده متن اول توسط یکی از نویسندگان مجله کسب‌وکار هاروارد نوشته شده است. دستور زبان رعایت شده و درست است، موضوعات اصلی مقاله را در برمی‌گیرد، و از دید سوم شخص روایت می‌شود («توضیحات نویسنده…»)

چکیده متن دوم خلاصه‌ای است که توسط نسخه اولیه ساخته‌شده توسط موسسه تحقیقاتی فست فوروارد لبز تولید شده است. گروه فست فوروارد از یک مقاله مستند و خلاصه‌ای در مورد وب‌سایت پیشنهادی برای مطالعه استفاده می‌کند تا یک شبکه عصبی را آموزش دهد و یاد بگیرد که چطور هر جمله را بر اساس شباهت ارزش‌گذاری کند که آن جمله می‌تواند در چکیده مطلب آورده شود و سپس جمله‌ها را بر اساس بیشترین ارزش طبقه‌بندی می‌کند و مطابق با ترتیب نوشته شدنشان در مقاله، در کنار یکدیگر در یک چکیده مطلب درج می‌شوند.

مقاله ما را به‌عنوان یک مثال در نظر بگیرید، این الگو جمله را بر اساس بالاترین ارزش ارزیابی می‌کند، که با این جمله آغاز می‌شود «مهم‌ترین فناوری همگانی در روزگار ما، هوش مصنوعی است.» این جمله را می‌توان به‌عنوان موضوع مقاله نیز در نظر گرفت. در این مرحله چکیده‌های استخراج‌شده بسیار مفید هستند. اما هنگامی که هفت جمله با بالاترین ارزش در کنار هم و در مقاله نوشته شده باشند، اولین جمله با ضمیر «این‌ها» آغاز می‌شود، اما مشخص نمی‌کند که «این‌ها» به چیزی اشاره می‌کند (آموزش این سیستم‌ها برای شناسایی ضمایری که به اصطلاحات اشاره دارند، دشوار است و نسخه اولیه نرم‌افزار آزمایشگاه فست فوروارد تلاشی نکرده است تا این کار را انجام دهد.)

سومین چکیده مطلب توسط الکساندر راش، استاد مهندسی دانشگاه هاروارد تهیه شده است. تهیه‌شده توسط الکساندر راش، یک چکیده بازنویسی‌شده. او سیستمش را آموزش داده تا یک خلاصه سه‌جمله‌ای از مقاله‌های سی‌ان‌ان بنویسد. اگرچه وی تاکید دارد که این سیستم پیشرفته‌‌ترین سیستم نیست، اما قبول کرد که یک چکیده از ۴۵۰ کلمه ابتدایی مقاله بلند ما درباره هوش مصنوعی بنویسد.

از نظر تئوری، این سیستم قابلیت بازنویسی دارد، بنابراین می‌توانید هر چیزی که می‌خواهید را می‌توانید بنویسید. اما در حقیقت، به نظر می‌رسد جملاتی را که بیشتر در مقاله اصلی می‌بیند، می‌نویسد. به عبارت دیگر، این سیستم از نتایج بی‌ربطی که در ریکان دیده شده، جلوگیری می‌کند. مانند یک خلاصه خودکار گزینش‌شده، این چکیده موضوعات مهم مقاله را درک می‌کند و وقتی که جمله به «این فناوری» می‌رسد، نکته‌های پیش‌زمینه لازم را ارائه نمی‌دهد.

آیا این چکیده‌های خودکار به‌اندازه‌ای خوب هستند تا جایگزین چکیده‌های نوشته‌شده توسط انسان شوند؟ متاسفم بگویم که آنها به‌اندازه کافی خوب نیستند. اما این سوال درستی نیست. سوال بهتر این است: آیا می‌توان با تهیه اولین چکیده نوشته‌شده توسط هوش مصنوعی این فرآیند را سرعت بخشید؟ و جواب این سوال بله است.

استفاده از هوش مصنوعی به‌عنوان دستیار پژوهش

کار نوشتن چکیده‌ها خیلی محدود است و نمی‌تواند تغییر زیادی در فرآیند نوشتن ایجاد کند، اما اگر با دیگر فناوری‌های مرتبط ترکیب شود، می‌تواند فرصتی برای کمک به نویسنده و مولف در مورد بخش مهم فرآیند نوشتن ایجاد کند: تحقیق و پژوهش. دیوید هیل، سردبیر شبکه خبری فناوری و علمی نیش می‌گوید تحقیق و پژوهش «سخت‌ترین و مشکل‌ترین کار برای نویسندگان ما است.»

گوگل به الگوریتم‌های جستجوی هوش مصنوعی وابسته است و مدت‌هاست فرآیند تحقیق را متحول کرده تا نویسندگان کارایی بیشتری داشته باشند. اما گوگل یک دستیار پژوهش معرکه نیست. هیل موتور جستجوی گوگل را «سطحی» و «تک‌بعدی» توصیف می‌کند.

سوزانا لاک، نویسنده vox.com می‌گوید «واقعا کار سختی است، جستجو کردن همه چیزهایی که باید جستجو کنید.» او با خودش می‌اندیشد که «آیا کسی هست که بتواند این کارها را برای من انجام دهد؟»

تیم لی، نویسنده وبسایت فناوری آرس تکنیکا، درباره فرآیند مطالعه «بی‌قاعده» خودش می‌گوید: برای یک موضوع، ۱۰ تا ۱۵ مقاله پیدا کنید و بخوانید و یادداشت‌برداری کنید. او رویای ابزاری را در سر دارد که بتواند هزار صفحه مقاله درباره یک موضوع را پیدا کند و ۱۰ صفحه را برای مطالعه او انتخاب کند.

فرصت و موقعیتی که در حال حاضر در اختیار داریم این است که کل فرآیند تحقیق و پژوهش را به‌صورت خودکار درنیاوریم، بلکه فرآیندی ساختارمندتر و کارآمدتر ایجاد کنیم.
برایان اولیکنی می‌گوید «درک نمی‌کنم چرا سایت‌های خبری جدید این امکان را فراهم نمی‌کنند تا یک اسم را انتخاب کنید و سپس خلاصه‌ای از اخبار آن اسم روی صفحه کامپیوتر ظاهر شود.»

در سال ۲۰۰۶، آریکنی مقاله‌ای در وبسایت شرکت لایکو نوشت که در آن به «موتور ادغام اطلاعات» اشاره شده بود. یک نام و یا یک موضوع را وارد کنید، درست مثل کاری که در گوگل انجام می‌دهید. تنها فرق «موتور ادغام اطلاعات» با «موتور جستجو» این است که به‌جای فهرست وبسایت‌ها، سیستم پاراگراف‌های مرتبط محتوایی را در «یک گزارش چکیده منطقی یا خلاصه مرتبط» ترکیب می‌کند که آریکنی به آن «چیزی تقریبا مشابه نسخه اولیه ویکی‌پدیا» می‌گوید.

آریکنی تنها فردی نیست که خلاصه اخبار یا موضوعات را که می‌تواند به‌صورت خودکار و توسط نرم‌افزار تولید شود، مطرح می‌کند. دانشمندان علم رایانه بیش از ۱۵ سال است که اقدام به ساخت چنین سیستم‌هایی می‌کنند و مقالاتی را نیز در مورد این سیستم‌ها منتشر کرده‌اند. این پروژه‌ها از لحاظ فنی پیچیده هستند و از جهات مختلف تفاوت‌های چشمگیری با هم دارند، اما با مشکلات یکسانی روبه‌رو هستند و فرآیندهای مشابهی را دنبال می‌کنند.

هیلاری میسون، کارشناس داده و بنیان‌گذار فست فوروارد لبز، وظایف اصلی را که این سیستم‌ها باید انجام دهند، مشخص کرده است. اول، آنها باید منبع اطلاعات را پیدا کنند، که تعدادی مقاله است، مانند گزارش‌های خبری. سپس، آنها باید مهم‌ترین اطلاعات در این مقاله‌ها را یافته و آنها را استخراج کنند. در نهایت، این سیستم‌ها باید نتایج را به کاربر نهایی ارائه دهند. در طول فرآیند، خیلی از سیستم‌ها به سراغ مرحله چهارم نیز می‌روند: آنها سعی می‌کنند تا ساختاری برای داستان پیدا کنند. آیا این داستان یک مجموعه رویدادها بر اساس ترتیب زمانی است؟ آیا یک زندگینامه شخصی است؟ آیا بخشی از یک داستان بلند است؟ ساختار نه‌تنها کمک می‌کند که سیستم تصمیم بگیرد که چه اطلاعاتی اهمیت دارد، بلکه یک طرح کلی را نیز به کاربر نهایی ارائه می‌دهد.

این فرآیند بسیار شبیه به فرآیندی است که انسان‌ها انجام می‌دهند، حداقل در مورد کارهای تحقیق ساده و نوشتن.

جان اونیل، ویراستار صفحات مجله بلومبرگ است، اما کار قبلی او تهیه صفحه موضوعات نیویورک تایمز بود. وی توضیح می‌دهد که او و گروهش چگونه در آن زمان برای صفحه‌های موضوعات محتوا تولید می‌کردند (قالب مجله تغییر کرده است): در ابتدا، چهار یا پنج مقاله مهم منتشرشده توسط نیویورک تایمز در مورد آن موضوع مشخص را پیدا می‌کنیم؛ پاراگراف‌های مرتبط را پیدا می‌کنیم (اخبار نه). سوم، با استفاده از اطلاعات آن پاراگراف‌های مرتبط یک چکیده می‌نویسیم. در نهایت، در هنگام نوشتن صفحه موضوع، مراحل اصلی برای انسان‌ها و نرم‌افزار یکسان است.

آینده هوش مصنوعی و نوشتن

اگر این ابزارها چندین سال است که وجود دارند، حتی اگر هنوز کامل نشده باشند، چرا تاثیر بیشتری روی نوشتن نداشته‌اند؟ یکی از این دلایل فرهنگ است، مثل اتفاقی که برای بسیاری از فناوری‌های انقلابی می‌افتد. از یک سو، خیلی از نویسنده‌ها فکر نمی‌کنند که به این ابزارها نیاز دارند؛ از سوی دیگر، دانشمندان علم رایانه اغلب به این توجه نمی‌کنند که افراد واقعا چطور از ابزارها در کارشان استفاده می‌کنند.

بر طبق گفته‌های آنی ننکووا، در مورد نوشتن خودکار چکیده مقاله‌ها تمرکز روی بهبود و تقویت میزان دقت است، نه فکر کردن به این موضوع که چطور فناوری را به ابزارهایی تبدیل کنیم تا همه بتوانند از آنها استفاده کنند.

مشکل دیگری که وجود دارد سرمایه‌گذاری است. خیلی از نویسندگان و سرویس‌های خبری روی این نرم‌افزارها سرمایه‌گذاری نمی‌کنند. نیکولا می‌گوید «بیشتر پیشرفت‌ها در این زمینه (پردازش زبان طبیعی) به این دلیل است که تحلیلگران بازار سهام و دولت‌ها می‌خواهند اخبار خارجی را رصد کنند.» سازمان پروژه‌های تحقیقاتی پیشرفته دفاعی (DARPA) اسپانسر او در دوره دکترا بود. همچنین امور مالی از جمله مواردی است که عمدتا به دلیل در اختیار قرار دادن بودجه، بر یادگیری ماشینی و پردازش زبان طبیعی تاثیرگذار است.

آخرین دلیل برای تاثیرگذاری کم این ابزارها روی نوشتن این است که نتایج موجود آن قدر راضی‌کننده نیست تا بتواند برای خوانندگان مفید و مثمرثمر باشد. در این مقاله، آریکنی به معرفی پیش‌زمینه‌ای برای نوشتن خودکار اشاره کرد. قهرمان داستان یک بازیکن سابق هاکی، به‌نام ماریو لمیو است. سیستم برخی زیرموضوعات کلیدی را می‌یابد که می‌شود در متن توضیح داد، مانند «مسابقه»، «فصل»، «پیتزبورگ پنگوئینز». «یخ» نیز به سیستم اضافه شده است: البته که این موضوع مرتبط است، اما هیچ نویسنده‌ای این کلمه را در معرفی‌نامه یک بازیکن هاکی نمی‌نویسد.

همه چیز در حال تغییر است. استفاده از فناوری بهتر و ساده‌تر می‌شود، نویسندگان و شرکت‌های رسانه‌ای خیلی بیشتری دنبال نرم‌افزارهایی هستند تا به آنها در انجام کارهایشان کمک کند. در مورد من، یادگیری ماشینی در کوتاه‌مدت می‌تواند نقش مهمی در نوشتن انواع مطالب ایفا کند، اما بیشتر اوقات، برای نوشتن مقالات بلند از آن استفاده نمی‌کنم. با این وجود، یادگیری ماشینی می‌تواند به خبرنگاران کمک کند تا مقاله‌های تاثیرگذارتری بنویسند.

خیلی‌ها در حال تلاش برای ساخت چنین ابزارهایی هستند. دیوید هیل برای ساخت یک دستیار پژوهش منبع‌باز سرمایه‌گذاری کرده است.

فریز، استارتاپی در بوستون، در حال کار روی ابزار مشابهی است، اما بنیان‌گذاران این شرکت قصد دارند تا «بازاریابان محتوایی» را به‌عنوان مشتریان هدف اصلی در نظر بگیرند. گوگل داکز قبلا چنین ابزاری داشته، اما ابزار گوگل داکز عملکرد محدودی دارد.

ووکس رباتی برای گروه پلتفرم ارتباطی اسلک ساخته که با استفاده از آن نویسندگان می‌توانند در مطالب جدیدشان از بخش‌هایی از مقاله‌های قدیمی‌شان نیز استفاده کنند.

واتسون، ابررایانه IBM نرم‌افزاری ساخته به‌نام واتسون انگلز که مطالب را خلاصه می‌کند، خط‌های زمانی ایجاد می‌کند و جمله‌های مهم را مشخص می‌کند. این نرم‌افزار که پاییز سال قبل از صفحه وبسایت این شرکت حذف شد، دارای چند فراداده مهم است (فراداده، به داده‌های توصیف‌کننده مطالب اشاره دارد)، مانند فراداده‌ای برای کاربران ردیت از وبسایت خبری جامعه آمریکا، که نظرات مثبت و منفی مطالب را دربرمی‌گیرد و به تحلیل احساسی پاسخ می‌دهد.

این پروژه‌ها تازه اول راه هستند. فرض کنید خبری را در مورد آتش‌سوزی اخیر لندن می‌خوانید که از دوست شما که در آنجا زندگی می‌کند، نام می‌برد و یک ساعت پیش ارسال شده است و اعلام می‌کند که دوست شما سالم است؛ یا یک محتوای متنی که می‌تواند به‌صورت خودکار با توجه به آگهی قبلی خواننده مطابقت پیدا کند؛ یا در نرم‌افزار پردازش متن کار بررسی درستی متن را انجام دهد؛ یا فهرست بلندی را در صفحه موضوعات ایجاد کند، که ممکن است گروه کوچکی از خوانندگان به آن موضوعات علاقه داشته باشند، اما ناشران کمی بتوانند محتوایی برای آنها تولید کنند؛ یا دستیاران پژوهش می‌توانند مطالب مرتبط را که یک قرن پیش نوشته شده به‌راحتی یافتن مطالب یک هفته پیش، پیدا کنند.

الگوریتم‌ها هنوز نمی‌توانند مثل انسان‌ها مقاله بنویسند. آنها نمی‌توانند فیلمنامه‌های خوبی بنویسند، و نمی‌توانند از پس آزمون رومئو و ژولیت بربیایند. در کل، آنها نمی‌توانند از رابطه علت و معلول استفاده کنند، متن‌های پویا بنویسند، یا سازمان‌های دولتی را قانع کنند تا سیاست مهم دولتی را به‌صورت عمومی منتشر کنند.

با این حال، کارهایی هم هست که الگوریتم‌ها می‌توانند آنها را انجام دهند. هوش مصنوعی شاید نتواند یک داستان پرآب و تاب بنویسد، اما می‌تواند به ما کمک کند تا بهتر داستان بگوییم.

نویسنده: والتر فریک (Walter Frick)
مترجم: میلاد قزللو
عنوان اصلی مقاله: Why AI Can't Write This Article (yet)
نشریه: Harvard Business Review