پیش‌بینی‌های هوش مصنوعی در حال ظهور هستند – ایسنا

این مدل هوش مصنوعی به تحلیل محدودیت‌های یک عامل می‌پردازد و به این ترتیب می‌تواند پیش بینی کند که افراد یا مدل‌های دیگر هوش مصنوعی چه اقداماتی قرار است انجام دهند.

طبق گزارش آی‌ای، گروهی از محققان در موسسه فناوری ماساچوست و دانشگاه واشنگتن به ایجاد مدلی از هوش مصنوعی پرداخته‌اند که می‌تواند به شکل دقیقی اقدامات آینده یک فرد یا ماشین را پیش‌بینی نماید.

این سیستم هوش مصنوعی به نام مدل بودجه استنتاج پنهان (L-IBM) شناخته می‌شود. نویسندگان این تحقیق مدعی‌اند که L-IBM از سایر چارچوب‌های قبلی که به مدل‌سازی فرآیندهای تصمیم گیری انسان پرداخته‌اند، عملکرد بهتری دارد.

مدل مذکور با تجزیه و تحلیل رفتار، فعالیت‌ها و محدودیت‌های تاریخی مرتبط با عملکرد ذهنی یک عامل، چه انسانی و چه یک هوش مصنوعی دیگر، فعالیت می‌کند. داده‌ها یا نتایجی که از این ارزیابی حاصل می‌شود، به عنوان بودجه استنتاج شناخته می‌شود.

محققان از L-IBM برای پیش‌بینی حرکات بازیکنان در یک بازی شطرنج استفاده کردند و بیان کردند: نتایج به دست آمده گواهی بر این است که تصمیمات غیربهینه انسانی می‌تواند به شکل مؤثری با نسخه‌های محدود محاسباتی الگوریتم‌های جستجوی استاندارد مدل‌سازی شود.

فرآیند پیش‌بینی رفتار انسان توسط مدل هوش مصنوعی چگونه است؟

در راستای مدل‌سازی فرآیند تصمیم‌گیری یک عامل، L-IBM ابتدا به تجزیه و تحلیل رفتار فرد و عوامل مختلف تأثیرگذار بر آن می‌پردازد.

این مرحله شامل مشاهده عواملی است که در یک ماز در موقعیت‌های تصادفی قرار گرفته‌اند. سپس، مدل L-IBM به بررسی محدودیت‌های شناختی و محاسباتی و پیش‌بینی رفتار آن‌ها می‌پردازد.

این تجزیه و تحلیل به روشن شدن اهداف یک عامل و توانایی‌های آن در جهت یابی و اتخاذ تصمیم‌های پیچیده کمک می‌کند.

محققان تأکید دارند که انسان‌ها به راحتی قابلیت تولید و درک زبان را دارند؛ به طوری که از معنای تحت لفظی آن فراتر می‌روند.

در این تحقیق، از داوطلبان خواسته شد تا در یک بازی مشارکت کنند. این بازی شامل یک گوینده و یک شنونده بود. گوینده با مجموعه‌ای از رنگ‌های مختلف روبه‌رو می‌شد و باید یکی را انتخاب می‌کرد، بدون اینکه بتواند نام رنگ انتخابی خود را مستقیماً به شنونده بگوید.

او رنگ را از طریق عبارات طبیعی زبان توصیف می‌کرد. در صورتی که شنونده رنگ مشابه انتخاب شده توسط گوینده را انتخاب می‌کرد، هر دو برنده بازی بودند.

با مقایسه L-IBM با گفته‌ها و انتخاب‌های انجام شده در بازی‌های انسانی، بررسی می‌شود که آیا می‌توان استنباط کرد که افراد صرفاً براساس رفتار خود درگیر استدلال عملی قرار دارند یا نه.

آخرین مرحله: مدل‌سازی حرکات شطرنج انسان

این مدل به زمان‌هایی که بازیکنان مختلف انسان برای فکر کردن به حرکات خود در طول بازی شطرنج صرف می‌کردند، متمرکز بود. همچنین، پژوهشگران تفاوت‌های زمانی را که شطرنج‌بازان ضعیف‌تر و قوی‌تر برای تفکر در مورد حرکات خود صرف می‌کنند، بررسی کردند.

آتول پل ژاکوب (Athul Paul Jacob)، یکی از نویسندگان این مطالعه، بیان می‌کند: در پایان روز، متوجه شدیم که عمق برنامه‌ریزی، یعنی مدت زمانی که فرد روی یک مشکل تمرکز می‌کند، نشان‌دهنده دقیقی از چگونگی رفتار انسان‌ها است.

هدف این است که بررسی کنیم آیا می‌توان این داده‌ها را به هوش مصنوعی L-IBM ارائه نمود. این سیستم هوش مصنوعی قادر به شناسایی دقیق تفاوت‌ها بین شطرنج‌بازان قوی‌تر و ضعیف‌تر است. مسائل پیچیده‌تر نیاز به برنامه‌ریزی بیشتری دارند یا اینکه به معنای آن نیست که یک بازیکن قوی برای برنامه‌ریزی زمان بیشتری صرف می‌کند. اگر مدل هوش مصنوعی بتواند شناسایی کند که کدام بازیکن برتر است، احتمالاً پیش‌بینی دقیقی از برنده بازی ارائه می‌دهد.

این مدل هوش مصنوعی می‌تواند به ما در اتخاذ تصمیمات بهتری کمک کند.

این سه مرحله نشان‌دهنده این است که چارچوب L-IBM قابلیت مدل‌سازی تقریباً تمام جوانب تصمیم‌گیری انسانی را از جمله روال‌ها، رفتارها، ارتباطات و استراتژی‌ها دارد.

محققان خاطرنشان کردند: ما نشان دادیم که هوش مصنوعی می‌تواند در مقایسه با مدل‌های کلاسیک عقلانیت محدود، عملکرد بهتری داشته باشد و همزمان معیارهای مهمی از مهارت‌های انسانی و چالش‌های موجود را مدنظر قرار دهند.

آنچه که L-IBM را از مدل‌های پیشین متمایز می‌کند این است که به جای استفاده از داده‌های تصادفی، به رفتارهای تاریخی و محدودیت‌های یک عامل برای تولید نتایج توجه می‌کند.

ژاکوب می‌افزاید: اگر ما بدانیم که یک انسان در حال نزدیک شدن به ارتکاب اشتباهی است، با رصد رفتارهای گذشته او، هوش مصنوعی می‌تواند مبادرت به ارائه راهکار بهتری برای انجام کارها نماید. توانایی مدل‌سازی رفتار انسانی قدمی مهم به سوی طراحی یک عامل هوش مصنوعی است که واقعاً می‌تواند در کمک به انسان مؤثر باشد.

ژاکوب و تیم او هم‌اکنون به بررسی انجام تحقیقات بیشتر برای توسعه مدل‌های بهتری می‌پردازند.