گزارش نشست دوم «پژوهش‌ورزی در عصر هوش مصنوعی»
نشست دوم گروه مدیریتِ پژوهشگاه علوم انسانی و مطالعات فرهنگی به‌مناسبت هفته پژوهش (پژوهش‌ورزی در عصر هوش مصنوعی) چهارم دی‌ماه 403 برگزار شد
حکمرانی و هوش مصنوعی: بازتأملی در نسبت قدرت، دانش و فناوری
در این نشست، ابتدا دکتر فاطمه براتلو (دانشیار و مدیر گروه مستقل مدیریت پژوهشگاه علوم انسانی و مطالعات فرهنگی) به عنوان سخنران نخست نشست سخنان خود را با موضوع «حکمرانی و هوش مصنوعی: بازتأملی در نسبت قدرت، دانش و فناوری” آغاز و بیان کرد: در عصر دیجیتال، هوش مصنوعی (AI) به یکی از اصلی‌ترین عوامل تحول در عرصه‌های اجتماعی، اقتصادی، و سیاسی بدل شده است و پیش‌بینی می‌شود که نقش آن در حکمرانی آینده به‌طور چشمگیری افزایش یابد. این فناوری با کاربردهای گسترده در سیاست‌گذاری عمومی، تصمیم‌سازی، مدیریت دولتی، امنیت ملی، ارتقای عدالت اجتماعی و قضایی، مدیریت بلایا و تغییرات اقلیمی، و بهبود خدمات عمومی، توانسته است تأثیرات عمیقی بر نظام‌های حکمرانی داشته باشد. با این حال، بهره‌گیری موفق از ظرفیت‌های هوش مصنوعی نیازمند توجه به چالش‌های متعدد و الزامات اساسی است. از جمله این موارد می‌توان به لزوم بازتعریف رابطه میان دانش، قدرت، و فناوری اشاره کرد. این بازتعریف می‌تواند نه‌تنها چالش‌های مرتبط با هم‌زیستی هوش مصنوعی و حکمرانی را کاهش دهد، بلکه فرصت‌های تازه‌ای برای بهبود عملکرد و افزایش کارایی نظام‌های حکمرانی فراهم آورد.
بیان مسئله و تحلیل
دکتر براتلو در بیان مسئله و تحلیل بحث خود توضیح داد: در رویکرد سنتی حکمرانی، دانش به‌عنوان پایه اصلی تصمیم‌گیری و سیاست‌گذاری، عمدتاً در اختیار نخبگان، متخصصان، و مدیران عالی قرار داشت. این گروه‌ها با تجزیه‌وتحلیل داده‌ها و اطلاعات، سیاست‌ها و برنامه‌ها را طراحی می‌کردند. با ظهور فناوری‌های نوین، به‌ویژه هوش مصنوعی (AI)، فرآیند تولید و بهره‌برداری از دانش در سازمان‌ها دچار تحولات عمیق شده است. هوش مصنوعی با ویژگی‌های متمایزی همچون خودکارسازی (Automation) وظایف، تحلیل کلان‌داده‌ها (Big Data)، و پیش‌بینی روندها، نه تنها به بهبود تصمیم‌گیری کمک می‌کند، بلکه بر ساختار قدرت و توزیع اختیارات نیز تأثیر می‌گذارد.
یکی از مهم‌ترین ابعاد هوش مصنوعی در حکمرانی، تغییر در دانش و بینش سازمانی است که اغلب در ساختارهای دیوانسالارانه به آن کمتر توجه می‌شود. نظریه «قدرت-دانش» میشل فوکو چارچوب مناسبی برای تحلیل تأثیرات هوش مصنوعی ارائه می‌دهد. بر اساس این نظریه، قدرت و دانش به‌طور هم‌زمان هنجارها (آنچه «نرمال» یا «غیرنرمال» تلقی می‌شود) و سوژه‌های انسانی (افراد تابع ساختارها) را تولید می‌کنند. با این حال، در تولید دانش توسط هوش مصنوعی، بسیاری از الگوریتم‌ها به‌مانند «جعبه سیاه» عمل می‌کنند؛ یعنی فرآیندهای تصمیم‌سازی و تصمیم‌گیری آن‌ها برای کاربران و حتی سیاست‌گذاران غیرشفاف است. پیچیدگی فنی این سیستم‌ها نیز باعث شده که تنها گروه‌های خاصی توانایی درک و کنترل آن‌ها را داشته باشند.
علاوه بر این، هوش مصنوعی با تحلیل داده‌ها، روندهایی را شناسایی می‌کند که از چشم انسان پنهان می‌مانند و می‌تواند دانشی تولید کند که مشروعیت قدرت موجود را تقویت کند. در چارچوب نظریه «شبکه بازیگران» برونو لاتور، هوش مصنوعی به‌عنوان یک «کنشگر مستقل» در شبکه‌های حکمرانی عمل می‌کند و می‌تواند ساختار تصمیم‌گیری، توزیع قدرت، و روابط میان سیاست‌گذاران، شهروندان، و سازمان‌ها را بازتعریف کند. این تأثیرات می‌توانند بسته به نحوه طراحی و مدیریت سیستم‌های هوش مصنوعی، مثبت یا منفی باشند.
تجربه نشان می‌دهد مواجهه با فناوری‌های نوظهور غالباً با شوک آغاز شده و به‌تدریج به هم‌زیستی و استحاله منجر می‌شود. این فرایند برای افراد و جوامع مختلف متفاوت است، اما پیش از این هم‌زیستی، پژوهشگران علوم انسانی و اجتماعی باید به لایه‌های پنهان و معرفت‌شناختی این فناوری‌ها توجه عمیق داشته باشند. بررسی مقالات برجسته در این حوزه نشان می‌دهد که موضوعاتی نظیر ارتباط اپیستمولوژی و هوش مصنوعی، ابعاد انسانی و اجتماعی هوش مصنوعی، سوگیری‌های معرفتی، نقش فرهنگ، الگوهای اخلاقی، و نقد فناوری‌های داده‌محور از چالش‌های اصلی مورد توجه محققان علوم انسانی و اجتماعی هستند.
این یافته‌ها ضرورت توجه به ابعاد معرفت‌شناختی و اجتماعی هوش مصنوعی را برجسته می‌کند و نشان می‌دهد که برای بهره‌برداری مؤثر و اخلاقی از این فناوری در حکمرانی، رویکردی میان‌رشته‌ای و انتقادی ضروری است. به موجب مطالعات:
استفاده نامناسب از واژه «هوش» برای توصیف هوش مصنوعی، تفاوت‌های اساسی میان هوش انسانی و هوش ماشینی را محو کرده و منجر به نادیده گرفتن بسیاری از مسائل و نقدهای اجتماعی، اخلاقی و فلسفی مرتبط با این فناوری می‌شود. این کاربرد نادرست مفاهیم کلیدی مانند «هوش» می‌تواند پیامدهای قابل‌توجهی در توسعه، استفاده، و نظارت بر هوش مصنوعی به همراه داشته باشد. برای مثال، معرفی هوش مصنوعی به‌عنوان یک موجود هوشمند مشابه انسان ممکن است به تصمیمات اشتباه در مورد نحوه توسعه و به‌کارگیری این فناوری منجر شود. با این حال، برخی تحقیقات اخیر به پیشرفت‌های هوش مصنوعی پرداخته و نقدهای مربوط به امکان‌پذیری هوش عمومی مصنوعی را به چالش کشیده‌اند.
هوش مصنوعی همچنین می‌تواند به‌عنوان ابزاری برای تقویت دانش اجتماعی و تسهیل تصمیم‌گیری جمعی عمل کند، اما این امر مستلزم توسعه سیاست‌هایی مبتنی بر رویکردهای میان‌رشته‌ای است که شفافیت را ارتقا داده و سوگیری‌های معرفتی را کاهش دهد. در عین حال، برخی محققان نگرانند که هوش مصنوعی، به‌عنوان محصولی از محاسبات شناختی، به تغییرات اساسی در «وضعیت انسانی» منجر شود. این دیدگاه‌ها بر لزوم بازاندیشی معرفتی و اخلاقی درباره تأثیرات این فناوری بر تغییرات بنیادین در مفهوم «اتوس» انسانی تأکید دارند.
دکتر براتلو در خاتمه سخنانش شرح داد: برای بهره‌گیری بهینه از هوش مصنوعی در حکمرانی، ضروری است که فراتر از تکنیک‌های محاسباتی به ابعاد انسانی، اجتماعی، و معرفتی آن توجه شود. گرایش انسان به ساده‌سازی و اتکا بر فرآیندهای مکانیکی شناخت، گاهی منجر به تأثیرات منفی در سیاست‌های مرتبط با این فناوری شده و ارزش‌های انسانی و اجتماعی را به حاشیه رانده است. بنابراین، تأکید بر توازن میان دانش فنی، اخلاق فلسفی، و ارزش‌های انسانی در حکمرانی مبتنی بر هوش مصنوعی حیاتی است تا از تقلیل ارزش‌های انسانی به بهره‌وری صرف جلوگیری شود. در حوزه سازمان و مدیریت نیز استفاده از الگوریتم‌ها و مدل‌های پیش‌بینی، جایگزین تصمیم‌گیری‌های سلسله‌مراتبی شده است. در حکمرانی دیجیتال، دانش حاصل از این فناوری شامل تحلیل الگوهای رفتاری، پردازش کلان‌داده‌ها، و پیش‌بینی‌های آینده‌پژوهانه است. این نوع دانش، با در نظر گرفتن رابطه قدرت و دانش، نیازمند بازاندیشی اخلاقی و معرفت‌شناختی عمیق است تا بتوان از آن به‌صورت مسئولانه و مؤثر استفاده کرد.
هوش مصنوعی و کلان‌داده؛ تحلیل رفتارهای سازمانی
سخنران بعدی نشست، دکتر الهام ابراهیمی (دانشیار و عضو هیأت علمی گروه مدیریت پژوهشگاه علوم انسانی و مطالعات فرهنگی) سخنانش را با موضوع «هوش مصنوعی و کلان‌داده؛ تحلیل رفتارهای سازمانی» آغاز کرد. او مباحث خود را در قالب پنج محور بیان کرد.
1. یادگیری ماشین و تحلیلگری کلان‌داده‌ها: چیستی و گونه‌شناسی
2. نمونه‌‌ای از تحلیلگری کلان‌داده‌ها-پروژه اکسیژن گوگل
3. نمونه‌‌ای از تحلیلگری کلان‌داده‌ها-پروژه بازاریابی داخلی
4. نمونه‌‌ای از تحلیلگری کلان‌داده‌ها-ترک خدمت کارکنان
5. تأثیر هوش مصنوعی بر کمیت مشاغل
دکتر ابراهیمی در ادامه به تفاوت مفاهیم در بحث هوش مصنوعی و انواع کارکرد یادگیری ماشین پرداخت. وی به تعریف چهار نوع تحلیلگری توصیفی، تحلیلگری پیش‌بین، تحلیلگری تشخیصی، تحلیلگری تجویزی پرداخت و بیان کرد: در تحلیل گری توصیفی داده‌های خام را به شکل داده‌های تاریخی و گذشته‌نگر تلخیص کرده و به کشف الگوهایی کمک می‌کند که می‌توانند بینشی برای توضیح دلایل وقوع یک رخداد ارائه دهند.
تحلیلگری پیش‌بین، تلاش برای پیش بینی رخدادها قبل از وقوع آن‌هاست. درحالی‌که تحلیلگری توصیفی به آنچه هست و آنچه بوده، مربوط می‌شود، تحلیلگری پیش‌بین به آنچه خواهد بود، می‌پردازد. تحلیلگری توصیفی و پیش‌بین در مورد حالات بودن (چه «بود»، چه «هست» و چه «خواهد بود»)، اطلاعات می‌دهند، درصورتی‌که تحلیلگری تشخیصی به «چرایی» می‌پردازد. تحلیلگری تجویزی فراتر از پیش‌بینی است و بر ترسیم سناریوهای مختلف، تحلیل گزینه‌های موجود و بهینه‌سازی راهکارها تمرکز دارد. تحلیلگری تجویزی از الگوریتم‌های بهینه‌سازی و شبیه‌سازی برای پاسخ به این سؤال استفاده می‌کند.
پروژه اکسیژن گوگل
ابراهیمی در ادامه به تعدادی از پروژه های مرتبط با تحلیلگری از جمله پروژه اکسیژن گوگل اشاره کرد و شرح داد: در پروژه اکسیژن گوگل گام‌هایی به شرح زیر طی شد:
اقدام : تغییر فرآیندها یا سیاست‌ها؛ برنامه‌های جدید تعریف می‌شوند.
بینش : هدایت به سمت اقدام؛ به تصمیم‌گیری مبتنی بر داده کمک می‌کند.
تحلیل: شناسایی ارتباطات، روندها یا جمعیت‌های خاص؛ به ایجاد بینش مبتنی بر داده کمک می‌کند.
سنجه: نسبت، تعداد، روند؛ طی زمان تکراری و کم‌معنا می‌شود.
داده: ساختارمند اما خام؛ به سادگی قابل فهم نیست.
عقیده: مبتنی بر شهود، بر اساس تجربه؛ «ما فقط می‌دانیم که...».
دکتر ابراهیمی در ادامه و بر اساس نتایج پروژه اکسیژن گوگل ، هشت رفتار مدیران بزرگ را برشمرد :
• یک مربی خوب است.
• تیم را توانمند می‌کند و خُرد-مدیریتی نمی‌کند.
• علایق و دغدغه‌ها اعضای تیمش را برای رسیدن به موفقیت و رفاه فردی، تصریح می‌کند.
• بهره‌ور و نتیجه‌گراست.
• به‌خوبی ارتبط برقرار می‌کند، می‌شنود و اطلاعات را تسهیم می‌کند.
• در توسعه کارراهه شغلی به اعضای تیم کمک می‌کند.
• چشم‌انداز/ استراتژی روشنی برای تیم دارد.
• مهارت‌های فنی مهمی دارد که به او کمک می‌کنند به تیمش مشاوره دهد.
دکتر ابراهیمی در انتهای نشست در پاسخ به این سؤال که آیا هوش مصنوعی تعداد مشاغل را کم می‌کند؟ به سه حوزه اشاره کرد: آیا در مجموع تعداد مشاغل کاهش می‌یابند؟ آیا مشاغل جایگزین می‌شوند؟ کدام مشاغل احتمال حذف یا جایگزینی دارند؟
نظر شما :