واژه هوش مصنوعی یا AI در ابتدا برای توصیف اتوماتیک‌سازی شناخت استفاده می‌شد. امروزه، هوش مصنوعی نقش مهمی در فرهنگ ایفا می‌کند و به طور فزاینده‌ای بر انتخاب‌ها، رفتارها و تخیلات ما تأثیر می‌گذارد. الگوریتم‌ها از دهه ۱۹۶۰ توسط هنرمندان برای خلق هنری مورد استفاده قرار گرفته‌اند، امروزه «هوش مصنوعی فرهنگی» در مقیاس صنعتی در دستگاه‌ها و خدماتی که میلیاردها نفر از آن‌ها استفاده می‌کنند، تعبیه شده است.
به جای اینکه ابزاری برای یک تخیل هنری واحد باشد، هوش مصنوعی به مکانیزمی برای تأثیرگذاری بر تخیلات میلیاردها نفر تبدیل شده است. براین اساس پرسش‌های مهمی در مورد آینده فرهنگ، زیبایی‌شناسی و سلیقه مطرح می‌شود.
الف_ هوش مصنوعی و تولید فرهنگ
در دهه‌های ۱۹۵۰ و ۱۹۶۰، هدف اصلی هوش مصنوعی آموزش دادن به رایانه‌ها برای انجام طیف وسیعی از کارهای شناختی بود. در این دیدگاه، رایانه‌ها می‌توانستند بسیاری از عملیات‌های یک ذهن انسان را شبیه‌سازی کنند. این شامل بازی شطرنج، حل مسائل ریاضی، درک زبان نوشتاری و گفتاری و تشخیص محتوای تصاویر می‌شد.
اما دقیقاً امروزه «هوش مصنوعی» چیست؟ رایانه‌های امروزی عملیات‌های «هوشمند» بی‌شماری را انجام می‌دهند.
از یک نظر، هوش مصنوعی اکنون همه‌جا حاضر است. در حالی که برخی از نقش‌های هوش مصنوعی توجه ما را به خود جلب می‌کنند. بسیاری دیگر در روزمره خاکستری جامعه دیجیتال عمل می‌کنند.
افزایش چشمگیر ظرفیت‌های رایانه‌ای، فراگیری دستگاه‌ها و شبکه‌های دیجیتال و چالش‌ها و فرصت‌های ناشی از روند «داده بزرگ» در دهه ۲۰۰۰ نیز بر هوش مصنوعی تأثیر گذاشته است. ما از اتوماتیک کردن یک ذهن واحد به نوعی «فراشناخت» حرکت کردیم.
چشم‌انداز اصلی هوش مصنوعی در دهه‌های ۱۹۵۰ و ۱۹۶۰ در مورد اتوماسیون شناخت بود؛ با وجود تفاوت در مقیاس، فراشناخت همچنان از این الگو پیروی می‌کند اما آنچه شاید کمتر آشکار است اینکه هوش مصنوعی اکنون نقشی به همان اندازه مهم در زندگی فرهنگی و رفتارهای ما ایفا می‌کند و به طور فزاینده‌ای فرآیندهای خلق زیبایی‌شناختی و انتخاب‌های زیبایی‌شناختی را خودکار می‌کند.
به عنوان مثال، این نمونه‌های انتخاب‌شده از پذیرش هوش مصنوعی را فقط در یک زمینه فرهنگی واحد_ عکاسی دیجیتال_ در نظر خواهیم گرفت. آن‌ها را به دو دسته «انتخاب از محتوای موجود (مجموعه های بزرگ)» و «ایجاد یا ویرایش محتوای جدید» تقسیم می‌شوند.
طبقه‌بندی هوش مصنوعی فرهنگی از منظر لئو مانوویچ
_ انتخاب محتوا از مجموعه‌های بزرگ‌تر: جست‌وجو، کشف، کراسی، توصیه‌ها و فیلتر کردن .(Asrar، ۲۰۱۶)
_ هدف‌گیری محتوا
_ کمک به ایجاد/ویرایش محتوای جدید
_ ایجاد کاملاً خودمختار؛ ایجاد تجسم از مجموعه داده‌های داده شده، طراحی وب‌سایت‌ها، تولید پاسخ‌های ایمیل و غیره.
هوش مصنوعی و تنوع زیبایی‌شناختی
توسعه هوش مصنوعی، الگوریتم‌ها و رابط‌های کاربری خدمات، برنامه‌ها و محصولات دیجیتال؛ تنوع زیبایی‌شناختی را افزایش می‌دهند. این توسعه، پرسش‌های بزرگی را در مورد آینده فرهنگ مطرح می‌کند.
دلایل رشد نقش هوش مصنوعی فرهنگی در آینده:
۱. میلیاردها نفری که هنوز به اینترنت و تلفن‌های هوشمند دسترسی ندارند، به این دسترسی خواهند رسید و شروع به استفاده از همان موتورهای توصیه‌گر مبتنی بر هوش مصنوعی، ویرایش زیبایی‌شناختی خودکار رسانه‌های ضبط‌شده، برنامه‌های زیبایی‌سازی سلفی و غیره خواهند کرد.
۲. اتوماسیون تصمیم‌های زیبایی‌شناختی که تاکنون دیده‌ایم هنوز در مراحل اولیه است و چیزهای بیشتری در راه است. دوربین‌ها خودشان انتخاب می‌کنند چه چیزی و چه زمانی را برای گرفتن بهترین عکس‌هایی که با مفاهیم و ایده‌های زیبایی‌شناختی خاصی مطابقت دارند، آسان است.
هوش مصنوعی و قراردادهای ژانری
ایجاد مصنوعات رسانه‌ای زیبایی‌شناختی رضایت‌بخش و معنایی قابل قبول در مورد انسان‌ها و جهان آن‌ها؛ تنها پس از پیشرفت کافی در «هوش عمومی مصنوعی AGI» امکان‌پذیر است.
اتوماسیون تولید فرهنگی ممکن است از هوش مصنوعی مبتنی بر سیستمی از قوانین صریح یا رویکرد متفاوتی به نام «یادگیری ماشین نظارت‌شده» استفاده کند. پیشرفت‌های «یادگیری عمیق» (روش‌های خاصی برای یادگیری ماشین نظارت‌شده) در دهه ۲۰۱۰ این رویکرد را امروزه بسیار محبوب کرده است.
هوش مصنوعی جعبه سیاه تولید فرهنگی!
نتیجه مکرر آموزش هوش مصنوعی (یعنی استفاده از شبکه‌های عصبی عمیق) روی بسیاری از نمونه‌های فرهنگی یک جعبه سیاه است. می‌تواند آن‌ها را به درستی طبقه‌بندی کند.
برای مثال، می‌تواند تصمیم بگیرد که آیا یک فیلم خاص متعلق به «سینمای کلاسیک هالیوود» است یا خیر. اما اغلب نمی‌دانیم که یک شبکه عصبی چگونه به این تصمیم رسیده است. این یکی از مسائل کلیدی در مورد کاربردهای فرهنگی هوش مصنوعی است.
ب_ هوش مصنوعی و تحلیل فرهنگ
تحلیل کمی داده‌های بزرگ فرهنگی
الگوریتم‌های اصلی که در صنعت استفاده می‌شوند، تحقیقات جدیدی را در مورد فرهنگ‌ها و جوامع در زمینه‌هایی مانند علوم کامپیوتر، علوم داده، علوم اجتماعی محاسباتی، علوم انسانی دیجیتال، مطالعات شهری، مطالعات رسانه‌ای، بصری‌سازی داده‌ها و طراحی داده امکان‌پذیر می‌سازد.
از آنجایی که تحقیقاتی که از مجموعه داده‌های فرهنگی بزرگ و علوم داده برای ایجاد، مدیریت و تحلیل آن‌ها استفاده می‌کنند، بین همه این رشته‌های نهادی و طراحی گسترده شده است، من از اصطلاح چتر «تحلیل فرهنگی» برای اشاره به آن استفاده کرده‌ام. (مانوویچ ۲۰۰۹)
پرسش: اکنون که داده‌های فرهنگی بسیار بزرگی در دسترس داریم و رایانه‌ها می‌توانند تجزیه و تحلیل پیچیده را بسیار سریع انجام دهند، چگونه باید به فرهنگ نگاه کنیم؟
محققان دانشگاهی از روش‌های مختلف رایانه‌ای برای مطالعه کمی فرهنگ با استفاده از مجموعه داده‌های بزرگ اشیاء فرهنگی یا سوابق تعاملات و رفتارهای کاربران استفاده کرده‌اند. بخش عمده‌ای از این تحقیقات در علوم رایانه، از نمونه‌های بزرگ محتواهای کاربری که در شبکه‌های اجتماعی به اشتراک گذاشته می‌شود و داده‌هایی درباره رفتار افراد در این شبکه‌ها مانند تعداد بازدید، لایک و اشتراک‌گذاری استفاده می‌کند.
تحلیل رسانه‌ای
از اواسط دهه ۲۰۰۰، فرهنگ دیجیتال جهانی وارد مرحله جدیدی شده است که من آن را «تحلیل رسانه‌ای» می‌نامم. (مانوویچ ۲۰۱۸: ۴۷۳-۴۸۸) تحلیل محاسباتی تعداد عظیمی از مصنوعات فرهنگی، «زندگی» آنلاین آن‌ها و تعاملات مردم با این مصنوعات و یکدیگر، پویایی و سازوکارهای فرهنگ را بازتعریف کرده است.
تکنیک‌های تحلیل فرهنگی
تکنیک‌های فرهنگی کلیدی است برای نمایش و استدلال در مورد جهان و انسان‌های دیگر، شامل زبان‌های طبیعی، تصویربرداری مبتنی بر لنز و ویدئو، رسانه‌های مختلف دیگر برای حفظ و دسترسی به اطلاعات، حسابان، رایانه‌های دیجیتال و شبکه‌های رایانه‌ای بود.
پارادایم‌های بنیادی تحلیل رسانه‌ای و تحلیل فرهنگی از منظر مانوویچ:
بصری‌سازی داده‌ها
یادگیری ماشین بدون نظارت
یادگیری ماشین با نظارت
موارد دیگر عبارتند از استخراج ویژگی، خوشه‌بندی، کاهش بعد، طبقه‌بندی، رگرسیون، علم شبکه، تحلیل سری زمانی و بازیابی اطلاعات.
پرسش: آیا می‌خواهیم به دنبال «تفسیر» فرهنگ باشیم؟
رویکرد به فرایندها و مصنوعات فرهنگی به عنوان «داده» می‌تواند ما را به پرسیدن نوعی از پرسش‌ها در مورد فرهنگ سوق دهد که افرادی که به طور حرفه‌ای در مورد آن می‌نویسند، آن را مدیریت و از آن مراقبت می‌کنند، معمولاً امروزه نمی‌پرسند؛ زیرا چنین سؤالاتی با درک پذیرفته‌شده از فرهنگ، خلاقیت، ذوق، زیبایی‌شناسی و سلیقه در علوم انسانی، رسانه‌های محبوب یا دنیای هنر مغایرت دارد.
شناخته‌شده‌ترین و تأثیرگذارترین تحلیل کمی داده‌های فرهنگی در علوم اجتماعی، کتاب «تمایز» پیر بوردیو (۱۹۷۹) است. داده‌های استفاده شده در این تحلیل از نظرسنجی‌های عمومی فرانسه است. برای تحلیل و تجسم این داده‌ها، بوردیو از روش توسعه‌یافته تحلیل همبستگی استفاده کرد.
این روش شبیه PCA است اما برای دسته‌های گسسته کار می‌کند و روابط آن‌ها را به صورت گرافیکی نشان می‌دهد. برای بوردیو، این شکل از تجسم تحلیل داده با مفاهیم نظری او در مورد جامعه و فرهنگ همراه بود و به همین دلیل نقش مرکزی در این کتاب دارد. تمایز شناخته‌شده‌ترین کتاب بوردیو است و در سال ۲۰۱۲ بوردیو دومین نویسنده پراستناد در جهان بود، درست پشت سر میشل فوکو. (ترونگ/ویل ۲۰۱۲)
پرسش
۱- اگر ما همچنین از سایر روش‌های استاندارد علوم اجتماعی کمی استفاده کنیم و آن‌ها را برای «توضیح» دنیای ظاهراً مبهم، ذهنی و غیرمنطقی فرهنگ به کار ببریم، چه اتفاقی می‌افتد؟
۲_ آیا می‌توانیم از تحلیل رگرسیون و ترکیب متغیرهای جمعیتی، اجتماعی و اقتصادی برای مدل‌سازی انتخاب‌های انجام‌شده توسط افرادی که علاقه به پیشنهادات فرهنگی مرتبط با هر دو سلیقه نخبه و محبوب دارند - استفاده کنیم؟
۳_ آیا تلاش برای توضیح اینکه چه چیزی بر چه چیزی در فرهنگ تأثیر می‌گذارد یا پیش‌بینی آینده آن با مدل‌های ریاضی درست است؟
نویز یا خطا
مانوویچ معتقد است، هنگامی که به داده‌های واقعی زندگی اعمال می‌شود، مدل‌های رگرسیون معمولاً فقط می‌توانند برخی از داده‌ها را پیش‌بینی کنند، اما نه همه آن‌ها. بخشی که پیش‌بینی نمی‌شود اغلب به عنوان «نویز» درمان می‌شود؛ زیرا با مدل ریاضی مطابقت ندارد. در واقع، در ارائه استاندارد تحلیل رگرسیون، اصطلاحی که برای نشان دادن داده‌های پیش‌بینی نشده به مدل اضافه می‌شود، اصطلاح خطا یا نویز نامیده می‌شود.
هدف اصلی تحلیل فرهنگی از دیدگاه لوویچ: «تحلیل فرهنگی باید ترسیم دقیق (و کمک برای فکر کردن در مورد این نقشه‌ها) تنوع مصنوعات حرفه‌ای و تولید شده توسط کاربر در سطح جهانی باشد»؛ یعنی تمرکز بر تفاوت‌های بین مصنوعات متعدد و نه فقط بر آنچه آن‌ها به اشتراک می‌گذارند.
سه ویژگی اساسی مشاهده و تحلیل فرهنگ به معنای توانایی ترسیم و اندازه گیری عبارتند از «تنوع، ساختارها (مانند خوشه‌ها، شبکه‌ها و سایر انواع روابط)، پویایی و تغییرات زمانی.»
توسعه معیارهای مناسب تنوع، ساختار، پویایی و تغییرات فرهنگی برای انواع مختلف رسانه‌ها و حوزه‌های فرهنگی خود یک کار نظری و عملی بزرگ است. باید این را به عنوان وظیفه اصلی برای تحلیل فرهنگی در سال‌های آینده می‌بینم.
نظر شما