طالعی روشن برای عضوی از نسل پروژه‌های در حال انقراض!

از جمع‌سپاری تا هوش‌سپاری؛ وقتی هوش مصنوعی فقط یک فناوری تازه نیست، بلکه اقتصاد بعضی پروژه‌ها را از نو تعریف می‌کند.

سال‌هاست به پروژه‌هایی علاقه دارم که الزاماً قرار نیست از روز اول چیزی بفروشند.

پروژه‌هایی که محصول اصلی‌شان ممکن است یک استاندارد، یک زبان مشترک، یک مجموعه داده، یک طبقه‌بندی یا حتی فقط روشی برای شفاف‌تر کردن اطلاعات باشد.

مشکل این نوع پروژه‌ها، به‌خصوص در ایران، تقریباً همیشه یکسان بوده است:

چه کسی هزینه تولید چیزی را می‌دهد که قرار است متعلق به همه باشد؟

اگر برای ساخت هر بخش از یک دانش عمومی، طبقه‌بندی، ترجمه، استاندارد یا داده ساخت‌یافته نیازمند حضور یک انسان متخصص باشیم، آن پروژه دیر یا زود با یک مسئله اقتصادی جدی روبه‌رو می‌شود.

یا باید درآمدی داشته باشد که بتواند هزینه این افراد را پرداخت کند، یا باید امیدوار باشد تعداد زیادی انسان داوطلب، بدون دریافت دستمزد، برای ساخت آن وقت بگذارند.

راه اول، پروژه را به سمت تجاری‌شدن می‌برد و راه دوم ما را به «جمع‌سپاری» می‌رساند.

تجربه شخصی من می‌گوید حداقل در ایران، نمی‌توان همیشه روی راه دوم حساب کرد.

اما اتفاقی که طی یکی دو سال اخیر افتاده، ممکن است این معادله قدیمی را برای همیشه تغییر دهد.

امروز برای اولین بار، حضور تعداد زیادی انسان واقعی در ازای دریافت دستمزد، شرط لازم برای راه‌اندازی و توسعه بسیاری از پروژه‌های دانش‌محور نیست.

و اگر این تغییر همان‌قدر عمیق باشد که من تصور می‌کنم، نتیجه آن فقط ارزان‌تر شدن نرم‌افزار یا سریع‌تر شدن برنامه‌نویسی نخواهد بود.

احتمالاً با جهانی روبه‌رو خواهیم شد که در آن دانش با هزینه کمتری ساخته می‌شود، اطلاعات آزادانه‌تر گردش می‌کند و پروژه‌هایی که سال‌ها به دلیل نداشتن مدل اقتصادی مناسب متوقف مانده بودند، دوباره امکان حیات پیدا می‌کنند.

برای من، BasisCore یکی از همین پروژه‌هاست.

بیش از پانزده سال پیش، وقتی ایده‌های اولیه بیسیس‌کور شکل گرفت، مسئله‌ای که در ذهن ما بود ظاهراً ساده بود:

چرا باید هر شرکت، هر فروشگاه و هر برنامه‌نویس، جهان را دوباره از ابتدا تعریف کند؟

فرض کنید قرار است یک فروشگاه اینترنتی یخچال بفروشد.

باید مشخص کند یخچال چیست، چه ویژگی‌هایی دارد، ظرفیت یعنی چه، واحد ظرفیت چیست، رنگ چیست، نوع موتور چیست و ده‌ها مشخصه دیگر.

فروشگاه بعدی تقریباً همین کار را دوباره انجام می‌دهد.

بعد به هتل می‌رسیم.

بعد خودرو.

پزشک، رستوران، قطعه صنعتی، خدمات گردشگری، ساختمان، دارو و هزاران موجودیت دیگر.

ما پرسیدیم:

چرا تعریف «یخچال» یا «هتل» یا «پزشک» نباید یک بار انجام شود و بعد همه بتوانند از همان تعریف استفاده کنند؟

از همین پرسش، مفهوم اسکما در بیسیس‌کور شکل گرفت.

هر چیزی که بتوان آن را با مجموعه‌ای از مشخصات از پیش تعیین‌شده توصیف کرد، می‌تواند یک اسکما داشته باشد.

اسکمای هتل مجموعه‌ای از پرسش‌ها و ویژگی‌هاست و هر هتل واقعی مجموعه‌ای از پاسخ‌ها به آن پرسش‌ها.

در این مدل، «رنگ» صرفاً یک رشته متنی نیست. یک مفهوم است.

«لیتر» مفهوم دیگری است.

«سفید» یک مفهوم است.

اگر کاربری سفید را انتخاب کند، لازم نیست کلمه فارسی «سفید» در داده ذخیره شود. شناسه آن مفهوم ذخیره می‌شود و همان مفهوم می‌تواند در فارسی، انگلیسی، عربی یا زبان‌های دیگر نمایش داده شود.

از نظر من، ارزش اصلی این معماری هیچ‌وقت فقط در طراحی پایگاه داده نبود.

موضوع مهم‌تر این بود که:

اگر بتوانیم درباره معنای اشیا به توافق برسیم، می‌توانیم داده را از نرم‌افزاری که آن را تولید کرده مستقل کنیم.

و این برای من همیشه بخشی از مفهوم «گردش آزاد اطلاعات» بوده است.

« بعدها فهمیدیم در این مسیر تنها نبوده‌ایم »

در سال‌های بعد، پروژه‌های بسیار بزرگ جهان با شکل‌ها و اهداف متفاوت، بخش‌هایی از همین مسئله را حل کردند.

Wikidata جهان را به آیتم‌ها، ویژگی‌ها و روابط تبدیل کرد.

schema.org زبان مشترکی برای توضیح اشیای موجود در وب ایجاد کرد.

ECLASS برای کالاها و تجهیزات صنعتی، طبقه‌بندی، ویژگی، واحد و فهرست مقادیر استاندارد ساخت.

OpenMRS در حوزه سلامت از دیکشنری مفاهیم و مدل پرسش و پاسخ استفاده کرد.

Salesforce بخش مهمی از معماری خود را بر تعریف فراداده و اشیای قابل توسعه بنا کرد.

FHIR پرسش‌نامه و پاسخ‌نامه را به منابع استاندارد قابل تبادل تبدیل کرد.

من ادعا نمی‌کنم این پروژه‌ها از بیسیس‌کور گرفته شده‌اند؛ چنین ادعایی نه درست است و نه اهمیتی دارد.

اتفاقاً نکته جذاب برای من چیز دیگری است:

وقتی گروه‌های مختلف، در کشورهای مختلف و برای مسائل متفاوت، مستقل از یکدیگر به راه‌حل‌هایی مشابه می‌رسند، احتمالاً بخشی از مسئله را درست فهمیده‌ایم.

پس چرا پروژه‌ای مانند بیسیس‌کور با چنین ایده‌ای، بسیار سریع‌تر رشد نکرد؟

پاسخ امروز من روشن‌تر از گذشته است:

مشکل اصلی معماری نبود.

مشکل، اقتصاد تولید دانش بود.

ما روی جمع‌سپاری حساب کرده بودیم

مدل اولیه بسیار جذاب بود.

اگر یک متخصص تجهیزات پزشکی اسکمای تجهیزات پزشکی را کامل کند، دیگران از آن استفاده کنند.

یک متخصص گردشگری هتل را تکمیل کند.

یک متخصص خودرو مشخصات خودرو را.

یک فارسی‌زبان مفهوم را وارد کند، فرد دیگری ترجمه انگلیسی را اصلاح کند و شخص دیگری معادل عربی را اضافه کند.

هرکس قطعه کوچکی به این ساختمان اضافه کند.

نمونه‌های جهانی نشان داده بودند که چنین چیزی ممکن است.

Wikipedia بدون ارتشی از نویسندگان حقوق‌بگیر ساخته شد.

OpenStreetMap با مشارکت انسان‌هایی در سراسر جهان تبدیل به یکی از مهم‌ترین منابع داده جغرافیایی دنیا شد.

Wikidata با همکاری انسان‌ها و ربات‌ها به ابعادی رسید که ایجاد آن توسط یک شرکت معمولی بسیار دشوار بود.

اما یک تفاوت مهم وجود داشت.

جمع‌سپاری برای موفقیت به «جمع» نیاز دارد.

و نه هر جمعی.

به جمعیتی بسیار بزرگ نیاز دارد تا درصد کوچکی از آن حاضر باشد واقعاً مشارکت کند.

از سوی دیگر، ساخت یک اسکمای استاندارد کاری شبیه نوشتن یک کامنت یا اصلاح یک غلط املایی نیست.

کسی باید ابتدا جستجو کند که مفهوم قبلاً وجود دارد یا نه.

باید بداند ویژگی جدید واقعاً ویژگی جدید است یا نام دیگری برای مفهومی قدیمی.

واحد اندازه‌گیری را تشخیص دهد.

نوع داده را انتخاب کند.

موقعیت آن را در طبقه‌بندی پیدا کند.

از ایجاد موجودیت تکراری جلوگیری کند.

و بعد مسئله زبان‌ها آغاز می‌شود.

وقتی قرار است یک مفهوم در شانزده زبان قابل استفاده باشد، نمی‌توان برای هر واژه تازه شانزده مترجم داوطلب پیدا کرد.

این‌جا بود که یک آرمان زیبا به یک مسئله کاملاً زمینی برخورد کرد:

قبض حقوق آخر ماه.

ما معمولاً درباره «Open Data»، «Open Source» و گردش آزاد اطلاعات با ادبیاتی آرمانی صحبت می‌کنیم.

اما پشت هر داده تمیز، هر استاندارد خوب و هر مستند دقیق، ساعت‌ها کار انسانی وجود دارد.

و انسان باید زندگی کند.

بنابراین پروژه‌ای که درآمد مستقیم ایجاد نمی‌کند اما برای ادامه حیات خود دائماً به نیروی متخصص نیاز دارد، در یک تناقض گرفتار می‌شود.

هرچه بزرگ‌تر شود، هزینه نگهداری‌اش بیشتر می‌شود.

اگر برای تأمین این هزینه‌ها اطلاعات را بفروشد یا دسترسی را محدود کند، بخشی از فلسفه وجودی خود را زیر سؤال برده است.

اگر رایگان بماند، باید منبع دیگری برای پرداخت هزینه تولید دانش پیدا کند.

در اقتصادهایی که مشارکت داوطلبانه علمی و فنی گسترده نیست، این تناقض شدیدتر می‌شود.

بیسیس‌کور سال‌ها با همین محدودیت زندگی کرد.

زنده بود.

کار می‌کرد.

در محصولات واقعی استفاده می‌شد.

بیش از هزار سایت فعال از بخش‌هایی از این اکوسیستم استفاده کردند.

اما سرعت توسعه آن چیزی نبود که معماری پروژه اجازه می‌داد.

گاهی پروژه‌ای از نظر فناوری زنده است اما از نظر امکان توسعه، آرام‌آرام به سمت انقراض می‌رود.

به گمان من بیسیس‌کور به چنین نقطه‌ای نزدیک شده بود.

و بعد هوش مصنوعی از راه رسید.

در ابتدا من هم، مثل بسیاری دیگر، هوش مصنوعی مولد را بیشتر به‌عنوان یک ابزار دیدم.

ابزاری برای نوشتن.

برنامه‌نویسی.

ترجمه.

جستجو.

تحلیل.

اما هرچه جلوتر رفتیم متوجه شدم برای پروژه‌ای مثل بیسیس‌کور، اتفاق بسیار بنیادی‌تری در حال رخ دادن است.

هوش مصنوعی هزینه تولید و نگهداری دانش ساخت‌یافته را تغییر داده است.

این تفاوت بسیار مهم است.

فرض کنید برای ایجاد یک اسکمای جدید صدها عملیات لازم باشد:

جستجوی مفاهیم موجود، پیشنهاد ویژگی‌ها، پیدا کردن موارد مشابه، تشخیص واحد، ترجمه عنوان‌ها، بررسی تکراری نبودن کلیدواژه‌ها، ایجاد ارتباطات، کنترل قواعد و در پایان اعتبارسنجی نتیجه.

در گذشته تقریباً پشت تک‌تک این عملیات باید یک انسان می‌نشست.

امروز الزاماً چنین نیست.

یک عامل هوشمند می‌تواند قواعد پروژه را بخواند.

می‌تواند قبل از ساختن، جستجو کند.

می‌تواند مفهوم مشابه را پیدا کند.

می‌تواند پیشنهاد بدهد.

می‌تواند ترجمه کند.

می‌تواند خروجی خودش را دوباره از API بخواند و با قواعد تطبیق دهد.

می‌تواند خطا را گزارش کند.

و می‌تواند این کار را هزاران بار تکرار کند.

این یعنی حذف انسان؟

به هیچ‌وجه.

اتفاقاً به نظر من اینجا نقش انسان ارزشمندتر می‌شود.

انسان دیگر مجبور نیست هزار بار یک عملیات تکراری را انجام دهد.

انسان قاعده را می‌سازد، استثنا را تشخیص می‌دهد، اختلاف را حل می‌کند و مسئولیت تصمیم را بر عهده می‌گیرد.

ماشین حجم کار را انجام می‌دهد.

به این تغییر می‌توان نام «هوش‌سپاری» داد.

در جمع‌سپاری باید هزاران نفر را پیدا کنیم، آموزش دهیم، قانع کنیم و امیدوار باشیم بخشی از آنان مشارکت کنند.

در هوش‌سپاری مسئله متفاوت است.

قواعد را یک بار دقیق می‌نویسیم.

عامل هوشمند آن را بارها اجرا می‌کند.

به جای جستجوی مترجم برای شانزده زبان، ترجمه اولیه را ماشین انجام می‌دهد و موارد حساس برای بازبینی انسان علامت‌گذاری می‌شوند.

به جای اینکه متخصص وقت خود را صرف صدها عملیات ساده کند، موارد مبهم برای او صف‌بندی می‌شوند.

به جای اینکه کیفیت محصول تابع تعداد داوطلبان باشد، می‌توان کیفیت را اندازه گرفت، تست کرد و فرآیند بازبینی تعریف کرد.

البته هوش مصنوعی اشتباه می‌کند.

توهم دارد.

ممکن است مفهوم تکراری بسازد.

گاهی با اعتمادبه‌نفس پاسخ نادرست می‌دهد.

اما این‌ها دلیل کنار گذاشتن آن نیست.

این‌ها مسئله مهندسی‌اند.

اگر عامل موظف باشد پیش از ساختن جستجو کند، از شناسه‌های موجود استفاده کند، عملیاتش ثبت شود و در پایان نتیجه واقعی را دوباره از سرویس بخواند، بخش مهمی از این خطاها قابل کنترل می‌شود.

این دقیقاً همان مسیری است که اکنون در بیسیس‌کور دنبال می‌کنیم:

هوش مصنوعی آزاد نیست هرچه خواست بسازد؛ آزاد است درون یک نظام قاعده‌مند کار کند.

دلیل نوشتن این یادداشت معرفی یک پروژه قدیمی نیست.

موضوع بزرگ‌تری در میان است.

فکر می‌کنم در سال‌های آینده شاهد بازگشت تعداد زیادی از پروژه‌هایی خواهیم بود که قبلاً از نظر اقتصادی «غیرممکن» به نظر می‌رسیدند.

پروژه‌های آرشیوی.

دیکشنری‌ها.

طبقه‌بندی‌های تخصصی.

پایگاه‌های دانش عمومی.

داده‌های شهری.

پروژه‌های فرهنگی.

استانداردهای باز.

مستندسازی میراث علمی و صنعتی.

و هر پروژه‌ای که مشکل اصلی‌اش نه نبودن دانش، بلکه هزینه تبدیل دانش پراکنده انسانی به اطلاعات منظم و قابل استفاده بوده است.

تا دیروز سؤال این بود:

چه کسی حاضر است پول این کار را بدهد؟

امروز سؤال تازه‌ای در برابر ما قرار گرفته است:

اگر هزینه این کار به کسری از گذشته برسد، چه چیزهایی ارزش ساختن پیدا می‌کنند که تا دیروز ارزش اقتصادی ساختن نداشتند؟

به نظرم پاسخ این سؤال می‌تواند بسیار مهم‌تر از ساخت چند چت‌بات دیگر باشد.

درباره خطرات هوش مصنوعی بسیار صحبت شده و بخش مهمی از این نگرانی‌ها نیز واقعی است.

اما من به یک پیامد مثبت آن امیدوارم که کمتر درباره‌اش حرف می‌زنیم.

کاهش هزینه شفافیت.

شفافیت رایگان نیست.

برای انتشار اطلاعات باید آن‌ها را جمع‌آوری کرد، پاک کرد، طبقه‌بندی کرد، توضیح داد، ترجمه کرد و به‌روز نگه داشت.

تا وقتی تمام این کارها نیازمند نیروی انسانی بود، پنهان ماندن اطلاعات در بسیاری از مواقع ارزان‌تر از شفاف کردن آن بود.

هوش مصنوعی می‌تواند این نسبت را تغییر دهد.

اگر تبدیل اسناد پراکنده به داده ساخت‌یافته ارزان شود؛

اگر ترجمه ارزان شود؛

اگر طبقه‌بندی ارزان شود؛

اگر تطبیق استانداردها ارزان شود؛

اگر نگهداری پایگاه‌های دانش ارزان شود؛

آنگاه گردش آزاد اطلاعات دیگر فقط یک خواسته اخلاقی نیست؛ می‌تواند به انتخابی اقتصادی نیز تبدیل شود.

و شاید این یکی از مهم‌ترین آثار بلندمدت این فناوری باشد.

امروز وقتی دوباره به بیسیس‌کور نگاه می‌کنم، احساس عجیبی دارم.

بخشی از معماری‌ای که پانزده سال پیش طراحی شد، متعلق به دورانی بود که برای توسعه آن به چیزی نیاز داشتیم که در اختیارمان نبود:

انبوهی از انسان‌ها.

امروز همان محدودیت در حال کمرنگ شدن است.

جالب‌تر اینکه ساختارهایی که زمانی شاید بیش از حد قاعده‌مند به نظر می‌رسیدند، حالا برای عامل‌های هوش مصنوعی مزیت شده‌اند.

ماشین به قاعده نیاز دارد.

به تعریف روشن نیاز دارد.

به API نیاز دارد.

به شناسه نیاز دارد.

به رابطه مشخص میان مفاهیم نیاز دارد.

و به امکان بررسی نتیجه نیاز دارد.

چیزی که پانزده سال برای انسان‌ها توضیح دادنش دشوار بود، ممکن است اتفاقاً برای ماشین‌ها محیط مناسبی باشد.

طنز ماجرا همین‌جاست:

شاید پروژه‌ای که کمبود انسان داشت، باید آن‌قدر زنده می‌ماند تا ماشین‌ها به کمکش برسند.

هنوز زود است اعلام پیروزی کنیم.

هوش‌سپاری مشکلات تازه‌ای ایجاد خواهد کرد.

کیفیت باید کنترل شود.

منشأ داده باید مشخص باشد.

نسخه‌بندی اسکماها جدی‌تر شود.

عامل‌ها باید قابل حسابرسی باشند.

ارتباط با استانداردهایی مانند schema.org، Wikidata و ECLASS عمیق‌تر شود.

و در نهایت مسئولیت تصمیم‌های مهم همچنان باید بر عهده انسان باقی بماند.

اما چیزی بنیادی تغییر کرده است:

مانعی که سال‌ها تصور می‌کردم شاید ذاتاً قابل حل نباشد، دیگر آن استحکام سابق را ندارد.

و این برای من فقط خبر خوبی درباره بیسیس‌کور نیست.

نشانه‌ای است از آینده احتمالی نسلی از پروژه‌ها که منفعت عمومی آن‌ها بسیار بیشتر از درآمد مستقیمشان است.

پروژه‌هایی که شاید بازار حاضر نبود هزینه واقعی ساختشان را بپردازد، اما جامعه به نتیجه آن‌ها نیاز داشت.

اگر هوش مصنوعی بتواند فاصله میان این دو را کم کند، احتمالاً در سال‌های آینده پروژه‌های بیشتری را خواهیم دید که نه بر انحصار دانش، بلکه بر اشتراک دانش بنا شده‌اند؛ نه بر پنهان کردن اطلاعات، بلکه بر ساختار دادن و منتشر کردن آن؛ و نه بر ارتشی از نیروهای انسانی برای انجام کارهای تکراری، بلکه بر تعداد محدودی انسان متخصص که قواعد را می‌سازند و ماشین‌هایی که آن قواعد را در مقیاس اجرا می‌کنند.

من نمی‌دانم این مسیر دقیقاً به کجا خواهد رسید.

اما بعد از بیش از پانزده سال کار روی پروژه‌ای که بارها به مرز توجیه‌ناپذیری اقتصادی نزدیک شده، برای نخستین بار فکر می‌کنم مسئله‌ای که روزی نقطه ضعف آن بود، ممکن است به نقطه قوتش تبدیل شود.

شاید عصر هوش مصنوعی، برخلاف تصور اولیه ما، فقط عصر تولید محتوای بیشتر نباشد.

شاید عصر دیگری هم باشد:

عصر ارزان‌تر شدن تولید دانش عمومی.

و اگر چنین باشد، احتمالاً دنیایی شفاف‌تر، آزادتر و با شتابی بیشتر به سوی گردش آزاد اطلاعات در انتظار ماست.

برای پروژه‌ای که زمانی آرام‌آرام به انقراض نزدیک می‌شد،

این کم اتفاقی نیست.