از موزاییک اطلاعاتی تا هوش مصنوعی

جهان‌ صنعت – در شماره سپتامبر۲۰۲۶ ژورنال Studies in Intelligence مجموعه‌ای از مقالات درکنار یکدیگر تصویری قابل‌تامل از تحول حرفه اطلاعات و تحلیل اطلاعات ارائه می‌کنند؛ تحولی که دیگر نمی‌توان آن را صرفا به‌ورود ابزارهای دیجیتال یا ظهور مدل‌های هوش مصنوعی تقلیل داد. مساله عمیق‌تر است: فناوری درحال تغییردادن شیوه‌ای است که اطلاعات تولید، جمع‌آوری به‌هم متصل و تفسیر می‌شود و درنتیجه خود مفهوم تحلیل نیز درحال بازتعریف است. در این میان مقاله موزاییک اطلاعات امنیت داخلی (The Mosaic of Homeland Security Intelligence) یک ایده بنیادین را پیش می‌کشد: تهدیدهای پیچیده معمولا در یک سازمان یک پرونده یا یک پایگاه داده کامل و آشکار ظاهر نمی‌شوند بلکه درقالب قطعاتی کوچک و پراکنده در نقاط مختلف یک نظام اطلاعاتی حضور دارند و ارزش واقعی این قطعات زمانی آشکار می‌شود که بتوان آنها را به‌یکدیگر متصل کرد. فهرست همین شماره نشان می‌دهد که این بحث درکنار چهار مقاله درباره هوش مصنوعی، سرعت، تریدکرافت، نرم‌افزار و استدلال قیاسی قرار گرفته گویی سردبیران عملا یک پرسش مشترک را از زوایای مختلف مطرح کردند: در دوره‌ای که اطلاعات بیش از هر زمان دیگری در دسترس است چگونه می‌توان از انباشت داده به‌فهم رسید؟

این پرسش اهمیت زیادی دارد زیرا افزایش حجم اطلاعات لزوما به‌معنای افزایش شناخت نیست. حتی ممکن است برعکس هرچه داده بیشتر شود، یافتن معنای آن دشوارتر شود. در جهان امروز مساله دیگر فقط کمبود اطلاعات نیست بلکه مساله اصلی می‌تواند پراکندگی، ناهمگونی، سرعت تولید، تفاوت کیفیت، موانع سازمانی و ناتوانی در تشخیص ارتباط میان داده‌هایی باشد که در نگاه اول هیچ نسبتی با یکدیگر ندارند. یک گزارش محلی یک تراکنش مالی، سابقه سفر، رویداد سایبری، برخورد معمولی پلیس، تغییر در رفتار یک گروه یا حتی داده‌ای که در شرایط عادی کم‌اهمیت به‌نظر می‌رسد ممکن است هنگامی که درکنار قطعات دیگر قرار می‌گیرد معنایی کاملا متفاوت پیدا کند.

مقاله موزاییک اطلاعات امنیت داخلی دقیقا بر همین مساله تمرکز دارد. نویسندگان با بررسی تجربه‌های تاریخی و ساختار اطلاعات امنیت داخلی آمریکا استدلال می‌کنند که هیچ‌نهاد واحدی نمی‌تواند به‌تنهایی تمام تصویر را دراختیار داشته باشد. اطلاعات میان نهادهای فدرال، ایالتی و محلی، دستگاه‌های اطلاعاتی، پلیس، نهادهای امنیتی و حتی مراکز اطلاعاتی محلی توزیع شده است. از این منظر مساله اصلی فقط جمع‌آوری داده بیشتر نیست بلکه ایجاد سازوکاری است که قطعات موجود را در زمان مناسب به‌هم پیوند دهد.

اطلاعات پراکنده، تهدیدهای یکپارچه

یکی از مفاهیم مهمی که در این مقاله مطرح می‌شود مفهوم بین‌داخلی یا intermestic است یعنی تهدیدی که همزمان ابعاد خارجی و داخلی دارد. در چنین وضعیتی منشأ یک تهدید ممکن است خارج از مرزها باشد اما آثار، کنشگران، مقدمات یا نشانه‌های آن در داخل کشور ظاهر شود. نویسندگان حملات ۱۱سپتامبر را نمونه‌ای از چنین وضعیتی می‌دانند: رهبری و زیرساخت آموزشی القاعده در خارج از آمریکا قرار داشت اما عاملان حمله در داخل آمریکا زندگی می‌کردند، حساب بانکی باز کرده، آموزش پرواز می‌دیدند، رانندگی می‌کردند و با نهادهای مختلف محلی تماس داشتند. درنتیجه هیچ‌یک از این قطعات به‌تنهایی معنای کامل تهدید را نشان نمی‌داد اما مجموعه آنها می‌توانست تصویری متفاوت بسازد.

این نکته فراتر از موضوع تروریسم یک مساله مهم نظری درباره حکمرانی اطلاعات ایجاد می‌کند. در نظام‌های پیچیده اطلاعات الزاما در همان جایی تولید نمی‌شود که تصمیم نهایی گرفته می‌شود. ممکن است یک نشانه در سطح محلی دیده شود، یک قطعه داده در یک سازمان تخصصی ثبت شود، سابقه‌ای در یک سامانه دیگر وجود داشته باشد و معنای راهبردی مجموعه آنها تنها زمانی آشکار شود که کسی از بیرون هرکدام از این سامانه‌ها به‌آنها نگاه کند.

به همین دلیل موزاییک استعاره دقیقی است. در یک موزاییک هیچ قطعه‌ای به‌تنهایی تصویر نهایی را نشان نمی‌دهد. هر قطعه بخشی از تصویر است و ارزش آن نه فقط در ویژگی‌های مستقل خودش بلکه در رابطه‌اش با قطعات دیگر شکل می‌گیرد. این منطق در تحلیل اطلاعات نیز وجود دارد. داده‌ای که در انزوا بی‌اهمیت بوده ممکن است در ترکیب با چند داده دیگر به‌یک نشانه هشدار تبدیل شود.

در اینجا یک سوءبرداشت رایج باید کنار گذاشته شود: «اتصال نقاط» به‌معنای جمع‌آوری بی‌حدوحصر داده‌ها نیست. خود مقاله هشدار می‌دهد که اطلاعات بیشتر می‌تواند به‌جای ایجاد بینش، موجب اضافه‌بار اطلاعاتی شود. همچنین طبقه‌بندی اطلاعات ممکن است باعث شود داده‌ای که برای یک مقام محلی بسیار مهم است اساسا در اختیار او قرار نگیرد. از سوی دیگر جمع‌آوری بی‌ضابطه می‌تواند حریم خصوصی را نقض کند، هشدارهای کاذب تولید کرده و اعتماد عمومی را تضعیف کند بنابراین اتصال اطلاعات فقط یک مساله فنی نیست بلکه یک مساله حقوقی، نهادی و حرفه‌ای نیز هست.

این نکته شاید یکی از مهم‌ترین درس‌های این شماره ژورنال باشد: مساله اطلاعات فقط داشتن نیست بلکه معنادارکردن است.

در همین نقطه بحث مقاله موزاییک با مقالات مربوط به‌هوش مصنوعی به‌یکدیگر متصل می‌شود. اگر مشکل نخست پراکندگی اطلاعات است ظهور هوش مصنوعی وعده می‌دهد که بتواند بخش بزرگی از این پراکندگی را مدیریت کند. مدل‌های زبانی بزرگ قادرند حجم عظیمی از متن را خلاصه کنند، میان اسناد ارتباط برقرار کرده و اطلاعات را در قالبی ارائه دهند که برای کاربر قابل استفاده‌تر باشد بنابراین طبیعی است که در محیط‌های اطلاعاتی هوش مصنوعی به‌عنوان ابزاری برای سرعت بخشیدن به‌فرآیند تحلیل مطرح شود اما در همین نقطه پرسش مهم‌تری پدیدار می‌شود: اگر ماشین بتواند بخش بیشتری از فرآیند جمع‌آوری، طبقه‌بندی و ترکیب اطلاعات را انجام دهد جایگاه تحلیلگر انسانی چه خواهد بود؟

مقاله «هوش مصنوعی و تخصص: واگذاری هوشمندانه کار به‌تحلیلگران اطلاعاتی» (AI and Expertise: Intelligent Delegation for Intelligence Analysts) این مساله را از زاویه‌ای متفاوت بررسی می‌کند. نویسنده اطلاعات را اساسا نوعی واگذاری حس و معناپردازی ازسوی تصمیم‌گیرندگان به‌سازمان اطلاعاتی می‌داند زیرا سیاستمدار، فرمانده یا مقام امنیتی نمی‌تواند شخصا در همه نقاط جهان حاضر باشد و واقعیت را از نزدیک مشاهده کند. سازمان اطلاعاتی برای همین شکل گرفته که این فاصله را پر کند: اطلاعات را جمع‌آوری کند و سپس آن را به‌فهم تبدیل کند.

از این منظر ورود هوش مصنوعی تنها ورود یک ابزار جدید نیست بلکه ممکن است یک لایه جدید میان تحلیلگر و واقعیتی باشد که تحلیلگر وظیفه دارد آن را بفهمد.

این همان جایی است که تناقض اصلی پدیدار می‌شود. هوش مصنوعی می‌تواند فاصله میان حجم عظیم داده و پاسخ اولیه را کوتاه کند اما ممکن است فاصله میان تحلیلگر و موضوع تحلیل را نیز افزایش دهد. اگر تحلیلگر به‌جای مواجهه مستقیم با داده‌های پایه به‌طور فزاینده‌ای خروجی یک سامانه هوش مصنوعی را ببیند ممکن است سرعت تولید تحلیل افزایش یابد اما رابطه او با ماده خام تحلیل ضعیف‌تر شود.

نویسنده مقاله به‌همین خطر توجه می‌دهد و استدلال می‌کند که استفاده گسترده از مدل‌های زبانی می‌تواند به‌فرسایش تدریجی تخصص منجر شود. اگر تحلیلگر کمتر با داده‌های اولیه کار کند، کمتر درگیر جزئیات شود و بیشتر به‌خروجی ماشین تکیه کرده در بلندمدت ممکن است توانایی او برای ارزیابی همان خروجی کاهش پیدا کند. در این حالت یک چرخه خطرناک شکل می‌گیرد: هرچه تخصص انسانی کمتر شود وابستگی به‌ماشین بیشتر می‌شود و هرچه وابستگی بیشتر شود امکان ارزیابی مستقل خروجی ماشین نیز کمتر خواهد شد.

این بحث به‌معنای رد هوش مصنوعی نیست. اهمیت آن دقیقا در این است که مساله را از دوگانه ساده انسان یا ماشین خارج می‌کند. پرسش واقعی این نیست که ماشین جای انسان را بگیرد یا انسان ماشین را کنار بگذارد. پرسش این است که چه چیزی باید به‌ماشین واگذار شود و چه چیزی نباید واگذار شود.

مشکل فقط خطای هوش مصنوعی نیست

بحث عمومی درباره هوش مصنوعی اغلب بر خطاهای آشکار متمرکز است: اطلاعات ساختگی، استدلال نادرست، خطای محاسباتی یا تفسیر غلط اما مقاله «AI and Expertise» مساله دیگری را برجسته می‌کند که شاید عمیق‌تر باشد: حتی اگر مدل‌ها در آینده بسیار دقیق‌تر شوند همچنان ممکن است استفاده گسترده از آنها ساختار تخصص انسانی را تغییر دهد.

این تمایز مهم است. یک ماشین می‌تواند در یک کار مشخص عملکرد بسیار خوبی داشته باشد اما این به‌معنای آن نیست که انسانی که آن کار را به‌ماشین سپرده در بلندمدت همچنان همان سطح از شناخت را خواهد داشت. تخصص فقط توانایی دریافت یک پاسخ درست نیست بلکه توانایی فهمیدن چرایی پاسخ، شناخت محدودیت‌های آن تشخیص موارد استثنایی و طرح پرسش‌های جدید نیز بخشی از تخصص است.

به همین دلیل اگر هوش مصنوعی تنها به‌عنوان یک ماشین تولید پاسخ دیده شود بخشی از مساله نادیده گرفته خواهد شد. در محیط‌های اطلاعاتی ارزش تحلیلگر صرفا در این نیست که بتواند داده را خلاصه کند. ارزش او در این است که بتواند درباره کیفیت داده، ارتباط میان داده‌ها، شکاف‌های اطلاعاتی، فرضیات پنهان و توضیحات رقیب قضاوت کند.

درنتیجه آینده تحلیل احتمالا نه حذف تحلیلگر، بلکه تغییر تعریف تحلیلگری خواهد بود. تحلیلگر باید همزمان دو نوع توانایی داشته باشد: ازیک‌سو توانایی استفاده از ابزارهای ماشینی و ازسوی‌دیگر توانایی فاصله‌گرفتن از خروجی ماشین و پرسیدن این سوال که چه چیزی در این پاسخ دیده نمی‌شود؟

مقاله دوم این بخش با عنوان قضاوت در شرایط شتاب (Judgment Under Tempo) مساله را یک مرحله جلوتر می‌برد. نویسنده استدلال می‌کند که سامانه‌های دیجیتال فقط سرعت تولید اطلاعات را افزایش نمی‌دهند بلکه آنها به‌تدریج تعیین می‌کنند چه نوع رفتار تحلیلی در سازمان بیشتر دیده و پاداش داده می‌شود.

محیط دیجیتال به‌تعبیر مقاله یک زیست‌بوم جدید برای کار اطلاعاتی ایجاد کرده است. سامانه‌ها داده‌ها را از حوزه‌های مختلف ادغام می‌کنند، بخشی از فرآیند ترکیب اطلاعات را خودکار بوده و فاصله میان جمع‌آوری اطلاعات و تصمیم‌گیری را کاهش می‌دهند. نتیجه سازمانی سریع‌تر و متصل‌تر بوده اما همین محیط ممکن است به‌شکل ناخواسته تحلیلگر را به‌سمت سرعت، خوانایی و ارائه فوری سوق دهد درحالی‌که فهم عمیق، بررسی فرضیات و پذیرش عدم قطعیت معمولا زمان بیشتری می‌طلبد.

این نکته از منظر نظری بسیار مهم است. فناوری فقط ابزار انجام کار نیست بلکه محیط انجام کار نیز هست. همانطورکه معماری یک ساختمان می‌تواند رفتار افراد داخل آن را شکل دهد معماری دیجیتال نیز می‌تواند رفتار تحلیلی را تحت تاثیر قرار دهد.

اگر یک سازمان دائما تحلیلگر را براساس سرعت پاسخ‌دهی ارزیابی کند طبیعی است که برخی فعالیت‌ها اهمیت بیشتری پیدا کنند: تولید خلاصه، یکپارچه‌سازی داده، ارائه تصویری روشن و پاسخ سریع. درمقابل کارهایی مانند بازگشت به‌داده خام، بررسی فرضیات، مطالعه عمیق تاریخچه موضوع یا جست‌وجوی توضیحات جایگزین ممکن است به‌دلیل زمان‌بر بودن کمتر دیده شوند.

خطر این فرآیند الزاما یک خطای ناگهانی نیست. مقاله از نوعی لغزش آرام سخن می‌گوید؛ تغییری تدریجی که در آن سرعت و یکپارچه‌سازی به‌هنجار تبدیل می‌شوند و فعالیت‌هایی که نیازمند اصطکاک، تردید یا بررسی مجدد هستند کمتر به‌چشم می‌آیند. در این شرایط سیستم ممکن است روزبه‌روز سریع‌تر شود اما همزمان بخشی از ظرفیت آن برای پرسیدن سوال‌های دشوار را از دست بدهد.

از این منظر مساله اصلی سرعت نیست. مساله این است که سرعت با چه چیزی معامله می‌شود.

اصطکاک گاهی بخشی از کیفیت است

یکی از پیشنهادهای جالب مطرح‌شده در مقاله «Judgment Under Tempo» مفهوم ایجاد اصطکاک عمدی در برخی فرآیندهای تحلیلی است. منظور از اصطکاک کندکردن کل سیستم نیست بلکه ایجاد وقفه‌های محدود و هدفمند برای پرسیدن سوال‌هایی است که در فرآیند سریع تولید تحلیل ممکن است حذف شوند.

برای مثال در متن مقاله یک سناریوی فرضی مطرح می‌شود که در آن مسوول یک تیم متوجه می‌شود تولید تحلیل بیش از پیش بر یکپارچه‌سازی و ارائه متمرکز شده و فرصت بررسی فرضیات کمتر شده است. راه‌حل پیشنهادی ایجاد یک تمرین محدود است که در آن تحلیلگران موظف شوند توضیح دهند یک ارزیابی چگونه ممکن است شکست بخورد. چنین اقدامی سرعت کلی را متوقف نمی‌کند اما لحظه‌ای برای بازنگری ایجاد می‌کند.

این ایده می‌تواند از حوزه اطلاعات فراتر رود. در هر سازمانی که تصمیم‌ها براساس حجم بالایی از داده و در زمان محدود اتخاذ می‌شوند خطر تبدیل سرعت به‌معیار اصلی کیفیت وجود دارد اما در بسیاری از مسائل پیچیده پاسخ سریع لزوما پاسخ خوب نیست و پاسخ دقیق نیز لزوما پاسخ مطمئن نیست بنابراین یکی از مهارت‌های سازمان‌های آینده ممکن است تشخیص زمان مناسب برای سرعت و زمان مناسب برای مکث باشد.

وقتی هوش مصنوعی به‌زیرساخت تبدیل می‌شود

مقاله سوم هوش اطلاعاتی نرم‌افزارمحور (Software-Defined Intelligence) مساله را از زاویه ساختاری‌تری دنبال می‌کند. نویسنده معتقد است تغییرات فناوری به‌ویژه پیشرفت هوش مصنوعی مولد و شکل‌گیری سامانه‌های عامل‌محور صرفا ابزارهای جدیدی به‌سازمان اضافه نمی‌کنند بلکه می‌توانند شیوه طراحی فرآیندهای اطلاعاتی را تغییر دهند.

در این نگاه نرم‌افزار دیگر یک ابزار جانبی نیست که سازمان هرگاه نیاز داشت آن را به‌کار گیرد. نرم‌افزار به‌بخشی از خود فرآیند تبدیل می‌شود. نویسنده از مفهوم هوش اطلاعاتی نرم‌افزارمحور برای توصیف این وضعیت استفاده می‌کند و آن را در ادامه بحث‌های قبلی خود درباره بازاندیشی تحلیل اطلاعات برمبنای اصول توسعه نرم‌افزار قرار می‌دهد.

در این چارچوب اتوماسیون، یکپارچه‌سازی و همکاری انسان و ماشین اهمیت بیشتری پیدا می‌کنند. هدف آزادکردن زمان تحلیلگران برای فعالیت‌هایی است که به‌قضاوت انسانی، تخصص موضوعی و فهم زمینه‌ای نیاز دارند و واگذاری فعالیت‌های تکراری یا قابل مقیاس به‌ماشین‌ها اما ظهور هوش مصنوعی عامل‌محور این تحول را عمیق‌تر می‌کند. تفاوت اصلی این سامانه‌ها با مدل‌های زبانی سنتی در این است که عامل‌ها می‌توانند از تولید متن فراتر رفته و در انجام مجموعه‌ای از وظایف مشارکت کنند. در مقاله این تحول به‌عنوان عاملی برای کاهش موانع تولید نرم‌افزار و خودکارسازی وظایف دیجیتال توصیف شده است.

اگر چنین روندی ادامه پیدا کند تعریف کار اطلاعاتی نیز تغییر خواهد کرد. تحلیلگر آینده ممکن است کمتر وقت خود را صرف جست‌وجو و انتقال داده و بیشتر صرف تعریف مساله، طراحی فرآیند، کنترل کیفیت، تفسیر نتایج و تصمیم درباره نحوه استفاده از خروجی‌های ماشینی کند اما این تحول یک پیش‌شرط دارد: انسان باید همچنان بداند چه چیزی را به‌ماشین واگذار کرده است.

خطر جعبه سیاه فقط فنی نیست

در اینجا بحث تخصص دوباره بازمی‌گردد. اگر سازمانی مجموعه‌ای از عامل‌های هوش مصنوعی را برای جست‌وجو، خلاصه‌سازی، مقایسه، تحلیل و تولید گزارش به‌کار گیرد ممکن است خروجی نهایی بسیار سریع‌تر تولید شود اما اگر زنجیره تولید این خروجی برای کاربر انسانی نامشخص شود مساله‌ای جدید ایجاد می‌شود: چه کسی مسوول فهم فرآیندی بوده که به‌این نتیجه منتهی شده است؟

این پرسش اهمیت ویژه‌ای در تحلیل اطلاعات دارد زیرا یک گزارش تحلیلی صرفا مجموعه‌ای از جملات نیست. پشت هر نتیجه مجموعه‌ای از انتخاب‌ها قرار دارد: کدام داده انتخاب شد؟ کدام داده کنار گذاشته شد؟ چه فرضی به‌عنوان نقطه شروع در نظر گرفته شد؟ چه توضیح جایگزینی بررسی شد؟ عدم قطعیت چگونه منعکس شد و چه زمانی تحلیلگر تصمیم گرفت اطلاعات موجود برای ارائه یک ارزیابی کافی است؟

ماشین می‌تواند در بسیاری از این مراحل کمک کند اما خودکارسازی فرآیند نباید به‌معنای ناپدیدشدن مسوولیت معرفتی باشد.

در این معنا آینده حرفه اطلاعات ممکن است به‌جای انسان دربرابر ماشین بر رابطه‌ای پیچیده‌تر بنا شود: انسان، ماشین، داده و فرآیند.

جالب اینجاست که چهارمین مقاله این بخش استدلال قیاسی در تحلیل اطلاعات (Analogical Reasoning in Intelligence Analysis)، نشان می‌دهد که حتی بدون هوش مصنوعی نیز تحلیلگران با مساله‌ای قدیمی مواجه بودند: ذهن انسان چگونه از گذشته برای فهم حال استفاده می‌کند؟

استدلال قیاسی یکی از ابزارهای دائمی تفکر انسانی است. وقتی با وضعیتی پیچیده مواجه می‌شویم معمولا به‌دنبال نمونه‌ای مشابه در گذشته می‌گردیم. این کار می‌تواند برای کاهش عدم قطعیت و فهم بهتر یک موقعیت مفید باشد اما شباهت همیشه به‌معنای همسانی نیست.

یکی از خطاهای رایج چیزی است که نویسنده سوگیری برجستگی یا vividness bias می‌نامد؛ یعنی وضعیتی که در آن یک نمونه تاریخی به‌دلیل جذابیت، شهرت یا بار عاطفی خود بیش از اندازه بر ذهن تحلیلگر مسلط می‌شود حتی اگر نمونه دیگری برای فهم وضعیت فعلی مناسب‌تر باشد.

این مساله در تحلیل سیاسی و امنیتی اهمیت زیادی دارد. یک بحران جدید ممکن است شباهت‌هایی با یک بحران تاریخی داشته باشد اما اگر تحلیلگر به‌جای بررسی ساختارهای بنیادی صرفا بر شباهت‌های ظاهری تمرکز کند ممکن است گذشته را به‌زور بر حال تحمیل کند.

برای مقابله با این مشکل مقاله پیشنهاد می‌کند عناصر بنیادی وضعیت ابتدا از یکدیگر تفکیک شوند و اطلاعات در دسته‌هایی مانند معلوم، نامشخص و فرض‌شده قرار گیرد. سپس شباهت‌ها و تفاوت‌های میان وضعیت فعلی و نمونه تاریخی بررسی شود.

این روش درواقع یک درس مهم برای عصر هوش مصنوعی نیز دارد: اگر انسان مستعد سوگیری در انتخاب قیاس بوده ماشین نیز ممکن است درمعرض الگوهایی قرار گیرد که از داده‌های گذشته استخراج کرده بنابراین هوش مصنوعی لزوما سوگیری انسانی را حذف نمی‌کند بلکه ممکن است برخی از سوگیری‌ها را درمقیاس بزرگ‌تر بازتولید کند.

مساله واقعی اما این است که چه کسی قاب تحلیل را می‌سازد؟ درنهایت شاید یکی‌از مهم‌ترین مسائل مشترک میان این مقالات مساله قاب‌بندی باشد.

داده به‌خودی خود تحلیل نیست. پیش از اینکه داده به‌تحلیل تبدیل شود باید مشخص شود سوال چیست، چه چیزی مرتبط است، چه چیزی نامرتبط بوده، چه زمانی را بررسی می‌کنیم و چه فرضیاتی را پذیرفتیم. این همان‌جایی است که مفهوم موزاییک نیز اهمیت پیدا می‌کند. اگر داده‌های پراکنده را بدون یک‌پرسش مشخص کنارهم بگذاریم صرفا یک انبار بزرگ‌تر از اطلاعات ساختیم. موزاییک زمانی معنا پیدا می‌کند که قطعات براساس یک مساله مشخص در کنار یکدیگر قرار گیرند.

هوش مصنوعی می‌تواند در پیداکردن ارتباطات میان قطعات کمک کند اما انتخاب اینکه کدام ارتباط واقعا معنادار بوده همچنان مساله‌ای تحلیلی است.

از همین‌رو حتی در آینده‌ای که بخش بزرگی از فرآیند جمع‌آوری و پردازش خودکار شود مهارت‌هایی مانند تعریف مساله، تشخیص شکاف اطلاعاتی، شناخت زمینه تاریخی، تشخیص فرضیات و ارزیابی توضیحات رقیب اهمیت خود را از دست نمی‌دهند.

از اتصال نقاط تا ساختن تصویر

مقاله موزاییک نشان می‌دهد که اتصال اطلاعات باید نهادی نیز باشد. این مقاله بر نقش مراکز تلفیق اطلاعات، همکاری میان نهادهای فدرال و محلی و ارتباط دوطرفه میان سطوح مختلف تاکید می‌کند. اطلاعات نباید صرفا از بالا به‌پایین توزیع شود بلکه دانش محلی نیز باید بتواند در شکل‌دهی به‌نیازهای اطلاعاتی نقش داشته باشد.

این نکته از نظر نظری مهم است زیرا نشان می‌دهد یکپارچگی با مرکزیت یکی نیست. یک نظام اطلاعاتی یکپارچه لزوما نظامی نیست که همه اطلاعات را در یک مرکز جمع کند. ممکن است یک نظام غیرمتمرکز درصورت برخورداری از استانداردهای مناسب برای اشتراک‌گذاری، ارتباط موثرتر و ظرفیت تحلیل مشترک بتواند تصویر کامل‌تری بسازد.

به‌بیان دیگر مساله این نیست که همه قطعات را به‌یک اتاق منتقل کنیم بلکه مساله این است که قطعات بتوانند در زمان مناسب با یکدیگر حرف بزنند.

این موضوع درباره سازمان‌های بزرگ اهمیت مضاعف دارد. هرچه تعداد نهادها، سامانه‌ها و لایه‌های تصمیم‌گیری بیشتر باشد احتمال شکل‌گیری سیلوهای اطلاعاتی نیز بیشتر می‌شود. هر سازمان بخشی از واقعیت را می‌بیند و ممکن است تصور کند همان بخش کل واقعیت است.

هوش مصنوعی می‌تواند به‌کاهش برخی از این فاصله‌ها کمک کند اما اگر داده‌های ورودی پراکنده، ناقص، ناسازگار یا فاقد زمینه باشند هوش مصنوعی نیز صرفا می‌تواند همان پراکندگی را با سرعت بیشتر پردازش کند.

از داده بیشتر به‌ داده مرتبط‌تر

یکی از نتایج مهمی که از کنارهم گذاشتن مقالات این شماره به‌دست می‌آید تغییر معیار ارزش اطلاعات است. در گذشته یکی از مسائل اصلی سازمان‌های اطلاعاتی دسترسی به‌داده بود. امروز دسترسی گسترده به‌داده دیگر به‌تنهایی مزیت محسوب نمی‌شود. ارزش در توانایی تشخیص رابطه‌هاست.

این رابطه ممکن است میان دو رویداد باشد؛ میان دو نهاد، میان یک رفتار و یک الگوی تاریخی، میان یک نشانه کوچک و یک روند بزرگ‌تر یا میان یک داده جدید و فرضیه‌ای که تاکنون مورد توجه قرار نگرفته اما اینجا یک پارادوکس وجود دارد: هرچه ابزارهای اتصال و ترکیب اطلاعات قدرتمندتر شوند ضرورت قضاوت انسانی ممکن است بیشتر شود زیرا وقتی ماشین می‌تواند‌ هزاران رابطه احتمالی را پیدا کند مساله دیگر یافتن رابطه نیست بلکه تعیین اهمیت آن رابطه است.

به‌همین‌دلیل آینده تحلیل اطلاعات شاید بیش از آنکه به‌هوش مصنوعی وابسته باشد به‌هوش ترکیبی وابسته شود یعنی ترکیب توانایی ماشین در پردازش مقیاس‌پذیر با توانایی انسان در زمینه‌گذاری، پرسش‌سازی، تشخیص تناقض و قضاوت درباره اهمیت.

تهدید اصلی شاید اعتماد بیش‌ازحد باشد

درچنین‌محیطی یک خطر مهم اعتماد بیش از حد به‌خروجی سیستم است. وقتی یک پاسخ سریع، مرتب و قانع‌کننده تولید می‌شود وسوسه پذیرفتن آن بیشتر است اما شکل ظاهری یک تحلیل تضمینی برای صحت آن نیست.

این همان‌نقطه‌ای است که مفهوم تریدکرافت اهمیت خود را نشان می‌دهد. تریدکرافت صرفا مجموعه‌ای از روش‌های فنی نیست بلکه مجموعه‌ای از عادت‌های حرفه‌ای برای فکر کردن تحت شرایط عدم قطعیت است.

تحلیلگر باید بتواند میان اطمینان و اطمینان‌پذیری تفاوت بگذارد. یک خروجی ممکن است بسیار مطمئن به‌نظر برسد اما پایه شواهدی ضعیفی داشته باشد. برعکس یک تحلیل محتاطانه که سطحی از عدم قطعیت را آشکار می‌کند ممکن است از نظر حرفه‌ای ارزش بیشتری داشته باشد.

مقاله «Judgment Under Tempo» دقیقا به‌همین فشار اشاره می‌کند: محیط دیجیتال می‌تواند خروجی‌هایی را که سریع، واضح و قابل ارائه هستند بیشتر برجسته کند درحالی‌که فهم عمیق و بررسی مجدد فرضیات معمولا کمتر قابل مشاهده است.

یک سازمان اطلاعاتی آینده چه شکلی خواهد داشت؟ اگر چهار مقاله بخش هوش مصنوعی را کنار مقاله موزاییک اطلاعاتی بگذاریم می‌توان تصویری از سازمان اطلاعاتی آینده ترسیم کرد آن‌هم نه به‌عنوان پیش‌بینی قطعی بلکه به‌عنوان یک‌مساله برای اندیشیدن.

درچنین‌سازمانی اطلاعات از منابع متعدد وارد می‌شود. سامانه‌های نرم‌افزاری آن را سازمان‌دهی و با داده‌های دیگر تطبیق می‌دهند. عامل‌های هوش مصنوعی بخشی از جست‌وجو، پردازش و تولید محصول اولیه را انجام می‌دهند. تحلیلگران انسانی به‌جای صرف زمان طولانی برای عملیات تکراری بیشتر روی تعریف پرسش، بررسی فرضیات، ارزیابی کیفیت خروجی و تفسیر زمینه‌ای تمرکز می‌کنند اما برای جلوگیری از فرسایش تخصص بخشی از آموزش تحلیلگران همچنان باید بر مواجهه مستقیم با داده و مساله واقعی استوار باشد. اگر نسل جدید تحلیلگران فقط یاد بگیرد با ماشین حرف بزند اما موضوع مورد تحلیل را عمیقا نشناسد سازمان ممکن است در ظاهر بسیار هوشمندتر شود و در باطن آسیب‌پذیرتر.

درچنین‌محیطی مهارت جدیدی نیز اهمیت پیدا می‌کند: دانستن اینکه چه چیزی را نباید واگذار کرد. این مهارت شاید از خود توانایی کار با هوش مصنوعی مهم‌تر باشد.

یکی‌از سوءبرداشت‌های رایج درباره هوش مصنوعی این است که آینده را درقالب جایگزینی انسان با ماشین تصور کنیم اما مقالات این شماره تصویر پیچیده‌تری ارائه می‌دهند. حتی مقاله‌ای که از هوش اطلاعاتی نرم‌افزارمحور دفاع می‌کند بر همکاری انسان و ماشین تاکید دارد درحالی‌که مقاله مربوط به‌تخصص هشدار می‌دهد که واگذاری بیش از حد کارهای فکری می‌تواند در بلندمدت توانایی انسان برای ارزیابی خروجی ماشین را تضعیف کند بنابراین مساله اصلی ماشین یا انسان نیست بلکه مساله طراحی رابطه میان آنهاست.

ماشین درمقیاس سرعت و پردازش انبوه مزیت دارد. انسان در تعریف مساله، درک زمینه، شناخت ظرافت‌های اجتماعی و تاریخی، تشخیص ابهام و مسوولیت‌پذیری قضاوتی نقش متفاوتی دارد. البته مرز این تقسیم کار ثابت نیست و با پیشرفت فناوری تغییر خواهد کرد اما یک اصل می‌تواند پایدار بماند: مسوولیت تحلیل را نمی‌توان صرفا با تولید پاسخ به‌ماشین منتقل کرد.

موزاییک بدون تحلیلگر کامل نمی‌شود

درنهایت استعاره موزاییک را می‌توان یک گام جلوتر برد. اگر هر داده یک قطعه موزاییک باشد سازمان اطلاعاتی وظیفه دارد قطعات را پیدا و به‌هم نزدیک کند. فناوری می‌تواند در تشخیص شباهت‌ها و ارتباط‌ها کمک کند اما کسی باید تصمیم بگیرد که تصویر حاصل از این قطعات واقعا چیست.

حتی ممکن است چند تصویر متفاوت از یک مجموعه داده ساخته شود. یک قطعه می‌تواند در یک‌روایت معنایی خاص داشته باشد و در روایتی دیگر معنای متفاوتی پیدا کند بنابراین تحلیل نه فقط اتصال داده‌ها بلکه انتخاب میان تفسیرهای ممکن است.

این همان‌جایی است که استدلال قیاسی نیز وارد می‌شود. تحلیلگر از گذشته برای فهم حال استفاده می‌کند اما باید مراقب باشد که شباهت‌های ظاهری او را فریب ندهند. مقاله مربوط به‌استدلال قیاسی دقیقا به‌همین مساله اشاره دارد و روش‌هایی برای جداکردن عناصر معلوم نامعلوم و فرض‌شده و سپس مقایسه ساختاری سناریوها پیشنهاد می‌کند.

درواقع مجموعه مقالات این شماره یک پیام مشترک دارند: کیفیت تحلیل نه از مقدار داده نه از سرعت پردازش و نه حتی از قدرت ابزار به‌تنهایی حاصل می‌شود. کیفیت زمانی ایجاد می‌شود که داده، ابزار، تخصص، زمینه و قضاوت در یک فرآیند منضبط کنار یکدیگر قرار گیرند.

مساله ایران نیز می‌تواند از همین زاویه فهم شود

بدون آنکه بتوان تجربه نهادی آمریکا را مستقیما به‌شرایط کشورهای دیگر تعمیم داد ایده اصلی این مجموعه مقالات برای هر نظام پیچیده‌ای قابل تأمل است: تهدید یا مساله مهم ممکن است در یک دستگاه یک گزارش یا یک سامانه منفرد قابل مشاهده نباشد.

ممکن است یک دستگاه اقتصادی نشانه‌ای را ببیند که برای یک نهاد امنیتی بی‌اهمیت است، یک نهاد محلی اطلاعاتی داشته باشد که در سطح ملی دیده نمی‌شود، یک سازمان فناوری با الگویی مواجه شود که برای دستگاه دیگری معنا پیدا نمی‌کند و یک پژوهشگر یا تحلیلگر بتواند رابطه میان این داده‌ها را کشف کند.

در چنین شرایطی مشکل فقط کمبود داده نیست. مشکل فقدان زبان مشترک، استاندارد مشترک، دسترسی مناسب، اعتماد نهادی و مهم‌تر از همه ظرفیت تحلیل مشترک است.

از این زاویه فناوری می‌تواند بخشی از راه‌حل باشد اما فناوری به‌تنهایی مساله را حل نمی‌کند. اگر سازمان‌ها تمایلی به‌اشتراک‌گذاری نداشته باشند، اگر داده‌ها استاندارد نباشند، اگر مسوولیت‌ها مبهم باشند و اگر تحلیلگران به‌دلیل فشار زمانی فرصت بررسی نداشته باشند پیشرفته‌ترین سامانه هوش مصنوعی نیز الزاما تصویر دقیق‌تری تولید نخواهد کرد.

درحقیقت ممکن است مشکل قدیمی تنها به‌شکل جدیدی بازتولید شود: به‌جای سیلوهای سنتی اطلاعات سیلوهای دیجیتال ایجاد شوند.

پرسش نهایی؛ چه‌کسی تصویر را می‌بیند؟

شماره سپتامبر۲۰۲۶ Studies in Intelligence را می‌توان درنهایت حول یک پرسش ساده اما عمیق خواند: وقتی اطلاعات در‌هزاران قطعه پراکنده شده و ماشین‌ها قادرند میلیون‌ها رابطه میان این قطعات را در زمان کوتاه پیدا کنند چه کسی مسوول دیدن تصویر نهایی است؟

موزاییک اطلاعاتی به‌اتصال قطعات نیاز دارد. هوش مصنوعی می‌تواند بخشی از این اتصال را تسریع کند. نرم‌افزار می‌تواند فرآیند را مقیاس‌پذیر کند. سامانه‌های دیجیتال می‌توانند همکاری را افزایش دهند اما قضاوت حرفه‌ای همچنان به‌توانایی تشخیص اهمیت، شناخت محدودیت‌ها، ارزیابی شواهد و مقاومت دربرابر میان‌بُرهای ذهنی نیاز دارد.

حتی استدلال قیاسی که یکی از قدیمی‌ترین ابزارهای ذهن انسان بوده در عصر داده‌های بزرگ همچنان مساله‌ساز است زیرا هرچه داده بیشتر شود تعداد قیاس‌ها و روایت‌های ممکن نیز بیشتر می‌شود. درچنین‌شرایطی تحلیلگر باید نه فقط پاسخ پیدا کند بلکه بداند چرا یک پاسخ را بر پاسخ دیگر ترجیح داده است. این شاید مهم‌ترین تفاوت میان پردازش اطلاعات و تحلیل اطلاعات باشد.

ماشین می‌تواند اطلاعات را سریع‌تر پردازش کند اما تحلیل زمانی شکل می‌گیرد که کسی درباره معنای آن پردازش، کیفیت شواهد، فرضیات پشت آن و پیامدهای احتمالی آن قضاوت کند.

از همین‌رو آینده حرفه اطلاعات را نمی‌توان صرفا با تعداد مدل‌های هوش مصنوعی، حجم داده‌های قابل پردازش یا سرعت تولید گزارش سنجید. معیار عمیق‌تر این است که آیا یک نظام اطلاعاتی می‌تواند از داده‌های پراکنده، شناخت معتبر تولید کند، آیا می‌تواند قطعاتی را که درظاهر بی‌ارتباطند به‌شکلی قانونی و مسوولانه کنارهم قرار دهد، آیا می‌تواند میان سرعت و عمق تعادل برقرار کند و آیا انسان‌های درون آن نظام هنوز آن‌قدر به‌موضوع خود نزدیک هستند که بتوانند خروجی ماشین را نقد کنند.

درنهایت موزاییک فقط استعاره‌ای درباره اطلاعات نیست بلکه استعاره‌ای درباره شناخت است. هیچ قطعه‌ای به‌تنهایی تصویر نیست اما کنارهم گذاشتن قطعات نیز به‌خودی خود تصویر نمی‌سازد. برای دیدن تصویر هم قطعات لازمند، هم معماری اتصال آنها، هم ابزار مناسب و هم چشمی که بتواند میان انبوه قطعات الگوی معنادار را تشخیص دهد.

شاید چالش اصلی عصر هوش مصنوعی نیز دقیقا همین باشد: ماشین‌ها هر روز در پیداکردن قطعات، مرتب‌کردن آنها و حتی پیشنهاد دادن الگوها توانمندتر می‌شوند اما ارزش تحلیل انسانی در آینده بیش از گذشته به‌این وابسته خواهد بود که بتواند درباره خودِ الگوها سوال کند.

در این معنا آینده اطلاعات نه پایان تحلیل انسانی، بلکه آزمونی برای آن است. سازمان‌هایی که بتوانند میان داده و فهم، میان سرعت و دقت، میان اتوماسیون و تخصص و میان اتصال اطلاعات و حفاظت از حریم خصوصی تعادل ایجاد کنند با مساله اصلی قرن جدید روبه‌رو شدند: چگونه درجهانی که تقریبا همه‌چیز قابل ثبت، پردازش و ترکیب است همچنان می‌توان دانستن را از فقط داشتن اطلاعات متمایز کرد و شاید پاسخ همین باشد: اطلاعات زمانی ارزش پیدا می‌کند که قطعات آن به‌یکدیگر متصل شوند اما شناخت زمانی شکل می‌گیرد که انسانی یا نهادی مسوولیت فهمیدن معنای این اتصال را برعهده بگیرد.