وبلاگ رسانگار
با ما حرفه ای باشید

سرور مجازی NVMe

یک رویکرد داده محور برای انتخاب بهتر

0 2
زمان لازم برای مطالعه: 4 دقیقه


دنیایی را تصور کنید که در آن برخی از تصمیمات مهم – توصیه حکم قاضی، پروتکل درمان کودک، اینکه کدام شخص یا کسب و کار باید وام دریافت کند – قابل اعتمادتر شده است زیرا یک الگوریتم خوب طراحی شده به تصمیم گیرنده کلیدی کمک می کند تا به انتخاب بهتری دست یابد. یک دوره جدید اقتصاد MIT در حال بررسی این احتمالات جالب است.

کلاس 14.163 (الگوریتم ها و علوم رفتاری) یک دوره جدید بین رشته ای متمرکز است روی اقتصاد رفتاری که به مطالعه ظرفیت ها و محدودیت های شناختی انسان می پردازد. این دوره در بهار گذشته توسط استادیار اقتصاد اشش رامباچان و استاد مدعو سندهیل ملایناتان تدریس شد.

رامباچان کاربردهای اقتصادی یادگیری ماشین را مطالعه می کند و تمرکز می کند روی ابزارهای الگوریتمی که تصمیم گیری را در سیستم عدالت کیفری و بازارهای وام مصرف کننده هدایت می کنند. او همچنین روش هایی را برای تعیین علیت با استفاده از داده های مقطعی و پویا توسعه می دهد.

مولیناتان به زودی به عنوان استاد به بخش های مهندسی برق و علوم کامپیوتر و اقتصاد MIT می پیوندد. تحقیقات او از یادگیری ماشینی برای درک مشکلات پیچیده در رفتار انسانی، سیاست اجتماعی و پزشکی استفاده می کند. ملایناتان در سال 2003 آزمایشگاه اقدام فقر عبداللطیف جمیل (J-PAL) را تأسیس کرد.

اهداف دوره جدید هم علمی (درک افراد) و هم سیاست محور (بهبود جامعه از طریق بهبود تصمیمات) است. رامباچان معتقد است که الگوریتم‌های یادگیری ماشینی ابزارهای جدیدی را برای اهداف علمی و کاربردی اقتصاد رفتاری فراهم می‌کنند.

رامباچان می گوید: «این دوره به بررسی استقرار علوم رایانه، هوش مصنوعی (AI)، اقتصاد و یادگیری ماشینی در خدمت نتایج بهبود یافته و کاهش موارد سوگیری در تصمیم گیری می پردازد.

رامباچان معتقد است، فرصت‌هایی برای ابزارهای دیجیتالی در حال تکامل دائمی مانند هوش مصنوعی، یادگیری ماشینی، و مدل‌های زبان بزرگ (LLM) وجود دارد تا به تغییر شکل همه چیز، از شیوه‌های تبعیض‌آمیز در مجازات‌های جنایی گرفته تا نتایج مراقبت‌های بهداشتی در میان جمعیت‌های محروم کمک کند.

دانش‌آموزان یاد می‌گیرند که چگونه از ابزارهای یادگیری ماشینی با سه هدف اصلی استفاده کنند: درک آنچه انجام می‌دهند و چگونه آن را انجام می‌دهند، رسمی کردن بینش‌های اقتصاد رفتاری به طوری که آنها به خوبی در ابزارهای یادگیری ماشین ترکیب شوند، و درک زمینه‌ها و موضوعاتی که در آن ادغام اقتصاد رفتاری است. و ابزارهای الگوریتمی ممکن است پربارتر باشند.

دانش‌آموزان همچنین ایده‌هایی تولید می‌کنند، تحقیقات مرتبط را توسعه می‌دهند و تصویر بزرگ‌تر را می‌بینند. آنها هدایت می شوند تا بفهمند که یک بینش کجاست و ببینند که دستور کار تحقیقاتی گسترده تر به کجا منجر می شود. شرکت کنندگان می توانند به طور انتقادی در مورد آنچه که LLM های نظارت شده می توانند (و نمی توانند) انجام دهند فکر کنند، تا بفهمند که چگونه می توان آن ظرفیت ها را با مدل ها و بینش های اقتصاد رفتاری ادغام کرد، و ثمربخش ترین زمینه ها را برای کاربرد آنچه تحقیقات آشکار می کند را تشخیص داد.

پیشنهاد می‌کنیم بخوانید:  روشی هوشمندانه برای ساده کردن کشف دارو

خطرات سوبژکتیویته و سوگیری

به گفته رامباچان، اقتصاد رفتاری تصدیق می کند که سوگیری ها و اشتباهات در سراسر انتخاب های ما وجود دارد، حتی الگوریتم های غایب. او ادامه می‌دهد: «داده‌هایی که الگوریتم‌های ما استفاده می‌کنند خارج از علم کامپیوتر و یادگیری ماشین هستند و در عوض اغلب توسط مردم تولید می‌شوند.» بنابراین درک اقتصاد رفتاری برای درک تأثیرات الگوریتم‌ها و چگونگی ساخت بهتر آنها ضروری است.»

رامباچان به دنبال این بود که دوره را بدون توجه به سوابق علمی شرکت کنندگان در دسترس قرار دهد. این کلاس شامل دانشجویانی از رشته های مختلف بود.

رامباچان امیدوار است با ارائه رویکردی میان رشته‌ای و مبتنی بر داده برای بررسی و کشف راه‌هایی که الگوریتم‌ها می‌توانند حل مسئله و تصمیم‌گیری را بهبود بخشند، به دانش‌آموزان بپردازد. روی که برای بازطراحی سیستم های موجود فقه، مراقبت های بهداشتی، وام دهی مصرف کننده، و صنعت، به نام چند حوزه.

رامباچان می گوید: «درک روش تولید داده ها می تواند به ما در درک سوگیری کمک کند. ما می‌توانیم در مورد ایجاد یک نتیجه بهتر از آنچه در حال حاضر وجود دارد سؤالاتی بپرسیم.»

ابزارهای مفید برای تجسم مجدد عملیات اجتماعی

جیمی لین، دانشجوی دکترای اقتصاد، در مورد ادعاهایی که رامباچان و مولیناتان هنگام شروع کلاس مطرح کردند، تردید داشت، اما با ادامه دوره نظرش تغییر کرد.

لین می‌گوید: «اشش و سندیل با دو ادعای تحریک‌آمیز شروع کردند: آینده تحقیقات علوم رفتاری بدون هوش مصنوعی وجود نخواهد داشت، و آینده تحقیقات هوش مصنوعی بدون علم رفتاری وجود نخواهد داشت. “در طول ترم، آنها درک من را از هر دو زمینه عمیق تر کردند و ما را از طریق مثال های متعددی راهنمایی کردند که چگونه علم اقتصاد به تحقیقات هوش مصنوعی کمک می کند و بالعکس.”

لین، که قبلاً در زمینه زیست شناسی محاسباتی تحقیق کرده بود، تأکید مربیان را تحسین کرد. روی اهمیت «ذهنیت تولیدکننده» که به‌جای دهه قبل، به دهه آینده پژوهش فکر می‌کند. این امر به‌ویژه در حوزه‌ای میان رشته‌ای و سریع مانند تلاقی هوش مصنوعی و اقتصاد مهم است – ادبیات قدیمی قدیمی وجود ندارد، بنابراین مجبور هستید سؤالات جدیدی بپرسید، روش‌های جدید ابداع کنید و پل‌های جدیدی ایجاد کنید.» او می گوید.

پیشنهاد می‌کنیم بخوانید:  استفاده از ایده های نظریه بازی ها برای بهبود قابلیت اطمینان مدل های زبان

سرعت تغییری که لین به آن اشاره می‌کند برای او نیز جذاب است. لین می‌گوید: «ما می‌بینیم که روش‌های هوش مصنوعی جعبه سیاه پیشرفت‌ها را در ریاضیات، زیست‌شناسی، فیزیک و سایر رشته‌های علمی تسهیل می‌کنند. هوش مصنوعی می‌تواند روشی را که ما به‌عنوان محقق به کشف فکری می‌کنیم تغییر دهد.»

آینده ای میان رشته ای برای اقتصاد و سیستم های اجتماعی

مطالعه ابزارهای اقتصادی سنتی و افزایش ارزش آنها با هوش مصنوعی ممکن است تغییراتی را ایجاد کند که چگونه موسسات و سازمان‌ها آموزش می‌دهند و رهبران را برای انتخاب قدرت می‌دهند.

رامباچان می گوید: “ما در حال یادگیری ردیابی تغییرات، تنظیم چارچوب ها و درک بهتر روش استقرار ابزارها در خدمت یک زبان مشترک هستیم.” ما باید به طور مستمر از تقاطع قضاوت انسان، الگوریتم ها، هوش مصنوعی، یادگیری ماشینی و LLM ها بازجویی کنیم.

لین با اشتیاق این دوره را بدون توجه به پیشینه دانش‌آموزان توصیه کرد. او می‌گوید: «هر کسی که به طور گسترده به الگوریتم‌ها در جامعه، کاربردهای هوش مصنوعی در رشته‌های دانشگاهی یا هوش مصنوعی به عنوان الگوی اکتشافات علمی علاقه دارد، باید این کلاس را بگذراند. “هر سخنرانی مانند معدن طلایی از دیدگاه ها بود روی تحقیق، زمینه های کاربردی جدید و الهام روی چگونه ایده های جدید و هیجان انگیز تولید کنیم.»

رامباچان می‌گوید این دوره استدلال می‌کند که الگوریتم‌های بهتر ساخته شده می‌توانند تصمیم‌گیری را در بین رشته‌ها بهبود بخشند. او می‌گوید: «با ایجاد ارتباط بین اقتصاد، علوم رایانه و یادگیری ماشین، شاید بتوانیم بهترین انتخاب‌های انسانی را برای بهبود نتایج و در عین حال به حداقل رساندن یا حذف بدترین‌ها، خودکار کنیم.»

لین در مورد احتمالات هنوز کشف نشده این دوره هیجان زده است. او می گوید: «این کلاسی است که شما را در مورد آینده پژوهش و نقش خودتان در آن هیجان زده می کند.


منبع: https://news.mit.edu/1403/data-driven-approach-making-better-choices-0606

برای نگارش بخشهایی از این متن ممکن است از ترجمه ماشینی یا هوش مصنوعی GPT استفاده شده باشد
لطفا در صورت وجود مشکل در متن یا مفهوم نبودن توضیحات، از طریق دکمه گزارش نوشتار یا درج نظر روی این مطلب ما را از جزییات مشکل مشاهده شده مطلع کنید تا به آن رسیدگی کنیم

زمان انتشار: 1403-06-07 13:21:17

امتیاز شما به این مطلب
دیدگاه شما در خصوص مطلب چیست ؟

آدرس ایمیل شما منتشر نخواهد شد.

لطفا دیدگاه خود را با احترام به دیدگاه های دیگران و با توجه به محتوای مطلب درج کنید