The Hardness of Achieving Impact in AI for Social Impact Research: A Ground-Level View of Challenges & Opportunities
بالاستناد إلى مقابلات مع ٢٦ باحثاً وتجارب المؤلفين المعيشية، تحدد هذه الورقة التحديات الهيكلية والتنظيمية والتشغيلية التي تعيق انتقال مشاريع الذكاء الاصطناع لأجل التأثير الاجتماعي من مرحلة إثبات المفهوم إلى النشر في العالم الحقيقي، مع تقديم استراتيجيات عملية وأفضل الممارسات لتوجيه التعاون المستقبلي.
البحث الأصلي مرخَّص بموجب CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). هذا شرح مولَّده بالذكاء الاصطناعي للبحث أدناه. لم يكتبه المؤلفون ولم يصادقوا عليه. وللتحقق من الدقة التقنية، يرجى الرجوع إلى البحث الأصلي. اقرأ إخلاء المسؤولية الكامل
تخيل مجموعة من المهندسين العباقرة (باحثي الذكاء الاصطالي) الذين يرغبون في بناء جسر ينقذ الأرواح لمساعدة قرية نائية على عبور نهر خطير. لديهم المخططات، والرياضيات، والمواد عالية التقنية. ولكن عندما يحاولون بناء الجسر فعلياً ويحاولون جعل القرويين يستخدمونه، غالباً ما تتعثر المشاريع. يظل الجسر نصف مكتمل، أو لا يظهر القرويون أبداً لعبوره.
هذه الورقة البحثية، بعنوان "صعوبة تحقيق الأثر في أبحاث الذكاء الاصطناعي من أجل الأثر الاجتماعي،" هي تقرير من المهندسين أنفسهم. لقد أجروا مقابلات مع 26 شخصاً حاولوا بناء هذه "الجسور" (حلول الذكاء الاصطناعي من أجل الخير الاجتماعي) وسألوهم: "لماذا تتوقف الكثير من هذه المشاريع عند مرحلة المخططات ولا تصبح أبداً جسوراً حقيقية عاملة؟"
إليك قصة نتائجهم، مقسمة إلى تشبيهات بسيطة.
1. فخ "انشر أو اندثر" (مشكلة الحوافز الأكاديمية)
التشبيه: تخيل مدرسة حيث يُكافأ المعلمون فقط على كتابة أكثر المقالات القصيرة والفاخرة، وليس على تعليم طالب كيفية القراءة فعلياً.
الواقع: في عالم أبحاث الذكاء الاصطناعي، يتم تقييم الأساتذة والطلاب بناءً على عدد الأوراق البحثية التي ينشرونها في المؤتمرات الكبرى. إن بناء حل ذكاء اصطناعي حقيقي يساعد منظمة غير ربحية أو مستشفى يستغرق سنوات من الهندسة الفوضوية، والاختبار الميداني، وإصلاح الأخطاء البرمجية. وهذا نادراً ما ينتج عنه ورقة رياضية "مثيرة" وجديدة.
النتيجة: يشعر الباحثون بالضغط لاختيار "الثمار الدانية" — المشاريع التي يسهل الكتابة عنها ولكن يصعب تنفيذها فعلياً. وغالباً ما يخفون عملهم الواقعي داخل ورقة بحثية فقط من أجل نشرها، بدلاً من التركيز على جعل الأداة تعمل من أجل الناس الذين يحتاجونها.
2. مشكلة "الوظيفة الشبحية" (حوافز المنظمات الشريكة)
التشبيه: تخيل متطوعاً في بنك طعام يُطلب منه تعلم استخدام روبوت معقد لفرز العلب. هذا المتطوع يعمل بالفعل 12 ساعة في اليوم، وليس لديه ميزانية للتدريب، ولا يتقاضى أجراً إضافياً لتعلم استخدام الروبوت.
الواقع: المنظمات (غير الربحية، المستشفيات، الحكومات) التي يريد الباحثون مساعدتها تعاني غالباً من نقص التمويل ونقص الموظفين.
- لا وقت ولا مال: الأشخاص الميدانيون ليس لديهم وقت لتعلم تقنيات جديدة. هذا ليس ضمن وصفهم الوظيفي.
- الأولويات الخاطئة: أحياناً، يحب "المدير" في المنظمة فكرة الذكاء الاصطناعي، لكن الأشخاص الذين يقومون بالعمل الفعلي (مثل حراس المتنزهات أو الممرضات) يقولون: "نحن لا نحتاج إلى روبوت؛ نحن بحاجة إلى أحذية أفضل أو المزيد من السلاح". إذا كان الأشخاص الذين يستخدمون الأداة لا يريدونها، فإن المشروع يموت.
3. "حاجز اللغة" (فجوات التواصل)
التشبيه: يحاول فيزيائي شرح ميكانيكا الكم لمزارع باستخدام كلمات مثل "التراكب" و"التشابك" فقط. يهز المزارع رأسه بأدب لكنه لا يملك أدنى فكرة عما يقال.
الواقع: باحثو الذكاء الاصطناعي يتحدثون لغة "علوم الحاسوب"، بينما يتحدث الأشخاص الذين يريدون مساعدتهم لغة "العمل الاجتماعي" أو "الطب" أو "السياسة".
- سوء الفهم: يعتقد الباحثون غالباً أنهم يحلون مشكلة لا يعاني منها المجتمع في الواقع.
- حل "البطل": المشاريع الناجحة عادة ما يكون لها "مترجم" أو "بطل" من جانب الشريك — شخص يفهم كلاً من التقنية واحتياجات المجتمع. بدون هذا الشخص، يعلق المشروع في الترجمة.
4. "الهدف المتحرك" (الفوضى التشغيلية)
التشبيه: تخيل بناء منزل، ولكن في كل مرة تضع فيها طوبة، تتغير شكل الأرض بسبب الرياح، وتنتقل العائلة من وإلى المنزل، وتغير المدينة قوانين البناء.
الواقع: العالم الحقيقي فوضوي ويتغير بسرعة.
- دوران الموظفين: تعتمد المنظمات غير الربحية غالباً على المتطوعين. الشخص الذي دربتَه على البرنامج يستقيل أو ينتقل، ويضطر المتطوع الجديد للبدء بالتدريب من الصقة.
- تغير الأولويات: قد يهتم مستشفى فجأة بمرض جديد، أو قد تغير الحكومة قوانينها. تصبح أداة الذكاء الاصطناعي التي بُنيت للوضع القديم عديمة الفائدة بين عشية وضحاها.
- فوضى البيانات: يفترض الباحثون غالباً أن البيانات جاهزة للاستخدام. في الواقع، يقضون شهوراً فقط في محاولة الحصول على البيانات، أو تنظيفها، أو إقناع المنظمة بمشاركتها لأنها حساسة.
5. مشكلة "المرة الواحدة" (التمويل والصيانة)
التشبيه: تقوم جمعية خيرية ببناء مضخة مياه جميلة لقرية، لكن المنحة المالية تغطي فقط بناء المضخة. لا يوجد أحد يملك المال لإصلاحها عندما تتعطل بعد ستة أشهر.
الواقع:
- أموال قصيرة الأجل: معظم المنح مخصصة لـ "إثبات المفهوم" (بناء النموذج الأولي). وهي نادراً ما تدفع لتكاليف السنوات من الصيانة، أو تكاليف الخوادم، أو تحديثات البرامج اللازمة لإبقاء الأداة تعمل.
- عنق زجاجة "الطلاب": غالباً ما يكون الأشخاص الوحيدون الذين يقومون بصيانة الكود هم طلاب الدكتوراه. وعندما يتخرجون ويرحلون، يتم هجر الكود لأن الجامعة لا تملك فريقاً مخصصاً لهندسة البرمجيات طويلة الأمد.
الخلاصة: كيف نبني جسوراً أفضل
الورقة لا تقول "توقفوا عن بناء الجسور". بل تقول: "إليكم كيف تمنعون هذه الجسور من الانهيار".
- ابدأ صغيراً وبسرعة: لا تحاول بناء نظام ذكاء اصطناعي ضخم فوراً. قدم للشريك أداة صغيرة ومفيدة الآن (مثل رسم بياني بسيط للبيانات) لبناء الثقة.
- ابحث عن "البطل": ابحث عن شريك متحمس ويمتلك القدرة على قول "نعم" لاستخدام الأداة.
- خطط للمدى الطويل: قبل أن تبدأ، حدد من سيتكفل بتكاليف الصيانة ومن سيحافظ على تشغيل البرنامج بعد تخرج الطلاب.
- غيّر القواعد: يجب على الجامعات أن تبدأ في تقدير "الأثر في العالم الحقيقي" و"البرمجيات المنشورة فعلياً" بقدر تقديرها لـ "الأوراق الرياضية الجديدة".
باختصار: التكنولوجيا ليست هي الجزء الصعب. الجزء الصعب هو التنقل في العالم البشري والبيروقراطي الفوضوي حيث من المفترض أن تعيش هذه التكنولوجيا. إذا تجاهلت الجانب الإنساني، فلن يغادر الذكاء الاصطنا- أبداً المختبر.
غارق في أبحاث مجالك؟
تصلك نشرة يومية بأحدث الأبحاث المطابقة لكلماتك البحثية المفتاحية — مع ملخصات تقنية، بلغتك.