انقلاب در «سیاستگذاری» با «هوش مصنوعی»

به گزارش خبرنگار اقتصاد معاصر؛ ابعاد متنوعی از دانش‌های نوین، ازجمله مدیریت استراتژیک دانش، علوم شناختی، هوش مصنوعی و از این قبیل موارد - و زیرمجموعه‌ها یا دانش‌ها یا روش‌های تکاملی آنها مانند سیستم‌های خبره، ایشی‌کاوا، گراندد تئوری، دلفی، تاکسونومی، فراترکیب (متاسنتز)، الگوریتم‌های یادگیری عمیق ماشین، شبکه عصبی، پردازش زبان طبیعی، منطق فازی، داده‌کاوی، کلان‌داده و مانند آنها - نه‌تنها می‌تواند سیاستگذاری عمومی یا سازمانی را ارتقا دهد، بلکه می‌تواند در کارآمد کردن سیاستگذاری نقش تحولی و انقلاب‌کننده داشته باشد؛ چنان‌که حتی عقب‌ماندگی دویست ساله ساختار بروکراتیک کشور را در اندک‌زمانی جبران کند. 

بیایید از اینجا شروع کنیم: شاید متعدد و مکرر، با سازمان یا نهاد یا دستگاهی برخورد کرده باشید که فرآیند‌ها و کارکرد‌ها و خدمات و گردش‌کار و در یک کلام وظایف خود را به‌درستی نمی‌شناسد و برای انجام آنها به‌درستی نقش ایفا نمی‌کند. برای مثال ضعف در نگهداری یک اتوبان، خشکسالی تالاب‌های حیاتی یک استان، ناترازی و قطع مکرر برق، استفاده چندبرابری ثروتمندان از یارانه، کمبود پایه‌های مفید مالیاتی در مالیات بر درآمد اشخاص (PIT) یا مالیات بر عایدی سرمایه (CGT) یا مالیات بر معاملات مکرر و سوداگری، ترافیک جاده‌ای، تداخل قوانین مصوب کشور، عدم کارآیی برنامه‌های توسعه پنجساله که به بیان مسئولان بیش از ۳۰ درصد محقق نشده است، کشت اضافه یا کم سیب‌زمینی و پیاز و گوجه فرنگی، انفجار معادن، بی‌عدالتی درباره سطوح مختلف جامعه در بهره‌مندی از آموزش عالی، جمعیت رو به پیری، تعداد کنترل‌نشده اتباع افغانستانی بدون هویت در ایران و بسیاری موارد دیگر اینچنین را درنظر بگیرید؛ این عوارض همگی – لااقل در اغلب اوقات - ناشی از ضعف سیاستگذاری است.

پیشتر هم تأکید شد، روزگار «مدیریت سنتی» به سر آمده و در عصر فناوری‌ها و علوم شناختی، شاخص قرارگیری یک حکمران یا مدیر یا سیاستگذار در دوگانه «باسواد یا بی‌سواد» خلاصه شده در توان احصا و تسلط بر منطق و توانمندیِ به‌کارگیری ابزار‌هایی که تمامی علوم و اطلاعات و داده‌های ممکن و در دسترس را برای خلق بهینه یک «تصمیم» یا «سیاستگذاری» ممکن می‌کند.

دلیل این موضوع بسیار روشن است: برای هر تصمیم، ممکن است میلیارد‌ها صفحه – و بیشتر – اطلاعات در سراسر جهان وجود داشته باشد (مانند اطلاعات کتابخانه‌ای)، یا اطلاعات قابل تولید باشد (مانند داده‌های اقلیمی)، که این اطلاعات در فرآیند «تصمیم یا سیاستگذاری بهینه» اثرگذار باشد. بطور طبیعی، تجزیه‌وتحلیل و استفاده از کل این داده‌های بزرگ، از هیچ جمع انسانی ساخته نیست؛ در دنیای امروز این وظیفه به‌سادگی و با منطق‌های شناخته‌شده «مدیریت دانش» و برخی علوم مانند «ریاضیات» و «علوم رایانه» به «هوش مصنوعی» سپرده می‌شود. علوم شناختی در واقع منطق‌های تکاملی است که به رایانه کمک می‌کند که مولفه‌های انسانی مانند یادگیری، ابتکار، استدلال، تعامل، حل مساله، دسته‌بندی، تصمیم‌گیری، انتخاب، تعیین خط‌مشی، ارزیابی و از این قبیل موارد را شبیه‌سازی نماید. گرچه این شرایط، عوارضی نیز دارد: چالش‌های امنیتی، حاکمیت الگوریتم‌‎ها، چالش ضعف مدیران در درک منطق ماشین، و موارد دیگر که پیشتر به آنها پرداختیم.

مثال اول: احداث یک کشت‌و‌صنعت ۱۰ هزار هکتاری 

فرض کنید می‌خواهید در استان سمنان یک کشت‌و‌صنعت ۱۰ هزارهکتاری (یعنی به ابعاد ۱۰ کیلومتر در ۱۰ کیلومتر) بنا کنید. شاید اینطور بتوان گفت که فرایند احداث به سه بخش کلی تقسیم می‌شود: الف) مطالعات توسعه منطقه ب) تامین آب (از رودخانه، آبخیزداری، کانال آب، آب‌شیرین‌کن، سد، یا هر الگوی دیگر) و ج) اجرا (با مدل متمرکز یا واگذاری یا مشارکت یا کنسرسیوم داخلی و خارجی و ...).

اما در بخش مطالعات (الف)، شما باید چند دسته اطلاعات و داده را فراهم کنید، و الا طرح توسعه شما ناقص خواهد بود:

۱) داده‌های محیطی: مانند دما، رطوبت، اقلیم، هیدرولوژی، توپوگرافی و ... 

۲) داده‌های زیستی: زیستگاه جانوری و گیاهی و انسانی 

۳) تعریف پروتکل‌های توسعه؛ مثل اینکه شما برای چه هدفی این مجموعه را بنا می‌کنید! برای اشتغال‌زایی حداکثری؟ برای سود حداکثری؟ برای تأمین امنیت غذایی؟ برای توانمندسازی مردم منطقه؟ برای تأمین اقلام صادراتی؟ برای احیای اکوسیستم منطقه؟ برای فراهم کردن یک مجموعه الگوی دانشی و آموزشی نمونه؟ و ... هریک از این موارد طبعا اقتضائات و هنجار‌های خودش را دارد. 

۴) چه نوع ماژول‌ها و زیربخش‌هایی برای این کشت‌وصنعت می‌توان تعریف کرد؟ آبزی‌پروری؟ پرورش دام (از چه نوع)؟ پروسس میوه؟ لبنیات؟ کارخانه فرآوری ضایعات؟ پالایشگاه کود زیستی؟ کارخانه چغندر قند؟ انواع باغ؟ انواع زراعت؟ انواع اگروفاریستری؟ انواع گلخانه؟ یا ترکیبی از این موارد با وزن‌های گوناگون؟ از میان انبوه این زیربخش‌ها، چند تایی انتخاب می‌شود و به همین ترتیب شبکه عصبی فعالیت‌ها تعریف شده و تا جزئیات پایین می‌رود. 

برای تک‌تک این مطالعات، ادبیات بسیار پرحجمی از روش‌ها، چالش‌ها، سیاست‌ها، موفقیت‌ها، و ... در کشور و در دنیا وجود دارد. باز هم اینجا باید چند میلیارد صفحه را با ابزار‌های مدیریت دانش و هوش مصنوعی سرند کنید تا به مدل سیاستگذاری مطلوب دست پیدا کنید. ملاحظه می‌فرمایید که این حجم از فعالیت از هیچ جمع انسانی ساخته نیست.

پس از طی فرآیند بررسی، می‌رسیم به تصمیم برای اجرا؛ یعنی ابتدا باید مدل مفهومی و دستورالعمل اجرایی تهیه کنیم، و سپس مجری انتخاب کنیم و بسپاریم به مجری. باید بدانید که کدام صنعت را چه زمانی، با چه نوع مدل اقتصادی و الگوی سرمایه‌گذاری، توسط چه نوع افرادی، با چه حجمی و در کجای این زمین و ... احداث کنید که هم محدودیت‌ها را رعایت کرده باشید و هم اهداف شما را بصورت بهینه و حداکثری تامین نماید. باز اینجا میلیارد‌ها حالت وجود دارد و تعیین ترکیب‌های بهینه تنها از ماشین ساخته است.

مثال دیگری ببینیم:

مثال دوم: چالش جمعیت

برای این موضوع، پیشتر چند جمله‌ای – البته کلی و مجمل - نوشتیم. به‌عنوان نکات تکمیلی به عناصر زیر توجه بفرمایید:

فرض کنید می‌خواهیم برای «چالش جمعیت» کشور یک بسته سیاستی فراگیر و جامع ارائه کنیم. برای این امر، داده‌های بسیار متنوعی مانند داده‌های جمعیتی (یعنی نرخ ازدواج و طلاق و زادوولد و ... تا سطح جزئی هر روستای کشور)، داده‌های اقلیمی، داده‌های اقتصادی، داده‌های سیاسی، داده‌های بدنی و روانی، داده‌های مذهبی، داده‌های خانوادگی، داده‌های هنجاری و ناهنجاری و جرائم، داده‌های عشیره‌ای، داده‌های خانوادگی، داده‌های جنسی، داده‌های مربوط به تفریح و مسافرت داخلی و خارجی، داده‌های تحصیلی، داده‌های ژنتیکی و بسیاری از داده‌ها و اطلاعات دیگر زیستی و رفتاری انسانی لازم است.

همچنین مجموعه دسته‌بندی‌شده از اطلاعات سیاستی و خبرگی و رسانه‌ای از کشور‌هایی که با این چالش درگیر بوده‌اند (مانند آمریکا، آلمان، کشور‌های اسکاندیناوی، چین، ژاپن و غیره) نیز لازم است. اینکه این کشور‌ها با چه چالش‌هایی درگیر شده‌اند، ناظر به آن چالش‌ها چه فرآیند اصلاحی طی شده و نتایج چه بوده است، بعضا می‌تواند برای کشور ما نیز راهگشا باشد.

اطلاعات نهفته بومی و خبرگی داخل کشور نیز یکی دیگر از دانش‌های مورد نیازی است که باید با روش‌های گوناگون مانند گفتگو‌های عمیق و ساختارمند، سندپژوهی و ... مورد پایش قرار گیرد.

سه دسته اطلاعات فوق در یک بانک جامع اطلاعاتی پویا (به‌روزشونده)، کنار هم قرار می‌گیرد و برای رسیدن به تصمیمات مقرر و با پروتکل‌هایی که توسط خبرگان تعریف می‌شود، تنظیم و تدوین (یا برازش) می‌شود.

از اینجا به بعد، کار ارزیابی و بهبود مستمر توسط مدیر پروژه آغاز می‌شود.

اگر چنین چرخه‌ای در موضوع چالش جمعیت شکل نگیرد، و سیاستگذاری اعمال شده – مانند روش‌های سنتی - توسط انسان جلو برود، تنها بخش بسیارکوچکی از فرآیند لازم طی شده، و سیاستگذاری اعمال شده بسیار ناقص‌تر و ناکارآتر از شرایطی است که با تکیه بر دانش لازم پیش رفته باشد.

جمع‌بندی

یک حکمران دانا باید بتواند از تمام اطلاعات مفید جهان در سیاستگذاری استفاده کند! روزگار سیاستگذاری و اعمال حاکمیت سنتی، با خبرگی و سیستم‌های بسیط و ساده به سر آمده است. استفاده از منطق مدیریت دانش و هوش مصنوعی، می‌تواند سیاستگذار را از ثری به ثریا پرواز بدهد، و میان‌بری باشد که عقب‌ماندگی‌های سازمان‌ها و همچنین کشور‌های درحال توسعه را در مدت کوتاهی محو کند و جبران نماید؛ هرچند، عکس این نیز محتمل است: با تمرکزی که سازمان‌ها و کشورهای پیشرفته روی علوم و فناوری‌های نوین گذاشته‌اند، در اثر کم‌توجهی سازمان‌ها یا کشورهای عقب‌مانده، فاصله آنان با همگنان پیشرفته‌شان بیشتر و بیشتر خواهد شد.