آیا هوش مصنوعی واقعاً می‌تواند مشکلات ماشین را تشخیص دهد؟ یک پاسخ صادقانه

از یک اتاق پر از مکانیک بپرسید که آیا هوش مصنوعی می‌تواند ماشین را تشخیص بدهد، جواب قاطع «نه» می‌شنوید؛ از کسانی که هوش مصنوعی تشخیصی می‌سازند بپرسید، جواب «بله»ی پرشور می‌گیرید. هر دو پاسخ تا حدی درست‌اند، و نسخه‌ی صادقانه‌اش اهمیت دارد، چون یک پاسخ اشتباه هوش مصنوعی درباره‌ی ماشین، هزینه‌ی واقعی در قطعاتی می‌گذارد که اصلاً لازم نبوده‌اند. در ادامه می‌بینید این فناوری امروز واقعاً کجا ایستاده — نوشته‌ی کسانی که خودشان آن را می‌سازند و هنوز با نیمی از حرف منتقدان هم‌عقیده‌اند.

هوش مصنوعی امروز واقعاً چه کاری از پسش برمی‌آید

هوش مصنوعی امروز واقعاً در یک بخش از تشخیص خوب عمل می‌کند: گرفتن شواهدی که از قبل در دست دارید — کدها، علائم و الگوی زمانی که رخ می‌دهند — و رتبه‌بندی علت‌های محتمل به‌همراه تست‌هایی که آن‌ها را از هم جدا می‌کنند. این یک لایه‌ی استدلال و بازیابی اطلاعات است، نه یک مکانیک. از دل انبوهی از الگوهای مستندشده‌ی خرابی استفاده می‌کند و می‌تواند «P0301، بدتر در هوای سرد، فیوژن مدل ۲۰۱۳» را در چند ثانیه به علت‌های شناخته‌شده وصل کند. کاری که نمی‌تواند انجام دهد، جمع‌آوری شواهد است: نمی‌تواند صدا را بشنود، روی یاتاقان بار بیندازد، کانکتوری را تکان بدهد یا گیج فشار را روی ریل سوخت وصل کند. تشخیص یعنی شواهد به‌علاوه‌ی استدلال، و هوش مصنوعی فقط یکی از این دو را با خودش می‌آورد.

جایی که هوش مصنوعی واقعاً کمک می‌کند

موفقیت‌ها همه یک شکل مشترک دارند: ورودی ساخت‌یافته از یک طرف، فرضیه‌های رتبه‌بندی‌شده از طرف دیگر، و یک انسان که بررسی‌های فیزیکی را انجام می‌دهد.

• تبدیل یک کد به یک برنامه‌ی تست. یک کد خطا نام یک تست ناموفق را می‌گوید، نه نام یک قطعه را. هوش مصنوعی در فهرست کردن علت‌های واقعی پشت یک کد قوی است، رتبه‌بندی‌شده بر اساس احتمال، هرکدام همراه با تستی که آن را تأیید یا رد می‌کند — دقیقاً همان مرحله‌ای که قطعات روی حدس تعویض می‌شوند.
• تطبیق الگو در میان پلتفرم‌ها. برخی خرابی‌ها روی موتورها و مدل‌های خاصی مشهورند. هوش مصنوعی دانشی مثل «این ترکیب دقیق، یک ایراد شناخته‌شده روی این پلتفرم است» را بیرون می‌کشد، دانشی که یک فرد عمومی برای پیدا کردنش باید ساعت‌ها در فروم‌ها بگردد.
• صادق نگه داشتن ترتیب عیب‌یابی. گران‌ترین اشتباه‌های تعمیر، اشتباه‌های ترتیبی‌اند: محکوم کردن مبدل کاتالیزوری پیش از بررسی سنسورها، یا گیربکس پیش از تست روغن آن. یک فهرست علت‌های رتبه‌بندی‌شده به‌همراه مراحل تأیید، بررسی‌های ارزان را در اولویت نگه می‌دارد.
• توضیح دادن حرفه‌ی فنی. برای یک مالک ماشین، هوش مصنوعی در ترجمه‌ی «حالت رقیق سوخت، بانک ۱» به زبان ساده عالی عمل می‌کند، و در گوشزد کردن این‌که کِی یک برآورد قیمت با شواهد همخوانی ندارد.

جایی که هوش مصنوعی صادقانه شکست می‌خورد

استدلال‌های منتقدان اغلب درست است، و هر کسی که تشخیص هوش مصنوعی می‌فروشد باید بتواند همین را هم بگوید.

• ورودی بی‌کیفیت، خروجی بی‌کیفیت. جمله‌ی «ماشینم صدای عجیبی می‌دهد» یک حدس را با لحنی مطمئن تولید می‌کند. کیفیت پاسخ هرگز از کیفیت شواهدی که به آن می‌دهید بالاتر نمی‌رود.
• نه دست دارد، نه گوش، نه ابزار. هوش مصنوعی نمی‌تواند تست کمپرس انجام دهد یا لقی یک مفصل را حس کند. هر تشخیصی که بدون یک مرحله‌ی تأیید فیزیکی تمام شود، یک فرضیه است، نه یک تشخیص.
• جزئیات هذیانی. چت‌بات‌های عمومی مقادیر گشتاور، ظرفیت مایعات و شماره‌ی قطعات را با اطمینان کامل از خودشان می‌سازند. هرگز یک عدد قطعی از یک چت‌بات عمومی را بدون بررسی در برابر داده‌ی سرویس رسمی، مستقیم به دست آچار نسپارید.
• نویزی که از فروم‌ها آموخته. مدل‌هایی که روی اینترنت آزاد آموزش دیده‌اند، پاسخ‌های غلط آن را هم به ارث می‌برند، از جمله غلط‌هایی که با اطمینان کامل بیان می‌شوند. مستند کردن پاسخ‌ها به داده‌ی واقعی سرویس کمک می‌کند، اما هیچ‌چیز این ریسک را کاملاً از بین نمی‌برد.
• نمی‌داند که چه چیزی را نمی‌داند. یک متخصص انسانی می‌گوید «باید خودم ماشین را ببینم». هوش مصنوعی به‌جای این حرف، ترجیح می‌دهد به هر حال پاسخ بدهد. بار تردید همچنان روی دوش شماست.

مراحل عیب‌یابی (به ترتیب)

وقتی به ترتیب درست استفاده شود، هوش مصنوعی تشخیص انسانی را سریع‌تر می‌کند، نه این‌که جایگزینش کند.

1. شواهد بدهید، نه حس و حال. کدها به‌همراه داده‌ی فریز فریم، این‌که علامت دقیقاً کِی رخ می‌دهد، چه چیزی اخیراً تغییر کرده، و مدل و موتور دقیق ماشین. هر جزئیات مشخص، خروجی را دقیق‌تر می‌کند.
2. علت‌های رتبه‌بندی‌شده به‌همراه یک تست برای هرکدام بخواهید، نه «جواب نهایی». ارزش واقعی در چک‌لیست مرتب‌شده است، ارزان‌ترین و محتمل‌ترین در اول.
3. بررسی‌های فیزیکی را خودتان انجام دهید، یا بگذارید یک تعمیرگاه انجامشان دهد. کار هوش مصنوعی همان‌جایی تمام می‌شود که کار آچار شروع می‌شود.
4. هر عدد قطعی را پیش از عمل کردن به آن، در برابر داده‌ی سرویس رسمی بررسی کنید.
5. پاسخ‌هایی را که بر پایه‌ی «بدون کد، علامت مبهم» هستند فقط ایده‌پردازی در نظر بگیرید. همان‌جایی است که هوش مصنوعی ضعیف‌ترین حالت خودش را دارد.

جایی که در هزینه صرفه‌جویی می‌کند، و جایی که برایتان هزینه می‌تراشد

وقتی به‌عنوان یک نظر دوم و ابزار ترتیب‌دهی استفاده شود، هوش مصنوعی همان پولی را نجات می‌دهد که تعمیرهای مبتنی بر حدس می‌سوزانند: مبدل کاتالیزوری‌ای که پیش از بررسی سنسور خریداری شده، پلوسی که به‌خاطر تیکی تعویض شده که خودش هرگز تولید نکرده. وقتی به‌عنوان یک پیشگو استفاده شود، دقیقاً به همان اندازه برایتان هزینه می‌تراشد: یک پاسخ اشتباه که با اطمینان بیان شده و بدون تأیید روی آن عمل شده، فقط یک راه سریع‌تر برای خریدن قطعه‌ی اشتباه است. در عمل، کسانی که از هوش مصنوعی ارزش می‌گیرند، از آن برای تصمیم‌گیری درباره‌ی این‌که بعد چه چیزی را بررسی کنند استفاده می‌کنند، نه این‌که چه چیزی بخرند.

نتیجه‌گیری

هوش مصنوعی یک لایه‌ی استدلال تشخیصی قوی است و یک مکانیک ضعیف: بگذارید علت‌ها را رتبه‌بندی کند و تست‌ها را مرتب کند، پیش از خرید قطعه روی تأیید فیزیکی پافشاری کنید، و هرگز به یک مشخصه‌ی فنی قطعی که منبعش را نیاورده اعتماد نکنید.