جای خالی الگوریتم‌ها در تصمیم‌های زیست‌محیطی، در گفت‌وگوی «جوان» با دکتر مهدی طریقت

هوش مصنوعی نفس را به شهر بازمی‌گرداند

جوان آنلاین: پاییز هر سال، پیش از آنکه مسئولان حتی فرصت کنند جلسه‌ای تشکیل دهند، دود و ذرات معلق کار خودشان را می‌کنند و نفس شهر را می‌گیرند. جلساتی که پس از آن تشکیل می‌شود هم بی‎فایده‌است، چراکه نسخه‌های درمان هم همان است که همیشه بوده، از تعطیلی‌های مقطعی گرفته تا توصیه‌های تکراری به مردم برای کمتر بیرون رفتن! اما سؤال جدی این است که چرا در روزگاری که هوش مصنوعی می‌تواند کمک‌کننده باشد، سیاست‌گذاری شهری همچنان با متر و معیار گذشته پیش می‌رود؟!
پرواضح است که هوش مصنوعی تنها برای پیش‌بینی وضعیت هوا نیست، این فناوری، قادر است سهم صنایع و ترافیک در آلودگی را شفاف کند و به سیاست‌گذاری بومی جهت دهد. البته به شرط آن‌که ساختار‌های مدیریتی، پذیرای شفافیت و مسئولیت‌پذیری باشند. «جوان» در گفت‌و‌گو با دکتر مهدی طریقت، پژوهشگر هوش مصنوعی، این موضوع را مورد بررسی قرار داده است. 

به‌نظر شما چرا تصمیم‌های کلان در رابطه با بحران آلودگی هوا همچنان به همان نسخه‌های قدیمی تکیه می‌کنند و از ابزار‌های نوینی مثل هوش مصنوعی بهره نمی‌برند؟
ماندگاری بحران آلودگی هوا در کلانشهر‌های ما را نباید صرفاً یک چالش اقلیمی باریشه‌های جغرافیایی یا صنعتی دانست، بلکه ما با یک مسئله مهم درمدیریت این بحران مواجهیم که ریشه اصلی آن، شکاف عمیق میان ساختار‌های تصمیم‌گیری سنتی و واقعیت‌های پیچیده عصر دیجیتال است. بدنه اجرایی ما همچنان در پارادایم‌های مدیریتی گذشته محبوس مانده و در مواجهه با دینامیک‌های سرسام‌آور آلودگی، به‌جای بهره‌گیری از هوش‌مصنوعی برای پایش دقیق ولحظه‌ای، به همان راه‌حل‌های کلیشه‌ای و آزمون‌وخطا تکیه می‌کند. این مقاومت در برابر گذار به‌حکمرانی داده‌محور، ناشی از هراس مدیران سنتی از پدیده جعبه سیاه الگوریتم‌هاست، جایی که شفافیت داده‌ها جایگزین مصلحت‌اندیشی‌های انسانی می‌شود. تا زمانی که نظام تصمیم‌سازی ما جسارت عبور از شهود فردی به‌سمت تحلیل‌های محاسباتی را پیدا نکند، بهترین ابزار‌های فناورانه نیز پشت سد ساختار‌های دیوان‌سالار و ناکارآمد باقی مانده وبحران صرفاً بازتولید خواهد شد. 
بحران در این است که سیاست‌گذاری‌های کلان در مواجهه با مسائلی نظیر آلودگی هوا، اغلب در چارچوب‌های فکری گذشته محبوس مانده و تمایلی به‌پذیرش ابزار‌های تحلیلی نوین که قادر به‌جابه‌جایی مرز‌های دانش هستند، نشان نمی‌دهد، این امر درنهایت منجر به تولید همانند راه‌حل‌هایی می‌شود که در عمل از کارآیی لازم برای حل یک بحران سیستمی برخوردار نیستند. با وجود آنکه هوش‌مصنوعی پتانسیل شگرفی برای کمک به اهداف توسعه پایدار، از جمله کاهش آلودگی و بهبود کیفیت زندگی، دارد ومی‌تواند حجم عظیمی از داده‌های محیطی و اجتماعی را درلحظه پایش، تجزیه وتحلیل کند، اما تصمیم‌گیران هنوز به‌صورت حداقلی و نه به‌عنوان یک محور اصلی، براین ابزار‌های داده‌محور تکیه می‌کنند. 
اگر بخواهیم صادقانه و بدون ساده‌سازی پاسخ دهیم، ماندگاری بحران آلودگی هوا درشهر‌های بزرگ را باید در یک شکاف مزمن میان پیچیدگی مسئله وسادگی سازوکار‌های تصمیم‌گیری جست‌و‌جو کرد؛ و این شکاف دقیقاً همان مشکلی است که ریشه در مدیریت سنتی و به‌دور از دانش نوین ومقاومت برای ورود به دنیای فناوری دانست. آلودگی هوا پدیده‌ای چندعاملی است که برهم‌کنش همزمان حمل‌ونقل، الگوی مصرف انرژی، ساختار اقتصادی شهر، رفتار اجتماعی و شرایط اقلیمی را در برمی‌گیرد، اما سیاست‌گذاری همچنان بر منطق‌های بخشی، کوتاه‌مدت و واکنشی استوار مانده‌است. نتیجه این می‌شود که هر سال باهمان نسخه‌های تکرارشونده مانند تعطیلی مدارس یا محدودیت‌های مقطعی روبه‌رو می‌شویم، اقداماتی که طبق گزارش‌های سازمان جهانی بهداشت و برنامه محیط‌زیست سازمان ملل، اثر پایدار برکاهش مواجهه شهروندان با آلاینده‌ها ندارند و بیشتر نقش مسکن موقت را ایفا می‌کنند. 
هوش‌مصنوعی در افکار عمومی اغلب به‌پیش‌بینی وضعیت هوا محدود شده‌است. 

اگر بخواهیم از ظرفیت واقعی هوش‌مصنوعی عبور کنیم، این فناوری از چه نقطه‌ای می‌تواند وارد فرایند تصمیم‌سازی شود و چه تفاوتی با ابزار‌های متداول پایش ایجاد کند؟
نقطه عزیمت هوش‌مصنوعی از پایش صرف به‌تصمیم‌سازی، گذار از توصیف وضعیت به تجویز راهکار است. ابزار‌های متداول پایش درکشور ما، نگاهی رو به‌عقب دارند وصرفاً به مدیران می‌گویند که هوا آلوده است، اما هوش‌مصنوعی باقدرت پیش‌بینی‌کنندگی خود، وارد ساحت چرایی و چگونگی می‌شود و پیش از وقوع بحران، سهم دقیق هر متغیر، از ترافیک تا فعالیت‌های صنعتی را مشخص می‌کند. 
هوش‌مصنوعی می‌کوشد پیش از وقوع بحران، روابط پنهان میان متغیر‌هایی مانند ترافیک، مصرف انرژی، فعالیت‌های صنعتی وحتی پیامد‌های سلامت را تحلیل کند و نشان دهد هر تصمیم چه نتایجی در پی خواهد داشت. این گذار به‌معنای حرکت از پاسخ‌های واکنشی به سیاست‌گذاری پیش‌نگر است، رویکردی که بنا برگزارش‌های معتبر برنامه محیط‌زیست سازمان ملل، سازمان جهانی هواشناسی، توان کاهش خطا و هزینه تصمیم‌های کلان را به‌طور معناداری افزایش می‌دهد. 
با این حال، مسئله اصلی فقدان فناوری نیست، بلکه ناتوانی ساختار‌های حکمرانی در پذیرش الگوی تصمیم‌گیری ترکیبی است، الگویی که در آن هوش‌مصنوعی به‌عنوان یک مشاور تحلیلی قدرتمند، سناریو‌های بهینه را برپایه تحلیل حجم انبوه داده‌ها ارائه می‌دهد، اما مسئولیت نهایی و داوری اخلاقی همچنان برعهده انسان باقی می‌ماند. تجربه شهر‌های موفق آسیایی و اروپایی نشان می‌دهد زمانی که هوش‌مصنوعی به صورت شفاف و پاسخگو در فرایند سیاست‌گذاری ادغام می‌شود، امکان تنظیم هوشمند محدودیت‌های ترافیکی، مدیریت حمل‌ونقل عمومی وحتی قیمت‌گذاری انرژی فراهم می‌آید و نتایج آن قابل‌اندازه‌گیری و اصلاح است. 
کلانشهر‌هایی مانند تهران با ترکیبی از عوامل انسانی، صنعتی و مدیریتی روبه‌رو هستند. 

در چنین ساختار پیچیده‌ای، تا چه اندازه می‌توان به توان هوش‌مصنوعی برای ارائه راه‌حل‌های بومی، به‌ویژه در مدیریت حمل‌ونقل وکاهش آلودگی بدون فشار اجتماعی بیشتر، امیدوار بود؟
نگاه رایج، هوش‌مصنوعی را به ابزاری فنی برای تنظیم چراغ‌های راهنمایی یا کنترل ترافیک فرو می‌کاهد، در حالی که اگر این فناوری بدون توجه به عدالت اجتماعی به‌کار گرفته شود، می‌تواند به تشدید نابرابری‌های شهری بینجامد. تجربه‌های موفق نشان می‌دهد هوش‌مصنوعی بومی باید به‌جای سیاست‌های سخت و یکسان‌ساز مانند محدودیت‌های فراگیر تردد، به سمت مدیریت شناور و هوشمند تقاضا حرکت کند، رویکردی که با تحلیل داده‌های واقعی رفت‌وآمد، شرایط اقتصادی محلات والگو‌های مصرف حمل‌ونقل، فشار ترافیکی و هزینه‌های آن را عادلانه‌تر توزیع می‌کند. 
در کلانشهری مانند تهران، که هر مداخله‌ای پیامد‌های اجتماعی و اقتصادی مشخصی دارد، مزیت اصلی هوش‌مصنوعی در توان آن برای شناسایی نقاط گلوگاهی، زمان‌های اوج آلودگی و طراحی راهکار‌های تدریجی و هدفمند است، نه تحمیل محدودیت‌های پرهزینه به‌شهروندان. طبق گزارش‌های بانک جهانی، برنامه محیط‌زیست سازمان ملل و سازمان همکاری‌های اقتصادی و توسعه، چنین رویکردی هم اثربخشی بیشتری در کاهش آلودگی دارد و هم از نظر اجتماعی پذیرفتنی‌تر است. البته باید واقع‌بین بود، هوش‌مصنوعی جایگزین حکمرانی و تصمیم انسانی نیست، بلکه تنها زمانی می‌تواند به‌کاهش آلودگی و بهبود حمل‌ونقل کمک کند که با داده‌های بومی، ارزش‌های اجتماعی و در چارچوبی شفاف وپاسخگو به‌کار گرفته شود. 
شفافیت داده‌ها یکی از پیش‌شرط‌های سیاست‌گذاری دقیق در جهان امروز به‌شمار می‌رود. 

با توجه به اینکه هوش‌مصنوعی می‌تواند سهم هر بخش، از حمل‌ونقل گرفته تا صنعت را مشخص کند، نبود داده‌های باز و تصمیم‌های مبتنی بر تحلیل هوشمند را باید یک چالش فنی دانست یا مسئله‌ای فراتر از آن؟
اگر نبود داده‌های باز را فقط یک مشکل فنی بدانیم، در واقع از علت اصلی بحران چشم‌پوشی کرده‌ایم. (داده باز یعنی مردم، پژوهشگران و رسانه‌ها بتوانند اعداد واقعی مربوط به موضوعاتی مثل کیفیت هوا، ترافیک، مصرف سوخت یا سلامت را ببینند، مقایسه کنند و براساس آن سؤال بپرسند.) امروز مشکل نه کمبود فناوری و نه ضعف توان محاسباتی است، بلکه مقاومت ساختاری در برابر شفافیتی است که حکمرانی داده‌محور به‌همراه می‌آورد. هوش‌مصنوعی این توان را دارد که سهم دقیق حمل‌ونقل، صنعت، انرژی وحتی الگو‌های رفتاری شهری را در آلودگی هوا به‌صورت دقیق و به‌روز آشکار کند، اما همین شفافیت، مسئولیت‌پذیری نهاد‌ها را افزایش می‌دهد و این همان نقطه‌ای است که نظام‌های تصمیم‌گیری سنتی در برابر آن مکث می‌کنند. 
گزارش‌های سازمان جهانی بهداشت، برنامه محیط‌زیست سازمان ملل و بانک جهانی نشان می‌دهد داده زمانی به ابزار سیاست‌گذاری مؤثر تبدیل می‌شود که شفاف، قابل‌دسترس و قابل‌راستی‌آزمایی باشد. در نبود چنین شرایطی، حتی پیشرفته‌ترین مدل‌های هوش‌مصنوعی نیز به ابزار‌هایی نمایشی فروکاسته می‌شوند و تصمیم‌ها همچنان برپایه برآورد‌های کلی و مصلحت‌های غیرشفاف گرفته می‌شود. تجربه کشور‌هایی که در مهار آلودگی هوا موفق بوده‌اند، تأکید می‌کند داده‌های باز یک انتخاب فناورانه نیست، بلکه تصمیمی سیاسی وحکمرانی است. به‌عبارت دیگر، مسئله اصلی نه الگوریتم‌ها، بلکه نبود اراده برای پذیرش قضاوت صریح داده‌هاست، تا زمانی که این اراده شکل نگیرد، واقعیت همچنان پشت در‌های بسته تصمیم‌سازی باقی خواهد ماند. 
گذار به حکمرانی داده‌محور، پرسش‌های تازه‌ای درباره مسئولیت وپاسخ‌گویی ایجاد کرده‌است. 

اگر تحلیل‌های هوشمند نشان دهند برخی تصمیم‌ها به تشدید آلودگی هوا انجامیده‌اند، سازوکار پاسخگویی چگونه باید تعریف شود و بدون چنین چارچوبی، آیا هوش‌مصنوعی می‌تواند نقشی فراتر از یک ابزار کمکی ایفا کند؟
واقعیت این است که روبه‌رو شدن بانتایج صریح تحلیل‌های هوشمند که می‌تواند ناکارآمدی سیاست‌های گذشته را آشکار کند، بیش از آنکه به زیرساخت فنی نیاز داشته باشد، مستلزم شجاعت مدیریتی و چارچوب حقوقی شفاف است. مسئله اصلی در ارتقای نقش هوش‌مصنوعی از یک ابزار تحلیلی به یک پشتیبان واقعی تصمیم‌سازی، ابهام در مسئولیت‌پذیری است، از همین‌رو، تداوم بحران آلودگی هوا را باید نه یک ضعف فنی، بلکه یک چالش مدیریتی دانست. 
تجربه کشور‌های موفق، براساس گزارش‌های OECD و برنامه محیط‌زیست سازمان ملل، نشان می‌دهد مسئولیت تصمیم‌ها نباید به الگوریتم‌ها واگذار شود، بلکه باید به‌صورت روشن میان نهاد‌های سفارش‌دهنده، مجری و ناظر تقسیم شود. به همین دلیل، سیاست‌گذاران و مدیران خبره در کشور‌های پیشرفته، معمولاً به‌جای اتکای کامل به تصمیم‌سازی خودکار، رویکردی ترکیبی را ترجیح می‌دهند که در آن قضاوت نهایی و پاسخگویی برعهده انسان باقی می‌ماند، حتی اگر این رویکرد از نظر فنی بهینه‌ترین گزینه نباشد، اما حداقلی از شفافیت، انصاف و پاسخگویی عمومی را تضمین می‌کند. تا زمانی که چارچوبی حقوقی و اخلاقی برای پاسخگویی در برابر خطا‌ها یا سوگیری‌های احتمالی هوش‌مصنوعی تدوین نشود، این فناوری در حل مسائل کلان کشور، از جمله آلودگی هوا، ناگزیر در حد یک ابزار کمکی باقی خواهد ماند. نقش تعیین‌کننده هوش‌مصنوعی نه در دقت محاسبات آن، بلکه در اراده نظام حکمرانی برای پذیرش قضاوت بی‌طرف داده‌ها معنا پیدا می‌کند، اراده‌ای که بدون آن، شفاف‌ترین تحلیل‌ها نیز به گزارشی مشورتی تقلیل می‌یابند. 
با روشن‌تر شدن فاصله میان پیشرفت فناوری وکارآمدی سیاست‌ها، یک پرسش بنیادین در آستانه ورود به مرحله تصمیم‌گیری مطرح می‌شود. 

با توجه به تجربه کشور‌های مختلف در مدیریت آلودگی هوا، چرا باوجود رشد سامانه‌های پایش و مطرح شدن هوش‌مصنوعی، همچنان تصمیم‌های سیاستی در این حوزه کم‌اثر و اغلب واکنشی باقی مانده‌اند؟ و چرا هوش‌مصنوعی هنوز وارد اتاق تصمیم‌گیری آلودگی هوا نشده‌است؟
اگر بخواهیم از تجربه کشور‌هایی که در مهار آلودگی هوا موفق بوده‌اند الگو بگیریم، راه‌حل در خرید فناوری خلاصه نمی‌شود، بلکه در اصلاح شیوه تصمیم‌گیری نهفته است. راه‌حل هوش‌مصنوعی برای کاهش آلودگی هوا یک پروژه فناورانه نیست، بلکه یک برنامه حکمرانی سه‌مرحله‌ای است، که اولین مرحله، یکپارچه‌سازی و شفاف‌سازی داده‌هاست. کشور‌هایی مانند کره‌جنوبی، هلند و بریتانیا ابتدا داده‌های ترافیک، سوخت، صنعت، هواشناسی و سلامت را در یک بستر مشترک و قابل بررسی عمومی تجمیع کردند. بدون دسترسی شفاف به داده‌های واقعی، هوش‌مصنوعی عملاً بی‌اثر است. 
مرحله دوم، گذار از پایش به تصمیم‌سازی ا‌ست. در شهر‌هایی مانند سئول و لندن، هوش‌مصنوعی صرفاً کیفیت هوا را گزارش نمی‌کند، بلکه پیش از اجرا، سناریو‌های سیاستی را شبیه‌سازی می‌کند، مثلاً اگر ساعات کاری تغییر کند، قیمت سوخت اصلاح شود یا ترافیک در یک پهنه خاص مدیریت شود، اثر آن بر آلودگی و زندگی مردم چیست. این رویکرد، تصمیم‌های پرهزینه و کم‌اثر را حذف کرده‌است. 
سومین مرحله فهم این موضوع است که، انسان تصمیم‌گیر و هوش‌مصنوعی ناظر بی‌طرف است. در الگو‌های موفق، تصمیم نهایی همچنان بامدیران است، اما انحراف از توصیه‌های داده‌محور باید توضیح داده‌شود. همین الزام پاسخگویی، کیفیت سیاست‌ها را بالا برده و از تکرار خطا جلوگیری کرده‌است. 
همین الزام به توضیح، مانع تکرار خطا و سیاست‌های آزمون‌وخطا شده‌است. نتیجه تجربه جهانی روشن است، اینکه هر جا داده شفاف، هوش‌مصنوعی به عنوان ابزار مشورتی الزام‌آور و شجاعت مدیریتی در کنار هم قرار گرفته‌اند، آلودگی هوا مهار شده‌است و هر جا فناوری بدون اصلاح حکمرانی وارد شده، بحران همچنان ادامه دارد.