آینده‌‌ای نزدیک را تصور کنید که هوش مصنوعی کارهای تکراری و روزمرۀ روزنامه‌نگاران را بهتر از آنان انجام می‌دهد.
منابع خبر به سازمان‌ها و وزارتخانه‌ها و مسئولان رسمی و مردم عادی تقسیم نمی‌شود؛ حالا فناوری اینترنت اشیا (IoT) می‌تواند «خبربیار» ما باشد.
در واقع تمامی داده‌هایی که از این حسگرها به یک مرکز تحلیل می‌رود و آنجا یک سیستم تحلیلی شبیه مغز دارد که آن را بررسی می‌کند.
آنچه در اینجا اهمیت دارد، این است که این سیستم چگونه تصمیم می‌گیرد؟ متأسفانه اطلاعات زیادی در این رابطه نمی‌توانیم داشته باشیم.
اما یک چیز روشن است، به‌زودی، جست‌وجو، پردازش و نگارش و تصحیح محتوا برعهدۀ هوش مصنوعی خواهد بود.
پس در آیندۀ نزدیک این قدرت شبکۀ عصبی و نوع یادگیری عمیق بخش هوش مصنوعیِ رسانۀ شماست که تعیین می‌کند، آیا شواهد روزنامه‌نگارانۀ مطرح شده بر مبنای کلان‌داده‌ها صحیح‌اند یا نه.
رقابت بر سر سرعت در روزنامه‌نگاری می‌بایست برای «اعتبار» جایِ بیشتر باز کند. چون باتوجه‌به ابزارهایی که اکنون در اختیار داریم، ساخت اخبار جعلی کمتر از پنج ثانیه زمان می‌برد.
اما نکته اینجاست که چه‌طور باید جعلیات را به خورد مخاطب دهیم که متوجه نشود؟ مرز میان شواهد قابل اعتماد و اطلاعات نادرست در این فضا بسیار باریک است.
موضوع این نیست که حقیقت مقابل جعلیات ارزشی ندارد، موضوع این است که دسترسی به آن باز هم دارد سخت‌تر می‌شود. هر حسگری که داده‌ای به یک مرکز می‌فرستد در بستر شبکۀ عصبی می‌تواند به‌گونه‌ای آموزش ببیند که در عمل ماشین را دچار سوگیری‌های غیراخلاقی کند.
با این همه، می‌بایست به این نکته هم فکر کنیم که در عصر وب3 و سرمایه‌داری بلوکی، اینکه رسانۀ شما در کدام بلوک ارتباطی باشد و چه‌قدر به کلان‌داده‌ها دسترسی داشته باشد، در عملکرد شفاف و دقیق آن تأثیر زیادی دارد.
روزنامه‌نگاری ایران فرصت خوبی دارد برای اینکه بتواند از این خستگی و خمودی امروز خارج شود. یادگیری اصول اولیۀ هوش مصنوعی و استخراج داده‌ها، جهان روزنامه‌نگاری را با شکل تازه‌ای از روایت‌ها و قصه‌های واقعی مواجه می‌کند که اتفاقاً می‌تواند در خدمت شناخت بهتر فناوری‌های نوین باشد.
به طبع مشکلات دسترسی ناکافی به داده‌ها، مشکلاتی را در ابتدای کار پیش پای روزنامه‌نگاران می‌گذارد، ولی وقتی روزنامه‌نگاران به ابزارهای جمع‌آوری و تحلیل داده دسترسی و تسلط پیدا کنند، منابع خبری و روایت‌های ما از افراد و سازمان‌ها به داده‌های خام منتقل می‌شود. دسترسی به داده‌های خام نیز با وجود تمام چالش‌هایی که دارد، امکانپذیر است.
حالا می‌توانیم با الگوهایی بزرگتر و از دیدی بالاتر اتفاق‌های جامعه را تحلیل کنیم و اینجاست که روزنامه‌نگاری همچنان می‌تواند وظیفۀ نظارت خود را کم‌وبیش انجام دهد.
شبیه این است که بخواهیم اظهارات یک سند تاریخی را در در آزمایشگاه اعتبارسنجی کنیم. همان‌طور که ممکن است استفاده از تکنیک‌های کربن 14 در تعیین سن چیزها همراه با خطاهایی باشد، کاربرد اصول یادگیری ماشین در روزنامه‌نگاری نیز با چالش‌هایی مواجه است.
استفاده از هوش مصنوعی در روزنامه‌نگاری یک فرصت تاریخی است که اگر آن را نادیده بگیریم، باز هم شاهد حضور ابتر فناوری در بستر فرهنگ خواهیم بود. اکنون زمان خوبی است برای اینکه دربارۀ مباحث مرتبط با ارتباطات ماشین، مهندسی پرامپت و فلسفۀ یادگیری عمیق بیشتر بخوانیم و فکر کنیم.
من علی شاکر هستم؛ روزنامه‌نگار و پژوهشگر هوش مصنوعی که می‌خواهم در این سلسله یادداشت‌ها در درجۀ نخست دربارۀ اصول کاربرد هوش مصنوعی در رسانه بیشتر بدانم و بخوانم و بعد آن را در اختیار شما بگذارم.
در بخش دوم این یادداشت‌ها به این خواهیم پرداخت که چه شد که به ماشین‌ها اجازه دادیم تصمیم بگیرند؟
