از بحران تا بهبود: نقش هوش مصنوعی در مدیریت روابط‌عمومی

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 یادداشت شمارۀ 4 «از قلم تا الگوریتم» به بررسی استفاده از رویکرد پایگاه دانش[1] در زمینۀ روزنامه‌نگاری پرداختیم. ما هنوز داریم دربارۀ رویکرد اول (یعنی رویکرد نمادین) در عرصۀ هوش مصنوعی صحبت می‌کنیم. توسعه‌دهندگان سیستم‌های خبره تلاش کردند با فرمالیزه کردن مفاهیم، روابط معنایی آن‌ها و قوانین استنتاج، شکلی برای مدیریت دانش مرتبط با یک کار خاص پیدا کنند.

در دنیای پیچیدۀ روابط‌عمومی، مدیریت بحران‌ها نیازمند ترکیبی از دانش، تجربه و واکنش‌های سریع است. اما آیا می‌توان این فرایند پیچیده را به الگوریتم‌ها و قوانین منطقی سپرد؟ در این یادداشت، به بررسی تلاش برای فرمالیزه کردن واکنش به بحران در روابط‌عمومی با استفاده از سیستم‌های خبره هوش مصنوعی می‌پردازیم و نشان می‌دهیم که چرا ماشین‌ها هنوز نمی‌توانند جایگزین تجربه و درک انسانی در این حوزه شوند. با مرور مثال‌هایی از دنیای واقعی و نگاهی به تاریخچۀ هوش مصنوعی، به محدودیت‌ها و چالش‌های این فناوری در مدیریت بحران‌های روابط‌عمومی خواهیم پرداخت.

فرمالیزه کردن واکنش به بحران در روابط‌عمومی

فرمالیزه کردن در حوزۀ هوش مصنوعی یعنی تبدیل دانش و اطلاعات نامنظم و غیررسمی به قالبی ساختاریافته، دقیق و قابل پردازش. نیاز به توضیح نیست که این کار را ماشین انجام می‌دهد ولی در ادامه می‌بینیم که ما در عرصۀ روابط‌عمومی نیز کم‌وبیش بر اساس همین قواعد از پیش طراحی شده عمل می‌کنیم.

این فرایند شامل تبدیل مفاهیم، روابط و قوانین به زبان ریاضی یا منطقی است تا بتوان از آن‌ها در سیستم‌های رایانه‌ای استفاده کرد‌‌.

اگر از اهالی روابط‌عمومی هستید، حتما به مثالی که می‌زنم کم‌وبیش آشنایید‌‌. گاهی ما در ذهن خویش بحران‌ در سازمان را به این شکل مدیریت می‌کنیم و اکنون فقط می‌خواهیم نشان دهیم که این فرمالیزه کردن چگونه انجام می‌شود‌‌. برای این کار از یک شرکت فرضی مثال می‌آوریم‌‌.

شرکت تولیدکنندۀ خودرو X  با بحران بزرگ برگشت ماشین‌هایش مواجه می‌شود، چون این محصولات نقص فنی دارند‌‌. نقص از سیستم ترمز خودروهاست و خبرش به‌سرعت در رسانه‌ها پیچیده و نگرانی‌های گسترده‌ای در میان مشتریان و سهامداران ایجاد کرده است‌‌.

برای مدیریت این بحران، شرکت تصمیم می‌گیرد تا از یک سیستم خبرۀ مبتنی بر هوش مصنوعی برای تحلیل و پیشنهاد بهترین استراتژی‌های ممکن استفاده کند تا دریابد چه زمان چه واکنشی نشان دهد‌‌. اما پیش از همه باید به این فکر کنیم که «اگر» چه اتفاقی بیفتد «پس» ما چه کاری انجام می‌دهیم در سازمان؟ بنابراین اول «اگر»ها را استخراج می‌کنیم و نامش را می‌گذاریم مفاهیم و نمادها‌‌.

1. مفاهیم و نمادها، همان «اگر»های ما هستند‌‌. مثلاً اگر شدت یا نوع بحران این طور باشد، پس‌‌.‌‌.‌‌.
   ما در بخش روابط‌عمومی و در کمیتۀ مدیریت بحران حتماً جلسه‌هایی را برای اقدامات پیش از بحران انجام می‌دهیم. برخی از این کارها می‌تواند به این صورت باشد:

• شدت بحران‌‌: باتوجه‌به تعداد خودروهای معیوب، میزان شکایات مشتریان و پوشش رسانه‌ای منفی، شدت بحران از 1 تا 10 رتبه‌بندی می‌شود‌‌. فرض کنیم در این مثال شدت بحران در شرکت X عدد «هشت» باشد‌‌.
• نوع بحران‌‌: ترمز ماشین با «ایمنی» در ارتباط است و ممکن است محصول شرکت ما به‌عنوان یک کالای خطرناک شناخته شود‌‌.
• گروه‌های ذی‌نفع‌‌: به‌طبع این اتفاق مشتریان را نگران می‌کند و سهامداران را مضطرب‌‌. کارکنان شرکت ممکن است شغل خود را در خطر ببینند و این فرصت خوبی است برای بهره‌برداری رقبا‌‌.
• استراتژی‌های بحران‌‌: مشخص می‌کنیم که اگر در فلان موقعیت باشیم مثلاً فراخوان محصول می‌دهیم، عذرخواهی عمومی می‌کنیم، نقص فنی را اصلاح می‌کنیم، تبلیغات مثبت راجع به شرکت را جدی می‌گیریم و برایش بودجۀ بیشتری کنار می‌گذاریم و ارتباط با مشتریان و سرمایه‌گذاران را تقویت می‌کنیم‌‌.
• هزینۀ هر استراتژی‌‌: هزینه‌های هر استراتژی را برآورد می‌کنیم‌‌.

کار دیگری که در عمل انجام می‌دهیم که این است که مشخص کنیم وضعیت «اگر»ها چه‌قدر در واکنش به «پس»ها تأثیرگذار است؟ اینجاست که شبیه سیستم تفکر بشری ما «قوانین منطقی» را در نظر می‌گیریم‌‌:

1. قوانین منطقی‌‌: حالا می‌خواهیم چارچوب عملکرد خود را مشخص کنیم. اینجاست که ممکن است در بخش روابط‌عمومی این قوانین و قواعد را وضع کنیم:
   • اگر شدت بحران بیشتر از 7 باشد و نوع بحران «ایمنی» باشد، استراتژی فراخوان محصول و عذرخواهی عمومی اجباری است و هزینه‌ای کمتر از 10 میلیارد تومان برای این دو اقدام در نظر گرفته می‌شود‌‌.
   • اگر شدت بحران بین 5 تا 7 باشد و گروه ذی‌نفع اصلی مشتریان باشند، پیشنهاد می‌شود تا 5 میلیارد تومان برای تقویت ارتباط با مشتریان و تبلیغات مثبت سرمایه‌گذاری شود‌‌.
   • اگر نوع بحران روابط‌عمومی باشد و پوشش رسانه‌ای منفی بیش از 50 درصد باشد، مدیریت رسانه‌ای با بودجۀ سه میلیارد تومان ضروری است‌‌.
2. مدل نمره‌دهی‌‌: به طبع داریم همزمان این اطلاعات را به سیستم خبرۀ خود نیز وارد می‌کنیم و برای هر استراتژی یک عدد در نظر می‌گیریم.
   • به هر استراتژی بر اساس تأثیر آن بر کاهش شدت بحران، بهبود تصویر برند و هزینه، نمره‌ای بین 1 تا 10 می‌دهیم‌‌.
   • سیستم خبره با استفاده از الگوریتم‌های بهینه‌سازی، بهترین ترکیب استراتژی‌ها را باتوجه‌به محدودیت‌های بودجه انتخاب می‌کند‌‌.

به‌این‌ترتیب، باتوجه‌به اینکه شدت بحران «هشت»، نوع بحران «ایمنی»، و پوشش رسانه‌ای «منفی 70 درصد» ارزیابی شده است، سیستم خبره چنین اقدامات را پیشنهاد می‌کند‌‌:

• فراخوان محصول (اجباری)‌‌: هزینه هشت میلیارد تومان، نمره 9
• عذرخواهی عمومی (اجباری)‌‌: هزینه دو میلیارد تومان، نمره 8
• تقویت ارتباط با مشتریان‌‌: هزینه سه میلیارد تومان، نمره 7

این سیستم خبره به مدیران شرکت فرضی ما در این مثال کمک می‌کند تا در کوتاه‌ترین زمان ممکن بهترین تصمیم‌ها را بگیرند و از تشدید بحران جلوگیری کنند‌‌. به طبع چنین سیستمی هزینه‌های مدیریت بحران را کاهش می‌دهد و منابع سازمان را بهینه می‌کند‌‌.

اما مگر می‌توان در ساختارهای پیچیدۀ اجتماعی و ارتباطی ایران، این‌طور همه‌چیز را به طور منظم فرمالیزه‌ کرد؟ چون همیشه هر چه‌قدر هم برنامه‌ها منظم باشد، انواع و اقسام بهانه‌ها و اتفاق‌ها هست که می‌تواند زنجیره‌ای از وقایع نامناسب برای سازمان پیش بیاورد‌‌. در واقع مفاهیم و نمادها در روابط‌عمومی چنان پیچیده‌اند که نمی‌توان برای آن قوانین منطقی مؤثری در نظر بگیریم، برای همین گرچه تحصیل و دانش در زمینۀ روابط‌عمومی می‌تواند بسیار راهگشا باشد،‌ ولی شما علاوه بر تحصیلات می‌بایست تجربه‌های کاری مرتبط هم داشته باشیم و هر چه این تجربه‌ها بیشتر باشد، شما بهره‌وری بیشتری برای سازمان دارید‌‌.

***

با توجه به این داستان‌های موفقیت‌آمیز الهام‌بخش، هوش مصنوعی توجه بی‌سابقه‌ای به خود جلب کرد‌‌. پژوهشگران خوش‌بین بودند که در کمتر از 20 سال یک ماشین کاملاً هوشمند ساخته شود. ‌‌استنتاج به‌عنوان جست‌وجو‌‌ی یک پارادایم محبوب بود که در آن برخی از اهداف هوش مصنوعی با جست‌وجو در یک مارپیچ به دست می‌آمد‌‌.

بااین‌حال، پس از بیش از 10 سال تحقیق، همه دریافتند که اگرچه توانایی استدلال منطقی بهبود یافته است، اما ماشین‌ها واقعاً باهوش‌تر نشده‌اند‌‌. برای بهبود هوش مصنوعی، می‌بایست دانش انسانی هم به آن اضافه شود. ولی به نظر نمی‌رسد کلید درهای هوش فقط منطق باشد‌‌. این منجر به توسعۀ سیستم‌های خبره و در نهایت گراف دانش شده است. بااین‌حال، حتی با این رویکرد، هنوز محدودیت‌هایی وجود دارد و برای حل بسیاری از مشکلات، تعداد مسیرهای ممکن بسیار زیاد است.

اولین زمستان هوش مصنوعی

سال‌های 1974 تا 1980 اولین ‌‌زمستان هوش مصنوعی‌‌ بود‌‌. خوش‌بینی بیش از حد میان پژوهشگران هوش مصنوعی انتظارات بالایی ایجاد کرد‌‌. وقتی نتایج وعده‌داده‌شده محقق نشد، سرمایه‌گذاری و علاقه به هوش مصنوعی هم کم شد.

سیستم‌های خبره بیشتر به کار مشکلات ایستا می‌آمد و در این عرصه بهترین عملکرد را داشت، اما برای مسائل پویا و بلادرنگ مناسب نبودند‌‌. توسعه و نگهداری این سیستم‌ها به مشکلات جدی برخورد کرد‌‌. یک سیستم خبره می‌توانست روی تعریفی محدود از هوش به‌عنوان استدلال انتزاعی تمرکز کند، که فاصلۀ زیادی با توانایی مدل‌سازی پیچیدگی دنیای واقعی داشت‌‌. هوش سیستم خبره محدود به یک حوزۀ بسیار کوچک بود و ممکن است بهتر باشد آن را به‌عنوان «فرهنگ لغت زنده» توصیف کنیم‌‌. مشکل اصلی سیستم‌های خبره در کسب و ساخت دانش و پیاده‌سازی موتور استدلال بود‌‌. بنابراین، پژوهشگران نظریات متعددی پیرامون این مشکلات توسعه دادند، مانند ‌‌استدلال زنجیره‌ای معکوس‌‌ و ‌‌الگوریتم نرخ‌‌‌‌. گراف دانش و ‌‌استخراج کلان‌داده که در سال‌های اخیر با آن آشنا شده‌ایم نیز به‌نوعی به توسعۀ پایگاه‌های دانش مرتبط هستند‌‌.

شکست ‌‌ماشین لیسپ‌‌ نیز ضربۀ بزرگی به نمادگرایی وارد کرد‌‌. لیسپ یک زبان برنامه‌نویسی بود که به طور گسترده در حوزۀ هوش مصنوعی استفاده می‌شد. ماشین لیسپ هم رایانه‌ای بهینه شده بود تا برنامه‌های لیسپ را اجرا کند‌‌. در دهۀ 1980، مدارسی که هوش مصنوعی را مطالعه می‌کردند چنین ماشین‌هایی خریدند، اما متوجه شدند که نمی‌توانند هوش مصنوعی بسازند‌‌. سپس رایانه‌های شرکت ‌‌IBM‌‌ و ‌‌مکینتاش‌‌ آمدند که ارزان‌تر و قدرتمندتر از ماشین‌های لیسپ بودند‌‌.

در اواخر دهۀ 1990، با شکست پروژۀ رایانۀ هوشمند ژاپن (نسل پنجم) و افول پروژه ‌‌Cyc‌‌ (دایره‌المعارف انسانی) که دانشگاه استنفورد آن را راه انداخت و رهبری کرد، هوش مصنوعی بار دیگر وارد زمستان شد‌‌. اصطلاح هوش مصنوعی تقریباً به یک تابو تبدیل شده بود و اصطلاحات ملایم‌تری مانند ‌‌رایانش پیشرفته‌‌ به کار می‌رفتند‌‌.

هرچند هوش مصنوعی و سیستم‌های خبره ابزارهای قدرتمندی در تحلیل و ارائۀ پیشنهاد در مواجهه با بحران‌های سازمانی هستند، اما پیچیدگی‌های انسانی و اجتماعی روابط‌عمومی فراتر از قابلیت‌های فعلی این فناوری‌هاست.

تجربه، شهود و درک عمیق از روابط انسانی عواملی هستند که ماشین نمی‌تواند آن را درک کند. پس همان‌طور که دیدیم تمرکز صرف بر منطق و فرمالیزه کردن کافی نیست و می‌بایست رویکردهای جدیدی را پی بگیریم که بتوانند پیچیدگی‌های دنیای واقعی را درک کند و با آن هماهنگ شود. برای همین، ترکیب دانش فنی با تجربۀ انسانی همچنان کلید موفقیت در مدیریت بحران‌های روابط‌عمومی است، و ما باید به دنبال راه‌هایی باشیم که این دو را به بهترین شکل ممکن در کنار هم به کار گیریم.

***

در بخش‌های بعدی رویکرد دوم در مطالعات هوش مصنوعی را مورد بررسی قرار می‌دهیم و از منظر یک دانشجوی علوم ارتباطات نشان می‌دهیم که در رویکرد اتصال‌گرا ماشین‌ها چگونه از شبکۀ عصبی نورونی عمیق کمک می‌گیرند برای یادگیری از داده‌ها.

[1] knowledge base approach