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 نُهم «از قلم تا الگوریتم» به تشریح شبکههای عصبی پیچشی (CNN) و نحوۀ عملکرد آن‌ها در تحلیل تصاویر خبری پرداختیم. در این بخش، نگاهی می‌اندازیم به کاربردهای گستردۀ CNN در حوزۀ روابط‌عمومی و بررسی می‌کنیم که چگونه این فناوری می‌تواند فرایندهای روابط‌عمومی را بهینه‌سازی کند و تعاملات سازمان‌ها را با مخاطبان هدف ارتقا دهد.
منبع اصلی ما در این یادداشت‌ها همچنان فصل هفتم کتاب «تاریخچۀ مختصر هوش» نوشتۀ ریچارد یو و آنجلا یو است. در واقع، مباحث مرتبط با هوشمندی ماشین‌ها را برای علاقمندان به روزنامه‌نگاری و روابط‌عمومی مناسب‌سازی می‌کنم.
هشدار: بدون خواندن بخش‌های پیشین، خواندن این بخش فقط وقت تلف کردن است.
- مقدمه؛ رسانه در عصر هوش مصنوعی
- چه شد به ماشین‌ها اجازه دادیم تصمیم بگیرند؟
- ظهور هوش مصنوعی نمادین: راه‌حل‌های نوین برای مسائل پیچیده
- سیستم‌های خبره چه‌طور محتوای خبری را ارتقا می‌دهند؟
- از بحران تا بهبود: نقش هوش مصنوعی در مدیریت روابط‌عمومی
- ماشین‌ها چگونه مانند ما یاد می‌گیرند؟ نگاهی به رویکرد ارتباط‌گرا
- انتقال تجربۀ روزنامه‌نگارانه به شبکههای عصبی؛ چگونه ماشین‌ها احساسات را محاسبه می‌کنند؟
- چشم‌های مصنوعی که می‌بینند و می‌فهمند؛ کاربرد شبکههای عصبی در تحلیل تصاویر خبری
- از تشخیص چهره تا تحلیل اخبار؛ سفر به دنیای شبکههای عصبی پیچشی در روزنامه‌نگاری
در یادداشت پیشین به طور مفصل به شبکههای عصبی پیچشی (CNN) پرداختیم و کاربردهای آن را در روزنامه‌نگاری بررسی کردیم. همچنین مثال‌هایی آوردیم در رابطه با نحوۀ عملکرد CNN در تشخیص تصاویر و استخراج اطلاعات از داده‌های تصویری و از مزایا و چالش‌های استفاده از CNN در روزنامه‌نگاری گفتیم.
در این بخش از اهمیت کاربرد شبکههای عصبی پیچشی در روابط‌عمومی می‌گوییم:
کاربردهای شبکههای عصبی پیچشی CNN در روابط‌عمومی
شبکههای عصبی پیچشی می‌توانند با تحلیل و پردازش سریع داده‌های تصویری، به تیم‌های روابط‌عمومی کمک کنند تا اطلاعات مؤثرتر و دقیق‌تری را به مخاطبان ارائه دهند.
- تحلیل محتوای بصری شبکههای اجتماعی
روابط‌عمومی پل ارتباطی مخاطبان یا مشتریان درون و بیرون سازمان است. یعنی مجرای رساندن بسیاری از واکنش‌های حسی بد و خوب به سازمان است. روابط‌عمومی شبیه سیستم عصبی در سازمان عمل می‌کند که مسئولیت پاسخگویی به واکنش‌های کل سیستم را بر عهده دارد.
پس روابط‌عمومی می‌بایست به احساس‌ها، نظرها و ایده‌های مرتبط با سازمان ما مسلط باشد و به امکاناتی وصل شود که می‌توانند احساسات را در شبکۀ اجتماعی تشخیص دهند. برای همین است که دسترسی به مراکز رصد شبکههای اجتماعی اهمیت زیادی دارد.
درحال‌حاضر مراکزی در ایران چنین خدماتی ارائه می‌دهند. این مراکز با رصد شبکههای اجتماعی و تحلیل محتوای پست‌های کاربران دربارۀ سازمان، روی تصویر برند ما نظارت دارند. این رصدگرها می‌توانند میزان حضور برند ما را در تصاویر و ویدئوهای شبکههای اجتماعی و رسانه‌های جمعی تحلیل و بررسی کنند.
برای مثال، مدیر روابط‌عمومی یک شرکت خودروسازی می‌تواند از شبکههای عصبی پیچشی ( CNN) استفاده کند تا تصاویر برند خود را در اینستاگرام بیابد و میزان رضایت یا نارضایتی مخاطبان را بر اساس محتوای بصری مرتبط با آن، تحلیل کند.
- ارزیابی کمپینهای تبلیغاتی بصری
شبکههای عصبی پیچشی، به‌صورت خودکار، بازخوردِ کمپینهای تبلیغاتی بصری را تحلیل می‌کنند. این شبکه‌ها می‌توانند تشخیص دهند کدام عناصر گرافیکی و بصری در تبلیغات بیشترین توجه را جلب کرده‌اند. به‌این‌ترتیب، پیدا کردن تصاویر یا ویدیوهای تبلیغاتی موفق نیز کار ساده‌ای است. می‌توان الگوهای موفق را هم استخراج کرد و کمپینهای تبلیغاتی را مُماس با خط توجه مخاطب پیش برد.
برای نمونه، یک شرکت لوازم ورزشی پس از اجرای کمپین تبلیغاتی می‌تواند با کمک شبکههای عصبی پیچشی (CNN)، میزان توجه به لوگو، محصول یا افراد حاضر در تصاویر را تحلیل کند و الگوی مؤثرترین تبلیغات را پیدا کند.
البته همان‌طور که پیشتر هم گفتیم، چنین کاری را درحال‌حاضر شرکت‌های رصدگر شبکههای اجتماعی انجام می‌دهند و این شرکت‌ها به کمک دسترسی به API برخی شبکه‌ها، می‌توانند با کلمات کلیدی کمپین تبلیغاتی ما در شبکه‌ها پست‌های مختلف را تحلیل کند.
در اینجا همچنان تسلط نیروهای روابط‌عمومی به اخبار و اتفاق‌های مرتبط با سازمان سبب می‌شود تا بتوانند پاسخ‌های مناسب‌تری از مدل بگیرند و در اینجاست که کار مهم کارگزاران روابط‌عمومی شروع می‌شود؛ رسیدن به الگوی تازه‌ای از توجه مخاطبان و تحلیل خلاقانۀ آن برای ارائۀ خدمات بهتر.
جای توضیح نیست که داریم راجع به یک بخش از سیستم پیچیدۀ سازمان صحبت می‌کنیم و اگر سایر بخش‌های سازمان با هم هماهنگ نباشند، روابط‌عمومی به مجرایی برای رساندن اخبار بد تبدیل می‌شود. متأسفانه برخی مدیران به‌جای تصحیح روندهای روزمرۀ سازمان، در درجۀ نخست سیستم عصبی سازمان را از کار می‌اندازند و سیستم ناکارآمدی را جایگزین می‌کنند که به اشتباه‌های آنان لایک نشان دهد. ولی این لایک‌های مداوم چاپلوسان از احساس‌های واقعی نسبت به سازمان خالی است. گویی به انگشت در حال سوختن‌شان، داروی بی‌حسی زده باشیم.
پس قرار نیست با دسترسی به سازوکار هوش مصنوعی در روابط‌عمومی، ناگهان سازمان متحول شود. اما می‌توان بسیاری از روابط درون‌سازمانی را تسهیل کرد به شرطی که هیئت‌مدیریۀ سازمان اراده‌ای برای شنیدن داشته باشد.
- تشخیص محتوای جعلی یا تخریبی
یکی از چالش‌های مهم روابط‌عمومی، مدیریت اخبار جعلی و محتوای تخریبی است. شبکههای عصبی پیچشی می‌توانند به‌راحتی تصاویر دستکاری‌شده و ویدیوهای جعلی را بشناسند. دسترسی به رصدگرهای شبکههای اجتماعی سبب می‌شود تا به راحتی سرمنشاء برخی اخبار جعلی و تخریب‌ها را پیدا کنیم.
دوستان باتجربه خوب می‌دانند چه‌قدر ارزشمند است اگر منشاء یک جریان ضدسازمان را در شبکه پیدا و از گسترش آن جلوگیری کنیم. گاهی با یک تلفن ساده می‌توان برخی سوء‌تفاهم‌ها را حل کرد و با خلق روایتی تازه جلوی بدنامی برند را گرفت.
همچنین می‌توانیم به وسیلۀ شبکههای عصبی پیچشی خوشه‌های ارتباطی مختلفی از کاربران تهیه کنیم و نقاط بحران‌خیز در شبکه را تشخیص دهیم تا از انتشار اطلاعات نادرست جلوگیری کنید.
- تجزیه‌وتحلیل ویدیوهای خبری برای پوشش رسانه‌ای
یکی از کارهای ما در روابط‌عمومی این است که پوشش رسانه‌ای برند خود را در خبرگزاری‌ها و شبکههای تلویزیونی و اجتماعی تحلیل کنیم. شبکههای عصبی پیچشی می‌توانند خیلی سریع شیطنت برخی رسانه‌ها و پایگاه‌های رقیب را در انتشار عکس‌ها و فیلم‌های نامناسب از مدیر یا سخنگوی سازمان تشخیص دهند. همچنین می‌توانند تحلیل آماری دقیقی در رابطه با زمان و میزان حضور برند یا نمایندگان سازمان در گزارش‌های خبری تهیه کنند.
امروزه، بسیاری از سازمان‌ها تهیۀ بریدۀ جراید و رصد رسانه‌های جمعی و اجتماعی را هم برون‌سپاری کرده‌اند. اینجاست که همکاری با شرکتی که خزنده‌های جست‌وجوگر قوی‌تری داشته باشد، مهم است.
- ساخت گزارش‌های تصویری سریع و دقیق
واحدهای سمعی بصری سازمان‌ها معمولاً با فشار زمانی زیادی مواجه‌اند در رساندن کلیپ‌های خبری مرتبط با اتفاق‌های مرتبط با سازمان. اکنون می‌توانیم با سرعت و دقت بیشتری تصاویر و ویدیوهای مرتبط با یک موضوع خاص را دسته‌بندی کنیم گزارش‌های رسانه‌ای سریع‌تر و خلاقانه‌تری بسازیم.
در میان این ابزار می‌تواند داده‌های تصویری را به‌طور دقیق پردازش و نتایج آماری ارائه دهند و همین موضوع گزارش‌های روابط‌عمومی را معتبرتر می‌کند. برای مثال ،روابط‌عمومی شهرداری یک شهر می‌تواند با استفاده از CNN تصاویر شهروندان در حال استفاده از پروژه‌های شهری را تجزیه‌وتحلیل و گزارشی تصویری از میزان رضایت شهروندان تهیه کند.
چالش‌ها و ملاحظات اخلاقی
این مورد آخر، احتمالاً شاخک‌های ملاحظات اخلاقی ما را تکان می‌دهد. شاید شهروندان نخواهند به بهانۀ دانستن میزان رضایت‌شان از پروژه‌های شهری، کسی وارد حریم خصوصی آنان شود. این چالشی است که نباید ساده از کنار آن بگذریم. متأسفانه بسیاری از مردم دنیا در ازای دریافت خدماتی مثل ایمیل بسیاری از اطلاعات خصوصی خود را در اختیار سازمان‌های مختلف قرار می‌دهند.
بسیاری از دولت‌ها نیز به اطلاعات خصوصی شهروندان‌شان دسترسی دارند و این سؤال در سطح جهان مطرح است که چه میزان از این اطلاعات در معرض تجزیه‌وتحلیل هوش مصنوعی قرار گرفته؟ نتایج آن چه بوده است؟ این نتایج منافع مردم را تأمین می‌کند یا منافع عده‌ای معدود از اهالی قدرت را؟
بحث دوم در این میان، تعصبات الگوریتمی است. اینکه شبکههای یادگیری عمیق با کدام داده‌ها آموزش دیده‌اند؟ چون اگر این داده‌ها به درستی انتخاب نشوند، ممکن است نتایجی که از ماشین می‌گیریم پر از سویگیری‌های جنسیتی، قومی، فرهنگی و اجتماعی باشد.
متأسفانه میزان آگاهی نسبت به هوش مصنوعی بسیار پایین است؛ چون سرعت رشد این فناوری بسیار بالاست و طبیعی است که بسیاری از مردم دنیا نه آن را بشناسند و نه علاقه‌ای داشته باشند به شناخت آن. ولی وقتی با پاسخ‌هایی شبیه به زبان مادری خود مواجه می‌شوند، ممکن است به این ماشین مرجعیت علمی و حتی قدسی دهند.
فرض کنیم این ماشین که فهم اشتباهی نسبت به آن وجود دارد، پاسخی سویگیرانه نسبت به یک قوم، جنسیت، آیین و… ارائه دهد. از قضا اگر من هم در رفتار خویش این سویگیری‌ها را داشته باشم، احساس می‌کنم که واقعاً درست می‌اندیشم و مثلاً فلان قومیت یا فلان جنسیت چنین است و مستحق چنان.
ماشین خودش نمی‌فهمد که دارد سویگیرانه پاسخ می‌دهد، ولی سویگیری‌های ذهنی ما آدم‌هاست که وقتی هوش مصنوعی را پشت خود می‌بیند، معنا برساخت می‌کند و به این نتیجه می‌رسد که فلان گروه، نباشد و از بین برود.
خوب می‌دانیم که اساس روابط‌عمومی، ایجاد ارتباطات مؤثر و پایدار با مخاطبان است و برای همین رعایت اصول اخلاقی برای ما خیلی مهم است.
استفاده از هوش مصنوعی بدون توجه به این اصول می‌تواند به تخریب اعتماد مخاطبان و ایجاد بحران‌های ارتباطی منجر شود. بنابراین، متخصصان روابط‌عمومی باید در استفاده از ابزارهای هوش مصنوعی دقت لازم را داشته باشند و اطمینان حاصل کنند که این ابزارها به گونه‌ای طراحی و آموزش داده شده‌اند که عاری از هرگونه تعصب و تبعیض باشند. همچنین، باید شفافیت لازم در مورد استفاده از هوش مصنوعی را رعایت کرده و مخاطبان را از مزایا و خطرات آن آگاه کنند.
شبکههای عصبی پیچشی دریچه‌ای نوین به دنیای روابط‌عمومی گشوده‌اند. با کمک این فناوری می‌توانیم محتوای بصری را سریع‌تر و دقیق‌تر تحلیل کنیم، به بحران‌ها واکنش سریع‌تر و بهتری نشان دهیم و اثربخشی کمپینهای خود را بیشتر کنیم. روابط‌عمومی آینده، بیش از هر زمان دیگری به ابزارهای هوش مصنوعی نیاز دارد تا بتواند در دنیای پرشتاب و پیچیدۀ امروز، به‌طور مؤثر عمل کند.
در یادداشت بعدی نگاهی خواهیم انداخت به رویکرد سوم یعنی رویکرد رفتارگرا و یادگیری تقویتی، البته با مثال‌هایی از دنیای روزنامه‌نگاری.
