یادگیری ماشین برای توسعۀ استراتژی‌ های روابط‌ عمومی

تشخیص به‌موقع بحران‌ها در رأس فعالیت‌های حرفه‌ی روابط‌ عمومی قرارداد که از طریق برنامه‌های مدیریتی و مداخلۀ هدفمند می‌توان از بروز رویدادهای ناخواسته جلوگیری کرد. در پارادایم امروزی، کاربرد هوش مصنوعی، به‌ویژه یادگیری ماشین، تشخیص به‌موقع بحران‌ها را آسان‌تر کرده است.

یادگیری ماشین یکی از زیرشاخه‌های هوش مصنوعی است و هدف آن استخراج و بهره‌برداری خودکار از اطلاعات مهم موجود در کلان‌داده‌هاست. این فناوری به توسعه، تحلیل و اجرای روش‌هایی تمرکز دارد که ماشین را قادر می‌سازد تا از طریق یک فرایند یادگیری تکامل یابد و برنامه‌هایی را انجام دهد که دستیابی به آ‌ن‌ها با الگوریتم‌های معمولی دشوار یا غیرممکن است. الگوریتم‌های یادگیری ماشین از منابع مختلفی استفاده می‌کنند و رشته‌های مختلف را ترکیب می‌کنند. برای مثال آمار و تجزیه‌‎وتحلیل داده‌ها، یادگیری نمادین، یادگیری عصبی، برنامه‌نویسی منطق استقرایی، یادگیری تقویتی، یادگیری آماری، پایگاه‌های داده، رابط‌های انسان و ماشین و غیره. 

در یک نگاه کلی، فناوری‌های زیرشاخۀ هوش مصنوعی به سه گروه تقسیم می‌شوند: گروه اول با عنوان «هوش مصنوعی نمادین»  تکنیک‌های اولیه را شامل می‌شوند و با وجود اینکه قدیمی به نظر می‌رسند، اما درحوزه‌های گوناگون اعمال می‌شوند. دستۀ دوم، رویکردهای «داده‌محور» هستند که در دو دهۀ گذشته به سرعت توسعه یافته‌اند و به تجدید حیات هوش مصنوعی کمک می‌کنند. بخش سوم به بررسی شیوه‌های گسترش هوش مصنوعی در آینده می‌پردازد و با فاصله‌گیری از معیارهای بازار، تلاش می‌شود مفاهیم و روش‌های کلیدی به‌ویژه «یادگیری عمیق» درک شود.

یادگیری ماشین از اواخر دهۀ ۱۹۷۰، هنگامی که سیستم‌های خبره با چالش کسب تخصص‌های جدید مواجه شدند، به دغدغۀ اصلی هوش مصنوعی تبدیل شد. هدف آن ایجاد فرضیه‌هایی است که بر اساس دو معیار ارزیابی می‌شوند: کارایی پیش‌بینی و قابل فهم بودن. یادگیری ماشین توسعۀ برنامه‌هایی است که با تجربه بهبود می‌یابند. کاربردهای آن بسیار زیاد است و در زمینه‌های مختلف موردتوجه قرار می‌گیرد. به‌عنوان‌مثال، می‌توان به تشخیص الگو، به‌ویژه شناسایی گفتار و کلمات نوشتاری، کنترل فرایندها و تشخیص خطا و… اشاره کرد. بنابراین، دانش تولید شده توسط ماشین لزوماً ماهیت منطقی ندارد و می‌تواند صورت‌های مختلفی داشته باشد، شبکۀ عصبی، مدل جبری، مدل هندسی و غیره. 

تعامل انسان و ماشین برای توسعۀ همکاری مشترک در یادگیری ماشین از اهمیت برخوردار است و مطالعۀ نقش دو طرفۀ یادگیری ماشین و ارتباطات از موضوع‌های جدید است که جنبه‌های بهره‌مندی ارتباطات از یادگیری ماشین و برعکس واکاوی می‌شود. برای مثال، با ساخت نمادهای قابل درک برای انسان از ادراک و اعمال روبات‌ها، قدرت ارتباط غیرکلامی و مکانیسم‌های یادگیری تقلید جهت توسعۀ برنامه‌نویسی ماشین‌ها کشف می‌شود. نباید فراموش کرد که فناوری را نمی‌توان موجودیتی مجزا و مستقل از کاربران دانست؛ بلکه کارایی آن طبق ارزش‌ها و معیارهای مشترک با کاربران ارزیابی می‌شود. البته، رابطۀ مخاطب با ماشین و جهان‌های اجتماعی در یک مدار موردتوجه قرار می‌گیرد و نمی‌توان فرض کرد هوش مصنوعی فراتر از مهارت‌های انسان رشد می‌کند.

مدل‌های یادگیری ماشین به سه دستۀ اصلیِ یادگیری با ناظر، بدون ناظر و تقویتی، تقسیم می‌شوند. دستۀ اول با رویکرد پیش‌بینی و با استفاده از ناظر که دانش محیطی را در اختیار دارد، برای هر ورودی پاسخ مطلوب را نشان می‌دهد. به این ترتیب، پاسخ واقعی با پاسخ مطلوب (برچسب پیش‌بینی شده) مقایسه می‌شود.

یادگیری ماشین با ناظر برای غلبه بر چالش‌های مرتبط با تجزیه‎وتحلیل داده‌های آنلاین پرکاربرد است. در این نوع، از شاخص‌ها برای دسته‌بندی و کدگذاری داده‌های باینری استفاده می‌شود و مناسب فضایی است که انسان دانش کافی را برای ارائۀ الگوریتم‌های مؤثر مانند تشخیص چهره در عکس ندارد. 

یادگیری بدون ناظر، رویکرد کشف الگوست که داده‌ها را بدون شناسایی طبقه در نظر می‌گیرد و هدف کشف قوانین بین داده‌هاست تا بهترین خوشه‌بندی ممکن انجام شود. در این قلمرو، کاوش داده‌ها در پایگاه‌های اطلاعاتی که دارای ترتیبی خاص و قابل تشخیص هستند مثل بررسی حاصل از یک درمان پزشکی بر روی پایگاه دادۀ بیماران انجام می‌شود. در دستۀ سوم مدل‌های یادگیری ماشین، برنامه‌ها باید تطبیق‌پذیر با محیط در حال تغییر باشند مثل شناساییِ سلیقه و خواسته‌های کاربرانی که علایق متغیری دارند.

روش‌های یادگیری تجربی مبتنی بر کسب دانش از طریق نمونه‌ و مثال‌هاست. روش‌های یادگیری تجربی شامل استدلال موردی، شبکه‌های عصبی مصنوعی و درخت‌های تصمیم‌گیری است. این روش‌ها به دو زیرشاخۀ یادگیری قیاسی  و استقرایی  تقسیم می‌شوند. در رویکرد یادگیری قیاسی، اطلاعات گنگ و نامفهوم  براساس شناخت و دانش مشهور درک و فهم می‌شود‌. بنابراین، یادگیری مفاهیم جدید با استخراج راه‌حل‌های جدید از مفاهیم و شیوه‌های شناخته شده مشابه امکان‌پذیر است. دو مفهوم در تعریف یادگیری قیاسی بسیار مهم می‌شوند: انتقال و شباهت.

هدف رویکرد قیاسی، شناخت و کشف قواعد کلی است که از مطالعۀ نمونه‌ها به دست می‌آید. الگوریتم‌های این رویکرد، مجموعه‌ای از مثال‌های یادگیری را دریافت می‌کند و باید قوانین طبقه‌بندی را کشف تا امکان طبقه‌بندی نمونه‌های جدید فراهم باشد. این الگوریتم می‌تواند با ناظر یا بدون نظارت عمل کند. یک زیرمجموعۀ دیگر از روش‌های یادگیری به نام یادگیری بر اساس تبیین مطرح است که این شیوه از دانش‌های پیشین و استدلال قیاسی برای افزایش اطلاعات ارائه‌شده توسط مجموعه‌هایی از مثال‌ها استفاده می‌کنند. این روش‌ها به‌عنوان یادگیری تحلیلی نیز شناخته می‌شوند.

یادگیری تقویتی یک مدل یادگیری ماشینی وابسته به بازخورد است. در این فرایند، اطلاعات به ماشین به‌منظور پیش‌بینی داده‌ها ارائه می‌شود. اگر پیش‌بینی ماشین در مورد داده‌های ورودی نادرست باشد، سیستم بازخورد آن را دریافت می‌کند. برای مثال، اگر به دستگاه تصویری از یک توپ بسکتبال بدهید و آن را به‌عنوان یک توپ تنیس یا چیز دیگری شناسایی کنید، بازخورد منفی به دستگاه می‌دهید و در نهایت دستگاه یاد می‌گیرد که تصویر توپ بسکتبال را دقیق شناسایی کند.

الگوریتم‌های یادگیری ماشین با نظارت به دو دستۀ طبقه‌بندی  و رگرسیون تقسیم می‌شوند که انعطاف‌پذیری و قابل فهم بودن از بارزترین مشخصات آن‌هاست. اما وابستگی به ویژگی‌های منتخب کاربر، عیب اصلی این مدل‌هاست. مدل‌های یادگیری عمیق بازنمایی‌های پنهان در متن، تصاویر، گفتار و ساختارها را استخراج می‌کنند تا اطلاعات تقلبی منتشر شدۀ آنلاین را شناسایی کنند. به این ترتیب، مسئله از مدل‌سازی ورودی داده‌ها به مدل‌سازی خود شبکه منتقل می‌شود که امکان حل کارآمد مسئله را فراهم می‌کند.

روش‌های طبقه‌بندی در یادگیری ماشین به‌ویژه آن‌هایی که بر اساس درخت‌های تصمیم‌گیری هستند با‌توجه‌به نتایج کاربردشان که در زمینه‌های مختلف به‌دست آمده‌اند، بسیار موردتوجه هستند. نکتۀ اصلی آن‌ها، در مقایسه با هر روش طبقه بندی دیگری، در قابل فهم بودن آن‌هاست. آنها توابع رتبه‌بندی را تولید می‌کنند که خودشان را معنا می‌کنند. علاوه بر این، عملکرد پیش‌بینی و تعمیم خوبی دارند. بااین‌حال، این روش‌ها عمدتاً از اشکالات پیچیدگی و بی‌ثباتی مدل‌های تولید شده رنج می‌برند. در واقع، مدل‌های پیچیده باعث می‌شوند این روش‌ها خاصیت تفسیرپذیری خود را از دست بدهند که آن‌ها را به گسترده‌ترین روش‌ها در زمینۀ طبقه‌بندی تبدیل می‌کند. بی‌ثباتی اعتبار ابزار مورد استفاده را کاهش می‌دهد که آن را به‌شدت به داده‌ها وابسته می‌کند.

در مجموع، کاربرد مدل‌های یادگیری ماشین در مدیریت بحران‌های ارتباطی پیشنهاد می‌شود. نقش تخصصی روابط‌عمومی باید بر گسترش روابط تعاملی و پاسخگویی نرم متمرکز باشد و پیشاپیش با استفاده از ابزارهای هوشمند برای مسئولیت اجتماعی، ارتقای نقش هدایتگری و تعالی بخشیدن به روابط‌اجتماعی برنامه‌ریزی شود. از این منظر، ظهور و کاربرد الگوریتم‌های یادگیری ماشین منجر به پیکربندی جدید این عرصه شده‌اند و سرعت پاسخگویی نرم به بحران‌ها در جهت اعتمادسازی را ارتقا بخشیده‌اند.