خبرنگار دیجیتال / 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.
روزنامه‌نگاری در عصر هوش مصنوعی، تنها چاپ کلمات بر کاغذ یا کلیک‌های معمولی روی وب نیست؛ با یادگیری تقویتی، رسانه‌ها می‌توانند هوشمندتر، سریع‌تر و شخصی‌تر از همیشه، داستان‌های تازه را روایت کنند و نگاه مخاطبان را جادو کنند.
طی ۱۰ یادداشت «از قلم تا الگوریتم» کم و بیش سعی کردیم از پشت دریچۀ روزنامه‌نگاری و روابط‌عمومی به دو رویکرد ابتدایی در مطالعات هوش مصنوعی نگاهی بیندازیم. گفتیم که هوش مصنوعی طی تاریخ کوتاه خود تاکنون سه رویکرد اساسی داشته است. رویکردهای نمادین، ارتباط‌گرا و رفتارگرا.
در بخش دهم «از قلم تا الگوریتم» نگاهی انداختیم به کاربردهای گستردۀ CNN در حوزۀ روابط‌عمومی و بررسی کردیم که چگونه این فناوری می‌تواند فرایندهای روابط‌عمومی را بهینه‌سازی کند و تعاملات سازمان‌ها را با مخاطبان هدف ارتقا دهد.
در این یادداشت می‌خواهیم نگاهی بیندازیم به رویکرد سوم یعنی رویکرد رفتارگرا و یادگیری تقویتی، البته با مثال‌هایی از دنیای روزنامه‌نگاری. در دنیای رسانه و روزنامه‌نگاری، همواره به روش‌ها و فناوری‌های نوینی نیاز داریم تا اطلاعات به شکل مؤثرتر، سریع‌تر و هدفمندتر به مخاطبان منتقل شود.
یکی از این فناوری‌های نوین که ظرفیت ایجاد تحول جدی در روزنامه‌نگاری دارد، «یادگیری تقویتی[۱]» و به‌طور ویژه‌تر «یادگیری تقویتی عمیق[۲]» (یا DRL) است که در یادداشت بعدی در رابطه با آن گپ می‌زنیم.
ممکن است در نگاه اول این مفاهیم پیچیده و صرفاً مختص حوزۀ علوم رایانه به نظر برسند، اما در واقع، یادگیری تقویتی می‌تواند به شیوه‌های جذاب و کاربردی، چهرۀ روزنامه‌نگاری را دگرگون کند.
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
- رمزگشایی از نگاه مخاطبان: کاربرد شبکه‌های عصبی پیچشی در ارزیابی کمپین‌های تبلیغاتی
در این یادداشت به کاربردهای رویکرد رفتارگرا در روزنامه‌نگاری می‌پردازیم و نشان می‌دهیم که چگونه این فناوری می‌تواند بازاریابی محتوا، تولید، توزیع و تعامل با مخاطب را به سطح بالاتری برساند.
مروری بر مفاهیم پایه
پیش از این گفتیم که ماشین‌ها یا سیستم‌های رایانه‌ای می‌توانند از داده‌ها بیاموزند و با تکرار و آموزش مداوم، عملکرد خود را بهتر کنند و ما به این روش می‌گوییم «یادگیری ماشین».
در این روش، الگوریتم‌هایی طراحی می‌شود که بدون اینکه به طور مستقیم و خط‌به‌خط برنامه‌ریزی شده باشند، می‌توانند الگوها را بشناسند و وظایفی را انجام دهند.
برای مثال، یک الگوریتم یادگیری ماشین می‌تواند با تحلیل صدها گزارش خبری، الگوهای زبانی را تشخیص دهد و محتوای متنی مشابهی تولید کند. «یادگیری عمیق» زیرشاخه‌ای از یادگیری ماشین است که از ساختاری موسوم به «شبکه‌های عصبی عمیق» بهره می‌برد.
این ساختار الهام‌گرفته از طرز کار نورون‌های مغز انسان است. شبکۀ عصبی به ماشین امکان می‌دهد تا داده‌ها را طبقه‌بندی کند و مفاهیم پیچیده‌تری را از طریق لایه‌های مختلف (لایه‌های عصبی) بیاموزد. برای مثال، الگوریتم‌های یادگیری عمیق می‌توانند با دقت زیاد تصاویر را تشخیص دهند، صدا و متن را پردازش و آن را بازتولید کنند.
یادگیری تقویتی (RL) چیست؟
یادگیری تقویتی ( RL) به‌عنوان پاسخی به محدودیت‌های رویکردهای پیشین در یادگیری ماشین مطرح شد. در روش‌های نظارت‌شده، مدل‌ها برای آموزش به داده‌های برچسب‌گذاری‌شده وابسته‌اند که تهیۀ آن به هزینه و زمان زیادی نیاز دارد.
همچنین، این مدل‌ها در مواجهه با وظایفی که نیازمند تصمیم‌گیری‌های متوالی یا برنامه‌ریزی بلندمدت هستند، عملکرد مطلوبی ندارند. از سوی دیگر، یادگیری بدون نظارت بر کشف الگوها در داده‌های بدون برچسب تمرکز دارد، اما برای مسائلی که به تعامل فعال با محیط و دریافت بازخورد نیاز دارند، مناسب نیست.
در این میان، یادگیری تقویتی با الهام از رفتارگرایی در روان‌شناسی، به‌ویژه مفهوم شرطی‌سازی عامل بی. اف. اسکینر، رویکردی را ارائه می‌دهد که در آن عامل با محیط تعامل می‌کند و با آزمون و خطا و دریافت پاداش یا تنبیه، سیاست بهینه را برای حداکثرسازی پاداش‌های تجمعی می‌آموزد.
این روش بدون نیاز به داده‌های برچسب‌گذاری‌شده، امکان یادگیری از تجربیات مستقیم را فراهم می‌کند و برای مسائلی با پاداش‌های تأخیری یا تصمیم‌گیری‌های متوالی بسیار کارآمد است.
برتری یادگیری تقویتی نسبت به رویکردهای اتصال‌گرا در توانایی آن برای یادگیری از تعاملات پویا با محیط و بهبود مستمر عملکرد بر اساس بازخوردهای دریافتی است. این ویژگی‌ها، یادگیری تقویتی را به ابزاری قدرتمند برای حل مسائلی مانند رباتیک، بازی‌ها و سیستم‌های کنترل تبدیل کرده است که در آن تصمیم‌گیری‌های متوالی و برنامه‌ریزی بلندمدت حیاتی‌اند.
تصور کنید یک موش در هزارتویی قرار گرفته است. هر بار که موش به سمت اشتباه حرکت کند، امتیاز منفی می‌گیرد و هرگاه مسیر درست را بیابد، امتیاز مثبت دریافت می‌کند. یعنی موش با تکرار این فرایند تنبیه و پاداش، یاد می‌گیرد که بهترین مسیر را طی کند.
یادگیری تقویتی (RL) در روزنامه‌نگاری
در سال‌های اخیر، یادگیری تقویتی به‌عنوان ابزاری قدرتمند در صنایع مختلف مطرح شده است و رسانه‌ها نیز از این قاعده مستثنی نیستند. در ادامه، به مهم‌ترین کاربردهایی که یادگیری تقویتی می‌تواند در روزنامه‌نگاری داشته باشد، می‌پردازیم.
۱. توصیه‌های محتوای شخصی‌سازی‌شده
یکی از دغدغه‌های اصلی رسانه‌ها، جذب و حفظ مخاطبان است. الگوریتم‌های یادگیری تقویتی می‌توانند با تحلیل رفتار کاربران (مانند مدت زمان خواندن، اشتراک‌گذاری و…) مقالات مناسب برای هر کاربر را پیشنهاد دهند.
این موضوع نه‌تنها باعث افزایش رضایت مخاطب می‌شود، بلکه نرخ تعامل، مدت زمان ماندگاری در وب‌سایت و در نهایت، نرخ اشتراک را هم بیشتر می‌کند.
برای نمونه، خبرگزاری‌های آنلاین می‌توانند از الگوریتم‌های توصیه‌گر برای پیشنهاد مقالات مرتبط، طبق سلیقۀ خوانندگان استفاده کنند. به‌عنوان‌مثال، کاربری که همواره مقالات ورزشی می‌خواند، بیشتر محتوای مرتبط با تیم‌های موردعلاقه‌اش را می‌بیند.
۲. تولید خودکار اخبار
سرعت در انتشار اخبار، یکی از نیازهای اساسی روزنامه‌نگاران است. یادگیری تقویتی می‌تواند در خودکارسازی تولید اخبار، به‌ویژه در موضوع‌هایی مانند گزارش‌های مالی یا مسابقات ورزشی که نیاز به به‌روزرسانی سریع دارند، به کار گرفته شود.
برای نمونه، خبرگزاری آسوشیتدپرس از سیستم‌های مبتنی بر هوش مصنوعی برای خودکارسازی تولید گزارش‌های سود شرکت‌ها استفاده کرده است؛ این اقدام سبب شده تعداد گزارش‌هایی که خبرنگاران می‌توانند تولید کنند، به‌شدت افزایش یابد.
۳. بهینه‌سازی زمان و پلتفرم انتشار
الگوریتم‌های یادگیری تقویتی می‌توانند الگوهای رفتاری مخاطبان را در پلتفرم‌های مختلف تحلیل و بهترین زمان انتشار محتوا و مناسب‌ترین پلتفرم را شناسایی کنند.
این مسئله با افزایش دسترسی مخاطبان و جذب بیشتر آن به محتوا، نقش کلیدی در موفقیت کمپین‌های رسانه‌ای دارد.
پلتفرم‌های اجتماعی نظیر فیس‌بوک و ایکس از یادگیری تقویتی برای پیشنهاد محتوای مناسب‌تر بهره می‌برند. اگرچه این پلتفرم‌ها رسانه‌ای سنتی نیستند، اما درس‌های ارزشمندی برای روزنامه‌نگاران دارند که چگونه می‌توانند انتخاب محتوا و نحوۀ نمایش آن را بهینه کنند.
۴. افزایش کارایی در فرایندهای خبری
- خودکارسازی وظایف روتین خبری، باعث آزاد شدن زمان روزنامه‌نگاران برای تحقیقات عمیق‌تر، گزارش‌های تحلیلی و کارهای خلاقانه می‌شود.
- در این روش، وظایفی مانند گردآوری داده‌های اولیه، ویرایش اولیه و حتی ساده‌نویسی می‌تواند بر عهدۀ سیستم‌های هوشمند باشد و روزنامه‌نگاران تمرکز خود را بر روی ابعاد انسانی، تحلیلی و خلاق خبر بگذارند.
۵. تصمیم‌گیری مبتنی بر داده
- در نهایت، یادگیری تقویتی ابزاری بسیار مناسب برای تحلیل داده‌های گسترده در مورد رفتار مخاطب است. این تحلیل‌ها می‌تواند به رسانه‌ها کمک کند تصمیمات تحریری بهتری بگیرند و نیازهای در حال تغییر مخاطبان را بشناسند.
یادگیری تقویتی، با قدرت غلبه بر ضعف‌های رویکردهای سنتی، نوید انقلابی در روزنامه‌نگاری می‌دهد؛ تحریریه‌ها از بار کارهای روزمره سبک می‌شوند و تمرکزشان را بر کشف و خلق داستان‌های عمیق‌تر می‌گذارند. شاید در آیندۀ نه‌چندان دور، موش‌های آزمایشگاهی رفتارگرا الهام‌بخش سیاست‌های تحریری و تصمیمات انتشاراتی شوند و ما، مخاطبان کنجکاو، با شگفتی بیشتر پا به دنیای رسانه بگذاریم.
[۱] Reinforcement Learning
[۲] Deep Reinforcement Learning
منبع خبر:
مصور
/ هوش مصنوعی رفتارگرا، مسیر تازه‌ای در روزنامه‌نگاری: از موشِ آزمایشگاهی تا خبرنگار دیجیتال
تمامی حقوق گردآوری و تالیف خبر متعلق به ناشر اصلی آن که در لینک فوق به آن اشاره شده است می باشد. در صورت نیاز به ارسال جوابیه یا توضیح تکمیلی برای مطلب منتشر شده صرفا از طریق مرجع اصلی خبر اقدام نمایید.
