هوش مصنوعی در راه مریخ: ۶ درس حیاتی کلان‌داده‌ها برای فضاپیماهای مستقل ناسا

شاید در نگاه اول عجیب به نظر برسد، اما بخش زیادی از چالش‌هایی که فضانوردان در سفر به مریخ با آن روبه‌رو خواهند شد، پیش‌تر در دنیای فناوری و تحلیل داده‌های کاربران حل‌وفصل شده است. چندین دهه تجربه در زمینه کلان‌داده‌های رفتار کاربران (ردپایی که افراد هنگام خرید، وب‌گردی و کلیک‌ها به جا می‌گذارند) و داده‌های حساس بانکی و سلامت، نشان می‌دهد چالش‌های فضاپیماهای ناسا و هوش مصنوعی حاضر در مریخ، شباهت عجیبی به همان مسائلی دارد که شرکت‌های فناوری سال‌ها با آن دست‌وپنجه نرم کرده‌اند.

مسئله اصلی در این میان، «زمان» است. بر اساس برنامه‌ریزی‌های ناسا، تأخیر مخابراتی در مسیر زمین به مریخ می‌تواند تا ۲۲ دقیقه طول بکشد (یعنی رفت و برگشت یک پیام ساده تا ۴۴ دقیقه زمان می‌برد!). پژوهشگران مرکز تحقیقات ایمز ناسا (Ames)، شرکت KBR و دانشگاه سن‌خوزه پس از بررسی ۲۰ سال پژوهش درباره تأخیر ارتباطی به این نتیجه رسیدند که بسته به میزان تأخیر، بخشی از وظایف و مسئولیت‌های حیاتی باید از تیم کنترل زمین به خدمه و سیستم‌های داخل فضاپیما منتقل شود. این یعنی خدمه و سیستم‌های هوش مصنوعی همراه آن‌ها، باید کاملاً مستقل و روی پای خودشان تصمیم بگیرند.

کسب‌وکارهایی که با داده‌های کاربران کار می‌کنند و همچنین بیمارستان‌ها، شرکت‌های بیمه و بانک‌ها، سال‌هاست یاد گرفته‌اند چطور با داده‌های دیرهنگام، نامطمئن و پرریسک تصمیم‌گیری کنند. در ادامه، ۶ درس مهم و کلیدی از این تجربه‌ها را بررسی می‌کنیم که می‌تواند چراغ راه هوش مصنوعی مریخ باشد:

۱. پیامی که نادیده گرفته می‌شود

شخصی‌سازی فقط زمانی نتیجه می‌دهد که دقیقاً متناسب با ویژگی‌های فرد و در زمان مناسب باشد. برای مثال، تبلیغاتی که با فاصله زمانی حساب‌شده نمایش داده می‌شوند، عملکرد بسیار بهتری نسبت به بمباران تبلیغاتی پشت‌سرهم دارند؛ درست مثل ارسال یک پیام عالی در بد‌ترین زمان ممکن که نتیجه‌ای جز نادیده گرفته شدن نخواهد داشت.

فضانوردان هم از این قاعده مستثنی نیستند. در پروژه ۵۲۰ روزه شبیه‌سازی مریخ (Mars-500)، پژوهشگران تفاوت‌های رفتاری چشمگیری را میان اعضای خدمه مشاهده کردند. همچنین در زیستگاه HERA ناسا که فضانوردان برای تمرین مأموریت‌ها در شرایط قرنطینه زندگی می‌کنند، مشخص شد که آن‌ها «اگر پیام‌های مرکز کنترل عملیات (MCC) قدیمی یا نامرتبط با وظیفه فعلی‌شان باشد، به‌راحتی آن را نادیده می‌گیرند».

ناسا در حال حاضر هم بخشی از پشتیبانی‌ها را برای هر فضانورد شخصی‌سازی می‌کند؛ اما یک تیم ۴ نفره (مشابه تیم‌های شبیه‌سازی یک‌ساله مریخ در ناسا)، جامعه آماری بسیار کوچکی برای مدل‌های شباهت‌سنج (Lookalike Models) است؛ مدل‌هایی که رفتار یک فرد را بر اساس هزاران کاربر مشابه پیش‌بینی می‌کنند. بنابراین هوش مصنوعی داخل فضاپیما باید بتواند هر فرد را با «خط مبنای رفتاری خودش» بسنجد و یاد بگیرد.

۲. پیش از رسیدن داده‌ها تصمیم بگیرید

وقتی اپل در آوریل ۲۰۲۱ ویژگی شفافیت ردیابی اپلیکیشن‌ها (App Tracking Transparency) را معرفی کرد، بازاریاب‌ها توانایی ارزیابی بلادرنگ رفتار کاربرانی را که ردیابی را رد کرده بودند، از دست دادند. سیستم جایگزین اپل گزارش‌ها را عمداً با تأخیر ۲۴ تا ۴۸ ساعته ارسال می‌کرد. شرکت اسنپ (Snap) خیلی زود اثر این تغییر را چشید؛ به طوری که مدیرعامل آن در اکتبر ۲۰۲۱ به سرمایه‌گذاران گفت ابزار اندازه‌گیری جدید اپل انتظارات را برآورده نکرده و مدیریت کمپین‌ها را برای شرکای تبلیغاتی در iOS به شدت دشوار ساخته است.

در دنیای فضا نیز یادداشت فنی ناسا در سال ۲۰۱۹ پیشنهاد می‌کند که برای هر داده یک «ضریب تأخیر» مشخص شود تا اطلاعات پزشکی بر اساس اولویت به زمین مخابره شوند. همچنین یک بررسی پژوهشی نشان داد افراد اغلب اصول ارتباطات همزمان را به اشتباه روی ارتباطات ناهمزمان پیاده می‌کنند. به همین دلیل، در مأموریت مریخ هر داده به یک برچسب زمانی نیاز دارد که نشان دهد چقدر قدیمی است، همراه با یک قانون مشخص برای اینکه تا زمان رسیدن داده‌های تازه، سیستم باید چه تصمیمی بگیرد.

۳. دو سطح اعتبارسنجی و کشف خطا

شورای رتبه‌بندی رسانه‌ها (MRC) در آمریکا ترافیک ساختگی و کلیک‌های تقلبی تبلیغات را به دو دسته تقسیم می‌کند: خطاهای ساده که با فیلترهای معمول روزمره کشف می‌شوند، و ترفندهای پیچیده‌ای که به تحلیل‌های پیشرفته، اعتبارسنجی چندبُعدی و دخالت محسوس انسان نیاز دارند. حوزه مالی نمونه معروفی از عبور تقلب از بررسی‌های روتین دارد؛ زمانی که بانک جی‌پی مورگان (JPMorgan Chase) قصد داشت ادعای ۴.۲۵ میلیون کاربر استارتاپ Frank را راستی‌آزمایی کند، بنیان‌گذار این استارتاپ با استخدام یک دانشمند داده فهرستی جعلی از مشتریان ساخت. آمار واقعی تنها حدود ۳۰۰ هزار نفر بود، اما بانک ۱۷۵ میلیون دلار پرداخت کرد! او در مارس ۲۰۲۵ مجرم شناخته شد و پرونده در مرحله تجدیدنظر است.

فضاپیماها و هواپیماها نیز دقیقاً با همین دو سطح از خطا مواجه‌اند. آژانس فضایی اروپا (ESA) تشخیص خطا را «عملکردی حیاتی در تمام فضاپیماها» می‌داند. نهادهای هوانوردی هم هشدار می‌دهند که تشخیص سیگنال‌های جعلی ناوبری ماهواره‌ای (Spoofing) برای خدمه پرواز کار آسانی نیست و فوری اتفاق نمی‌افتد. فیلترهای ساده و ارزان خطاهای آشکار را می‌گیرند، اما فریب‌های پیچیده نیازمند بررسی ثانویه و موشکافانه‌تر هستند.

۴. این داده دقیقاً از کجا آمده و چه کسی به آن دست زده است؟

در خرید خودکار تبلیغات که نرم‌افزارها ظرف چند میلی‌ثانیه برای فضاهای تبلیغاتی قیمت پیشنهاد می‌دهند، خریداران در گذشته نمی‌توانستند بررسی کنند که چه کسی در حال فروش مجدد این فضاست. در سال ۲۰۱۷ یک فایل متنی ساده به نام ads.txt معرفی شد تا ناشران بتوانند شرکت‌های مجاز برای فروش فضاهای خود را رسماً اعلام کنند. در دسامبر ۲۰۲۳، انجمن ملی تبلیغ‌کنندگان (ANA) دریافت که از هر یک دلاری که برای خرید خودکار آگهی‌ها صرف می‌شود، تنها ۳۶ سنت واقعاً به هدف می‌رسد.

در فضا نیز اختلاف دو سیستم بر سر معنای یک عدد، پیش‌تر به نابودی یک مأموریت کامل ختم شده است! ناسا در سپتامبر ۱۹۹۹ فضاپیمای مدارگرد اقلیمی مریخ (Mars Climate Orbiter) را از دست داد؛ چرا که نرم‌افزار تیم زمینی از واحدهای اندازه‌گیری انگلیسی (امپریال) استفاده می‌کرد، در حالی که نرم‌افزار داخل مدارگرد بر اساس سیستم متریک طراحی شده بود! اگر دنیای تبلیغات مجبور شد زنجیره شفافیت داده‌ها را بسازد، مأموریت مریخ بیش از هر جای دیگری به ثبت دقیق زنجیره انتقال داده و اعتبارسنجی مبدأ نیاز دارد.

۵. رضایت‌نامه کاربر باید همراه با خود داده جابه‌جا شود

در اروپا، پاسخ شما به بنرهای حریم خصوصی کوکی‌ها در قالب یک رشته‌کد کوتاه ذخیره می‌شود و همراه با هر درخواست تبلیغاتی ارسال می‌گردد تا تمام شرکت‌ها در زنجیره بدانند شما با چه مواردی موافقت کرده‌اید. در مارس ۲۰۲۴، دیوان دادگستری اتحادیه اروپا حکم داد که این رشته رضایت‌نامه، در صورتی که به شناسه‌هایی مثل آدرس IP متصل باشد، خود داده شخصی محسوب می‌شود و در می ۲۰۲۵ دادگاهی در بلژیک جریمه‌ای ۲۵۰ هزار یورویی را در این رابطه تایید کرد.

قوانین حوزه سلامت حتی سخت‌گیرانه‌تر است؛ قانون HIPAA الزامی می‌کند که دسترسی به داده‌های پزشکی بیمار باید به حداقل مقدار لازم برای همان هدفِ اعلام‌شده محدود بماند. به عبارت دیگر، هدف مصرف داده همیشه همگام با خود داده حرکت می‌کند.

ناسا نیز دقیقاً چنین رویکردی را برای فضانوردان به کار می‌گیرد؛ قبل از استفاده از داده‌های پزشکی خدمه برای تحقیقات جدید، باید رضایت مجدد آن‌ها جلب شود. هوش مصنوعی داخل فضاپیما نیز باید برچسب رضایت را به عنوان بخشی جدانشدنی از داده به همراه داشته باشد و با هر تغییر در نحوه استفاده، مجدداً از فضانورد اجازه بگیرد.

۶. قبل از اعتماد کامل، مدل را در «حالت سایه» محک بزنید

دنیای تبلیغات یاد گرفت که پیش از سپردن بودجه به دست یک مدل، آن مدل باید شایستگی خود را اثبات کند. برای مثال، گوگل برای تبلیغ‌کنندگان با کم‌تر از ۷۰۰ کلیک در بازه ۷ روزه، پیش‌بینی فروش انجام نمی‌دهد. بخش املاک و مستغلات نیز نمونه بارز ریسک اعتماد زودهنگام به پیش‌بینی‌های مدل‌هاست؛ بیزینس خرید خانه پلتفرم Zillow بر پایه پیش‌بینی ۳ تا ۶ ماهه قیمت مسکن بنا شده بود، اما در نوامبر ۲۰۲۱ این پروژه به طور کامل متوقف شد، زیانی معادل ۳۰۴.۴ میلیون دلار به بار آورد و شرکت ناچار شد حدود یک‌چهارم از نیروی کار خود را تعدیل کند، چرا که مدیرعامل آن اعتراف کرد نوسانات قیمت بسیار فراتر از پیش‌بینی مدل‌ها بوده است.

بانک‌ها نیز این رویه را ثبت کرده‌اند؛ دستورالعمل بازنگری‌شده مدیریت ریسک مدل‌ها در نهادهای نظارتی بانکی آمریکا که در آوریل ۲۰۲۶ صادر شد، بر «به چالش کشیدن مؤثر مدل‌ها توسط کارشناسان مستقل» و مقایسه خروجی آن‌ها با نتایج واقعی جهان تاکید دارد. در پزشکی هم پیش از آنکه به یک سیستم هوش مصنوعی اجازه داده شود بیماری چشمی ناشی از دیابت را بدون دخالت پزشک تشخیص دهد، پژوهشگران آن را روی ۹۰۰ بیمار آزمایش کردند. این مدل موفق شد به نرخ دقت ۸۷.۲ و ۹۰.۷ درصد دست پیدا کند و در آوریل ۲۰۱۸ به اولین سیستم تشخیصی خودران هوش مصنوعی تبدیل شد که از سازمان غذا و داروی آمریکا (FDA) مجوز گرفت.

آژانس فضایی اروپا نیز در مدار زمین دقیقاً همین کار را پیاده کرد؛ ماهواره Φ-sat-1 تمام تصاویر را ذخیره می‌کرد و تصمیم هوش مصنوعی درباره وجود ابرها را به ثبت می‌رساند تا مهندسان انسانی پیش از حذف هر تصویری، تصمیم هوش مصنوعی را ارزیابی کنند. هوش مصنوعی فضاپیما نیز باید اعتماد را به همین شیوه به دست آورد: ابتدا آن را در «حالت سایه» (Shadow Mode) به کار بگیرید؛ یعنی هوش مصنوعی در سکوت تصمیماتش را در کنار فضانوردان اتخاذ کند و با تصمیم انسان‌ها مقایسه و امتیازدهی شود. تنها زمانی سکان هدایت به آن سپرده خواهد شد که نمرات بالایی به دست آورد.

پیوند دیرینه فضا و کسب‌وکار

مرکز تحقیقات ایمز ناسا اولین بار از «فیلتر کالمن» (Kalman filter) برای ناوبری فضاپیمای آپولو استفاده کرد. دهه‌ها بعد، پژوهشگران گوگل همان مفهوم را به ابزاری برای ارزیابی اثر تبلیغات اینترنتی بر بازدید وبسایت‌ها تبدیل کردند. در گذشته، ایده‌ها از فضا به دنیای تجارت سرازیر شدند؛ حالا زمان آن رسیده که درس‌های دنیای داده‌ها به فضا بازگردند.

درس‌های کلیدی برای شرکت‌های متکی بر داده و هوش مصنوعی

• هر فرد را بر اساس خط مبنای خودش ارزیابی کنید، نه الگوهای تعمیم‌یافته کلی.
• برای هر مجموعه داده برچسب زمان و میزان تازگی تعیین کنید و برای پیش از رسیدن داده‌های جدید قانون بگذارید.
• شناسایی تقلب و خطا را دو‌مرحله‌ای کنید: ابتدا فیلترهای سریع و سبک، سپس اعتبارسنجی عمیق و چندبُعدی.
• مبدأ هر داده و هویت افرادی را که به آن دسترسی داشته‌اند ثبت و شفاف‌سازی کنید.
• رضایت‌نامه کاربر را به خود داده پیوست کنید و با هر تغییر در کاربرد، مجدداً تایید بگیرید.
• پیش از واگذاری تصمیم‌گیری واقعی، مدل‌ها را در حالت سایه (Shadow Mode) و با کم‌ترین داده ممکن بیازمایید.

اپل تبلیغ‌کنندگان را یکی دو روز منتظر می‌گذارد تا نتیجه بازخورد تبلیغاتشان را ببینند؛ ناسا هم فضانوردان را آماده می‌کند تا برای دریافت پاسخ از مرکز کنترل مأموریت، تا ۲۲ دقیقه معطل بمانند. حقیقت این است که دنیای تجارت و تحلیل داده سال‌هاست در حال تمرین برای مریخ بوده و این درس‌ها، حاصل همان تمرین بزرگ است.