پیش‌بینی رفتار انسان با «مدل جهان»؛ چرا استارتاپ Mirror Particle روش چت‌بات‌ها را اشتباه می‌داند؟

استارتاپ‌هایی که ادعا می‌کنند می‌توانند رفتار انسان‌ها را پیش‌بینی کنند، این روز‌ها حسابی سر زبان‌ها افتاده‌اند و دوران طلایی‌شان را تجربه می‌کنند. در همین یک سال گذشته، استارتاپ Simile با ارزش‌گذاری ۲ میلیارد دلاری موفق شد ۲۰۰ میلیون دلار سرمایه جذب کند؛ Aaru با ارزش ۱ میلیارد دلار، ۸۸ میلیون دلار به دست آورد؛ و استارتاپ هوش مصنوعی Humans& هم که در ژانویه گذشته با ارزش سرسام‌آور ۴.۴۸ میلیارد دلاری یک راند بذری ۴۸۰ میلیون دلاری را اعلام کرده بود، ابزار پرسیمون (Persimmon) را برای مدل‌سازی رفتار انسان معرفی کرد.

در حال حاضر روال معمول برای پیش‌بینی رفتار انسان‌ها، اتکای شدید به مدل‌های بزرگ زبانی (LLM) است؛ مدل‌هایی که با پرامپت‌نویسی یا فاین‌تیونینگ هدایت می‌شوند تا نقش یک قشر یا گروه جمعیتی خاص را بازی کنند. اما استارتاپ دو ساله مستقر در سان‌فرانسیسکو به نام میرور پارتیکل (Mirror Particle) معتقد است این رویکرد از پایه اشتباه است و به بن‌بست می‌رسد.

ابهیویکتی آهوجا (Abhivyakti Ahuja)، هم‌بنیان‌گذار و مدیرعامل میرور پارتیکل که موتوری مبتنی بر هوش مصنوعی برای پیش‌بینی رفتار مصرف‌کنندگان و دلایل پشت آن در اختیار برندها می‌گذارد، می‌گوید: «این کار درست مثل این است که با یک تفنگ آب‌پاش به جنگ آبشار نیاگارا بروید! مدل‌های زبانی روی صدها میلیارد داده آموزش دیده‌اند؛ حالا شما با فاین‌تیونینگ و حجم ناچیزی از داده چقدر می‌توانید روی رفتار آن‌ها اثر بگذارید؟ این مدل‌ها هنوز در گذشته گیر کرده‌اند.»

آهوجا معتقد است مدل‌های زبانی دنیا را آن‌طور که انسان‌ها می‌بینند درک نمی‌کنند: «مدل‌های زبانی صرفاً زبان نوشتاری را مدل‌سازی می‌کنند، در حالی که ساختار وجودی انسان از ادراک بصری، استدلال فضایی و هوش اجتماعی تشکیل شده است.» به گفته او، تکیه بر این مدل‌ها یعنی دریافت بینش‌هایی بر اساس چیز‌هایی که خود انسان‌ها حتی متوجه آن‌ها نمی‌شوند؛ موضوعی که در پیش‌بینی رفتار انسان کاملاً انحرافی است.

میرور پارتیکل مسیر دیگری را در پیش گرفته است: ساخت یک مدل بنیادین، یا به تعبیر آهوجا، یک «مدل جهان» (World Model) که از پایه ساخته شده تا شبیه‌سازی کند چرا انسان‌ها دست به کار‌های مختلف می‌زنند و رفتارشان در طول زمان چگونه تغییر می‌کند.

آهوجا توضیح می‌دهد: «ما نمی‌خواهیم وضعیت یک فرد ایستا را ثبت کنیم؛ هدف ما ثبت انسانی است که پیوسته در حال تغییر است. این یعنی جمع‌آوری داده‌های طولی و دنباله‌دار درباره نحوه تغییر انسان‌ها، محرک‌هایی که رفتارشان را دگرگون می‌کنند و میزان شدت این تغییر.» او تأکید می‌کند اگر تغییری هم رخ ندهد، «خود این هم یک سیگنال مهم است.»

میرور پارتیکل پیش از این یک راند جذب سرمایه فرشته (Angel Round) را پشت سر گذاشته و به نهایی کردن اولین راند رسمی سرمایه‌گذاری خطرپذیر خود نزدیک شده است. این استارتاپ همچنین قرار است در روز‌های آینده در یک رقابت معتبر استارتاپی در سان‌فرانسیسکو روی صحنه برود.

این استارتاپ به ترکیبی اختصاصی از داده‌ها متکی است که داده‌های مشتریان، رویدادهای جاری، فرهنگ عامه، شبکه‌های اجتماعی و مواردی از این دست را در بر می‌گیرد تا یک گروه جمعیتی را به شکل سیستمی پویا مدل‌سازی کند و تغییر انگیزه‌ها را در دل تجربیات مختلف بسنجد. تمرکز اصلی این مدل بر «رفتار واقعی و آشکارشده» (Revealed Behavior) است؛ یعنی آن‌چه مردم واقعاً در عمل انجام می‌دهند، نه پاسخ‌هایی که در نظرسنجی‌ها ادعا می‌کنند.

استراتژی اولیه ورود به بازار میرور پارتیکل درست مثل رقبایش روی حوزه‌هایی تمرکز دارد که از قبل بودجه‌های مشخصی برای آن‌ها وجود دارد: تحقیقات بازار و استراتژی برند و محصول. این سیستم برای نمونه می‌تواند به یک برند زیبایی کمک کند تا علاوه بر تنظیم متن‌های تبلیغاتی جذاب‌تر برای نسل زد (Gen Z)، متوجه شود که آیا این قشر اصلاً چنین محصولی را می‌خواهد یا خیر.

آهوجا در این باره می‌گوید: «اگر جامعه هدف اصلاً تمایلی به پالت سایه چشم نداشته باشد چه؟ در چنین شرایطی شاید رژگونه گزینه به مراتب بهتری برای عرضه محصول به این بازار باشد.»

موتور پیش‌بینی میرور پارتیکل علاوه بر ارائه پیشنهاد، «چرایی» پشت رفتارهای فعلی یا آینده را هم به مشتریان نشان می‌دهد؛ یعنی انگیزه‌ها، محدودیت‌ها و بسترهایی که پیشنهاد‌ها را توجیه می‌کنند تا برندها هوشمندانه‌تر تصمیم بگیرند.

در یک آزمایش اولیه، برندی شناخته‌شده در حوزه غذای حیوانات خانگی می‌خواست بداند چه تصویری روی بسته‌بندی بگذارد تا فروشش بیش‌تر شود: مرغ، گوشت یا سبزیجات؟ اما فناوری میرور نشان داد که این برند سؤال اشتباهی پرسیده است؛ زیرا تصویر اصلاً اهمیتی نداشت! مشکل اصلی این بود که برند بیش از حد در ذهن مصرف‌کنندگان عمومی و ارزان به نظر می‌رسید و تا زمانی که این دیدگاه اصلاح نمی‌شد، نمودار فروش رشدی نمی‌کرد.

آهوجا با اشاره به نحوه تکامل این فناوری می‌گوید: «روند پیشرفت مدل ما مثل شیوه یادگیری یک نوزاد از جهان پیرامون است؛ نوزاد ابتدا از بینایی آغاز می‌کند و سپس به سراغ زبان، آگاهی از بدن و هوش اجتماعی می‌رود.»

این علاقه ریشه‌ای به مدل‌سازی مغز انسان از تحصیلات آهوجا در رشته‌های علوم اعصاب و علوم کامپیوتر سرچشمه می‌گیرد. او که اصالتاً اهل هند است، در دانشگاه تورنتو تحصیل کرد و با الهام از دستاوردهای جفری هینتون، پیشگام هوش مصنوعی در حوزه شبکه‌های عصبی، مسیر خود را شکل داد.

آهوجا پس از دانشگاه به بخش روباتیک آمازون (Amazon Robotics) پیوست و روی ساخت روبات‌هایی کار کرد که ربات‌های دیگر را می‌سازند! او در همان‌جا با هم‌بنیان‌گذارانش، ویل سانگ (Will Song) و تامسون ین (Thomson Yen) آشنا شد. سانگ سال‌ها در زمینه طراحی موتورهای شخصی‌سازی فروش فعالیت داشته و ین نیز تمرکز خود را بر استفاده از یادگیری عمیق جهت بررسی درک ایجنت‌های هوش مصنوعی از رفتار انسان گذاشته است.

چشم‌انداز بلندمدت این استارتاپ، تبدیل شدن به یک «لایه فراگیر برای پیش‌بینی رفتار انسان» و حرکت از تحلیل‌های کلان در سطح جمعیت به سمت بینش‌های دقیق فردی است.

آهوجا در پایان تأکید می‌کند: «اگر می‌خواهیم هم در کنار هوش مصنوعی و هم در کنار یکدیگر به درستی فعالیت کنیم، به درک و مدلی بسیار دقیق‌تر از انسان‌ها نیاز داریم.»