از هشدار تا پیشگیری؛ جای خالی هوش مصنوعی در تصمیم های زیست محیطی

به گزارش خبرنگار فرهنگ و اجتماع خبرگزاری شبستان؛ میان پایش آلودگی و تصمیم سازی اجرایی عبور از روش های سنتی پایش و بهره گیری از هوش مصنوعی برای شناسایی دقیق منابع آلاینده، راهکاری است که تصمیم گیری در  کلان شهرها را از آزمون و خطا به علمی نزدیک می کند. استفاده از الگوریتم های هوشمند تنها برای پیش بینی وضعیت هوا نیست؛ این فناوری می تواند با شفاف سازی سهم دقیق صنایع وترافیک در آلودگی هوا، ابزاری کارآمد برای سیاست گذاری بومی باشد، مشروط بر آنکه ساختارهای مدیریتی، الزامات شفافیت ومسئولیت ناشی از آن را بپذیرند.

آلودگی هوا هر سال باهمان نشانه ها، زودتر از رؤسای کمیته ها وکارگروه های دولتی به خانه های مردم می رسد؛ نفس ها کوتاهتر می شوند، آمار بیماریها بالا می‌رود و نسخه ها همچنان تکراری اند؛ هشدارهای زرد و قرمز، تعطیلی های مقطعی و توصیه به کاهش تردد. در جهانی که هوش مصنوعی به ابزار تصمیم سازی شهری تبدیل شده، این سؤال مطرح است که چرا در مدیریت یکی از حیاتی ترین چالش های زیست محیطی، همچنان سهم تحلیل هوشمند و داده محور ناچیز است. آیا فناوری به ایران نرسیده؟ این گفتگو تلاشی است برای بررسی این شکاف؛ از ظرفیت های فناورانه ای که وجود دارند، تا مسیرهایی که هنوز به آنها وارد نشده ایم؛ با وجود تداوم آلودگی هوا، سیاست ها اغلب تکرار می شوند و مسیرهای پیشین را دنبال می کنند. لذا در این خصوص با دکتر «مهدی طریقت» پژوهشگر و کارشناس هوش مصنوعی گفتگویی انجام دادیم که در ادامه مشروح آن تقدیم حضورتان می شود.

در پاسخ به این سوال که به نظر شما ریشه ماندگاری بحران آلودگی هوا در شهرهای بزرگ چیست و چرا تصمیم های کلان همچنان کمتر بر تحلیل داده محور و ابزارهای نوین مانند هوش مصنوعی استوار شده اند؟

ماندگاری بحران آلودگی هوا در کلان شهرهای ما را نباید صرفا یک چالش اقلیمی با ریشه های جغرافیایی یا صنعتی دانست؛ بلکه ما با یک مسئله مهم در مدیریت این بحران مواجهیم که ریشه اصلی آن، شکاف عمیق میان ساختارهای تصمیم گیری سنتی و واقعیت های پیچیده عصر دیجیتال است. بدنه اجرایی ما همچنان در پارادایم های مدیریتی گذشته محبوس مانده و در مواجهه با دینامیک های سرسام آور آلودگی، به جای بهره گیری از  هوش مصنوعی برای پایش دقیق و لحظه ای، به همان راه حل های کلیشه ای وآزمون و خطا تکیه می کند. این مقاومت در برابر گذار به حکمرانی داده محور، ناشی از هراس مدیران سنتی از پدیده جعبه سیاه الگوریتم هاست؛ جایی که شفافیت داده ها جایگزین مصلحت اندیشی های انسانی می شود.

تا زمانی که نظام تصمیم سازی ما جسارت عبور از شهود فردی به سمت تحلیلی محاسباتی را پیدا نکند، بهترین ابزارهای فناورانه نیز پشت سد ساختارهای بازتولید خواهد شد. دیوان سالار و ناکارآمد باقی مانده وبحران صرفا بحران در این است که سیاست گذاری های کلان در مواجهه با مسائلی نظیر آلودگی هوا، اغلب در چارچوب های فکری گذشته محبوس مانده وتمایلی به پذیرش ابزارهای تحلیلی نوین که قادر به جابه جایی مرزهای دانش هستند، نشان نمی دهد؛ این امر در نهایت منجر به تولید همانندِ راه حل هایی می شود که در عمل از کارآیی لازم برای حل یک بحران سیستمی برخوردار نیستند.

باوجود آنکه هوش مصنوعی پتانسیل شگرفی برای کمک به اهداف توسعه پایدار، از جمله کاهش آلودگی و بهبود کیفیت زندگی، دارد و می تواند حجم عظیمی از داده های محیطی و اجتماعی را در لحظه پایش، تجزیه وتحلیل کند، اما تصمیم گیران هنوز به صورت حداقلی و نه به عنوان یک محور اصلی، بر این ابزارهای داده محور تکیه می کنند. اگر بخواهیم صادقانه و بدون ساده سازی پاسخ دهیم، ماندگاری بحران آلودگی هوا در شهرهای بزرگ را باید در یک شکاف مزمن میان پیچیدگی مسئله و سادگی ساز و کارهای تصمیم گیری جست وجو کرد. و این شکاف دقیقا همان مشکلی است که ریشه در مدیریت سنتی و به دور از دانش نوین و مقاومت برای ورود به دنیای فناوری دانست. آلودگی هوا پدیده ای چند عاملی است که برهم کنش همزمان حمل ونقل، الگوی مصرف انرژی، ساختار اقتصادی شهر، رفتار اجتماعی وشرایط اقلیمی را در بر می گیرد، اما سیاست گذاری همچنان بر منطق های بخشی، کوتاه مدت و واکنشی استوار مانده است. نتیجه این می شود که هر سال باهمان نسخه های تکرار شونده مانند تعطیلی مدارس یا محدودیت های مقطعی روبه رو می شویم؛ اقداماتی که طبق گزارش های سازمان جهانی بهداشت وبرنامه  محیط زیست سازمان ملل، اثر پایدار بر کاهش مواجهه شهروندان با آلاینده ها ندارند وبیشتر نقش مسکن موقت را ایفا می کنند.

اگر بخواهیم از ظرفیت واقعی هوش مصنوعی عبور کنیم، این فناوری از چه نقاطی می تواند وارد فرایند تصمیم سازی شود وچه تفاوتی با ابزارهای متداول پایش ایجاد کند؟

نقطه عزیمت هوش مصنوعی از پایش صرف به تصمیم سازی، گذار از توصیف وضعیت به تجویز راهکار است. ابزارهای متداول پایش در کشور ما، نگاهی رو به عقب دارند و به مدیران صرفا می گویند که هوا آلوده است ؛ اما هوش مصنوعی با قدرت پیش بینی کنندگی خود، وارد ساحت چرایی و چگونگی می شود و پیش از وقوع بحران، سهم دقیق هر متغیر از ترافیک تا فعالیت های صنعتی را مشخص می کند. هوش مصنوعی می کوشد پیش از وقوع بحران، روابط پنهان میان متغیرهایی مانند ترافیک، مصرف انرژ ی، فعالیت های صنعتی و حتی پیامدهای سلامت را تحلیل کند و نشان دهد هر تصمیم چه نتایجی در پی خواهد داشت. این گذار به معنای حرکت از پاسخ های واکنش ی به سیاست گذاری پیش نگر است؛ رویکردی که بنا بر گزارش های معتبر برنامه محیط زیست سازمان ملل، سازمان جهانی هواشناسی، توان کاهش خطا وهزینه تصمیم های کلان را به طور معناداری افزایش می دهد.

با این حال، مسئله اصلی فقدان فناوری نیست، بلکه ناتوانی ساختارهای حکمرانی در پذیرش الگوی تصمیم گیری ترکیبی است؛ الگویی که در آن هوش مصنوعی به عنوان یک مشاور تحلیلی قدرتمند، سناریوهای بهینه را بر پایه تحلیل حجم انبوه داده ها ارائه می دهد، اما مسئولیت نهایی و داوری اخلاقی همچنان بر عهده انسان باقی می ماند. تجربه شهرهای موفق آسیایی و اروپایی نشان می دهد، زمانی که هوش مصنوعی به صورت شفاف و پاسخ گو در فرایند سیاست گذاری ادغام می شود، امکان تنظیم هوشمند محدودیت های ترافیکی، مدیریت حمل ونقل عمومی و حتی قیمت گذار ی انرژی فراهم می آید و نتایج آن قابل اندازه گیر ی و اصلاح  است.

در چنین ساختار پیچیده ای، تا چه اندازه می توان به توان هوش مصنوعی برای ارائه راه حل های بومی، به ویژه در مدیریت حمل ونقل وکاهش آلودگی بدون فشار اجتماعی بیشتر، امیدوار بود؟

نگاه رایج، هوش مصنوعی را به ابزاری فنی برای تنظیم چراغ های راهنمایی یا کنترل ترافیک فرو می کاهد، در حالی داده های واقعی رفت وآمد، شرایط اقتصادی محلات وذالگوهای مصرف حمل و نقل، فشار ترافیکی و هزینه های آن را عادلانه تر توزیع می کند. در کالان شهری مانند تهران، که هر مداخله ای پیامدها ی اجتماعی وا قتصادی مشخصی دارد، مزیت اصلی هوش مصنوعی در توان آن برای شناسایی نقاط گلوگاهی، زمانهای اوج آلودگی وطراحی راهکارهای تدریجی و هدفمند است، نه تحمیل محدودیت های پرهزینه به شهروندان. طبق گزارش های بانک جهانی، برنامه محیط زیست سازمان ملل و سازمان همکاری های اقتصاد ی وتوسعه، چنین رویکردی هم اثربخشی بیشتر ی در کاهش آلودگی دارد و هم از نظر اجتماعی پذیرفتنی تر است. البته باید واقع بین بود؛ هوش مصنوعی جای گزین حکمرانی و تصمیم انسان نیست، بلکه تنها زمانی می تواند به کاهش آلودگی وبهبود حمل ونقل کمک کند که با داده های بومی، ارزش های اجتماعی و در چارچوبی شفاف وپاسخ گو به کار گرفته شود.

با توجه به اینکه هوش مصنوعی می تواند سهم هر بخش حمل ونقل تا صنعت را مشخص کند، نبود داده های باز و تصمیم های مبتنی بر تحلیل هوشمند را باید یک چالش فنی دانست یا مسئله ای فراتر از آن؟

اگر نبودِ داده های باز را فقط یک مشکل فنی بدانیم، در واقع از علت اصلی بحران چشم پوشی کرده ایم. (داده  باز یعنی مردم، پژوهشگران و رسانه ها بتوانند اعداد واقعی مربوط به موضوعاتی مثل کیفیت هوا، ترافیک، مصرف سوخت یا سلامت را ببینند، مقایسه کنند و بر اساس آن سؤال بپرسند.) امروز مشکل نه کمبود فناور ی و نه ضعف توان محاسباتی است، بلکه مقاومت ساختار ی در برابر شفافیتی است که حکمرانی داده محور به همراه می آورد.هوش مصنوعی این توان را دارد که سهم دقیق حمل ونقل، صنعت، انرژ ی وحتی الگوهای رفتار ی شهر ی را درآلودگی هوا به صورت دقیق و به روز آشکار کند، اما همین شفافیت، مسئولیت پذیری نهادها را افزایش می دهد و این همان نقطه ای است که نظام های تصمیم گیری سنتی در برابر آن مکث می کنند. 

گزارش های سازمان جهانی بهداشت، برنامه محیط زیست سازمان ملل و بانک جهانی نشان می دهد، داده زمانی به ابزار سیاست گذاری مؤثر تبدیل می شود که شفاف، قابل دسترس و قابل راستی آزمایی باشد. در نبود چنین شرایطی، حتی پیشرفته ترین مدل های هوش مصنوعی نیز به ابزارهایی نمایشی فروکاسته می شوند و تصمیم ها همچنان بر پایه برآوردهای کلی و مصلحت های غیرشفاف گرفته می شود. تجربه کشورهایی که در مهار آلودگی هوا موفق بوده اند تأکید می کند، داده های باز یک انتخاب فناورانه نیست، بلکه تصمیمی سیاسی و حکمرانی است به عبارت دیگر، مسئله اصلی نه الگوریتم ها، بلکه نبود اراده برای پذیرش قضاوت صریح داده ها است؛ تا زمانی که این اراده شکل نگیرد، واقعیت همچنان پشت درهای بسته تصمیم سازی باقی خواهد ماند.

اگر تحلیل های هوشمند نشان دهند برخی تصمیم ها به تشدید آلودگی هوا انجامیده اند، سازوکار پاسخ گویی چگونه باید تعریف شود وبدون چنین چارچوبی، آیا هوش مصنوعی می تواند نقشی فراتر از یک ابزارکمکی ایفا کند؟

واقعیت این است که رو به رو شدن با نتایج صریح تحلیل های هوشمند که می تواند ناکارآمدی سیاست های گذشته را آشکار کند، بیش از آنکه به زیرساخت فنی نیاز داشته باشد، مستلزم شجاعت مدیریتی و چارچوب حقوقی شفاف است. مسئله اصلی در ارتقای نقش هوش مصنوعی از یک ابزار تحلیلی به یک پشتیبان واقعی تصمیم سازی، ابهام در مسئولیت پذیر ی است؛ از همین رو، تداوم بحران آلودگی هوا را باید نه یک ضعف فنی، بلکه یک چالش مدیریتی دانست. تجربه کشورهای موفق، بر اساس گزارش های OECD و برنامه محیط زیست سازمان ملل، نشان می دهد، مسئولیت تصمیم ها نباید به الگوریتم ها واگذار شود، بلکه باید به صورت روشن میان نهادهای سفارش دهنده، مجری و ناظر تقسیم شود به همین دلیل، سیاست گذاران و مدیران خبره در کشورهای پیشرفته، معمولا به جای اتکای کامل به تصمیم سازی خودکار، رویکردی ترکیبی را ترجیح می دهند که در آن قضاوت نهایی و پاسخ گویی بر عهده انسان باقی می ماند؛

حتی اگر این رویکرد از نظر فنی بهینه ترین گزینه نباشد، اما حداقلی از شفافیت، انصاف و پاسخ گویی عمومی را تضمین می کند. تا زمانی که چارچوبی حقوقی و اخلاقی برا ی پاسخ گویی در برابر خطاها یا سوگیری های احتمالی هوش مصنوعی تدوین نشود، این فناوری در حل مسائل کلان کشور، از جمله آلودگی هوا، ناگزیر در حد یک ابزار کمکی باقی خواهد ماند. نقش تعیین کننده هوش مصنوعی نه در دقت محاسبات آن، بلکه در اراده نظام حکمرانی برای پذیرش قضاوت بی طرف داده ها معنا پیدا می کند؛ اراده ای که بدون آن، شفاف ترین تحلیل ها نیز به گزارشی مشورتی تقلیل می یابند. با روشن تر شدن فاصله میان پیشرفت فناوری وکارآمدی سیاست ها، یک پرسش بنیادین در آستانه ورود به مرحله تصمیم گیری مطرح می شود.

آخرین ومهمترین سوال این است که باتوجه به تجربه کشورهای مختلف در مدیریت آلودگی هوا، چرا باوجود رشد سامانه های پایش ومطرح شدن هوش مصنوعی، همچنان تصمیم های سیاستی در این حوزه کم اثر واغلب واکنشی باقی مانده اند؟ وچرا هوش مصنوعی هنوز وارد اتاق تصم یم گیری آلودگی هوا نشده است؟

اگر بخواهیم از تجربه کشورهایی که در مهار آلودگی هوا موفق بوده اند الگو بگیریم، راه حل در خرید فناوری خلاصه نمی شود، بلکه در اصلاح شیوه تصمیم گیری نهفته است. راه حل هوش مصنوعی برای کاهش آلودگی هوا یک پروژه فناورانه نیست، بلکه یک برنامه حکمرانی سه مرحله ای است؛ که اولین مرحله، یکپارچه سازی و شفاف سازی داده ها است. کشورهایی مانند کره جنوبی، هلند و بریتانیا ابتدا داده های ترافیک، سوخت، صنعت، هواشناسی وسلامت را در یک بستر مشترک وقابل بررسی عمومی تجمیع کردند. بدون دسترسی شفاف به داده های واقعی هوش مصنوعی عملا بی اثر است.

مرحله دوم، گذار از پایش به تصمیم سازی است. در شهرهایی مانند سئول و لندن، هوش مصنوعی صرفا اگر ساعات کاری تغییر هوا را گزارش نمی کند، بلکه پیش از اجرا، سناریوهای سیاستی را شبیه سازی می کند؛ مثالً اگر ساعت کاری تغییر کند، قیمت سوخت اصلاح شود یا ترافیک در یک پهنه خاص مدیریت شود، اثر آن بر آلودگی و زندگی مردم چیست. این رویکرد، تصمیم های پرهزینه و کم اثر را حذف کرده است. سومین مرحله فهم این موضوع است که، انسان تصمیم گیر و هوش مصنوعی ناظر بی طرف است. در الگوهای موفق، تصمیم نهایی همچنان با مدیران است، اما انحراف از توصیه های داده محور باید توضیح داده شود. همین الزام پاسخ گویی، کیفیت سیاست ها را بالا برده و از تکرار خطا جلوگیری کرده است. همین الزام به توضیح، مانع تکرار خطا و سیاست های آزمون وخطا شده است. نتیجه تجربه جهانی روشن است؛ هر جا داده شفاف، هوش مصنوعی به عنوان ابزار مشورتی الزام آور و شجاعت مدیریتی در کنار هم قرار گرفته اند، آلودگی هوا مهار شده است؛ و هر جا فناوری بدون اصلاح حکمرانی وارد شده، بحران همچنان ادامه دارد.