محققان تیم هوش مصنوعی گوگل کلود، PaperOrchestra را معرفی کرده‌اند، یک چارچوب هوش مصنوعی که به طور خودکار یادداشت‌های آزمایشگاهی نامرتب و داده‌های تحقیقاتی پراکنده را به مقالات علمی آماده‌ی ارائه تبدیل می‌کند.
رویکردی متفاوت
برخلاف ابزارهای نوشتاری هوش مصنوعی موجود که بر تولید متن تمرکز دارند، این سیستم با هدف رسیدگی به کل جریان کار فکری ایجاد مقاله علمی – از سازماندهی مواد خام گرفته تا تولید شکل‌ها و انجام بررسی‌های متون – طراحی شده است.
ساختار سیستم
این سیستم از پنج عامل تخصصی که به طور موازی کار می‌کنند، استفاده می‌کند: عامل طرح کلی، عامل ترسیم، عامل بررسی متون، عامل نوشتن بخش و عامل پالایش محتوا. هر عامل جنبه‌های خاصی از آماده‌سازی مقاله را مدیریت می‌کند، از ساختاربندی استدلال‌ها گرفته تا ایجاد تجسم‌ها و اطمینان از استنادهای علمی مناسب از طریق مراجع مبتنی بر API.
ارزیابی عملکرد
برای ارزیابی عملکرد، محققان PaperWritingBench را ایجاد کردند، اولین معیار استاندارد شده که از 200 مقاله کنفرانس هوش مصنوعی سطح بالا مهندسی معکوس شده است. در ارزیابی‌های انسانی رو در رو، محققان خاطرنشان کردند که PaperOrchestra در مقایسه با خطوط پایه خودکار، به حاشیه‌های نرخ برد 50 تا 68 درصد برای کیفیت بررسی متون و 14 تا 38 درصد برای کیفیت کلی مقاله دست یافته است.
تأثیرات گسترده‌تر
PaperOrchestra در حالی ظهور می‌کند که سیستم‌های هوش مصنوعی به طور فزاینده‌ای در کارهای دانش‌محور و حوزه‌های تخصصی که به طور سنتی در انحصار انسان‌ها بوده‌اند، نفوذ می‌کنند، با ظهور عوامل تحقیقاتی هوش مصنوعی و شواهد فزاینده‌ای از نویسندگی شبح‌وار هوش مصنوعی در مقالات علمی.
رویکرد چند عاملی این چارچوب – که در آن اجزای تخصصی جنبه‌های مختلف یک کار پیچیده را بر عهده می‌گیرند – معماری‌های مشابهی را منعکس می‌کند که در سراسر تجزیه و تحلیل اسناد حقوقی، مدل‌سازی مالی و سایر حوزه‌هایی که نیازمند فرآیندهای فکری چند مرحله‌ای هستند، به کار گرفته می‌شوند.
بحث‌برانگیز
با این حال، استفاده از ابزارهای هوش مصنوعی در تحقیقات علمی بحث‌برانگیز بوده است، به طوری که برخی از محققان این عمل را به عنوان “کدنویسی حال و هوا” رد می‌کنند و خاطرنشان می‌کنند که سیل مقالات با کمک هوش مصنوعی در برخی از زمینه‌ها “فشار قابل توجهی” بر سیستم‌های بررسی همتا وارد می‌کند.
Leave a Reply