چرا باید استفاده از گجت‌های پوشیدنی مجهز به هوش مصنوعی را یاد بگیریم؟

هوش‌مصنوعی دیگر فقط مهمان گوشی‌ها و لپ‌تاپ‌ها نیست و با ورود نسل تازه ساعت‌های هوشمند مانند Samsung Galaxy Watch 8، Pixel Watch و چند مدل دیگر، این فناوری رسماً پا به دنیای گجت‌های پوشیدنی گذاشته است. این تغییر، گامی مهم در نزدیک‌تر کردن فناوری به جریان طبیعی زندگی انسان محسوب می‌شود.

در مراسم رونمایی Galaxy Watch 8، اعضای تیم توسعه محصول تأکید کردند که حضور جمنای بر روی مچ دست، تجربه کاربری را دگرگون خواهد کرد. به باور آن‌ها، داشتن یک دستیار هوش‌مصنوعی همیشه حاضر، می‌تواند به شکلی محسوس، راحتی و بهره‌وری زندگی دیجیتال را افزایش دهد. بدون تردید، رایانش بدون نیاز به دخالت دست (hands-free computing) مفهومی کاربردی و نویدبخش است و ایده داشتن یک دستیار هوشمند، پاسخ‌گو و مفید در هر زمان و مکان، یکی از معقول‌ترین و قابل‌قبول‌ترین موارد استفاده از هوش‌مصنوعی در زندگی روزمره به نظر می‌رسد. با این حال، چالش جدی پیش روی این تحول قرار دارد و آن عادت‌های کاربران است.

بیش از دو دهه است که استفاده از تلفن همراه برای تعامل با فناوری به بخشی ناخودآگاه از رفتار ما تبدیل شده است. همچنین، بسیاری از کاربران، سال‌ها است با Google Assistant کار می‌کنند و با توانمندی‌ها و محدودیت‌های آن آشنایی دارند. دستوراتی مانند تنظیم نور، زمان‌بندی یا پاسخ به پرسش‌های خاص، برایمان کاملاً آشنا هستند. اما در مورد جمنای چنین ارتباطی هنوز شکل نگرفته است. در نخستین تجربه استفاده از جمنای در Galaxy Watch 8، حتی فراموش شده بود که چنین قابلیتی روی ساعت وجود دارد. با وجود قدرت بالاتر در درک زبان طبیعی، هنگام استفاده از آن بعضی از کاربران دچار تردید می‌شدند و در ذهنشان، هنوز آن را با Google Assistant مقایسه‌ می‌کردند. 

یکی از چالش‌ها، انتخاب زمان و بستر مناسب برای استفاده از جمنای است: آیا بهتر است از نسخه موجود روی ساعت استفاده شود؟ یا نسخه تلفن همراه؟ یا حتی نسخه مرورگر؟ در جلسات معرفی سامسونگ، نمونه‌هایی مانند «یافتن نزدیک‌ترین باشگاه و ارسال آدرس برای همسر»، «شروع تمرین ورزشی با در نظر گرفتن میزان کالری یک برش پیتزا»، و «ساخت فهرست پخش موسیقی برای یک دوی ۱۰ دقیقه‌ای» ارائه شد. با این حال، وقتی درخواست مثال‌های بیشتری مطرح شد، برخی از مسئولان با توضیحات کامل پاسخ دادند، اما برخی دیگر واکنشی کوتاه و محتاطانه داشتند.

آموزش استفاده از هوش‌مصنوعی جمنای

آشنایی با رفتار و بازخورد جمنای با کاربر

البته این موضوع چندان جای سرزنش ندارد؛ زیرا در عمل، برخی از مثال‌ها نیز با مشکلاتی همراه بودند. برای نمونه، هنگام آغاز یک برنامه دویدن بر اساس میزان کالری یک برش پیتزا ـ واحدی نه‌چندان معمول برای سنجش ـ اگر واژه «برش» (slice) مشخص نشود، سیستم به‌طور پیش‌فرض هدف کالری را ۱۰۸۰ واحد در نظر می‌گیرد. این مقدار معادل حدود ۱۰ مایل دویدن است؛ هدفی که در همان لحظه لغو شد.

با گذشت مدتی، ساخت فهرست‌های پخش موسیقی توسط جمنای از جذابیت اولیه افتاد و تمایل به ایجاد لیست‌های دلخواه به‌صورت دستی دوباره شکل گرفت. در مواردی که از جِمِنی درخواست می‌شد کافه‌های اطراف را پیدا کرده و برای مخاطبان مختلف از طریق اپلیکیشن‌های گوناگون ارسال کند، نتایج متغیر بود. گاهی درخواست به‌درستی اجرا شد، اما در برخی موارد، نبود دسترسی به برنامه‌ای مانند Slack باعث شد تنها یک فهرست متنی از ۱۰ کافه نمایش داده شود. یک‌بار نیز، پیشنهادهایی در فاصله‌ای حدود ۴۰ بلوک دورتر ارائه شد.

توانایی جمنای در انجام وظایف پیچیده یک مسئله است و گنجاندن این قابلیت‌ها در جریان زندگی روزمرهُ مسئله‌ای دیگر. به همین دلیل، از تیم توسعه نسخه ساعت‌های هوشمند جِمِنی درخواست شد نکاتی راهگشا ارائه دهند. ژان لی، مدیر ارشد محصول در تیم جمنای، در رابطه با این موضوع گفت:

Google Gemini

حجم:۳ مگابایت

دانلود Google Gemini

استفاده از جمنای به‌عنوان نوعی حافظه دوم بسیار آسان است و می‌توان تمام مواردی را که باید به خاطر سپرده شود را به آن سپرد. نکته قابل‌توجه اینجاست که جمنای از زمینه یا Context برخوردار است، به تاریخچه گفت‌وگوها دسترسی دارد و همچنین اطلاعاتی را که پیش‌تر درباره کاربر ثبت شده، به خاطر می‌سپارد.

در همان لحظه، لی با ساعت خود صحبت کرد و از جمنای پرسید که برای روز جاری چه وسایلی باید همراه داشته باشد. چند ثانیه بعد، پاسخ ارائه شد: پیش‌بینی بارش‌های پراکنده، دمای ۹۷ درجه فارنهایت با حس واقعی ۱۰۴ درجه. بر این اساس، همراه داشتن وسایل کلاس پیلاتس، یک چتر کوچک قابل‌حمل، لباس و کفش‌های خنک و راحت توصیه شد و \یشنهاد کرد که از پوشیدن لباس‌های چرمی و جیر پرهیز کنید.

به گفته ژان لی، نکته کلیدی این بود که پیش‌تر به جِمِنی اطلاع داده شده بود که کاربر از خیس‌شدن کفش‌های جیر خود در باران خوشش نمی‌آید. در پاسخ به پرسشی درباره منبع این اطلاعات، لی توضیح داد که چنین پاسخ‌هایی بر اساس «داده‌های ذخیره‌شده»‌ای ارائه می‌شوند که در طول زمان به سامانه وارد شده‌اند. برای نمونه، اگر کاربر به جمنای اعلام کند که به نوع خاصی از غذا علاقه‌مند است، این علاقه در حافظه سیستم باقی می‌ماند و هنگام سفر به شهری جدید، پیشنهاد رستوران‌ها با توجه به همان سلیقه ارائه می‌شود.

جیمی ویلیامز، مدیر گروه محصولات Wear OS نیز در ادامه افزود: «در گذشته، هنگام استفاده از Google Assistant، لازم بود جمله‌ای که می‌خواستید ارسال کنید را دقیقاً دیکته کنید. سپس سیستم آن پیام را برایتان بازگو می‌کرد، از شما می‌پرسید که آیا آماده ارسال هستید یا خیر. روند کارُ چند مرحله‌ای بود و کاربر باید بسیار دقیق و مشخص عمل می‌کرد.»

• 4 دلیل برای علامت‌گذاری متن به عنوان محتوای هوش مصنوعی

به گفته ویلیامز، این روند در جمنای به‌مراتب ساده‌تر و هوشمندانه‌تر است. کافی است اطلاعات کلی پیام و لحن مورد نظر را بیان کنید. برای نمونه، اگر در راه رسیدن به قرار تأخیر دارید، می‌توانید بگویید: «به همسرم بگو ۱۵ دقیقه دیر می‌رسم و لحن پیام شوخ‌طبعانه باشد.» در این حالت، دیگر لازم نیست درباره نحوه نگارش پیام فکر کنید؛ جمنای متن مناسب را به‌طور خودکار تولید خواهد کرد.

از دیگر مثال‌هایی که لی و ویلیامز به آن اشاره کردند می‌توان به به‌خاطر سپردن رمز کمد باشگاه و تنظیم یادآوری برای برداشتن چتر حدود ۱۰ دقیقه پیش از شروع بارندگی اشاره کرد. یا هنگام آشپزی، به‌جای جست‌وجوی زمان پخت پاستای پنه به حالت الدنته، کافی‌ است از جمنای بخواهید تایمر را بر اساس آن تنظیم کند. لی در این‌باره توضیح می‌دهد: «ما عادت کرده‌ایم که برای انجام یک کار ساده، به‌صورت ذهنی مراحل آن را مرور کنیم: مثلاً ابتدا باید موضوعی را جست‌وجو کنم، سپس پیامی را ارسال کنم، بعد آن را به حساب اضافه کنیم. اما جمنای می‌تواند تمام این مراحل را به‌طور یکپارچه برای شما انجام دهد.»

او در این باره گفت:

جمنای می‌تواند به شما در تولید یک ویدئو کمک کند، اما هدف اصلی این نیست. مسئله مهم‌تر این است که چگونه می‌توانیم فشار ذهنی و بار شناختی روزمره را برای کاربران کاهش دهیم.

از نظر مفهومی، ایده روشن است: حذف مراحل اضافی و غیرضروری، محور اصلی بسیاری از محصولات مبتنی بر هوش مصنوعی محسوب می‌شود. با این حال، دستیابی به چنین سطحی از کارایی مستلزم بازآموزی ذهن است؛ به این معنا که باید زمانی صرف آموزش سیستم برای شناخت نیازها و ترجیحات شخصی شود، و این خود نیازمند کنار گذاشتن برخی عادت‌ها و الگوهای رفتاری تثبیت‌شده است.

در همین راستا، اجرای پیشنهاد ژان لی مبنی بر تنظیم یادآوری برای برداشتن چت آن هم ده دقیقه پیش از بارش امتحان شد. با وجود این، نقص در هماهنگی یا دقت سیستم باعث شد که در دو نوبت، باران زودتر از هشدار پیش‌بینی‌شده آغاز شود و شخص همچنان بدون چتر در خیابان بماند.

بخش قابل‌توجهی از این تجربه ناموفق، به نحوه تعامل اولیه بازمی‌گردد. نخستین پیام به جمنای، بسیار کلی و مبهم بود: «هی گوگل، آیا امروز باران می‌بارد؟ و اگر بله، یادآوری کن چتر بردارم.» در آن لحظه، هوا آفتابی بود و سیستم هیچ اقدامی انجام نداد. در ادامه، ترجیح کاربر مبنی بر بیزاری از گرفتار شدن در باران بدون چتر به جمنای اعلام و در حافظه آن ذخیره شد. سپس درخواست شد که هنگام بارندگی بعدی، یادآوری لازم انجام شود، اما باز هم به دلیل شرایط جوی آفتابی، واکنشی صورت نگرفت. در نهایت، پیش‌بینی ده‌روزه هوا به‌طور دستی از طریق تلفن همراه بررسی شد.

این موضوع با واقعیت دیگری نیز ارتباط دارد: هوش مصنوعی مولد (Generative AI) برخلاف دستیارهای صوتی سنتی، ساختاری باز و انعطاف‌پذیر دارد. دستیارهای قدیمی‌تر محدود به مجموعه‌ای مشخص از فرمان‌ها و قابلیت‌ها بودند؛ محدودیتی که اگرچه کار با آن‌ها را ساده‌تر می‌کرد، اما اغلب ناکارآمد و خسته‌کننده به نظر می‌رسید. در مقابل، مدیران ارشد فناوری امروزه با اشتیاق فراوان منتظرند ببینند کاربران چگونه به‌طور خلاقانه از هوش مصنوعی مولد بهره می‌برند.

اما همین گستردگی بی‌پایان امکانات، گاهی باعث سردرگمی کاربران می‌شود. با نبود نقطه شروع مشخص، اغلب به عادت‌های قبلی بازمی‌گردند و در نتیجه، سوالات و دستورات ساده و پیش‌پاافتاده‌ای مطرح می‌کنند؛ مثل روشن و خاموش کردن چراغ‌های هوشمند یا جست‌وجوی میزان کالری یک برش پیتزاِ کارهایی که پیش‌تر نیز دستیار گوگل به‌خوبی انجام می‌داد.

یکی از چالش‌های اصلی هوش‌مصنوعی مولد، پیش‌بینی‌ناپذیری آن است. ممکن است درخواستی ساده مانند «یادآوری برای برداشتن چتر» مطرح شود، اما نتیجه‌ای غیرمنتظره تحویل بگیرید؛ مثلاً جمنای به‌دلیل آفتابی بودن هوا، از اجرای دستور صرف‌نظر کند.

اکنون که این فناوری به ساعت‌های هوشمند راه یافته، لایه‌ای جدید به مسئله بهینه‌سازی تعامل اضافه شده است. با توجه به اینکه این ابزار مستقیماً روی بدن کاربر قرار دارد، باید دقیق‌تر درباره نوع درخواست‌ها و پرسش‌های مناسب برای این فرم‌فکتور فکر کرد. «آیا جمنای روی ساعت، نسخه‌ای مستقل و بدون نیاز به استفاده از دست است یا باید آن را مکمل نسخه تلفن همراه دانست؟» یا استفاده از آن در قالب ساعت، نیازمند سناریوهای خاصی است که در سایر دستگاه‌ها منطقی نیستند؟ پاسخ روشنی در این زمینه وجود ندارد و همچنان در مرحله آزمون و خطا قرار دارد.

با این حال، قصد کنار کشیدن وجود ندارد. بخشی از این پافشاری ناشی از سماجت شخصی است، اما بخش مهم‌تری از آن به نقش شغلی مرتبط است که مستلزم کشف راه‌های بهینه استفاده از فناوری‌های نوین و شناخت محدودیت‌های آن‌ها است. انگیزه اصلی، کاهش نیاز به استفاده مکرر از گوشی و بهره‌مندی بیشتر از امکاناتی است که جایگزین شده است. اما کاربر عادی چطور؟

نمی‌توان صرفاً یک ابزار جدید را در اختیار کاربران گذاشت و انتظار داشت که بلافاصله با آن ارتباط برقرار کنند. این شبیه دادن یک سطل لگو به یک شخص و گفتن این است: «یک ماکت دقیق از سفینه میلینیون فالکن بساز!» شاید تعداد کمی نابغه قادر به انجام این کار باشند، اما اکثریت به‌دلیل پیچیدگی و ابهام، خیلی زود دلسرد می‌شوند. در مقابل، اگر یک نقشه یا راهنمای دقیق در اختیارشان قرار گیرد، تقریباً هر کسی می‌تواند موفق شود.

اینجاست که تفاوت میان «امکان‌پذیری» و «قابل‌استفاده بودن» خودش را نشان می‌دهد. فناوری جدید نمی‌تواند صرفاً با وعده «آسان‌تر کردن زندگی» موفق شود؛ باید شهودی (intuitive) باشد. اگر این ویژگی وجود نداشته باشد، مسیر استفاده از آن باید به‌روشنی برای کاربر ترسیم شود. در مورد جمنای روی دستگاه‌های پوشیدنی، با رویکردی نو در تعامل با هوش‌مصنوعی روبه‌رو هستیم؛ مدلی که نیازمند بازآموزی ذهنی و ایجاد حافظه عضلانی جدید است. لازم است دلیلی قانع‌کننده به کاربران ارائه شود تا برای این تغییر تلاش کنند. در غیر این صورت، طبیعی است که همه به روال آشنا و راحت قبلی یعنی تلفن همراه بازگردند.

منبع: The Gamer