استارتاپی که می‌خواهد آینده را دقیق‌تر از انسان ببیند

پیش‌بینی آینده تا مدت‌ها قلمرو تحلیلگران، معامله‌گران و جمع‌های بزرگی از داوطلبان بود که احتمال رخدادها را تخمین می‌زدند. استارتاپ لندنی Mantic می‌گوید هوش مصنوعی آن در یک رقابت تازه توانسته از همه شرکت‌کنندگان انسانی دقیق‌تر باشد. این عملکرد اکنون ۲۵ میلیون دلار سرمایه بذر برای شرکت به همراه آورده است؛ دوری که Radical Ventures هدایت کرده و صندوق M12 مایکروسافت، Thinking Machines Lab و Balderton Capital نیز در آن حضور دارند.

Mantic در سال ۲۰۲۴ به دست توبی شولین، پژوهشگر پیشین Google DeepMind، و بن دی تأسیس شد. شرکت مدل عظیمی را از صفر نمی‌سازد؛ مدل‌های مرزی آزمایشگاه‌های دیگر را برای کار پیش‌بینی تخصصی می‌کند. سامانه با سؤال‌های تاریخی تمرین می‌کند، احتمال می‌دهد، نتیجه واقعی را می‌بیند و بر اساس کیفیت برآورد خود اصلاح می‌شود. این تفاوت مهم است: هدف گفتن یک پاسخ قطعی نیست، بلکه نسبت دادن احتمال‌هایی است که در طول زمان درست از آب دربیایند.

برنده شدن یعنی چه؟

آزمون مهم Mantic در جام تابستانی ۲۰۲۶ پلتفرم Metaculus انجام شد؛ رقابتی آنلاین که در آن انسان‌ها و سامانه‌ها رخدادهای اقتصادی، فرهنگی و عمومی را پیش‌بینی می‌کنند. امتیاز فقط به حدس نهایی تعلق نمی‌گیرد. اگر رخدادی ۷۰ درصد محتمل اعلام شود، کیفیت این عدد پس از روشن شدن نتیجه سنجیده می‌شود. پیش‌بینی‌کننده خوب باید هم میان ۵۵ و ۹۰ درصد تفاوت بگذارد و هم در برابر اطلاعات تازه، احتمال خود را به‌موقع تغییر دهد.

نتایج این دوره برای نخستین بار نشان داد سامانه‌های هوش مصنوعی در صدر رقابت قرار گرفته‌اند. Mantic از همه انسان‌ها و همه ربات‌ها جز یک سامانه با نام laertes بهتر عمل کرد. شرکت یکی از مزیت‌هایش را مقاومت در برابر رفتار گله‌ای می‌داند. وقتی بیشتر شرکت‌کنندگان روی یک پاسخ جمع می‌شوند، انسان برای فاصله گرفتن از اجماع فشار روانی احساس می‌کند. مدل، اگر درست آموزش دیده باشد، می‌تواند شواهد مخالف را بدون نگرانی از تنها ماندن وزن دهد.

نمونه جالب رقابت به موسیقی مربوط بود. بیشتر پیش‌بینی‌کنندگان گمان می‌کردند ترانه تازه شکیرا از اثر قدیمی و مشهور او در جدول Billboard Hot 100 عبور نمی‌کند، اما نتیجه برخلاف اجماع شد و Mantic با اطمینان افراطی همراه جمع حرکت نکرد. این مثال به‌ظاهر سبک، نکته‌ای جدی دارد: پیش‌بینی خوب الزاماً یافتن «اطلاعات محرمانه» نیست؛ گاهی فقط یعنی ندادن احتمال بیش از حد به روایتی که همه تکرار می‌کنند.

از مسابقه آنلاین تا تصمیم مالی

سرمایه‌گذاران می‌خواهند این توان را به محصولی برای شرکت‌ها تبدیل کنند. صندوق‌های پوشش ریسک و مؤسسات معاملاتی مشتریان طبیعی‌اند، زیرا حتی بهبود کوچک در برآورد رخداد اقتصادی می‌تواند ارزش مالی مستقیم داشته باشد. آژانس‌ها و شرکت‌های بزرگ نیز برای برنامه‌ریزی زنجیره تأمین، تقاضا، قیمت مواد یا زمان ورود به بازار به سناریو نیاز دارند. Mantic می‌گوید برخی مشتریان سامانه را به کار گرفته‌اند، هرچند نام آنها را منتشر نکرده است.

ناشناس ماندن مشتریان، ارزیابی ادعای تجاری را دشوار می‌کند. عملکرد در Metaculus تحت قواعد روشن و نتیجه قابل ثبت سنجیده می‌شود؛ محیط واقعی آشفته‌تر است. یک مدیر ممکن است سؤال مبهمی بپرسد، داده داخلی ناقص باشد یا تعریف موفقیت در میانه پروژه تغییر کند. سامانه باید بتواند پرسش را به رخداد قابل اندازه‌گیری تبدیل کند، افق زمانی مشخص دهد و منابع اطلاعات را ثبت کند. در غیر این صورت، عدد احتمال ظاهری علمی پیدا می‌کند بی‌آنکه تصمیم را بهتر سازد.

پیش‌بینی احتمالی یک مهارت متفاوت از تولید متن روان است. مدل زبانی می‌تواند توضیحی قانع‌کننده بسازد و همچنان از نظر عددی بد تنظیم باشد. اگر از صد رخداد با احتمال ۸۰ درصد فقط چهل مورد اتفاق بیفتد، مدل اعتمادبه‌نفس کاذب دارد. Mantic برای حل این مسئله عملکرد را روی داده تاریخی نمره‌دهی می‌کند و سامانه را بر اساس کالیبراسیون و دقت بهبود می‌دهد. همین حلقه بازخورد، محصول را از چت‌باتی که صرفاً نظر می‌دهد جدا می‌کند.

آینده‌ای که با انتشار پیش‌بینی تغییر می‌کند

هرچه ابزار موفق‌تر شود، مسئله بازتاب خودش جدی‌تر می‌شود. اگر معامله‌گران بزرگ همگی پیش‌بینی یک مدل را ببینند و بر اساس آن خرید کنند، قیمت بازار تغییر می‌کند و همان پیش‌بینی بخشی از علت نتیجه می‌شود. در مدیریت شرکت نیز اعلام احتمال ورشکستگی یک تأمین‌کننده می‌تواند سفارش‌ها را کاهش دهد و خطر را بالا ببرد. پیش‌بینی اجتماعی برخلاف هواشناسی، گاهی موضوع خود را تحت تأثیر قرار می‌دهد.

داده‌های تاریخی نیز بی‌طرف نیستند. رخدادهایی که پوشش خبری و آمار فراوان دارند برای مدل آسان‌ترند، در حالی که بازارهای کوچک یا گروه‌های کمتر دیده‌شده داده محدودتری دارند. ممکن است سامانه در شاخص‌های کلان دقیق و در تصمیم محلی ضعیف باشد. رویدادهای واقعاً تازه، که مشابه تاریخی روشنی ندارند، آزمون دشوارتری هستند و می‌توانند اعتمادبه‌نفس ظاهری مدل را بی‌معنا کنند. استفاده‌کننده باید دامنه اعتبار را بشناسد و احتمال را با دانش حوزه ترکیب کند. یک عدد واحد نباید جای بررسی ریسک، سناریو بدبینانه و مسئولیت مدیر را بگیرد.

مسئله امنیت اطلاعات برای مشتریان مالی حساس است. اگر شرکت داده فروش، موجودی یا برنامه محصول را برای گرفتن پیش‌بینی وارد کند، مدل به مجموعه‌ای ارزشمند از اسرار تجاری دسترسی پیدا می‌کند. معماری استقرار، جداسازی داده مشتریان، ثبت دسترسی و سیاست آموزش مجدد باید روشن باشد. مزیت تحلیلی نباید با خطر نشت داده معاوضه شود. برای برخی مشتریان، اجرای نسخه‌ای در محیط خصوصی از چند درصد دقت بیشتر مهم‌تر خواهد بود.

آرون روزنبرگ از Radical Ventures پس از سرمایه‌گذاری به هیئت‌مدیره Mantic پیوسته است. منطق او ساده است: اگر سامانه واقعاً برتری پایدار نسبت به انسان داشته باشد، بازار مالی می‌تواند فوراً آن را به درآمد تبدیل کند. اما همین سودآوری آزمون سخت‌تری نیز می‌سازد. الگویی که عمومی شود ممکن است به‌سرعت در قیمت‌ها جذب شود و مزیتش کاهش یابد. شرکت باید پیوسته داده، روش و سؤال‌های تازه پیدا کند تا برتری امروز به محصولی موقت تبدیل نشود.

دستاورد Mantic بیش از آنکه ثابت کند ماشین «آینده را می‌داند»، نشان می‌دهد مدل‌ها در وزن دادن منظم به شواهد و دوری از برخی سوگیری‌های جمعی پیشرفت کرده‌اند. انسان همچنان سؤال را تعریف، پیامد را تفسیر و مسئولیت تصمیم را می‌پذیرد. بهترین کاربرد، جایگزینی قضاوت نیست؛ ساختن حریفی عددی است که مدیر را مجبور می‌کند میزان اطمینان خود را دقیق‌تر بیان کند. سرمایه ۲۵ میلیون دلاری به شرکت فرصت می‌دهد این برتری مسابقه‌ای را در جهان واقعی بیازماید؛ جایی که آینده نه تمیز است، نه همیشه قابل نمره‌دهی.

منبع: Reuters