فناوری هوش مصنوعی اکنون قادر است یک تصویر را توصیف کند، اشیاء مختلف را تشخیص دهد و به پرسش‌های مرتبط با آنچه دوربین می‌بیند پاسخ دهد. اما زمانی که یک کاربر نابینا به یک پاسخ سریع و مشخص نیاز دارد، دریافت یک مقاله صوتی کامل درباره جزئیات تصویر چندان مفید نیست. پژوهشگران دانشگاه مریلند (UMD) در تحقیقات تازه خود دریافتند که ابزارهای کمک‌بصری مبتنی بر هوش مصنوعی، کاربران نابینا را مجبور می‌کنند برای دست‌یابی به اطلاعات واقعی مورد نیاز خود، تلاش و زحمت بسیار زیادی متحمل شوند.
به گزارش واضح به نقل از Digital Trends، این مطالعه که تحت عنوان «به روش من بگو: بررسی میزان کنترل در پاسخ‌گویی بصری مکالمه‌ای با کاربران نابینا» منتشر شده است، نحوه تعامل افراد با ابزار Be My AI (ویژگی مبتنی بر هوش مصنوعی در اپلیکیشن Be My Eyes) را مورد بررسی قرار داده است. محققان دریافتند که کاربران غالباً توصیفات متنی بسیار طولانی دریافت می‌کنند که هدف فوری و اصلی آن‌ها را برآورده نمی‌سازد؛ موضوعی که آن‌ها را ناچار می‌کند سؤالات متوالی بپرسند یا راه‌هایی برای هدایت هوش مصنوعی به سمت یک پاسخ کاربردی‌تر پیدا کنند.
ارائه اطلاعات مازاد و غیرضروری هوش مصنوعی به کاربران نابینادر این پژوهش، محققان ۱۱ شرکت‌کننده نابینا را به کار گرفتند که ابتدا ابزار Be My AI را در محیط آزمایشگاهی تست کرده و سپس به مدت ۱۰ روز از آن در زندگی روزمره خود استفاده کردند. تیم تحقیقاتی ۴۱۸ تعامل مختلف را تحلیل کرد تا نحوه طرح سؤال توسط شرکت‌کنندگان، واکنش آن‌ها به پاسخ‌های هوش مصنوعی و تغییر استراتژی آن‌ها در زمان عدم دریافت پاسخ مناسب را بررسی کند.
نتایج به دست آمده عدم هماهنگی و عدم تناسب میان آنچه کاربران می‌پرسیدند و آنچه هوش مصنوعی ارائه می‌داد را برپرملا ساخت. شرکت‌کنندگان معمولاً پرسش‌هایی بین ۱۰ تا ۲۰ کلمه مطرح می‌کردند، اما پاسخ‌های هوش مصنوعی بیش از ۱۰ برابر طولانی‌تر بود! مکالمات به طور متوسط ۳ مرحله به طول می‌انجامید، اما برخی از آن‌ها تا ۲۱ تبادل پیام نیز کشیده می‌شد. از آنجایی که پاسخ‌ها به صورت صوتی خوانده می‌شوند، یافتن یک نکته کاربردی مستلزم گوش دادن به حجم زیادی از اطلاعات غیرضروری است.
به عنوان مثال، یکی از شرکت‌کنندگان نابینا در حال بررسی پخته شدن سوسیس‌ها بود؛ هوش مصنوعی به طور مداوم گزارش می‌داد که برخی بخش‌ها هنوز صورتی به نظر می‌رسند، در حالی که کاربر به جای توصیف مجدد ظاهر غذا، خواستار راهنمایی عملی درباره اقدام بعدی خود بود. در موردی دیگر، فردی که به دنبال کلیدهای خود می‌گشت، به جای دریافت پاسخ متمرکز بر محل شیء گمشده، توصیفی طولانی از کل فضای تصویر دریافت کرد. بیش از نصف شرکت‌کنندگان، عادت این برنامه برای شروع پاسخ با توصیف کامل تصویر را یک مشکل بسیار بزرگ دانستند.
تلاش کاربران نابینا برای دور زدن محدودیت‌های هوش مصنوعیشرکتکنندگان راه‌های مختلفی را برای دریافت پاسخ‌های کاربردی‌تر امتحان کردند. برخی علت پرسش خود را توضیح می‌دادند تا به هوش مصنوعی درباره اهدافشان زمینه و آگاهی ببخشند. برخی دیگر وظایف پیچیده را به سؤالات کوچک‌تر تقسیم می‌کردند. یکی از شرکت‌کنندگان که در حال بررسی خمیر نان بود، به طور جداگانه درباره اندازه، سطح، حباب‌های هوا و آرد سؤال پرسید و عنوان کرد که این تنها راه برای اطمینان از درست بودن پاسخ‌ها بوده است.
اگرچه کاربران راه‌هایی برای هدایت هوش مصنوعی پیدا کردند، اما این مطالعه محدودیت‌های دیگری را نیز آشکار ساخت؛ از جمله دشواری در تخمین فواصل و تغییرات در طول زمان، کادربندی نامناسب تصویر و راهنمایی محدود درباره زاویه قرارگیری دوربین. پژوهشگران معتقدند که کاربران نابینا نباید برای دریافت پاسخ‌های ساده، مجبور به تسلط بر پرامپت‌ها و دستورات پیچیده باشند. برای اینکه ابزارهای کمک‌بصری هوش مصنوعی واقعاً دست‌پذیر و کاربردی شوند، باید روی آنچه کاربر نیاز دارد تمرکز کنند و پاسخ‌های شفاف و مفید ارائه دهند، بدون اینکه آن‌ها را درگیر چالش‌های تکنولوژی کنند.
چرا که وقتی فردی می‌پرسد کلیدهایش کجا قرار دارد، احتمالاً نیازی به تور توریسم صوتی و توصیف کامل تمام نقاط اتاق ندارد!
