نوآوری در مدیریت برای توسعه پایدار

Kolnegar Private Media (Management Innovation for Sustainable Development)

24 مهر 1403 10:40 ق.ظ

یادگیری ماشینی و ویرایش ژن در راس یک تکامل اجتماعی

یادگیری ماشینی و ویرایش ژن

توسط سانا زکریا، تیموتی مارلر، مارک کبلینگ، سوزان گِنک، آرتور هونیچ، مان ویردی، سام استاکول

     پیشرفت های کلیدی در تقاطع ML و GE چیست؟

     ارتباط بین سیاست و فناوری و آنچه ما از روندها در طول زمان می آموزیم چیست؟

     چه نوع ملاحظات سیاستی برای کنترل فن آوری های همگرا با در نظر گرفتن محرک های بین المللی همکاری و رقابت مورد نیاز است؟

ادغام هوش مصنوعی (AI) و بیوتکنولوژی، در حالی که در مراحل اولیه است، فرصت ها و خطرات قابل توجهی را ارائه می دهد و برای مدیریت این فناوری های نوظهور به سیاست های پیشگیرانه نیاز است. در حالی که هوش مصنوعی همچنان تاثیر قابل توجه و گسترده ای دارد، ارتباط و پیچیدگی آن در صورت ادغام با سایر فناوری های نوظهور بزرگتر می شود. تلاقی یادگیری ماشینی (ML)، زیرمجموعه ای از هوش مصنوعی، به ویژه با ویرایش ژن (GE) می تواند مزایای قابل توجهی و همچنین خطرات دلهره آور را ایجاد کند که از اخلاق تا امنیت ملی را شامل می شود. این فناوری‌های پیچیده برای بخش‌های مختلف، از کشاورزی و پزشکی گرفته تا رقابت اقتصادی و امنیت ملی، پیامدهایی دارند. توجه به پیشرفت‌ها و سیاست‌های فناوری در مناطق مختلف جغرافیایی و مشارکت سازمان‌های متعدد، این پیچیدگی را بیشتر مخدوش می‌کند. با گسترش تأثیر ML و GE، سیاست های آینده نگر برای کاهش خطرات و فرصت های اهرمی مورد نیاز است. بنابراین، این مطالعه پیامدهای تکنولوژیکی و سیاستی تقاطع ML و GE را با تمرکز بر ایالات متحده (ایالات متحده)، بریتانیا و چین و اتحادیه اروپا (EU) بررسی می‌کند. تجزیه و تحلیل پیشرفت‌های فنی و سیاستی در طول زمان و ارزیابی وضعیت فعلی آن‌ها، توصیه‌های سیاستی آگاهانه‌ای را ارائه کرده است که می‌تواند به مدیریت استفاده مفید از پیشرفت‌های فناوری و هم‌گرایی آنها کمک کند، که می‌تواند در سایر بخش‌ها اعمال شود. این گزارش برای سیاستگذاران در نظر گرفته شده است تا در مورد چگونگی بهترین رویکرد به همگرایی دو فناوری فکر کنند. شاغلان فنی همچنین ممکن است در نظر گرفتن نوع اطلاعات و سیاست گذاری که ذینفعان با آن درگیر هستند، به عنوان منبعی ارزشمند بدانند.

یافته های کلیدی

یادگیری ماشینی پیشرفت های زیست شناسی را تسریع می کند

     ML پیشرفت‌های زیست‌شناسی را تسریع می‌کند، در درجه اول با فعال کردن فرآیندهای سریع‌تر با کارایی و همچنین ارائه قابلیت‌های پیش‌بینی. ادغام GE و ML پیامدهای عملی قابل توجهی دارد، اما بسیاری از فناوری زیربنایی هنوز نیاز به توسعه آن در مراحل اولیه بلوغ دارد.

فناوری سریعتر از سیاست ها و مکانیسم های نظارتی در همگرایی فناوری پیشرفت می کند

     فناوری سریعتر از سیاست‌های مرتبط پیشرفت می‌کند، بدون اینکه سیاستی در تقاطع ML و GE توسعه یابد. تفاوت های قابل توجهی در پیشرفت فناوری و توسعه سیاست برای هوش مصنوعی و ژنتیک وجود دارد. اثر دومینوی برنامه‌های هوش مصنوعی ملی در سراسر صحنه بین‌المللی ماهیت واکنش‌گرایانه اقدامات سیاستی اخیر در مورد هوش مصنوعی را برجسته می‌کند که به جای پیشرفت فناوری، زیربنای ژئوپلیتیک است. از طرف دیگر، GE شامل تکرار مداوم فناوری و توسعه سیاست با اتخاذ رویکرد احتیاطی است. علاوه بر این، در حالی که نقاط عطف کلیدی ژنتیک در سیاست در طول زمان گسترش یافته و بر مقررات تمرکز دارد، سیاست‌های شاخص AI/ML در چند خوشه با سیاست‌های گذشته متمرکز بر نوآوری و فعالیت‌های موضعی فعلی متمرکز بر مقررات متمرکز شده‌اند.

در بخش‌های ML و GE یک شکاف درک فرهنگی و عمومی وجود دارد

     ML و GE قرار است چندین بخش را متحول کنند، اما مشارکت و درک عمومی در سیاست گذاری آینده بسیار مهم است. شکاف فرهنگی بین جوامع ML و GE باید پل شود تا سیاست هایی اتخاذ شود که به هر دو جامعه و نگرانی های آنها رسیدگی کند. آموزش و مشارکت عمومی و سیاست گذاران برای سیاست گذاری بسیار مهم است، اما باید با تمرکز بر برنامه ها به جای بحث در مورد جنبه های فنی انجام شود.

برای حمایت از نظارت بیشتر بر فناوری‌های همگرا، می‌توان از اهرم‌های سیاستی متعددی استفاده کرد.

     کارگزاران بین المللی می توانند به پر کردن خلاء سیاست گذاران چابک و پاسخگو کمک کنند. مدیریت دسترسی به داده‌ها می‌تواند محور توسعه سیاست مؤثر باشد، اما مسائل سیاسی و اخلاقی مرتبط باید مورد توجه قرار گیرد.

توصیه ها

  • سیاستگذاران باید مسیر توسعه سیاست و فناوری را به طور همزمان در چندین کشور تجزیه و تحلیل کنند.
  • سیاست باید پیش بینی کننده، مشارکت جویانه و زیرک باشد و سیاستی اتخاذ کند
  • چرخه عمر، نوسان بین رویکردهای خط مشی، تا سطوح بلوغ فناوری را منعکس کند.
  • دولت های ایالتی و جوامع علمی باید مشوق همکاری و هماهنگی بین المللی باشند.
  • سیاست گذاران ملی باید چارچوب ها و فرصت هایی را برای حمایت از آموزش عمومی و گفتگوی مشورتی ایجاد کنند.
  • دولت‌ها و سیاست‌گذاران ملی باید مقررات بالادستی (قبل از کاربرد فناوری) و پایین‌دستی (مربوط به برنامه‌ها) را اتخاذ کنند.
  • سیاست گذاران باید بر تنظیم دسترسی و توزیع داده های اساسی تمرکز کنند.
  • دولت ها باید یک بانک دانش در مورد اقدامات امنیت زیستی، استانداردهای فناوری و چارچوب ها ایجاد کنند.

https://www.rand.org

آیا این نوشته برایتان مفید بود؟

دیدگاهتان را بنویسید

نشانی ایمیل شما منتشر نخواهد شد. بخش‌های موردنیاز علامت‌گذاری شده‌اند *