Dazzle برای شناخت کاربران، سراغ گالری عکس‌هایشان می‌رود

Marissa Mayer، مدیرعامل پیشین Yahoo، دستیار هوش مصنوعی Dazzle را با رویکردی متفاوت از بسیاری از ابزارهای شخصی‌سازی‌شده معرفی کرده است: این دستیار به‌جای تکیه بر ایمیل، تقویم یا سابقه خرید، از عکس‌های ذخیره‌شده در گوشی برای شناخت علایق و سبک زندگی کاربر استفاده می‌کند. Dazzle که به گفته گزارش TechCrunch در دسامبر گذشته دور سرمایه‌گذاری اولیه ۸ میلیون‌دلاری جذب کرده، از راه اپلیکیشن یا پیام متنی در دسترس است و هم برای انجام کارهای فوری و هم برای پیشنهادهای شخصی طراحی شده است.

اهمیت این رویکرد در آن است که عکس‌ها می‌توانند نشانه‌هایی از فعالیت‌ها، سفرها، سلیقه غذایی یا علایق اعضای خانواده در خود داشته باشند؛ اطلاعاتی که ممکن است در ایمیل و تقویم ثبت نشده باشند. در عین حال، سپردن کتابخانه عکس‌های شخصی به یک دستیار هوش مصنوعی پرسش‌هایی درباره دقت تحلیل و شیوه حفاظت از حریم خصوصی ایجاد می‌کند. تجربه‌ای که TechCrunch در جریان نمایش محصول گزارش کرده، هم ظرفیت شخصی‌سازی Dazzle را نشان می‌دهد و هم محدودیت‌های آن را.

گالری عکس به‌عنوان منبع شناخت کاربر

بسیاری از دستیارهای شخصی هوش مصنوعی برای گردآوری زمینه درباره کاربر به داده‌های متنی، مانند ایمیل‌ها، رویدادهای تقویم یا سابقه خرید، متکی هستند. Dazzle مسیر دیگری را انتخاب کرده و محور شناخت خود را عکس‌های موجود در گوشی قرار داده است. این محصول با تحلیل آرشیو تصویری می‌کوشد علایق، سرگرمی‌ها، ترجیحات غذایی و پوششی، شیوه گذران اوقات فراغت و افرادی را که در زندگی کاربر حضور دارند، تشخیص دهد.

Mayer در گفت‌وگو با TechCrunch، عکس‌ها را منبعی کم‌توجه‌مانده از اطلاعات دانست و گفت کاربران ممکن است از میزان شناختی که هوش مصنوعی می‌تواند از تصاویر به دست آورد، شگفت‌زده شوند. او توضیح داد که Dazzle، برای نمونه، ممکن است از عکس‌ها دریابد کاربر به اسکی علاقه دارد، آخرین سفرش کجا بوده یا فرزندانش به چه چیزهایی علاقه نشان می‌دهند. این‌ها ادعاهای سازنده درباره توانایی محصول‌اند و به‌معنای آن نیست که دستیار در هر مورد شناخت کامل یا بی‌خطا خواهد داشت.

در این کاربرد، «زمینه» یعنی اطلاعاتی که به سیستم کمک می‌کند درخواست تازه را با سابقه و ترجیحات کاربر مرتبط کند. برای مثال، اگر فردی درباره پیشنهاد سفر بپرسد، دستیار می‌تواند سفرهای ثبت‌شده در عکس‌ها را نیز در نظر بگیرد، نه فقط اطلاعاتی را که کاربر همان لحظه نوشته است. چنین رویکردی ممکن است توصیه‌ها را شخصی‌تر کند، اما نتیجه به توانایی سیستم در تفسیر درست تصاویر و ارتباط میان آن‌ها وابسته است.

از کارهای فوری تا پیشنهادهای شخصی

Dazzle دو نوع تجربه اصلی ارائه می‌دهد. در کاربرد نخست، کاربر می‌تواند از دستیار بخواهد عکس‌های تازه را بررسی کند و اطلاعاتی را از آن‌ها بیرون بکشد. در یکی از نمونه‌هایی که گزارش شده، ابزار می‌تواند با خواندن اطلاعات روی پوستر یک رویداد، جزئیات آن را برای افزودن به تقویم آماده کند. نمونه دیگر، تشخیص عکس یک درِ گاراژ خراب و کمک به پیدا کردن تعمیرکار است.

این قابلیت‌ها به توانایی سامانه در خواندن و تفسیر محتوای تصویری متکی‌اند. چنین کاری با شناخت بلندمدت علایق کاربر تفاوت دارد: در حالت نخست، عکس مشخصی برای پیدا کردن یک جزئیات یا اقدام کاربردی بررسی می‌شود؛ در حالت دوم، دستیار از مجموعه‌ای از عکس‌های قدیمی و جدید، الگوهایی درباره ترجیحات شخصی استخراج می‌کند.

کاربرد دوم Dazzle، ساختن ایده‌های شخصی‌سازی‌شده برای فعالیت‌هایی مانند سفر تعطیلات یا انتخاب هدیه تولد است. Mayer گفته است که از این دستیار برای برنامه‌ریزی گردش خانوادگی استفاده می‌کند. به گفته او، بررسی عکس‌ها به Dazzle کمک کرده بود علاقه خانواده‌اش به اتاق‌های فرار را تشخیص دهد و چند مکان در منطقه خلیج سان‌فرانسیسکو پیشنهاد کند؛ مکان‌هایی که Mayer پیش‌تر با آن‌ها آشنا نبود.

در آزمایشی که TechCrunch گزارش کرده، درخواست پیشنهاد سفر از Dazzle به معرفی چند مقصد در حوزه مدیترانه انجامید؛ نتیجه‌ای که احتمالاً با سفرهای پیشین نویسنده گزارش به اسپانیا و یونان ارتباط داشت. ابزار همچنین سیسیل را پیشنهاد کرد، مقصدی که نویسنده چهار سال پیش به آن سفر کرده بود. در کنار این پیشنهادها، Dazzle ایده‌هایی مانند بازدید از یک کارگاه سفالگری محلی و شرکت در گشت کایاک‌سواری شبانه برای دیدن پدیده زیست‌تابی در خلیج Tomales ارائه داد.

تجربه اولیه؛ پیشنهادهای جالب و نقاط کور

گزارش TechCrunch می‌گوید پیشنهادهای Dazzle در مواردی شخصی‌تر از توصیه‌هایی به نظر می‌رسیدند که صرفاً بر تقویم و ایمیل تکیه دارند. بااین‌حال، همین تجربه نشان داد که تحلیل آرشیو عکس لزوماً به شناخت دقیق و ماندگار از کاربر منجر نمی‌شود. وقتی نویسنده از دستیار پرسید آیا برای تولد دخترش اسکیت بخرد، Dazzle به یاد نیاورد که او از قبل اسکیت‌سواری بلد است.

این خطا نمونه‌ای از دشواری ساختن تصویری منسجم از زندگی افراد بر اساس عکس‌هاست. ممکن است یک آرشیو تصویری درباره سفر یا سرگرمی‌های مورد علاقه شواهد زیادی داشته باشد، اما اطلاعات مهمی را که در عکس‌ها ثبت نشده‌اند در بر نگیرد. حتی اگر موضوعی در تصاویر دیده شود، سامانه باید بتواند زمان، موقعیت و ارتباط آن با درخواست فعلی را درست تفسیر کند. گزارش، آزمایشی محدود را توصیف می‌کند و بر اساس آن نمی‌توان درباره عملکرد Dazzle در همه موقعیت‌ها حکم قطعی داد.

Dazzle نخستین تجربه Mayer در محصولات مرتبط با عکس نیست. استارتاپ پیشین او، Sunshine، در سال ۲۰۲۴ ابزار اشتراک‌گذاری عکس مبتنی بر هوش مصنوعی Shine را عرضه کرده بود. طبق گزارش TechCrunch، Shine به‌دلیل طراحی قدیمی مورد انتقاد قرار گرفت، نتوانست استفاده گسترده‌ای به دست آورد و در نهایت تعطیل شد. Mayer گفته است که آن تجربه با وجود پایان محصول، دارایی فکری جالبی ایجاد کرد. این پیشینه بخشی از زمینه‌ای است که در آن Dazzle، با تمرکز دوباره بر عکس‌ها، وارد بازار دستیارهای هوش مصنوعی شده است.

حریم خصوصی و رقابت بر سر داده‌های شخصی

جمع‌آوری اطلاعات از عکس‌ها فقط مسئله‌ای فنی نیست؛ انتخاب منبع داده نیز می‌تواند بر میزان اعتماد کاربران اثر بگذارد. Mayer استدلال کرده است که برخی افراد ممکن است سپردن عکس‌هایشان را به دستیار هوش مصنوعی، در مقایسه با اعطای دسترسی به داده‌های حساس‌تری مانند ایمیل و پیام‌ها، راحت‌تر بدانند. او در این زمینه به نگرانی‌های امنیتی پیرامون محصولاتی مانند Instinct و Muse اشاره کرده است.

بااین‌حال، گالری عکس نیز می‌تواند اطلاعات شخصی فراوانی در خود داشته باشد؛ از سفرها و روابط خانوادگی تا علایق روزمره. بنابراین تفاوت میان عکس و ایمیل به‌تنهایی نشان نمی‌دهد که یکی از این منابع بی‌خطر است. Mayer گفته است Dazzle حریم خصوصی را در اولویت قرار می‌دهد و اطلاعات شخصی‌ای را که هوش مصنوعی حساس تشخیص دهد کنار می‌گذارد. این توضیح، موضع اعلام‌شده سازنده درباره محصول است؛ گزارش جزئیات فنی بیشتری درباره چگونگی شناسایی، حذف یا نگهداری داده‌ها ارائه نمی‌کند.

ورود ابزارهایی مانند Dazzle نشان می‌دهد که دستیارهای هوش مصنوعی می‌کوشند از پاسخ‌گویی به درخواست‌های لحظه‌ای فراتر بروند و شناختی از ترجیحات افراد پیدا کنند. چنین شناختی می‌تواند پیشنهاد فعالیت، سفر یا هدیه را مرتبط‌تر کند، اما هرچه ابزار اطلاعات شخصی بیشتری تحلیل کند، اهمیت شفافیت درباره داده‌های مورد استفاده و محدودیت‌های دستیار نیز بیشتر می‌شود. به گفته گزارش TechCrunch، Dazzle هنوز به اندازه برخی ابزارهای دیگر کاربردهای گسترده ندارد، اما تصویری از دستیارهایی ارائه می‌دهد که می‌خواهند به‌جای اجرای صرف دستورها، کاربر را بهتر بشناسند.

این خبر برای چه کسانی اهمیت دارد

Dazzle برای افرادی اهمیت دارد که به دستیارهای هوش مصنوعی شخصی‌سازی‌شده علاقه‌مندند و می‌خواهند بدانند عکس‌های روزمره‌شان چگونه می‌توانند به توصیه‌های کاربردی تبدیل شوند. این محصول همچنین برای فعالان صنعت هوش مصنوعی نمونه‌ای از رقابت بر سر انتخاب منبع داده و شیوه ساختن دستیارهای شخصی است. تجربه اولیه گزارش‌شده، در کنار ایده‌های مفید، یادآوری می‌کند که چنین سامانه‌هایی ممکن است بخشی از سابقه کاربر را نادیده بگیرند یا اطلاعات را نادرست تفسیر کنند. برای کاربران، سنجیدن کیفیت پیشنهادها و آگاهی از نحوه برخورد محصول با داده‌های تصویری، به‌اندازه جذابیت قابلیت‌های آن اهمیت دارد.