"هنوز هم Old School زنده‌است، یا چرا ماشین لرنینگ بفهمیم و یا چرا P=NP خوبه"
———————————————————

ما دهه هفتادیا و حتی ده‌های پیش از ما خیلی با بلاگ‌ها آشناتر و دوست‌ترند. اون موقع‌ها شبکه‌های اجتماعی مثل الان feature-rich نبود اگر من می‌خواستم فعالیتی که توی این کانال داشتم رو انجام می‌دادم، بهترین کار این بود که یه بلاگ بزنم تحت عنوان "kc و شطحیات ناگهانیش" و از این RSS ها می‌ذاشتم تا هر پست و آپدیتی که توی بلاگم رخ می‌داد رو بهتون از طریق یک App تحت Desktop و یا از طریق ایمیل اطلاع بده. منتهی خب دیگه یه جورایی بساط این بازیا جمع شده و روش‌های Old School به قول معروف گفتنی محبوبیت نداره. منتهی من میشناسم آدم‌های قدیمی که با همون روش‌های قدیمی کار خودشون رو انجام می‌دن. نمی‌دونم از نظر روان‌شناسی به این مدل آدما چی میگن ولی کلا یه سریا جزو یه دسته‌ای قرار می‌گیرن که خیلی سخت با آپدیت‌های تکنولوژی خو می‌گیرن. مثلا خود من تا همین پارسال رمز دوم روی کارتم نداشتم و اگر خدایی نکرده مجبور می‌شدم از درگاه اینترنتی برای پرداخت پول استفاده کنم، می‌رفتم دم عابر بانک و پول رو کارت به کارت می‌کردم برای یکی از دوستام که رمز دوم داره تا اون به جای من پرداخت انجام بده. بماند که من تا آخر دوره‌ی کارشناسیم حتی از کارت عابر هم استفاده نمی‌کردم و همیشه یه گونی پول تو جیبم بود :)))) همین الانشم بخوام پول کارت به کارت کنم باید برم عابر بانک و از این اپلیکیشن‌های ندارم :)))

بگذریم. یه blog هست که توسط دو تا استاد دانشگاه Computational Complexity کار اداره میشه که برخلاف خیلی از Blog ها همواره آپدیت میشه و برامون می‌نویسن. آقای Lance Fortnow و آقای William Gasarch هدایت این Blog رو برعهده دارن. برای اینکه ترغیب‌تون کنم این بلاگ رو دنبال کنید یکی از پست‌هاشون رو اینجا تشریح می‌کنم.

آقای Fortnow شش سال پیش توی بلاگ‌شون یک پستی گذاشتن که اونجا از اهمیت درک نحوه‌ی کارکرد الگوریتم‌های ماشین لرنینگ صحبت می‌کنن. پنج شش تا مورد بیان می‌کنن که نشون میده اگر نفهمیم به‌طور Internally ماشین لرنینگ چطور کار میکنه، اوضاع بیخ پیدا میکنه. البته نظر آقای Fortnow خیلی مهم و محترمه ولی خب یه رویکر میتونه این باشه که کلا استفاده از ماشین لرنینگ رو ایگنور کنیم که دیگه لازمم نباشه بفهمیم داخلش چه خبره :))) بنابر انتفای مقدم کار درستی هم می‌کنیم :)))
آخر اون پست قضیه رو ربط میدن به P=NP و ادعا میکنن اگر این تساوی اثبات بشه، کار خیلی سخت تر میشه. چرا که اگر ما یک الگوریتم خیلی سریع برای یک مسئله‌ی NP-complete داشته باشیم، می‌تونیم ازش برای پیدا کردن کوچکترین مدار ممکن برای حل مسئله‌ی فروشنده‌ی دوره‌گرد استفاده کنیم بدون اینکه هیچ سرنخی داشته باشیم نسبت به این امر که چرا اون مدار درست کار می‌کنه!
همون موقع زیر پست‌شون آقای Richard Ryan Williams که استاد دانشگاه MIT هستند و h-index شون هم ثُلثِ ۱۲۰ عه :))) یک کامنتی می‌ذارن که درکش خیلی برای آقای Fortnow سخت بوده! منتهی امروزه با اومدن این ChatGPT بولشت، فهم اون کامنت خیلی راحتتر شده. حالا اون کامنته چی گفته؟

اون کامنت به‌طور خلاصه میگه که اگر P=NP باشه، می‌تونیم از proof assistant ها مثل HOL و Coq استفاده کنیم تا برای هر مسئله‌ای که میخوایم به جوابش برسیم، کوچکترین مدار ممکنی که اون کار رو میکنه رو بهمون بده. و یکی از مسائلی که میشه بهش داد اینه که این مدار چرا داره درست کار میکنه :))) یعنی اون الگوریتم پیچیده‌ای که ما نمیفهمیم چطور داره درست کار میکنه، خودش بیاد بهمون توضیح بده که چطور درست کار میکنه :)))

حالا نقش ChatGPT چی بوده این وسط؟ آقای Fortnow یه متن مجارستانی که توش اسم یه خانم بوده رو میده به گوگل ترنسلیت. از اونجایی که مجارستانی‌ها مثل ما ایرانی‌ها ضمیراشون جنسیت نداره، گوگل ترنسلیت موقع ترجمه به اشتباه از ضمیر مذکر استفاده می‌کنه. همون متن رو دادن به ChatGPT و اون به درستی ضمیر مؤنث بکار می‌بره. ایشون از ChatGPT می‌پرسه که چرا از ضمیر مؤنث استفاده کردی؟ پاسخ داده که اون شخصی که اسمش توی متن هست، اسم زنانه داره. و اینجا بود که برای آقای Fortnow واضح شد که اون کامنت شش سال پیش چی گفته!

شاید برای فهمیدن الگوریتم‌های ماشین لرنینگ، اینکه چرا درست کار میکنن و یا اصلا چیکار دارن میکنن، به‌جای الگوریتم‌های ساده، باید سراغ الگوریتم‌های پیچیده رفت و کاری کرد که خود الگوریتم بتونه درستی و نحوه‌ی کارکردش رو توضیح بده!

البته اگر نظر Kc رو بخواید، توصیه میکنه که از همون انتفای مقدم استفاده کنید و برید ML راستین رو که بالا‌تر توی کانال اینجا و اینجا توضیح دادم رو یاد بگیرید و از ML دروغین که همون Machine learning عه فرار کنید :))))