سازمان ملل با کمک گوگل داده‌های آماری جهان را برای ایجنت‌های هوش مصنوعی آماده می‌کند

به نقل از دیجیتال مارکتینگ، سازمان ملل متحد با همکاری گوگل در حال ایجاد زیرساختی است که دسترسی سیستم‌های هوش مصنوعی به مجموعه عظیم داده‌های آماری این سازمان را ساده‌تر و قابل اتکاتر می‌کند. این پروژه با نام UN System Data Commons بر پایه پلتفرم متن‌باز Google Data Commons ساخته شده و علاوه بر جست‌وجوی طبیعی داده‌ها، از پروتکل MCP برای اتصال مستقیم ایجنت‌های هوش مصنوعی به منابع آماری پشتیبانی می‌کند.

هدف اصلی این پروژه، آماده‌سازی داده‌های سازمان ملل برای استفاده در عصر هوش مصنوعی است؛ عصری که کاربران به‌جای جست‌وجوی دستی در پایگاه‌های داده، increasingly از ChatGPT، Gemini، Claude و دیگر ابزارهای AI برای دریافت اطلاعات و پاسخ به پرسش‌های پیچیده استفاده می‌کنند.

UN System Data Commons چیست؟

UN System Data Commons نسخه جدید زیرساخت دسترسی به داده‌های آماری سازمان ملل است که جایگزین پورتال قدیمی UNData می‌شود. در سیستم قبلی، کاربران عمدتاً باید از طریق یک رابط سنتی پایگاه داده، جداول و شاخص‌های موردنظر خود را پیدا می‌کردند؛ اما در پلتفرم جدید، امکان جست‌وجوی داده‌ها با زبان طبیعی فراهم شده است.

این تغییر به این معناست که کاربر می‌تواند به‌جای جست‌وجوی دستی در میان مجموعه‌ای از جدول‌ها و شاخص‌ها، سؤال خود را به شکل معمول مطرح کند و سیستم داده‌های مرتبط را پیدا کند. این قابلیت زمانی اهمیت بیشتری پیدا می‌کند که سؤال به چند شاخص یا چند سازمان مختلف در مجموعه سازمان ملل مربوط باشد.

در کنار رابط کاربری جدید، پشتیبانی از Model Context Protocol یا MCP یکی از مهم‌ترین ویژگی‌های این زیرساخت است. MCP استانداردی برای برقراری ارتباط میان سیستم‌های هوش مصنوعی و منابع داده و ابزارهای خارجی محسوب می‌شود و به ایجنت‌ها اجازه می‌دهد مستقیماً اطلاعات موردنیاز خود را از یک منبع مشخص دریافت کنند.

چرا آماده‌سازی داده‌های سازمان ملل برای AI اهمیت دارد؟

گسترش استفاده از ابزارهای هوش مصنوعی یک مشکل مهم را برجسته کرده است: مدل‌های زبانی همیشه در ارائه داده‌های آماری دقیق و معتبر عملکرد قابل اتکایی ندارند. حتی اگر یک مدل بتواند پاسخ بسیار طبیعی و قانع‌کننده‌ای تولید کند، این مسئله به‌تنهایی تضمین نمی‌کند که عدد ارائه‌شده صحیح یا قابل استناد باشد.

یک مطالعه آزمایشی UNICEF روی شش مدل زبانی بزرگ و بیش از ۱۳۳ هزار پاسخ درباره شاخص‌های توسعه جهانی نشان داد که میانگین دقت پاسخ‌ها تنها ۲۱.۲ درصد بوده است. João Pedro Azevedo، رئیس آمار UNICEF، این نتایج را در یک نشست مجازی توضیح داده است.

مدل‌های بررسی‌شده شامل GPT-4o و GPT-4o-mini از OpenAI، Claude Sonnet 4.5 و Haiku 4.5 از Anthropic و Gemini 2.5 Flash و Gemini 2.0 Flash از Google بوده‌اند.

طبق توضیحات UNICEF، حدود سه پاسخ از هر پنج پاسخ حتی یک عدد قابل استفاده ارائه نمی‌کردند. در بسیاری از موارد، مدل‌ها به‌جای ارائه یک مقدار مشخص، پاسخ‌هایی محتاطانه یا مبهم تولید می‌کردند. مسئله مهم‌تر این بود که وقتی همان پرسش‌ها حدود دو روز بعد و با همان نسخه مدل‌ها تکرار شدند، در میان مدل‌هایی که هر دو بار یک عدد ارائه کرده بودند، تنها حدود نیمی از اعداد دقیقاً یکسان بودند.

البته این مطالعه هنوز یک مقاله کاری UNICEF است و فرایند داوری علمی را پشت سر نگذاشته است. این سازمان اعلام کرده که روش تحقیق، کد و داده‌های مورد استفاده را هم‌زمان با انتشار مقاله در اختیار پژوهشگران قرار خواهد داد.

افزایش استفاده از AI برای دسترسی به داده‌های UNICEF

رشد استفاده از دستیارهای هوش مصنوعی برای دریافت اطلاعات فقط در نتایج یک مطالعه دیده نمی‌شود. UNICEF اعلام کرده است که در سال جاری ترافیک ورودی از ابزارهای هوش مصنوعی مولد به وب‌سایت داده‌های این سازمان به شکل محسوسی افزایش یافته است.

این وب‌سایت ماهانه بیش از ۶ میلیون بازدید دریافت می‌کند و یکی از وب‌سایت‌های محبوب UNICEF محسوب می‌شود. طبق داده‌های ارائه‌شده، تعداد کاربرانی که از لینک‌های موجود در پاسخ‌های ChatGPT به وب‌سایت UNICEF وارد شده‌اند، بین اول ژانویه تا ۱۴ سپتامبر نسبت به مدت مشابه سال قبل ۶۷ درصد افزایش داشته است.

این نوع ارجاع در سال جاری حدود ۶.۴ درصد از تمام نشست‌های وب‌سایت را تشکیل داده است. UNICEF همچنین تخمین می‌زند که اگر تمام دستیارهای هوش مصنوعی را در نظر بگیریم، این ابزارها اکنون حدود یک‌دهم بازدیدهای سایت را ایجاد می‌کنند.

این روند نشان می‌دهد که داده‌های رسمی سازمان‌های بین‌المللی دیگر فقط برای پژوهشگران یا کاربرانی که مستقیماً به پایگاه‌های آماری مراجعه می‌کنند اهمیت ندارند. این داده‌ها به منبعی برای پاسخ‌گویی مدل‌های هوش مصنوعی نیز تبدیل شده‌اند و در نتیجه، کیفیت دسترسی AI به این اطلاعات اهمیت بیشتری پیدا کرده است.

MCP چگونه ایجنت‌های هوش مصنوعی را به داده‌های سازمان ملل متصل می‌کند؟

یکی از تفاوت‌های مهم UN System Data Commons با یک پایگاه داده سنتی، امکان اتصال مستقیم ایجنت‌های هوش مصنوعی به داده‌ها از طریق MCP است.

در مدل سنتی، کاربر ابتدا باید داده را پیدا کند، آن را دانلود یا مشاهده کند و سپس اطلاعات را در اختیار ابزار هوش مصنوعی قرار دهد. اما با اتصال MCP، ایجنت می‌تواند مستقیماً به منبع داده متصل شود و اطلاعات موردنیاز خود را از آن دریافت کند.

این قابلیت برای وظایف پیچیده‌تر اهمیت بیشتری دارد. یک ایجنت می‌تواند چند شاخص را از منابع مختلف پیدا کند، آن‌ها را کنار هم قرار دهد و بر اساس داده‌های واقعی، یک داشبورد، نمودار یا گزارش متنی ایجاد کند.

به این ترتیب، AI از یک ابزار صرفاً مولد به سیستمی تبدیل می‌شود که می‌تواند در لحظه به منابع داده متصل شود و وظایف چندمرحله‌ای را بر اساس اطلاعات بیرونی انجام دهد.

گوگل Data Commons را به زیرساخت داده‌ای سازمان ملل آورد

Google Data Commons از سال ۲۰۱۸ با هدف سازمان‌دهی مجموعه‌های داده عمومی از منابع مختلف و قرار دادن آن‌ها در یک چارچوب مشترک فعالیت می‌کند. گوگل سال گذشته پشتیبانی از MCP را نیز به این پلتفرم اضافه کرد تا ایجنت‌های هوش مصنوعی بتوانند مستقیماً داده‌ها و منابع آن‌ها را درخواست کنند.

حالا همین زیرساخت برای مجموعه داده‌های سازمان ملل نیز مورد استفاده قرار گرفته است. طبق اعلام سازمان ملل، ۲۶ نهاد این مجموعه برای پیوستن به Data Commons متعهد شده‌اند و داده‌های نزدیک به ۲۰ نهاد در زمان راه‌اندازی در دسترس خواهند بود.

هدف بلندمدت پروژه این است که تا سال ۲۰۲۷ حدود ۸۰ درصد مجموعه داده‌های آماری کل سیستم سازمان ملل به این پلتفرم منتقل شوند.

ردیابی منبع داده؛ راهکاری برای افزایش اعتماد به پاسخ AI

یکی از مهم‌ترین ویژگی‌های این پروژه، حفظ اطلاعات مربوط به منشأ هر آمار است. سیستم می‌تواند مشخص کند هر عدد از کدام منبع سازمان ملل استخراج شده است و در نتیجه کاربر می‌تواند داده‌ای را که یک سیستم هوش مصنوعی بازیابی کرده، تا منبع اصلی دنبال کند.

این قابلیت برای کاربردهای حرفه‌ای و پژوهشی اهمیت زیادی دارد. یکی از مشکلات رایج در استفاده از مدل‌های زبانی این است که حتی زمانی که پاسخ ظاهراً دقیق است، پیدا کردن منبع واقعی آن دشوار باشد. ثبت منشأ داده می‌تواند بخشی از این مشکل را کاهش دهد.

برای سازمان‌هایی مانند سازمان ملل که داده‌های آماری آن‌ها در گزارش‌های پژوهشی، تصمیم‌گیری‌های عمومی، تحلیل‌های اقتصادی و برنامه‌های توسعه مورد استفاده قرار می‌گیرد، قابلیت ردیابی منبع می‌تواند بخش مهمی از زیرساخت اعتماد در عصر AI باشد.

نمایش تأثیر برنامه مبارزه با ایدز در آفریقا با کمک AI

گوگل در جریان معرفی این زیرساخت، نمونه‌ای از کاربرد عملی آن را نیز نمایش داد. در این نمونه، از یک سیستم هوش مصنوعی خواسته شد تأثیر برنامه اضطراری رئیس‌جمهوری آمریکا برای مقابله با ایدز در آفریقا را بررسی کند.

سیستم به داده‌های سازمان ملل از شاخص‌هایی مانند میزان ابتلا به HIV، مرگ‌ومیر ناشی از ایدز و امید به زندگی دسترسی پیدا کرد و سپس با ترکیب این اطلاعات یک اینفوگرافیک تولید کرد.

این نمونه نشان می‌دهد که اتصال AI به داده‌های ساختاریافته می‌تواند فرایند جمع‌آوری و ترکیب اطلاعات را تا حد زیادی خودکار کند. در چنین سناریویی، کاربر دیگر مجبور نیست چند پایگاه داده را جداگانه بررسی کند و سپس اطلاعات را به یک ابزار تحلیل یا طراحی منتقل کند.

داده معتبر لزوماً به معنای نتیجه معتبر نیست

با وجود مزایای اتصال مستقیم ایجنت‌ها به منابع رسمی، یک نکته مهم همچنان پابرجاست: دسترسی مدل به داده معتبر الزاماً به این معنا نیست که نتیجه‌گیری نهایی آن نیز معتبر خواهد بود.

Prem Ramaswami از تیم Data Commons گوگل تأکید کرده است که مدل‌های هوش مصنوعی ممکن است ظرافت‌ها و زمینه معنایی داده‌ها را اشتباه تفسیر کنند. بنابراین حتی اگر عدد اولیه از یک منبع معتبر و رسمی دریافت شده باشد، خروجی نهایی AI باید پیش از استناد یا انتشار توسط انسان بررسی شود.

این مسئله یکی از چالش‌های اساسی استفاده سازمانی از ایجنت‌های هوش مصنوعی است. کیفیت سیستم دیگر فقط به مدل زبانی وابسته نیست؛ بلکه به کیفیت منبع داده، نحوه بازیابی اطلاعات، تفسیر مدل و سازوکار بررسی انسانی نیز بستگی دارد.

گوگل و سازمان ملل به دنبال ساخت یک زیرساخت مستقل هستند

Google.org برای ایجاد زیرساخت اولیه این پروژه ۲ میلیون دلار بودجه توسعه ظرفیت و پشتیبانی فنی اختصاص داده است. Prem Ramaswami گفته است که این سیستم روی یک نمونه تحت حاکمیت سازمان ملل میزبانی می‌شود و هدف آن است که در نهایت نگهداری، بهره‌برداری و توسعه زیرساخت به‌صورت مستقل توسط خود سازمان ملل انجام شود.

گوگل همچنین در این پروژه از رویکردی موسوم به «Train the Trainer» استفاده کرده است؛ یعنی به‌جای وابسته نگه داشتن سازمان ملل به تیم گوگل، تلاش شده توانایی‌های فنی لازم به تیم‌های خود سازمان منتقل شود.

گام بعدی وب؛ داده‌هایی که برای ایجنت‌ها قابل استفاده باشند

پروژه UN System Data Commons را می‌توان بخشی از روند گسترده‌تر حرکت وب به سمت داده‌های آماده برای هوش مصنوعی دانست. در این مدل، هدف فقط ساخت صفحات وبی نیست که انسان بتواند آن‌ها را بخواند؛ بلکه منابع اطلاعاتی باید به شکلی ساختاریافته و قابل اعتماد در اختیار ایجنت‌ها نیز قرار بگیرند.

استانداردهایی مانند MCP می‌توانند در این مسیر نقش مهمی ایفا کنند، زیرا امکان ارتباط مستقیم میان مدل‌های هوش مصنوعی و منابع خارجی را فراهم می‌کنند. در صورت گسترش این رویکرد، ایجنت‌ها می‌توانند به جای تکیه صرف بر اطلاعاتی که در فرایند آموزش مدل دیده‌اند، هنگام انجام یک وظیفه به داده‌های به‌روز و قابل ردیابی دسترسی داشته باشند.

با این حال، این تغییر نیازمند حل هم‌زمان چند مسئله است: کیفیت و ساختار داده، دسترسی کنترل‌شده، قابلیت ردیابی منابع، امنیت اتصال ایجنت‌ها و نظارت انسانی بر خروجی‌ها. تجربه سازمان ملل نشان می‌دهد که آماده‌سازی داده برای AI فقط به معنای قرار دادن اطلاعات در اختیار مدل نیست؛ بلکه باید زنجیره‌ای از دسترسی، بازیابی، تفسیر و اعتبارسنجی نیز در نظر گرفته شود.

برای مطالعه جدیدترین اخبار و تحلیل‌های هوش مصنوعی و فناوری به دیجیتال مارکتینگ مراجعه کنید.

“`