توسعه دروغ‌سنج مبتنی بر هوش مصنوعی توسط پنتاگون؛ آیا پروژه جنجالی Polygraph Next خطای تاریخی پلی‌گراف را حل می‌کند؟

دستگاه‌های دروغ‌سنج از دیرباز با چالش جدی بی‌اعتمادی و ابهام در دقت عملکرد روبه‌رو بوده‌اند. با این حال، پنتاگون (وزارت دفاع ایالات متحده) اکنون قصد دارد بررسی کند که آیا هوش مصنوعی می‌تواند کارایی آن‌ها را بهبود بخشد یا خیر. برنامه‌ای جدید از سوی آژانس امنیت و ضدجاسوسی دفاعی آمریکا (DCSA) با نام Polygraph Next طراحی شده است که قصد دارد پایش فیزیولوژیکی بدون تماس فیزیکی را با الگوریتم‌های هوش مصنوعی و یادگیری ماشین ترکیب کند تا به نمره‌دهی و ارزیابی صداقت افراد بپردازد.

به گزارش بخش اخبار فناوری زوم تک به نقل از (Digital Trends) و بر اساس اطلاعات منتشرشده از سوی MIT Technology Review، پنتاگون برای سال مالی ۲۰۲۷ بودجه‌ای معادل ۶.۴۲ میلیون دلار برای این پروژه درخواست کرده است؛ بودجه‌ای که پیش‌بینی می‌شود تا سال ۲۰۳۱ در مجموع به رقمی در حدود ۳۰.۳ میلیون دلار برسد. با این حال، در اسناد مالی، هزینه کل این برنامه به صورت یک طرح «مستمر و در حال جریان» ثبت شده است؛ بنابراین نباید این رقم را به عنوان هزینه نهایی کل چرخه عمر آن تلقی کرد. سیستم Polygraph Next به طور اختصاصی برای غربالگری امنیتی پرسنل و شناسایی تهدیدات داخلی توسعه می‌یابد. آژانس DCSA همچنین به دنبال نمره‌دهی خودکار، ابزارهای کمکی تصمیم‌گیری، ذخیره‌سازی ابری متمرکز و ابزارهای تحلیل داده است تا از طریق آن‌ها بتوان نرم‌افزار را ارتقا داد و شاخص‌های تشخیصی نوینی را شناسایی کرد.

هوش مصنوعی در دروغ‌سنج جدید پنتاگون دقیقاً چه مواردی را ارزیابی می‌کند؟

دستگاه‌های پلی‌گراف سنتی تغییرات فیزیولوژیکی بدن نظیر الگوهای تنفس، ضربان قلب، فشار خون و رسانایی الکتریکی پوست را هنگام پاسخگویی افراد به پرسش‌ها اندازه‌گیری و ردیابی می‌کنند. در مقابل، پروژه Polygraph Next در تلاش است تا این فرایند سنجش را از قید اتصال مستقیم و تماس فیزیکی حسگرها آزاد کند. پس از آن، الگوریتم‌های هوش مصنوعی و یادگیری ماشین سیگنال‌های دریافتی از راه دور را پردازش کرده و نمرات ارزیابی را به صورت خودکار محاسبه می‌کنند.

به گفته آژانس DCSA، پایش فیزیولوژیکی بدون تماس می‌تواند خطاهای ناشی از نحوه نصب حسگرها را کاهش داده و روند غربالگری را سرعت ببخشد. علاوه بر این، استفاده از زیرساخت‌های ابری و ابزارهای تحلیلی متمرکز به محققان این امکان را می‌دهد تا نواقص فنی نرم‌افزار را برطرف ساخته، شکاف‌های داده‌ای را پوشش دهند و ویژگی‌های تشخیصی بیشتری را در الگوهای رفتاری افراد کشف کنند.

پیشینه شناسایی فریب با الگوریتم‌ های هوش مصنوعی و یادگیری ماشین

ایده استفاده از نرم‌افزارها برای شکار الگوهای دروغ و فریب پدیده کاملاً جدیدی نیست. پیش‌تر سیستم VeriPol معرفی شده بود؛ یک سیستم هوشمند مبتنی بر یادگیری ماشین که توسط پلیس اسپانیا به کار گرفته شد تا با بررسی الگوهای متنی در اظهارات کتبی، گزارش‌های ساختگی سرقت را تشخیص دهد. نمونه دیگر، شرکت Nemesysco است که فناوری تحلیل صوت خود را در ابتدا به عنوان دروغ‌سنج صوتی برای نیروهای امنیتی توسعه داد و سپس آن را به سمت ابزارهای تحلیل عواطف و احساسات ارتقا بخشید؛ سیستمی که با استفاده از یادگیری ماشین، الگوهای پنهان و نامحسوس در فرکانس‌های صوتی را مورد واکاوی قرار می‌دهد.

یک بن‌ بست علمی بزرگ؛ آیا هوش مصنوعی می‌تواند نقص بنیادین پلی‌گراف را رفع کند؟

با وجود تمام هیاهوی فناوری، هنوز یک چالش علمی بسیار بزرگ بر سر راه این پروژه قرار دارد: دستگاه‌های دروغ‌سنج به هیچ وجه دروغ را به شکل مستقیم شناسایی نمی‌کنند. این سیستم‌ها تنها واکنش‌های فیزیولوژیکی بدن را ثبت می‌کنند و بر پایه این نشانه‌ها، حدس می‌زنند که آیا احتمال دارد فرد در حال پنهان‌کاری یا فریب باشد یا خیر. بر اساس گزارش کلیدی و تاریخی فرهنگستان‌های ملی علوم آمریکا (National Academies) در سال ۲۰۰۳، اگرچه تغییرات در نرخ تنفس، ضربان قلب، فشار خون و پاسخ گالوانیک پوست ممکن است با دروغگویی همراه باشند، اما این واکنش‌ها دقیقاً می‌توانند ناشی از عوامل دیگری چون استرس، ترس، اضطراب و هیجان نیز باشند.

از این رو، موضوع دقت و اعتبار علمی دروغ‌سنج‌ها همچنان زیر سوال است. بررسی‌های فرهنگستان‌های ملی علوم نشان داد که شواهد علمی حامی دقت پلی‌گراف در غربالگری‌های امنیتی، بسیار محدود و ضعیف هستند؛ امری که تکیه سنگین به این آزمون‌ها در تصمیم‌گیری‌های سرنوشت‌ساز استخدام و جذب نیرو را با تردید‌های جدی مواجه می‌کند. بهره‌گیری از هوش مصنوعی شاید سرعت نمره‌دهی را افزایش داده و روندی یکپارچه‌تر ارائه دهد، اما آژانس DCSA تاکنون هیچ سند علمی معتبری منتشر نکرده است که اثبات کند یادگیری ماشین می‌تواند بر محدودیت‌ها و ضعف‌های ذاتی روش‌های پلی‌گراف غلبه کند.