شرکت ها به هوش مصنوعی با اندازه مناسب نیاز دارند، نه حداکثر پیچیدگی | نظر

من بیش از یک دهه را صرف ساختن هوش مصنوعی برای دفاع کرده ام. آن تجربه به من درسی آموخت که کسب و کارها مدام نادیده می گیرند. پیشرفته ترین هوش مصنوعی به ندرت مقرون به صرفه ترین است.

با این حال، شرکت‌ها در حال ریختن پول به جدیدترین و پیچیده‌ترین مدل‌ها هستند که ابزارهای ساده‌تر این کار را انجام می‌دهند. بسیاری از ما هرگز قرارداد هوش مصنوعی را امضا نمی کنیم، اما حقوق بازنشستگی و پس انداز ما تامین کننده این انتخاب هاست. اگر بخواهیم حباب هوش مصنوعی را قبل از ترکیدن تخلیه کنیم، باید تغییر کند.

نادیده گرفتن مقیاس سخت است. داده های Kobeissi Letter نشان می دهد که سهام های مرتبط با هوش مصنوعی اکنون 45 درصد از کل ارزش بازار S&P 500 را تشکیل می دهند. این سهم از اواخر سال 2022 تا کنون 20 واحد درصد افزایش یافته است.

یکی از صندوق های بازنشستگی لس آنجلس تخمین می زند که 8 تا 19 درصد از پرتفوی آن ممکن است در معرض هوش مصنوعی باشد. مقدار قابل توجهی از پس انداز ما اکنون بستگی به این دارد که آیا هزینه های هوش مصنوعی ارائه می شود یا خیر. هر کسی که حقوق بازنشستگی دارد باید به آن توجه کند.

من فکر نمی کنم که این شکاف نشان دهنده فناوری باشد. این نشان دهنده نحوه انتخاب فناوری است. اغلب اوقات، تصمیم گیری با جدیدترین ابزار موجود در بازار شروع می شود تا کاری که باید انجام شود.

بسیاری از رهبران روی ظرفیت هوش مصنوعی سرمایه گذاری می کنند که به آنها نیاز ندارند.

پیشرفته ترین مدل ها همیشه به معنای بهترین نتیجه نیستند. در واقع، می‌توانند گران‌تر، کنترل آن‌ها سخت‌تر و قابل پیش‌بینی‌تر از آن چیزی باشد که کار نیاز دارد.

من شنیده ام که مدیران سیستم های ساده تر را به عنوان هوش مصنوعی غیر واقعی رد می کنند. این بازاریابی است، نه مهندسی. هوش مصنوعی طیف وسیعی از تکنیک ها را در بر می گیرد.

به عنوان مثال، آخرین دستورالعمل بریتانیا در مورد هوش مصنوعی قابل اعتماد همه چیز را از رگرسیون خطی گرفته تا محاسبات نورومورفیک به عنوان بخشی از چشم انداز هوش مصنوعی تشخیص می دهد. اینها شامل سیستم‌های مبتنی بر قوانین بالغ می‌شود که می‌توانند کار را با هزینه بسیار کمتر به طور قابل اعتماد انجام دهند.

ترس از عقب افتادن اغلب چیزی است که باعث این انتخاب ها می شود.

اصل من وقتی صحبت از هوش مصنوعی به میان می آید این است که انجام کار باید تا حد امکان ساده باشد، نه تا آنجا که ممکن است پیچیده به نظر برسد.

در یک پروژه تحقیقاتی پدافند هوایی حدود یک دهه پیش، کارشناسان شبکه های عصبی را می خواستند. اما فقط حدود دوازده مورد واقعی وجود داشت که از آنها درس گرفت. تیم من از قوانین ساده ای استفاده کرد که انسانی که آخرین تماس را انجام می داد. این ارزان‌تر، سریع‌تر و قابل اطمینان‌تر بود. این درسی است که من از آن زمان تاکنون داشته ام.

افرادی که هوش مصنوعی می‌سازند، به ندرت مشاغلی را که این هوش مصنوعی پشتیبانی می‌کند، درک می‌کنند. توسعه دهندگان تاجر، مدیر یا سرباز نیستند.

در دفاع، من باید سخت کار می کردم تا توسعه دهندگانم بفهمند که یک افسر جوان واقعا چگونه از سیستم استفاده می کند. وقتی این کار را نکردند، افسر دیگر به آن اعتماد نکرد و به روش قبلی بازگشت. فیکس دارای دو بخش است. کاربران واقعی را از ابتدا درگیر کنید. و مطمئن شوید که افرادی که هوش مصنوعی را به کار می‌گیرند، به همان اندازه که کاربران نهایی نیاز دارند، در استفاده از هوش مصنوعی خوب هستند.

زمانی که سازمان‌ها هوش مصنوعی را با وظیفه‌شان به جای روند مطابقت می‌دهند، پاداش‌های قابل توجهی دریافت می‌کنند. کسب‌وکارها کمتر هزینه می‌کنند، نتایج قابل اعتمادی دریافت می‌کنند و به اندازه کافی برای شوک بعدی انعطاف‌پذیر می‌مانند. کارمندان از ابزارهایی استفاده می کنند که بر اساس نحوه کارشان ساخته شده اند. مشتریان خدماتی را دریافت می‌کنند که کار می‌کند و در صورت لزوم، مسیری برای رسیدن به یک شخص واقعی دارد. و برای پس انداز کنندگان، حباب هوش مصنوعی به جای ترکیدن، به تدریج کاهش می یابد و از پولی که به سختی به دست آورده اند محافظت می کند.

ماندن در این مسیر ریسک واقعی دارد. من در مشاوره استراتژی کار می کردم که حباب دات کام ترکید و از نزدیک دیدم که سرمایه گذاری جمعیت محور چقدر سریع از بین رفت.

بحران سال 2008 نیز از الگوی مشابهی پیروی کرد. حبابی که باد می‌شود قابل مدیریت است، اما حبابی که می‌ترکد به افرادی آسیب می‌زند که حرفی برای گفتن نداشتند. کارگران، مشتریان و پس انداز بازنشستگی در نهایت برای انتخاب های انجام شده در اتاق های هیئت مدیره هزینه می پردازند.

رهبران کسب و کار باید بپرسند که آیا هوش مصنوعی آنها به همان اندازه که لازم است ساده است یا به همان اندازه که می تواند پیچیده باشد. آنها باید آن را بر اساس نتایج قضاوت کنند، نه بر اساس میزان پیشرفته بودن آن. کارفرمایان باید از همان روز اول کاربران نهایی را درگیر کنند. متولیان بازنشستگی باید بپرسند شرکت هایی که سرمایه گذاری می کنند چگونه فناوری خود را انتخاب می کنند.

بهترین هوش مصنوعی سیستمی است که مردم بتوانند آن را درک کنند، به آن اعتماد کنند و در صورت اهمیت به چالش بکشند.

دکتر Darrell J. Jaya-Ratnam رهبری DIEManalytics را بر عهده دارد که به دولت ها و شرکت ها در مورد تجزیه و تحلیل عملیاتی و هوش مصنوعی مشاوره می دهد و نویسنده کتابی در مورد هوش مصنوعی دفاعی است.