فراتر از هیاهو: هوش مصنوعی، نه به خاطر هوش مصنوعی

رهبران کسب‌وکار، دولت‌ها و غول‌های فناوری درگیر رقابتی پرمخاطره برای برتری هوش مصنوعی هستند که با بحث‌هایی درباره قدرت مخرب ابرهوش‌ها دامن می‌زند. در این نوع عرصه، ضروری است که شرکت‌ها روی زمین بمانند و در برابر میل به راه‌اندازی مسابقه‌ای از خود مقاومت کنند و مدل‌های بزرگ‌تر را صرفا به خاطر آن به کار گیرند.

در زمینه هوش مصنوعی سازمانی، هیچ جایزه‌ای برای راه‌اندازی قوی‌ترین مدل، ساختن بیشترین تعداد عامل یا مجبور کردن هوش مصنوعی در هر گردش کاری وجود ندارد. موفقیت واقعی با حل مشکلات واقعی تجاری و ارائه نتایجی که هزینه و پیچیدگی اساسی را توجیه می کند، تعریف می شود.

در حالی که چشم‌انداز یک مدل زبان بزرگ (LLM) الهام‌بخش است، واقعیت‌های تجاری امروز رویکرد سنجیده‌تری را می‌طلبد: هر مشکلی یک ابزار مناسب دارد و اغلب، آن ابزار ساده است.

AI لزوما به معنای LLM نیست

قبل از اینکه هوش مصنوعی مولد بر مکالمه مسلط شود، کسب‌وکارها قبلا از یادگیری ماشینی برای توصیه‌ها، پیش‌بینی، کشف تقلب و برآورد مواردی مانند ارزش طول عمر مشتری استفاده می‌کردند.

ما سال‌ها برای درک این فناوری‌ها، از جمله نحوه استقرار و نظارت بر آنها و پیش‌بینی سریع و ارزان در مقیاس، وقت داشته‌ایم. یک LLM ممکن است بتواند برخی از مشکلات مشابه را برطرف کند، اما این همیشه آن را گزینه بهتری نمی کند. مدل‌های پیچیده‌تر می‌توانند هزینه بسیار بیشتری را برای اجرا و معرفی تنوعی که برای یک پیش‌بینی ساده ضروری نیست، بیشتر کنند.

گاهی اوقات هوش مصنوعی اصلا لازم نیست. اگر فرآیندی از قوانین شناخته شده پیروی کند و هر بار نیاز به تولید یک نتیجه داشته باشد (مثلا، انتقال داده ها بین سیستم ها بر اساس یک برنامه زمانی یا شروع یک عمل زمانی که یک شرط از پیش تعریف شده برآورده شده است)، اتوماسیون معمولی ممکن است کار را به خوبی انجام دهد.

مدت‌ها قبل از ورود نمایندگان، کسب‌وکارها این وظایف را با خطوط لوله، زمان‌بندی‌ها و قوانین انجام می‌دادند. اگر این رویکرد قابل اعتماد، سریع و ارزان باشد، افزودن یک عامل هوش مصنوعی فرآیند را هوشمندتر نمی کند. به سادگی می تواند آن را پیچیده تر کند.

هوش مصنوعی مولد زمانی جایگاه خود را به دست می‌آورد که به خلاقیت یا تفسیر نیاز باشد: برای مثال، درک زبان یا تصاویر یا مدیریت فرآیندی که در آن مرحله بعدی مطابق با زمینه تغییر می‌کند. عامل ها می توانند با استفاده از این درک برای تعامل با سیستم ها و انجام اقدامات، فراتر رفته و فرآیندهایی را که قبلا خودکارسازی آنها بسیار دشوار بود، باز کنند.

آینده احتمالا اتوماسیون متعارف، ML سنتی، هوش مصنوعی مولد و عوامل را با هم ترکیب می کند، نه اینکه جایگزین هر چیزی شود که قبل از آن بوده است.

ماه عسل هوش مصنوعی در حال پایان است

این تمایزات اهمیت بیشتری دارند زیرا هوش مصنوعی سازمانی فراتر از آزمایش حرکت می کند. اثبات مفهوم می تواند نشان دهد که یک مدل یا عامل قادر به انجام چه کاری است، اما تولید هزینه های جاری، امنیت، نظارت و کار مورد نیاز برای تحت کنترل نگه داشتن سیستم های مستقل را به طور فزاینده ای معرفی می کند.

یک مهندس یک بار قیاسی به من داد که این را به خوبی نشان می دهد. تصور کنید درختی را پرورش می دهید که باید آن را در شکل خاصی نگهداری کنید. وقتی شاخه ای در جهت اشتباه رشد می کند، آن را می برید.

سپس دیگری در جای دیگری ظاهر می شود. قسمت سخت پیدا کردن همه شاخه هاست. توسعه یک عامل می تواند مشابه باشد. رفتارهای آشکار را می توان نسبتا سریع کنترل کرد، اما استفاده در دنیای واقعی موارد لبه ای را که در طول توسعه قابل مشاهده نبودند، آشکار می کند.

هر چه یک سیستم برای تفسیر اطلاعات و تصمیم گیری آزادی بیشتری داشته باشد، ارزیابی، نظارت و نرده های محافظ اهمیت بیشتری پیدا می کند. کنترل باید فراتر از رفتار مدل گسترش یابد و به داده هایی که یک سیستم می تواند به آن دسترسی داشته باشد، اقداماتی که مجاز به انجام آن است، اطلاعاتی که حفظ می کند و نقطه ای که یک انسان می تواند در آن مداخله کند، گسترش یابد.

هزینه ای نیز باید در نظر گرفت. تواناترین مدل ها می توانند در مقیاس گران باشند، بنابراین قابلیت اضافی نیاز به ایجاد ارزش اضافی کافی برای توجیه آن دارد. از آنجایی که آزمایش جای خود را به بررسی دقیق ROI می دهد، کسب و کارها علاقه کمتری به این دارند که آیا چیزی می تواند از هوش مصنوعی استفاده کند یا خیر و بیشتر علاقه مند می شوند که آیا هوش مصنوعی واقعا به یک نتیجه تجاری یا عملیاتی بهبود یافته به اندازه کافی برای توجیه هزینه منجر می شود یا خیر.

بگذارید داده ها تصمیم بگیرند

اجتناب از مهندسی بیش از حد با نیازهای تجاری و داده ها شروع می شود، نه اینکه ابتدا فناوری را انتخاب کنید.

مهندسان و تحلیلگران داده بسیار مهم هستند زیرا آنها می دانند که اطلاعات از کجا آمده است، چقدر قابل اعتماد است و واقعا چه چیزی می تواند به شما بگوید. مهندسان هوش مصنوعی و ML می‌توانند مدل‌های ریاضی را در راس خود قرار دهند، اما پیچیدگی نمی‌تواند داده‌هایی را که از این کار پشتیبانی نمی‌کنند، جبران کند.

داده ها و نتیجه مورد نظر اغلب به رویکرد مناسب اشاره می کنند. پیش‌بینی‌های سریع و قابل اعتماد از داده‌های عددی ساختاریافته ممکن است برای ML سنتی مناسب‌تر باشد.

زبان، تصاویر و سایر اطلاعات بدون ساختار می‌توانند هوش مصنوعی مولد را ارزشمند کنند، در حالی که فرآیندهایی که برای ایجاد اقدامات در سیستم‌های مختلف به درک سطح انسانی نیاز دارند، ممکن است عامل‌ها را توجیه کنند.

و گاهی اوقات نرم افزارهای معمولی بهترین پاسخ باقی خواهند ماند. شروع با "ما به یک نماینده نیاز داریم" و سپس به دنبال مشکل برای ارائه آن راه اشتباه است.

افراد مناسب به اندازه فناوری اهمیت دارند

هوش مصنوعی با توانایی فزاینده همچنین این فرض را ایجاد کرده است که مشاغل به ناچار به مهندسان کمتری نیاز خواهند داشت. هوش مصنوعی مطمئنا بهره‌وری را تغییر می‌دهد: مهندسان باتجربه می‌توانند کار را سریع‌تر با این ابزار به پایان برسانند، در حالی که مهندسان جوانی که استفاده مؤثر از آن‌ها را یاد می‌گیرند، می‌توانند سریع‌تر بهره‌ور شوند.

اما کسب‌وکارها هنوز به افرادی نیاز دارند که بفهمند زیر آن چه می‌گذرد. من دوست دارم آن را با گوشی های هوشمند مقایسه کنم. بسیاری از ما بدون اینکه بتوانیم سخت افزار، سیستم عامل و شبکه های پشت آن را توضیح دهیم، از یک گوشی به طور موثر استفاده می کنیم. این بدان معنا نیست که مهارت های مهندسی اساسی ناپدید شده اند. هنوز کسی باید آن سیستم ها را درک کند.

هوش مصنوعی احتمالا به روشی مشابه توسعه می یابد. بسیاری از افراد به کاربران بسیار توانا تبدیل خواهند شد، در حالی که کسب و کارها همچنان به مهندسانی با دانش فنی عمیق تر برای ساخت، کنترل و تعمیر سیستم های زیر نیاز دارند.

این به معنای ادامه سرمایه گذاری بر روی استعدادهای جوان است. مهندسان ارشد در نهایت شرکت ها را جابه جا می کنند، نقش خود را تغییر می دهند یا بازنشسته می شوند. سازمان‌ها هنوز به مربیگری و انتقال دانش نیاز دارند، بنابراین جوانان امروز به مهندسان ارشد فردا تبدیل می‌شوند.

فرصت افراد یا هوش مصنوعی نیست، بلکه این دو با هم هستند. مهندسان توانمند مجهز به این ابزارها می توانند به طور قابل توجهی بیشتر از هر یک به طور مستقل دست پیدا کنند.

مزیت بعدی هوش مصنوعی محدودیت است

نبرد گسترده‌تر بر سر ابرهوش و مدل‌های قدرتمندتر ادامه خواهد یافت، اما نباید نحوه تصمیم‌گیری شرکت‌ها در زمینه فناوری را تعیین کند. برای اینکه این محدودیت فنی در عمل قابل اجرا باشد، رهبران مهندسی باید به طور فعال ترس از دست دادن در سطح اجرایی و هیئت مدیره را مدیریت کنند و فشار از بالا به پایین برای یک «استراتژی هوش مصنوعی» قابل مشاهده را به اجرای نظم و ارزش محور تبدیل کنند.

برخی از مشکلات تجاری ابزارهای پیشرفته هوش مصنوعی را توجیه می کند. کارگزاران اشکال غیرعملی قبلی اتوماسیون را ممکن می سازند، در حالی که هوش مصنوعی مولد می تواند نحوه کار سازمان ها با زبان، تصاویر و اطلاعات بدون ساختار را تغییر دهد. سایر موارد به خوبی با ML سنتی، اتوماسیون معمولی یا نرم افزار ساده حل خواهند شد.

دانستن تفاوت به طور فزاینده ای ارزشمند خواهد شد. مزیت رقابتی از دانستن اینکه هوش مصنوعی در کجا نتیجه را بهبود می بخشد، جایی که یک فناوری ساده تر موثرتر است و چگونه می توان سیستم های مناسب را به تولیدات ایمن و اقتصادی منتقل کرد، حاصل می شود.

این نیاز به داده های خوب، استعداد مهندسی قوی و قضاوت فنی کافی برای مقاومت در برابر پیچیدگی دارد، صرفا به این دلیل که در دسترس است. در مرحله بعدی هوش مصنوعی سازمانی، خویشتن داری نشانه فقدان جاه طلبی نخواهد بود، در عوض نشانه بلوغ فنی خواهد بود.

ما بهترین سازنده وب سایت هوش مصنوعی را معرفی کرده ایم.

این مقاله به عنوان بخشی از TechRadar Pro Perspectives، کانال ما برای معرفی بهترین و باهوش ترین ذهن ها در صنعت فناوری امروز تهیه شده است.

نظرات بیان شده در اینجا نظرات نویسنده است و لزوما نظرات TechRadarPro یا Future plc نیست. اگر مایل به مشارکت هستید، اطلاعات بیشتری را در اینجا بیابید: https://www.techradar.com/pro/perspectives-how-to-submit