مایکروسافت: هوش مصنوعی "ماشین تپه نوردی" هر شرکتی است - فقط مطمئن شوید که در آن قفل نشوید

هوش مصنوعی (AI) در ایجاد بینش‌های ارزشمند عالی است، اما آنچه شرکت‌ها در نهایت با این بینش‌ها انجام می‌دهند - اینجاست که دستاورد واقعی نهفته است، و این چیزی است که شرکت‌ها باید روی آن تمرکز کنند.

این یکی از پیام‌های اصلی است که توسط رایان ویت، مدیر اکوسیستم‌های منبع باز و انکوباسیون مایکروسافت، در جریان سخنرانی اصلی خود، «از منبع باز تا سیستم‌های عامل: ایجاد عصر بومی هوش مصنوعی» در اجلاس منبع باز ارائه شد.

ویت تعامل بین هوش مصنوعی و تخصص انسانی را به عنوان یک حلقه یادگیری توصیف کرد، نوعی ماشین تپه نوردی که به بهبود کسب و کار کمک می کند و به بهبود ادامه می دهد.

دانش متعلق به کسب و کار است

مدل‌های هوش مصنوعی در پردازش مقادیر عظیمی از اطلاعات و ایجاد بینش در مقیاسی عالی هستند که انسان‌ها نمی‌توانند با آن مطابقت داشته باشند (و گاهی اوقات حتی نمی‌توانند آن را درک کنند)، اما مردم چیز مهم‌تری را به میز می‌آورند: زمینه و قضاوت.

قرار دادن بینش ها در زمینه گسترده تر، و استفاده از آن برای نتیجه گیری، به کارکنان کمک می کند تا اطلاعات را به دانش تبدیل کنند و این دانش بعدا بخشی از تخصص جمعی سازمان می شود. و با هر تکرار، دانش رشد می‌کند و به کسب‌وکارها کمک می‌کند تا از کوه ضرب المثل بالاتر بروند.

به نظر می‌رسد که حاکمیت و مالکیت موضوع اساسی اکثر سخنرانی‌های اصلی در اجلاس منبع باز است، و ارائه Waite تفاوتی ندارد. همانطور که هوش مصنوعی بینش ایجاد می کند و انسان ها این بینش را به دانش تبدیل می کنند، اکنون حفظ آن دانش و اطمینان از اینکه تحت کنترل سازمان باقی می ماند حیاتی می شود.

او گفت: "این بر اساس داده های شما است." این مبتنی بر افراد شماست. نباید به یک مدل هوش مصنوعی واگذار شود، این جداست. و به همین دلیل است که ما معتقدیم برای اینکه سازمان‌ها ماشین‌های تپه‌نوردی خود را بسازند، گروه‌های یادگیری خود را بسازند، باید کنترل خود را با نوعی حلقه‌های یادگیری ایجاد کنند و به یک ارائه‌دهنده هوش مصنوعی وابسته نباشند.

به هر حال، هر چیزی که هوش مصنوعی تولید می کند مبتنی بر اطلاعات تجاری اختصاصی است (یا حداقل باید باشد) و تصمیمات اتخاذ شده بر اساس این بینش ها به کارمندان و درک آنها از شرکت بستگی دارد. بنابراین، کسب‌وکارها باید مطمئن شوند که مالکیت دانش انباشته‌شده از طریق این تعاملات به یک ارائه‌دهنده هوش مصنوعی خارجی واگذار نمی‌شود - چالشی که احتمالا با وابستگی کسب‌وکارها به ابزارهای هوش مصنوعی، بزرگ‌تر و بزرگ‌تر خواهد شد.

دانش تولید شده از طریق این ابزارها می تواند به یک مدل یا ارائه دهنده خاص گره بخورد. چه اتفاقی می‌افتد وقتی کسب‌وکارها می‌خواهند فناوری‌های بهتری را که ظهور می‌کنند اتخاذ کنند؟ ویت استدلال می‌کند که برای اثبات آینده این فرآیندها، کسب‌وکارها باید حلقه‌های یادگیری خود را بسازند و کنترل اطلاعات، فرآیندها و فناوری‌هایی را که باعث کارکرد آنها می‌شوند، حفظ کنند.

انتخاب مدل مناسب هوش مصنوعی

یکی از راه‌های انجام این کار این است که مطمئن شوید به یک مدل هوش مصنوعی وابسته نیستید. ویت می‌گوید بسیاری از کسب‌وکارها سفر هوش مصنوعی خود را با مدل‌های مرزی اختصاصی آغاز می‌کنند، به‌ویژه زمانی که مشکلاتی را که خودشان کاملا درک نمی‌کنند، حل می‌کنند. با این حال، زمانی که آنها بهتر می شوند و وظایف خود را بیشتر درک می کنند، ممکن است دیگر به مدل های مرزی گران قیمت نیاز نداشته باشند - آنها می توانند به مدل های تخصصی که می توانند کوچکتر یا ارزان تر باشند، حرکت کنند. آن‌ها حتی می‌توانند به مدل‌هایی با وزن باز بروند که خودشان می‌توانند از آن استفاده کنند.

او در پایان گفت: "داشتن توانایی حرکت بین مدل‌های مختلف مهم است، به خصوص زمانی که به الگوریتم‌های خود فکر می‌کنید. از کدام مدل‌ها استفاده می‌کنید؟ نباید در دام نوع خاصی از مدل قرار بگیرید زیرا دانش شما را دارد."

بنابراین، آنچه در اینجا مهم است حفظ آزادی تغییر و حرکت در طول مسیر است. این همچنین به این معنی است که کسب‌وکارها باید مکان‌هایی را که بارهای کاری هوش مصنوعی آن‌ها اجرا می‌شود، کنترل کنند، چه این زیرساخت‌ها در زیرساخت‌های حاکمیتی تحت نظارت مقررات محلی، سیستم‌های اولیه یا محیط‌های ابری عمومی (جایی که می‌توانند از مقیاس‌پذیری و مزیت‌های هزینه بیشتر بهره ببرند).

وایت نتیجه گرفت که فناوری‌های منبع باز پایه و اساس این انعطاف‌پذیری را فراهم می‌کنند.