با رعایت این موارد بهره وری از هوش مصنوعی را افزایش دهید

هوش مصنوعی در دنیا هیاهوی زیادی برپا کرده است و پتانسیل انجام امور زیادی را دارد. اما همانقدر که این موضوع خوشحال‌کننده است، نباید فراموش کنیم که یک مشکل هم وجود دارد که برای بهره وری از هوش مصنوعی باید به آن توجه داشت.

پیش‌بینی تحلیلگران این است که در 4 سال آینده هزینه‌های جهانی هوش مصنوعی از 50.1 میلیارد دلار در سال 2020 به بیش از 110 میلیارد دلار در سال 2024 خواهد رسید. بااین‌حال، بسیاری از این هزینه‌ها بازدهی ندارند. طبق پیش‌بینی سال 2019 VentureBeat حدود 87% پروژه‌های هوش مصنوعی حتی نمی‌توانند به تولید برسند و این یعنی سرمایه زیادی هدر خواهد رفت.

چگونه فاصله را پر کنیم تا امیدهای زیادی به واقعیت تبدیل شوند؟

روی مچرز بعنوان بنیانگذار شرکتی که راهکارهای مبتنی بر هوش مصنوعی ارائه می‌دهد، درباره بهره وری از هوش مصنوعی نظر خاصی دارد و معتقد است این فناوری می‌تواند بیش از یک راهکار برای مشکلات باشد و شرایط برای سودآوری کل صنایع را فراهم کند. اما توسعه قابلیت های مهم و حیاتی نیازمند تلاش قابل‌توجه در ساخت سیستم‌های هوش مصنوعی است و یک مدل واحد نمی‌تواند همه کارها را انجام دهد.

بحث پیرامون چالش‌های پذیرش هوش مصنوعی توسط بنگاه‌های اقتصادی، بر روی موانع مربوط به استراتژی مانند نبود نیروی متخصص، دشواری تشخیص صحیح مشکلات و دسترسی به داده‌ها متمرکز است. اما در سال‌های اخیر این مشکلات در حال رفع شدن بوده‌اند. حال چالش بعدی این است که هوش مصنوعی از فناوری‌ای که «بهتر است داشته باشیم» به فناوری‌ای که قرار است «بازی را تغییر دهد» تبدیل شود.

این شاهکار به بلوغ سازمانی و فناوری و همچنین حل الگوریتم‌های اصلی نیاز دارد. بهره وری از هوش مصنوعی و غلبه بر چالش‌های جدید مستلزم سرمایه‌گذاری منظم در مواردی است که از آن به عنوان چهار ستون اصلی هوش مصنوعی یاد می‎‌شود و در ادامه به آن پرداخته شده است:

دور شدن از محیط‌‌‌‌‌‌‌های اثبات مفهوم

اولین موضوع که برای بهره وری از هوش مصنوعی باید به آن دقت کرد این است که  محیط اثبات مفهوم proof-of-concept (POC) یک دام است. POC با محیط تولید تفاوت دارد. در POC داده‌ها ساکن، تمیز و نامحدود هستند. هیچ نظام و انطباقی وجود ندارد و نظارت‌ها نامربوط هستند. در چنین محیطی آزمایشگاهی، معمولا دقت کار بسیار بالا است. اما این دنیای واقعی نیست. گروه‌ها به جای اتلاف وقت و منابع باید هوش مصنوعی را در یک محیط تولید توسعه دهند، داده‌های واقعی را پردازش کنند، نیاز واقعی را آزمایش کنند و با پویایی تولید سازگار شوند. یک ذهنیت متمرکز بر تولید می‌تواند حتی در مراحل اولیه توسعه هوش مصنوعی بسیار کمک کند.

ایجاد ثبات و استحکام

برای بهره وری از هوش مصنوعی باید به نکته‌ای دیگر هم توجه کنید. از آنجا که راه‌حل‌های هوش مصنوعی به شدت به داده‌ها وابسته هستند، هنگام تغییر داده‌ها یا ظاهر شدن نویز، ناپایدار می‌شوند. پایداری و استحکام از عناصر مهم یک سیستم هوش مصنوعی هستند که از آزمایش تا تولید تفاوت زیادی در آن‌ها دیده می‌شود. دستیابی و سپس حفظ ثبات در تولید یک کار پیچیده است و نیاز به درک ورودی داده‌های سیستم، کنترل تغذیه مدل و تشخیص ناهنجاری‌های مربوط به داده‌های آموزشی دارد. باید همیشه روی این موارد متمرکز بود.

به مرور زمان با حلقه بازخورد و یادگیری مداوم، باعث بهبود مدل‌ها شوید

نکته قابل توجه دیگر برای بهره وری از هوش مصنوعی این است که داده‌ها به طور مداوم در حال تغییر هستند. این موضوع تاثیر زیادی روی مدل‌های هوش مصنوعی می‌گذارد، زیرا این مدل‌ها بشدت به داد‌ه‌های ورودی برای پیش‌بینی و انجام و اعمال تصمیمات وابسته هستند. در حقیقت وقتی داده‌ها تغییر می‌کنند، مدل نیز باید تغییر کند. به همین دلیل است که حفظ یک راه‌حل هوش مصنوعی مانند شلیک به یک هدف متحرک است؛ حال تصور کنید هدف همان داده‌ها هستند. به دست آوردن داده‌های جدید در تولید، جمع‎آوری بازخورد کاربر و بهبود مداوم مدل در طول زمان، همه برای حفظ راه‌حل و کاهش هزینه‌های نگهداری بسیار حیاتی هستند.

نظارت به عنوان وسیله‌ای برای تولید

کلید کسب سود و موفقیت در استفاده از هوش مصنوعی همکاری قابل اطمینان بین انسان و ماشین است. درک آن‌چه در طول زمان توسط ماشین انجام می‌شود، برای پیسرفت در مسیر اتوماسیون بسیار مهم است. نظارت بر داده‌های درحال استفاده در سیستم و همچنین پیش‌بینی‌ها و عدم اطمینان سیستم در طول زمان بسیار مهم است و در صورت لزوم مداخله هم خواهد شد. عناصر کلیدی نظارت شامل شناسایی نمونه‌های خارج از توزیع، درک انحراف از داده‌ها و شناسایی موارد تغییر داده‌ها در تولید است که در این مواقع سیستم‌ها باید از طریق هشدارهایی، نیاز به مداخله انسانی در سازگاری خود با تغییرات را اعلام کنند.

با سرمایه‌گذاری در مبانی سیستم‌های هوش مصنوعی و استقرار این چهار رکن، یک شرکت می‌تواند برای موفقیت‌آمیز بودن هوش مصنوعی در سراسر سازمان برنامه‌ریزی کند.

راه دیگر این است که صنعت از مدل‌های هوش مصنوعی توسعه‌یافته توسط یک محقق به یک سیستم هوش مصنوعی توسعه‌یافته توسط تیمی متفاوت منتقل شود؛ همچنین بیشتر اجزای هوش مصنوعی که در کنار هم در یک سیستم قوی جمع می‌شوند هم تحت نظر تیم جدید باشند.

پتانسیل های هوش مصنوعی بسیار زیاد و غیرقابل‌انکار است و می‌توان دلیل هیاهوی زیاد در هوش مصنوعی را همین پتانسیل دانست. اکنون وقتش رسیده که کارهای سخت مورد نیاز برای بهره‌وری از پتانسیل‌های هوش مصنوعی را انجام دهیم.