تکنولوژی هوش مصنوعی
تحلیل بازارهای هوش مصنوعیکارآفرینیکسب‌و‌کار

تکنولوژی هوش مصنوعی: منتظر نوآوری‌های شگفت‌انگیز باشید

    0

    گرچه تکنولوژی هوش مصنوعی (Artificial Intelligence) یا به اختصار، AI به‌طوری سرسام‌آور و روزافزون توجه و اقبال کاربران را به خود جلب می‌کند و بسیاری معتقدند که این تکنولوژی قادر خواهد بود به‌کلی صنایع را دگرگون سازد، با این حال، حقیقت این است که اکثر کسب‌و‌کارهای امروزی در تلاش‌اند ارزش واقعی آن را کشف کنند و بیشترین بهره‌‌ی ممکن را از آن استخراج کنند. به استناد مجله‌ی مدیریت اسلون ام‌آی‌تی و نیز گروه مشاوره‌‌ی بوستون، ۶۵ درصد از مؤسساتی که در سال‌های اخیر در حیطه‌ی AI سرمایه‌گذاری کرده‌اند، سود چندانی از این سرمایه‌گذاری نبرده‌اند. آی‌دی‌سی (IDC) نیز گزارش کرده است که یک‌چهارم کسب‌و‌کارهایی که تکنولوژی هوش مصنوعی را به کار می‌بندند، در دست‌کم ۵۰ درصد موارد شکست می‌خورند. این کمپانی مشاوره، «فقدان نیروی متخصص» و «انتظارات غیرواقع‌گرایانه»‌را ازجمله دلایل این شکست می‌داند.

    یکی از عوامل عمده‌ای که منجر به عدم تطابق انتظارات با واقعیات می‌شود، پیچیدگی الگوریتمی مدل‌های یادگیری عمیق (دیپ لرنینگ) است. منظور از این پیچیدگی الگوریتمی، محاسبات پیچیده‌ای است که در ساخت و اجرای این مدل‌ها در عمل و دستیابی به تولید عمده موردنیاز است. توسعه‌دهندگان کسب‌وکار، اغلب در رویارویی با چرخه‌های طولانی‌مدت توسعه، هزینه‌های بالای محاسبات، عملکرد استنتاجی نامطلوب و سایر چالش‌های مسیر، خیلی زود و در مرحله‌‌ی توسعه‌ی‌ AI و به کارگیری آن با بن‌بست مواجه می‌شوند و می‌کوشند مدل‌های دیپ لرنینگ را از طریق آزمون و خطا و به‌شیوه‌ی‌ دستی بهبود بخشند؛ این امر آن‌ها را از رسیدن به مرحله‌ی‌ تولید عمده بازمی‌دارد. به‌علاوه، دانشمندان داده بر کپی‌هایی از مدل‌های موجود متکی‌اند که درنهایت ممکن است با کسب‌وکار ویژه‌‌ی آن‌ها، هیچ تناسبی نداشته باشد.

    با فرض بر اینکه تمامی الگوریتم‌های طراحی شده به دست انسان، دیر یا زود با موانع هزینه، زمان، نیروی انسانی و تناسب تجاری مواجه می‌شوند، سؤال عمده این است که تکنولوژی هوش مصنوعی چگونه می‌تواند بر این موانع فائق آید؟ پاسخ به این سؤال در الگوریتم‌هایی نهفته است که توسط الگوریتم‌های دیگر طراحی می‌شوند. این پدیده تا به امروز صرفاً در بحث‌های آکادمیک و دانشگاهی مطرح شده است؛ با این حال، امید آن می‌رود که در سال‌های آینده و با ورود آن به عرصه‌ی تجارت و کسب‌و‌کار، کارکردهای پیشگامانه‌ای را در صنایع مختلف اتخاذ کند.

    این رویکرد جدید به دانشمندان داده این امکان را می‌دهد که بر روی توانایی‌های برتر خود ازجمله تفسیر و استخراج بینش‌های تازه، از داده‌های موجود تمرکز کنند. خودکارسازی فرایندهای پیچیده در چرخه‌‌ی حیات پروژه‌های هوش مصنوعی، همچنین امکان دسترسی بیشتر به مزایای AI را فراهم می‌آورد. این بدان معنی است که مؤسساتی که کمبود بودجه‌ در حوزه‌‌ی تکنولوژی و نیروی انسانی دارند، با سهولت بیشتری قادر به بهره‌برداری از نیروی حقیقی و تحول‌آفرین تکنولوژی خواهند بود.

    تکنولوژی هوش مصنوعی بیشتر از اینکه علم باشد، هنر است

    از آنجایی که پروژه‌‌ی ساخت مدل‌های مؤثر دیپ لرنینگ برای انسان‌ها به‌تنهایی چالش دشواری است، تردیدی نیست که سازمان‌ها نیازمند رویکردی کارآمدترند.

    دانشمندان علوم داده مرتباً با چالش‌های ناشی از پیچیدگی‌های الگوریتمی دیپ لرنینگ مواجه‌اند و تیم‌های توسعه‌‌ی کسب‌وکار برای حل این مشکل ناچارند مدل‌ها را به‌صورت دستی تنظیم و بهینه‌سازی کنند. این فرایند عمدتاً به قیمت پایین آمدن قابلیت‌های عملکردی و کیفیت محصول تمام‌ می‌شود و فرایندی ناکارآمد به شمار می‌آید. به‌علاوه، طراحی دستی چنین مدل‌هایی تا رسیدن محصول به بازار زمان بیشتری می‌طلبد؛ نمی‌توان روی زمانی‌ که به‌صورت تصاعدی صرف چنین اقداماتی می‌شود، به‌راحتی چشم‌ پوشید.

    تکنولوژی هوش مصنوعی

     

    اما آیا معنی این حرف آن است که تنها راه‌حل موجود، خودکارسازی کامل مدل‌های دیپ لرنینگ و استفاده از مدل‌هایی است که به‌طور خودکار به طراحی خود می‌پردازند؟ پاسخ به این سؤال آسان است: نه لزوماً.

    برای مثال، فناوری خودروسازی را در نظر بگیرید. دوگانه‌ی مشهوری که میان استفاده از خودروهای کاملاً خودکار و یا انواع کاملاً دستی وجود دارد، موضوع را بیش از حد ساده و سیاه و سفید نشان می‌دهد. این ساده‌سازی، پیشرفت زیادی را که کمپانی‌های تولید اتومبیل در طی سال‌ها و با معرفی سطوح توسعه‌‌یافته‌تری از تکنولوژی خودروسازی به آن دست یافته‌اند، کوچک جلوه می‌دهد. این در حالی است که در صنعت خودروسازی، از سطوح خودگردانی یاد می‌شود. این سطوح از سطح ۱ (که همان تکنولوژی کمک‌راننده است) تا سطح ۵ (خودروهایی که کاملاً خودکار حرکت می‌کنند و فناوری آن‌ها هنوز محقق نشده است) را شامل می‌شود. بنابراین، ممکن است بدون نیاز به دستیابی به خودگردانی کامل نیز قادر به تولید خودروهایی بسیار پیشرفته‌تر از نمونه‌های امروزی باشیم.

    در دنیای تکنولوژی هوش مصنوعی نیز قواعد یکسانی حاکم است. کارکنان در حوزه‌ی AI نیازمند تکنولوژی‌های تازه‌ای هستند که فرایندهای دشوار طراحی یک مدل یادگیری عمیق را به‌طور خودکار انجام دهد. درست مانند سیستم‌های پیشرفته‌‌ی کمک‌راننده (ADAS) از قبیل سیستم‌های ترمز اتوماتیک و کروز کنترل تطبیقی که راه را برای خودگردانی بیشتر در صنعت خودروسازی هموار می‌سازند، در صنایع مرتبط با AI نیز نیاز به تکنولوژی‌هایی با چنین خدمتی احساس می‌شود. این پیشرفت خود در گرو عملکرد AIها خواهد بود.

     AIهایی که AIهای بهتر را می‌سازند

    خوشبختانه در حال حاضر ما موفق شده‌ایم از تکنولوژی هوش مصنوعی به‌عنوان ابزاری برای تسهیل و ساده‌سازی کار سایر حوزه‌های تکنولوژی استفاده کنیم. به‌عنوان‌مثال کدنویسی و بازبینی کدهایی که پیشتر توسط یک AI دیگر نوشته شده‌اند، یکی از مثال‌های خودتوانمندسازی AIهاست. مرحله‌ی‌ بعدی در انقلاب مدل‌های دیپ لرنینگ با ابزارهای مکمل مشابه سروکار خواهد داشت. به‌‌طوری‌که در طی پنج سال آینده، به‌مرور بایستی منتظر قرار گرفتن چنین قابلیت‌هایی در دسترس عموم باشیم.

    تکنولوژی هوش مصنوعی

    تاکنون پژوهش‌ درخصوص نحوه‌ی توسعه‌ی این قابلیت‌های برتر AI تنها محدود به مراکز دانشگاهی پیشرفته و، همان‌طور که انتظار می‌رود، برخی از نام‌آوران صنایع تکنولوژیک بوده است. اقدام پیشگامانه‌ی‌ گوگل در حوزه‌ی جست‌وجوی معماری عصبی
    Neural architecture search
    (NAS) مثالی مهم در این زمینه است. این تکنولوژی که توسط مدیر عامل گوگل، ساندر پیچای به‌عنوان راهی برای «طراحی شبکه های عصبی به دست شبکه های عصبی» توصیف شده است، در سال ۲۰۱۷ توجه عموم را به خود جلب کرد. NAS الگوریتم‌هایی دارد که از طریق آن‌ها از میان هزاران مدل موجود به جست‌وجوی بهترین مدل می‌پردازد و به این ترتیب، تکنولوژی هوش مصنوعی الگوریتمی را برمی‌گزیند که برای مسئله‌ی در پیش‌رو مناسب است.

    در حال حاضر تکنولوژی جست‌وجوی معماری عصبی در آغاز کار خود قرار دارد و به‌طور گسترده در بازار تجاری استفاده نشده است. اما از همان روز اول، محققان به کوتاه‌تر کردن زمان اجرا و میزان منابع محاسباتی موردنیاز برای اجرای الگوریتم‌های NAS همت گمارده‌اند. با این حال، این الگوریتم‌ها هنوز قابلیت تعمیم به مجموعه‌‌داده‌های گوناگون و حل مسائل را ندارند؛ چه برسد به اینکه بخواهند به‌طور تجاری عرضه شوند. علت این امر را می‌توان این‌گونه بیان کرد که درخصوص هر مورد مجزا، یک نفر باید به‌صورت دستی فضای معماری را برای هر مسئله تنظیم کند؛ رویکردی که فاصله‌ی زیادی تا توسعه‌پذیر بودن دارد.

    تجاری سازی هوش مصنوعی بیشتر توسط غول‌های تکنولوژی مانند گوگل و فیس‌بوک انجام شده است. همچنین برخی از دانشگاه‌ها مانند دانشگاه استنفورد، نیز در این امر مشارکت داشته‌اند. در این مرکز محققان روش‌های خودگردانی نوپدید را سکوی پرتابی برای پیشرفت AI دانسته‌اند.

    با پیشرفت روزافزون فناوری و ارائه‌ی‌ ایده‌های بکر توسط توسعه‌دهندگان صنعت AI که بر مبنای کارهای پیشین صورت‌گرفته در این زمینه بنیان نهاده شده است، تکنولوژی‌هایی مانند NAS نیز به‌زودی به‌طور گسترده در دسترس عموم قرار خواهد گرفت. این امر تا حدودی مرهون توسعه‌پذیری بیشتر و تبدیل آن به گزینه‌ا‌‌ی مقرون‌به‌صرفه است. اما نتیجه‌‌ی این رویداد چیست؟ تکنولوژی هوش مصنوعی همانند خود را می‌سازد و به این ترتیب پتانسیل حقیقی خود در حل پیچیده‌ترین مسائل را به منصه‌ی ظهور خواهد گذاشت.

    در قرن حاضر و در سال ۲۰۲۱، این حیطه فرصت‌های بی‌شماری را برای نوآوری‌های تازه فراهم آورده است و این نوآوری‌ها نیز به‌نوبه‌خود طلیعه‌ی نوآوری‌های بیشتر در صنعت هوش مصنوعی خواهد بود.

    دیجیتال سازی با هوش مصنوعی: رونمایی مایکروسافت از نرم‌افزار ژورنال

    مقاله قبلی

    دانشگاه هاروارد برگزار می‌کند: دوره رایگان مبانی یادگیری ماشین کوچک

    مقاله بعدی

    شما همچنین ممکن است دوست داشته باشید

    نظرات

    پاسخ دهید

    نشانی ایمیل شما منتشر نخواهد شد. بخش‌های موردنیاز علامت‌گذاری شده‌اند *