فراگیر شدن استفاده از هوش مصنوعی در نهادهای علمی و اداری در آمریکا

فراگیر شدن استفاده از هوش مصنوعی در نهادهای علمی و اداری در آمریکا، موجب پیشرفت در عملکرد این آژانس‌ها در اطلاعات‌رسانی و خدمات شده است. از آنجایی که پیشرفت‌ در قدرت محاسباتی و توانایی استفاده از مجموعه داده‌های بزرگ و الگوریتم‌های پیچیده در سال‌های اخیر افزایش یافته است، آژانس‌های فدرال، هوش مصنوعی (AI) را برای به دست آوردن بینش‌های جدید از داده‌ها و بهبود کارایی عملیاتی در همه‌چیز، از مراقبت‌های بهداشتی گرفته تا حمل‌ونقل و خدمات شهروندان و امنیت عمومی، به کار گرفته ‌اند.

ناسا از این فناوری برای جمع‌آوری و پردازش داده‌ها برای مأموریت‌های مریخ و توسعه سیستم‌های بهبودیافته استفاده کرد و به مریخ‌نوردان اجازه داد تا بیشتر و سریع‌تر سرمایه‌گذاری کنند. اداره ثبت اختراع و تجارت ایالات متحده از ابزارهای هوش مصنوعی برای افزایش کیفیت و کارایی در فرآیند بررسی اختراع و علائم تجاری استفاده می‌کند، در حالی که اداره ملی هواشناسی از رویکردهای داده‌محور در جهت پیش‌بینی بلایای آب و هوایی و هشدار به مردم در زمان واقعی بهره می‌برد.

فراگیر شدن استفاده از هوش مصنوعی در نهادهای علمی و اداری در آمریکا باعث شده کمیسیون تنظیم مقررات هسته ای ایالات متحده در حال بررسی راه‌هایی باشد که هوش مصنوعی در شناسایی حملات سایبری به نیروگاه‌ها کمک کند. راه‌حل‌های ذخیره‌سازی DDN همچنین برای قابلیت جدید اعلام‌شده در وزارت انرژی، که در آن آزمایشگاه ملی شمال غرب اقیانوس آرام از هوش مصنوعی برای افزایش درک پیش‌بینی سیستم‌های ساحلی، از جمله پاسخ به تغییرات کوتاه‌مدت و بلندمدت استفاده می‌کند، سودمند است.

راب جنکینگر، معاون برنامه و استراتژی DDN، خاطرنشان کرد: «وعده هوش مصنوعی این است که اطلاعات  دقیق‌تری برای بهبود تصمیم‌گیری دریافت کنید. یکی دیگر از وعده‌های بزرگ، توانایی استفاده از حجم عظیمی از داده‌ها در زمان واقعی است. چه به صورت خودکار و چه از طریق تصمیم گیری، قابلیت کاربردی در دنیای واقعی برای هوش مصنوعی در انجام مأموریت آژانس وجود دارد.» با توجه به فراگیر شدن استفاده از هوش مصنوعی در نهادهای علمی و اداری در آمریکا، پاملا ایسوم، مدیر دفتر هوش مصنوعی و فناوری در وزارت انرژی، اظهار داشت: «دولت فدرال به عنوان یک کل، در حال برداشتن گام‌های بسیار خوبی در درک نحوه استفاده از هوش مصنوعی است. پس پیش به سمت مأموریت.»

معماری داده‌ها در هوش مصنوعی

یکی از پیش شرط‌های مهم در فراگیر شدن هوش مصنوعی در نهادهای علمی و اداری در آمریکا، توجه به داده‌ها و مدیریت آن‌ها است. جادسون گریوز، مدیر بخش تجزیه و تحلیل و هوش مصنوعی در ViON می‌گوید: «هوش مصنوعی تقاطع قابلیت‌های جدید ذخیره‌سازی داده‌ها، سرعت انتقال فوق‌العاده سریع در شبکه‌ها، و حجم عظیمی از قدرت محاسباتی است که ما به طور ناگهانی می‌توانیم روی این مجموعه داده‌ها اعمال کنیم». اما الهام گرفتن از هوش مصنوعی تا تحویل پروژه می‌تواند یک فرآیند چالش‌برانگیز باشد. سؤالات مهم باید از قبل، از محل زندگی پروژه، در محل یا در فضای ابری، مطرح شوند.

به گفته  جین کینگر، زمانی که مجموعه داده‌ها و ابزارهای کاملاً تعریف شده در فضای ابری در حال اجرا هستند، استفاده از ابر برای هوش مصنوعی منطقی است. زمانی که پروژه هوش مصنوعی متکی به دسترسی به مجموعه داده‌های عظیم از منابع مختلف است، پردازش داده‌های مورد نیاز می‌تواند بر فضای ابری غلبه کند و تأخیر، عملکرد و گرانش داده همگی چالش‌هایی را ایجاد می‌کنند. او توصیه کرد که در این موارد، استقرار در محل در نهایت نتایج بهتری را به همراه خواهد داشت و مقرون به صرفه‌تر است. «حتی پس از بررسی این سؤالات، مهم‌ترین چیزی که اغلب نادیده گرفته می‌شود، ذخیره‌سازی است.» جین کینگر معتقد است که اشتباه گرفتن فضای ذخیره‌سازی باعث از بین رفتن سرعت توسعه هوش مصنوعی شما می‌شود و به یک مکث تاکتیکی نیاز دارد تا بتوانید مشکلات خود را شناسایی کرده و راه‌حلی برای آن تعیین کنید.

اغلب، برای شروع سریع یک پروژه، آژانس‌ها به دنبال استفاده از زیرساخت‌های قدیمی‌تر داخلی یا زیرساخت‌های ابری موجود هستند. همان‌طور که اغلب، پروژه به موفقیت اولیه دست می‌یابد، اما با مشکلاتی روبرو می‌شود، زیرا توانایی پردازش سریع داده‌ها و مدیریت تقاضای ظرفیت نمی‌تواند با حجم عظیم داده‌های جدید تولید شده سازگاری داشته باشد. برخلاف نرم افزارهای سنتی که برای انجام وظایف خطی و ارائه نتایج مطلوب بر اساس دستورالعمل‌های خاص برنامه‎ریزی شده اند، هوش مصنوعی پویا است. هرچه پیش می‌رود یاد می‌گیرد و بنابراین به فرآیندهای هم‌زمان در زمان واقعی نیاز دارد.

جین کینگر می‌گوید: «با هوش مصنوعی، شما باید انواع کارها را به صورت موازی انجام دهید – داده‌ها را از فضای ذخیره‌سازی بیرون بکشید، آن‌ها را دست‌کاری کنید، آن‌ها را برگردانید، و سپس دوباره آزمایش کنید، همه اینها در حالی اتفاق می‌افتد که مجموعه‌هایی از داده‌های جدید را گسترش می‌دهید و بایگانی‌ها را مدیریت می‌کنید.» او مشاهده کرد که اشتباه گرفتن معماری، ابتکار هوش مصنوعی را به خطر می‌اندازد و دانشمندان داده را ناامید می‌کند. بنابراین معماری داده‌ها، نکتۀ مهمی در بهره برداری از هوش مصنوعی است و فراگیر شدن استفاده از هوش مصنوعی در نهادهای علمی و اداری در آمریکا بستگی به آن دارد.

برنامه‌ریزی برای افزایش حجم داده‌ها

یکی دیگر از اقدامات مفید در جهت فراگیر شدن هوش مصنوعی در نهادهای علمی و اداری در آمریکا، برنامه‌ریزی برای افزایش حجم داده‌ها است. اخیراً، کلر مارتورانا، CIO فدرال، فراخوانی را به آژانس‌ها صادر کرد و از آن‌ها خواست تا نحوه استفاده از هوش مصنوعی و همچنین پروژه‌هایی که در افق هستند را به اشتراک بگذارند. هدف این است که اطمینان حاصل شود که آژانس‌ها برای افزایش یادگیری بین سازمانی با یکدیگر ارتباط برقرار می‌کنند و فرصت‌هایی را برای استفاده از داده‌ها و اکتشافات ناشی از آن با گسترش پروژه‌های بیشتر فراهم می‌کنند. برای به دست آوردن بینش‌های عملی، پروژه‌های هوش مصنوعی به پردازش داده‌های قوی و همچنین مدیریت داده‌ها نیاز دارند که یکپارچگی، امنیت و در دسترس بودن داده‌ها را تضمین می‌کند – از جمله توانایی به اشتراک‌گذاری داده‌ها و قرار دادن آن در محیط‌های چندکاربری.

پردازش داده‌ها زمان می‌برد و نیاز به مهارت‌های تخصصی دارد. داده‌ها باید آماده، سازمان‌دهی و برچسب‌گذاری شوند تا قبل از اینکه آژانس بتواند بینش‌هایی از آن‌ها کسب کند، آموزش داده و آزمایش شوند. این امر مستلزم داشتن مهارت‌های مناسب برای توسعه، خرید یا استفاده از قابلیت‌های هوش مصنوعی است. مهندسان داده، دانشمندان داده، مهندسان ذخیره سازی و معماران راه حل، همگی در دستیابی به نتایج مطلوب از ابتکارات هوش مصنوعی نقش دارند. این یک فرآیند بهبود مستمر است و به حجم و توان عملیاتی زیادی نیاز دارد، بنابراین داده‌ها باید بدون وقفه در حال اجرا باشند. زیرساخت‌های طراحی شدۀ مناسب، نه تنها از این جنبه‌های عملیاتی پشتیبانی می‌کند، بلکه امکان همکاری و تداوم نیز از این طریق فراهم می‌شود.

او توصیه کرد که ساده‌ترین راه برای جلوگیری از چالش‌ها هنگام توسعه پروژه‌های هوش مصنوعی، سرمایه‌گذاری در زمان با کارشناسان است. او گفت: «شما می‌توانید با آژانس‌های دیگری که استقرار هوش مصنوعی موفقی داشته اند صحبت کنید و بهترین شیوه‌ها و ایده‌ها را دریافت نمایید، و به این ترتیب چرخ را دوباره اختراع نمی‌کنید.» با رعایت مجموعۀ نکاتی که در این نوشتار ذکر شد، فراگیر شدن استفاده از هوش مصنوعی در نهادهای علمی و اداری در آمریکا و سایر نقاط جهان، محقق خواهد شد.

جدیدترین اخبار هوش مصنوعی ایران و جهان را با هوشیو دنبال کنید