موانع توسعه هوش مصنوعی: از این ۵ مورد غافل نشوید

هوش مصنوعی می‌تواند درست مانند اینترنت، در امور زندگی ما جاری شود. مقیاس استفاده از آن به سرعت در حال رشد است و تا امروز توانسته بسیاری از مشکلات ما را برطرف کند. در آینده هم مطمئنا بیش از پیش روی زندگی عادی و امور کسب و کار ما تاثیر خواهد گذاشت. اما موانع توسعه هوش مصنوعی کدامند؟

این در حالی است که بسیاری از مدیران، هوش مصنوعی را یک تکنولوژی مخرب می‌دانند. به نظرشان باعث می‌شود کارمندانشان فکر کنند قرار است این تکنولوژی شغل‌هایشان را نابود کند. هرچند هستند مشاورانی که درباره نقش مفید این تکنولوژی و فعالیت‌هایی که می‌توان با آن‌ها انجام داد، برای مدیران توضیح دهند.

در هردوی نظریه‌های مربوط به هوش مصنوعی می‌توان المان‌هایی یافت که نشان می‌دهد استفاده از آن هم مفید و هم مضر است. اما واقعیت این است که توسعه هوش مصنوعی کار بسیار دشواری است و شرکت‌هایی که این کار را انجام دادند، همگی به موانع و مصائبی اشاره کردند که تائید می‌کند در راه توسعه هوش مصنوعی چالش‌های بسیاری وجود دارد.

بیرون از سیلیکون ولی Silicon Valley حتی کسب و کارهایی که بیشترین استفاده از هوش مصنوعی را هم دارند، مانند خرده‎فروشان، بانک‌ها، شرکت‌های حوزه تلکام و غیره، همه در مراحل اولیه استفاده از آن هستند. دلیلش این است که برای استفاده از هوش مصنوعی با مصائب زیادی در زمینه‌های مختلف از جمله مدیریت، فرهنگ، دیدگاه، اجرا، داده و زیرساخت مواجه هستند.

امروزه مدل‌های کسب و کار هوش مصنوعی به دو دسته آموزش محور و پیش‌بینی محور تقسیم می‌شوند. بخش بزرگی از درآمد این مدل هم مربوط به آموزش در زمینه‌های خلق دقت، تاثیرگذاری و مقیاس است. توسعه مدل‌های پیش‎بینی محور کار سختی است، اما این مدل به نسبت مدل‌های آموزش محور رشد بیشتری داشته‌اند. در ادامه به ۵ مورد از موانع توسعه هوش مصنوعی اشاره خواهد شد.

چالش‌های داده

بزرگ‎ترین چالش در زمینه موانع توسعه هوش مصنوعی مربوط به داده، فراگیری آن، حافظه، کیفیت، کامل بودن، دقت یا برچسب‌ زدن به آن است. تغییر از عصر داده‌های توسعه داده شده توسط کاربر به داده‌های توسعه داده شده توسط حسگرها باعث به وجود آمدن داده‌هایی با کیفیت نامربوط و پایین شده است که ذخیره کردن، تحلیل و انجام هرگونه اقدامی با آن تبدیل به یک چالش بزرگ شده است. قدرت و تاثیرگذاری هوش مصنوعی مربوط به کیفیت و کمیت داده است و با بهتر شدن این دو فاکتور در داده‌ها شاهد دقت بیشتر در نتیجه خواهیم بود. در بسیاری از صنایع البته بزرگ‌ترین مشکل برای استفاده از هوش مصنوعی کمیت داده‌ها نیستند. بلکه نبود زیرساخت‌ها، وجود اشتباهات و خلاقیت محدود مجموعه داده‌ها برای آموزش مدل‌ها، بزرگ‌ترین مشکلات هستند. به طوری که مشکلات مرتبط با داده باعث شدند محصولات هوش مصنوعی تضعیف شده یا از رده خارج شوند.

مشکلات عدم شفافیت

منطق اقتصاد و توجیه بازدهی سرمایه‌گذاری در قلب مدل‌های یادگیری ماشین قرار گرفته‌اند و الگوریتم‌ها توضیح آن را برای مدیران محصول به شدت سخت کرده‌اند. این عدم شفافیت پروسه توسعه هوش مصنوعی را سخت‌تر کرده است. مدل‌های بزرگ‌‎تر، پیچیده‌تر و بحرانی‌تر، ابهامات بیشتری در زمینه تصمیم‎گیری، نتایج تصمیمات و توجیه موارد استفاده همزمان ایجاد می‌کنند. در واقع این عدم شفافیت است که توسعه را سخت کرده است، همچنین الزامات نظارتی برای شفافیت در بسیاری از محصولات هوش مصنوعی را هم به چالش کشیده است.

چالش‌های عملیاتی

وقتی فناوری هوش مصنوعی مقابل مشکلات کسب و کارهای زنده بایستد، با ارزش خواهد بود، نه در محیط ‌های سندباکس sandbox environments. گذر تنها یک مورد مصرفی از سندباکس به توسعه، بازه زمانی طولانی‎ای است، شاید از چند هفته تا چند سال و آن هم در شرایطی که هرچه به پایان نزدیک باشیم، پیچیدگی هم بیشتر خواهد بود. عملیاتی شدن محصولات در بیشتر بخش‌ها فرایند ملایم و همواری که نقطه پایانی مشخص داشته باشد، نیست و این طور نیست که به خوبی تنظیم و اولویت‌بندی شده و با نرم‎افزارهای کاربردی کسب و کار ارتباطی توسعه‌یافته و یکپارچه داشته باشد. نبود این جریانات مناسب در زمینه قیمت، زیرساخت، عملکرد و پیچیدگی باعث بروز مشکلاتی برای موارد استفاده همزمان می‎شود.

محصولات عمومی هوش مصنوعی

هوش مصنوعی وقتی مختص یک صنعت، یک دامنه یا یک مورد کاربری ویژه باشد، بیشترین تاثیرگذاری را خواهد داشت. در واقع برای هوش مصنوعی یادگیری و ترجمه آموخته‎هایش از شرایطی به شرایط دیگر آسان نیست، درست برعکس انسان. همین محدودیت‌ها هستند که باعث شدند مهندسی، محصول و منابع به کار گرفته شده هزینه بیشتری داشته باشند.

این که یک مدل هوش مصنوعی آموخته‎هایش را منتقل کند و مدل جدید بتواند خیلی سریع آموخته‌‎هایش را به کار گیرد، هنوز پروسه‎ای نوظهور است و در برخی قسمت‌ها به نسبت باقی، عملکرد بهتری داشته است.

البته که عمومی‌سازی بیش از اندازه هم مشکلات خاص خودش را دارد. حتی محصولاتی که در چارچوب عمومی هوش مصنوعی قرار می‎گیرند، به اندازه کافی برای مشتریانی که به دنبال راه حلی خاص هستند، جذابیت ندارد. هوش مصنوعی عمومی همچنین قابل دفاع بودن و مقیاس‎پذیر بودنش را هم از دست داده است. با افزایش مقیاس مدل‌ها و مطرح شدن موضوع کیفیت داده‌ها، مشکلات مربوط به هوش مصنوعی عمومی بیشتر هم نمایان می‎شود.

مشکل کمبود متخصص

نه تنها از نظر کمیت نیروی متخصص و کاربلد در زمینه توسعه هوش مصنوعی، دچار کمبود هستیم، بلکه شرایط کیفی متخصصان موجود هم دچار مشکلاتی است. برای مثال توازن بین سازندگان مدل‌ها، مهندسان یادگیری عمیق، مدیران محصول و متخصصان UX هم متعادل نیست. یک ریاضی‎دان موفق بودن لزوما به مهندس هوش مصنوعی خوبی شدن، کمک نمی‌کند؛ حتی برای تبدیل شدن به یک مدیر محصول خوب که بتواند بازرگانی محصولات پیچیده هوش مصنوعی را به عهده گیرد هم کافی نیست. بیشتر از کمیت، این برقراری تعادل درست بین استعدادهاست که باید مورد توجه قرار گیرد.

در نتیجه

بر اساس مشاهدات اخیر، هوش مصنوعی به عنوان یک فعال کننده و تقویت کننده در حال پیشروی است. البته که در اطراف این هسته اصلی حواشی هم وجود دارد که مقیاس‌پذیری را محدود کرده و باعث به وجود آمدن تنوع‌های بحرانی شده است. اما هوش مصنوعی به عنوان یک محصول بنیادی با مقیاس، موارد مصرف همزمان و یک مشکل‎گشای موفق، هنوز موانع بسیاری را بر سر راه خود می‎بیند. اما با وجود موانع موجود هوش مصنوعی هنوز هم برای بسیاری از استارتاپ‌ها، شرکت‌های سیلیکون ولی و برخی کسب و کارهای دیگر مفید بوده است.