Filter by دسته‌ها
chatGTP
ابزارهای هوش مصنوعی
اخبار
گزارش
تیتر یک
چندرسانه ای
آموزش علوم داده
اینفوگرافیک
پادکست
ویدیو
دانش روز
آموزش‌های پایه‌ای هوش مصنوعی
اصول هوش مصنوعی
یادگیری بدون نظارت
یادگیری تقویتی
یادگیری عمیق
یادگیری نیمه نظارتی
آموزش‌های پیشرفته هوش مصنوعی
بینایی ماشین
پردازش زبان طبیعی
پردازش گفتار
چالش‌های عملیاتی
داده کاوی و بیگ دیتا
رایانش ابری و HPC
سیستم‌‌های امبدد
علوم شناختی
دیتاست
رویدادها
کاربردهای هوش مصنوعی
کتابخانه
اشخاص
شرکت‌های هوش مصنوعی
محصولات و مدل‌های هوش مصنوعی
مفاهیم
کسب‌و‌کار
تحلیل بازارهای هوش مصنوعی
کارآفرینی
هوش مصنوعی در ایران
هوش مصنوعی در جهان
مقاله
 هوش مصنوعی نباید برای کسب‌وکار شما بسیار پیچیده یا پرهزینه باشد

هوش مصنوعی نباید برای کسب‌وکار شما بسیار پیچیده یا پرهزینه باشد

زمان مطالعه: 5 دقیقه

اکثر شرکت‌هایی که علاقه‌مند به استفاده از هوش مصنوعی هستند، مدل واضحی برای دنبال‌ کردن ندارند و این موضوع باعث افزایش هزینه آن‌ها برای استفاده از این فناوری می‌شود. رویکرد مورداستفاده شرکت‌های عظیم اینترنتی مانند آمازون و گوگل برای ساخت هوش مصنوعی، در موقعیت‌های دیگر قابل‌استفاده نیستند؛ بیشتر در واقع، شرکت‌ها فاقد حجم عظیمی از داده برای آموزش مدل‌های خود هستند. بنابراین، صنایعی مانند تولید، کشاورزی و بهداشت باید رویکرد متفاوتی را برگزینند: برنامه‌نویسی با استفاده از داده و نه کدنویسی. شرکت‌های این صنایع، اصولاً مجموعه‌داده تقریباً کوچکی دارند و برای شخصی‌سازی سیستم باید هزینه بالایی بپردازند و از فاصله زیاد بین محصول آزمونه  (پایلوت) و اصلی هراس دارند؛ اما با توجه به پیشرفت‌های فناوری هوش مصنوعی، این سازمان‌ها باید تمرکز خود را از ساخت مدل مناسب (رویکرد نرم‌افزارمحور) بردارند و بر روی دستیابی به داده خوب که به وضوح مفاهیم موردنیاز برای آموزش هوش مصنوعی را نشان می‌دهد، تمرکز کنند و از ابزارهای عملیات یادگیری ماشین (MLOps) استفاده کنند.

این ابزارها که برای کمک به تولید مجموعه‌داده‌های باکیفیت، مناسب‌سازی شده‌اند، به طور ویژه، کلید رسیدگی به چالش‌های مجموعه‌داده‌های کوچک، هزینه بالای سفارشی‌سازی و مسیر طولانی تولید پروژه هوش مصنوعی را که در بالا ذکر شدند، در دست دارند. شرکت‌ها باید بر گردآوری داده باکیفیت تمرکز کنند و تمرکز گروه‌های مهندسی خود را از رویکردهای مدل‌محور بردارند و فرایند استقرار و ابزارهای MLOps موردنیاز برای پشتیبانی از آن را بخش اصلیِ فرایند برنامه‌ریزی برای هر پروژه هوش مصنوعی، قرار دهند.

با وجود پتانسیل زیاد هوش مصنوعی، هنوز این فناوری در بیشتر صنایع جا نیفتاده است و تفکر صاحبان صنایع این است که استفاده از آن هزینه زیادی دارد؛ هر چند شرکت‌های اینترنتی مصرف‌کننده مانند گوگل، بایدو و آمازون را متحول کرده است؛ شرکت‌هایی که همگی عظیم، غنی از داده و دارای میلیون‌ها کاربر هستند؛ اما برای تحقق این پیش‌بینی که هوش مصنوعی، سالانه ارزشی معادل 13 تریلیون دلار ایجاد می‌کند، هنوز صنایعی مانند تولید، کشاورزی و بهداشت باید راه‌هایی را بیابند که این فناوری را برای آن‌ها کارآمد سازد. البته در این میان، مشکلی وجود دارد: دستورالعملی که شرکت‌های اینترنتی مصرف‌کننده برای ساخت هوش مصنوعی خود به کار می‌برند و در آن یک سیستم هوش مصنوعی یکسان می‌تواند به تعداد کاربران بسیار زیادی خدمات‌دهی کند، برای دیگر صنایع کارآمد نیست.

در عوض، این صنایع قدیمی به تعداد زیادی راه‌حل‌های سفارشی نیاز دارند که با موارد کاربردهای گوناگون آن‌ها سازگار باشد. این امر بدین معنا نیست که هوش مصنوعی در این صنایع کارآمد نیست، بلکه فقط به این معنا است که باید رویکرد متفاوتی برگزینند تا هزینه ها را هم کاهش دهند.

برای پر کردن این شکاف و آزاد کردن کامل پتانسیل‌های هوش مصنوعی، مدیران این صنایع باید برای ساخت هوش مصنوعی، رویکردی جدید و داده‌محور اتخاذ کنند؛ به‌ویژه باید هدفشان این باشد که سیستم‌های هوش مصنوعی را با دقت خاصی بسازند، تا مطمئن باشند که داده‌ها کاملاً آنچه را که برای یادگیری هوش مصنوعی نیاز است، در بر دارند. این کار، نیازمند تمرکز بر داده‌ای است که موارد مهم را پوشش می‌دهد و همواره برچسب‌خورده است؛ بنابراین، هوش مصنوعی می‌تواند از چنین داده‌ای، کاری را که باید انجام دهد، بیاموزد. به عبارت دیگر، کلید ساخت چنین سیستم‌های هوش مصنوعی ارزشمندی، گروه‌هایی هستند که به جای کدنویسی، بتوانند با استفاده از داده برنامه‌نویسی کنند.

چرا استفاده از هوش مصنوعی خارج از حوزه فناوری چنین دشوار است

چرا هوش مصنوعی خارج از شرکت‌های اینترنتی مصرف‌کننده به طور گسترده استفاده نمی‌شود؟ چالش‌های اصلی اتخاذ هوش مصنوعی در دیگر صنایع شامل موارد زیر است:

1- مجموعه‌داده‌های کوچک. مهندسان شرکت‌های اینترنتی مصرف‌کننده که تعداد کاربران بسیار زیادی دارند، میلیون‌ها نقطه داده دارند که هوش مصنوعی می‌تواند از آن‌ها بیاموزد؛ اما در صنایع دیگر، اندازه مجموعه‌داده بسیار کوچک‌تر است. به عنوان مثال، آیا می‌توان سیستم ‌هوش مصنوعی‌ای ساخت که فقط با دیدن 50 نمونه، یاد بگیرد که یک قطعه معیوب خودرو را تشخیص دهد؟ یا پس از یادگیری از تنها 100 نمونه تشخیص بیماری، بیماری نادری را تشخیص دهد؟ روش‌هایی که برای 50 میلیون نقطه داده ساخته شده‌اند، زمانی‌ که تنها 50 نقطه داده دارید، کارآمد نیستند.

2- هزینه شخصی‌سازی. شرکت‌های اینترنتی مصرف‌کننده ده‌ها یا صدها مهندس ماهر را برای ساخت و نگهداری از سیستم‌های هوش مصنوعی بسیار بزرگی که ارزش زیادی خلق می‌کنند، استخدام می‌کنند؛ برای مثال، یک سیستم تبلیغات برخط، بیش از یک میلیارد دلار در سال، درآمد ایجاد می‌کند؛ اما در صنایع دیگر، پروژه‌های یک تا پنج میلیون دلاری متعددی وجود دارند که هر کدام نیازمند یک سیستم هوش مصنوعی بخصوص است.

به عنوان مثال، هر کارخانه‌ای که محصول متفاوتی تولید می‌کند، نیازمند سیستم بازرسی سفارشی است و هر بیمارستانی، بر اساس روش کدنویسی پرونده‌های سلامت خود، ممکن است به هوش مصنوعی مخصوص به خود برای پردازش داده‌های بیمارانش نیاز داشته باشد. ارزش کلی این صدها هزار پروژه، بسیار بالا است؛ اما از نظر اقتصادی، ممکن است استخدام یک تیم بزرگ و اختصاصی هوش مصنوعی برای ساختن و نگهداری تنها یک پروژه، به صرفه نباشد. این مشکل با کمبود مداوم نیروهای مستعد هوش مصنوعی تشدید می‌شود که به نوبه خود هزینه را نیز بالا می‌برد.

3- فاصله میان اثبات مفهوم تا تولید. حتی زمانی‌ که یک سیستم هوش مصنوعی در آزمایشگاه کار می‌کند، کار مهندسی زیادی لازم است، تا آن را در تولید به کار بیندازد. این امر غیرمعمولی نیست که یک تیم، اثبات موفقیت‌آمیز مفهومی را جشن بگیرد که هنوز 12 تا 24 ماه زمان لازم است که بتوانند سیستم آن را مستقر و نگهداری کنند.

برای درک کامل پتانسیل‌های هوش مصنوعی و کاهش هزینه استفاده از این فناوری، باید رویکرد نظام‌مندی به حل این مشکلات در تمام صنایع داشته باشیم. رویکرد داده‌محور به هوش مصنوعی که با ابزارهایی به منظور ساخت، استقرار و نگهداری نرم‌افزارهای هوش مصنوعی پشتیبانی می‌شوند و سامانه‌های عملیات یادگیری ماشین (MLOps) نام دارند، این امر را ممکن می‌سازد. شرکت‌هایی که زودتر این رویکرد را اتخاذ می‌کنند، نسبت به رقبا، برتری خواهند داشت.

هزینه

توسعه هوش مصنوعی داده‌محور

سیستم‌های هوش مصنوعی از نرم‌افزار (برنامه‌ای کامپیوتری که شامل یک مدل هوش مصنوعی است) و داده، یعنی اطلاعاتی که برای آموزش آن مدل استفاده می‌شود، تشکیل شده‌اند. برای مثال، برای ساخت یک سیستم هوش مصنوعی آن هم با هزینه معقول و به منظور بازرسی خودکار خط تولید، مهندس هوش مصنوعی، نرم‌افزاری را ایجاد می‌کند که از یک الگوریتم یادگیری عمیق استفاده می‌کند، سپس به این الگوریتم مجموعه‌داده‌ای از تصاویر قطعات خوب و معیوب نشان داده می‌شود، تا بتواند تمایز میان آن‌ها را بیاموزد.

در طی دهه گذشته، بسیاری از پژوهش‌های هوش مصنوعی از طریق توسعه نرم‌افزارمحور انجام شد (که به آن توسعه مدل‌محور هم گفته می‌شود) که در آن داده ثابت است و تیم‌ها تلاش می‌کنند، تا برنامه‌ها را به‌گونه‌ای بهینه‌سازی کنند یا برنامه‌های جدیدی اختراع کنند که از داده موجود به خوبی بیاموزند. بسیاری از شرکت‌های فناوری مجموعه‌داده‌های عظیمی از میلیون‌ها مصرف‌کننده در اختیار داشتند و از آن برای ایجاد نوآوری‌های بسیاری در هوش مصنوعی استفاده کردند؛ اما در سطح پیچیدگی فعلی هوش مصنوعی، معضل بسیاری از کاربردها، گردآوری داده مناسب برای تغذیه نرم‌افزار است.

ما درباره مزایای داده‌ها بزرگ شنیده‌ایم؛ اما اکنون می‌دانیم که در بسیاری از کاربردها، تمرکز بر جمع‌آوری داده‌های خوب مفیدتر است، داده‌ای که به وضوح، مفاهیم موردنیاز برای یادگیری هوش مصنوعی را در بر داشته باشد. این بدان معناست که به طور مثال، داده باید به صورت منطقی جامع باشد و موارد مهم را پوشش بدهد و پیوسته برچسب‌گذاری شود. داده، غذای هوش مصنوعی است و سیستم‌های هوش مصنوعی جدید نه‌تنها به کالری بلکه به مواد مغذی باکیفیت نیز نیاز دارند.

تغییر تمرکز از نرم‌افزار به داده، مزیت مهمی در بر دارد: این امر متکی به نیرویی است که هم‌اکنون در اختیار دارید. در زمان کمبود شدید نیروی مستعد هوش مصنوعی، رویکرد داده‌محور این امکان را ایجاد می‌کند که بسیاری از کارشناسانی که در زمینه موردنظر، دانش بالایی از صنعت خود دارند، در توسعه سیستم هوش مصنوعی مشارکت کنند. به عنوان مثال، بیشتر کارخانه‌ها، کارگرانی دارند که در تشخیص تولیدات معیوب، مهارت بالایی دارند (آیا یک خراش 2/0 میلی‌متری، عیب محسوب می‌شود؟ یا اینکه به قدری کوچک است که می‌توان از آن چشم پوشید؟)

اگر انتظار داشته باشیم که هر کارخانه از کارکنان خود بخواهد به عنوان راه‌حل سفارشی موردنیاز کارخانه، یک نرم‌افزار هوش مصنوعی جدید ابداع کند، سرعت پیشرفت کند خواهد بود؛ اما در عوض، ابزارهایی می‌سازیم و ارائه می‌دهیم که به کارشناسان هر حوزه امکان می‌دهد داده‌ها را مهندسی کنند، به این صورت که به آن‌ها اجازه می‌دهیم دانش خود درباره تولید را در حین جمع‌آوری داده برای هوش مصنوعی، بروز دهند. این‌گونه احتمال موفقیت آن‌ها بسیار بیشتر خواهد بود.

نظام‌مند و تکرارپذیرکردنِ ساخت و استفاده از هوش مصنوعی

تغییر جهت به سمت توسعه داده‌محور هوش مصنوعی با حوزه نوظهور MLOps امکان‌پذیر شد. این حوزه ابزارهایی را فراهم می‌کند که ساخت، استقرار و نگهداری سیستم‌های هوش مصنوعی را راحت‌تر از قبل کرده است و به منظور کمک به تولید مجموعه‌داده‌های باکیفیت طراحی شده‌اند، به‌ویژه اینکه کلید رسیدگی به چالش‌های مجموعه‌داده‌های کوچک، هزینه بالای سفارشی‌سازی و مسیر طولانی تبدیل پروژه هوش مصنوعی به محصول را که در بالا ذکر شد، در دست دارند.

چگونه؟ اول اینکه تضمین کیفیت بالای داده‌ها به این معناست که سیستم‌های هوش مصنوعی می‌توانند از مجموعه‌داده‌های کوچک‌تر موجود در بیشتر صنایع، بیاموزند. دوم، با محقق‌ کردن امکان مهندسی داده‌ها برای کارشناسان هر حوزه کاری به جای کارشناسان هوش مصنوعی، امکان استفاده از هوش مصنوعی در تمام صنایع، قابل‌دسترس‌تر خواهد شد. سوم، سامانه‌های MLOps بیشتر نرم‌افزارهای پشتیبان موردنیاز برای تولید سیستم هوش مصنوعی را فراهم می‌کنند و بنابراین، دیگر نیازی نیست که تیم‌ها این نرم‌افزارها را توسعه دهند. این امر به تیم‌ها امکان می‌دهد که سیستم‌های هوش‌مصنوعی را مستقر کنند و فاصله بین اثبات مفهوم و تولید را از چندین سال به چند ماه یا چند هفته، کاهش دهند.

اکثر پروژه‌های هوش مصنوعی ارزشمند هنوز در حد تصور هستند. حتی در خصوص پروژه‌هایی که هم‌اکنون تیم‌ها در حال کار بر روی آن‌ها هستند نیز، شکافی که منجر به استقرار تولید می‌شود باید پر شود؛ در واقع Accenture تخمین می‌زند که 80 تا 85 درصد از پروژه‌های هوش مصنوعی شرکت‌ها هنوز در مرحله اثبات مفهوم هستند.

در ادامه چند کار که شرکت‌ها می‌توانند در مرحله فعلی انجام دهند، فهرست شده است:

1- به جای تمرکز بر کمیت داده‌هایی که جمع‌آوری می‌کنید، کیفیت را نیز در نظر بگیرید و اطمینان حاصل کنید که داده‌ها نمایانگر مفاهیمی باشند که هوش مصنوعی باید بیاموزد.

2- مطمئن شوید که تیم‌ها، به جای رویکرد نرم‌افزار محور، رویکرد داده‌محور بر می‌گزیند. بسیاری از مهندسان هوش مصنوعی، که بسیاری از آنان پیشینه تحصیلی یا پژوهشی قوی‌ای دارند، برای اتخاذ رویکردهای نرم‌افزارمحور آموزش دیده‌اند؛ آن‌ها را مجبور کنید که روش‌های داده‌محور را نیز انتخاب کنند.

3- در هر پروژه هوش مصنوعی‌ای که قصد تولید آن را دارید، اطمینان حاصل کنید که برای فرایند استقرار نیز برنامه‌ دارید و ابزارهایMLOps  را برای پشتیبانی از آن فراهم کنید. به عنوان مثال، حتی هنگام ساخت سیستم اثبات مفهوم، تیم‌ها را وادار کنید که برنامه بلندمدت‌تری را برای مدیریت داده، استقرار و بازرسی و نگهداری سیستم هوش مصنوعی توسعه دهند.

ممکن است که هوش مصنوعی خارج از کسب‌وکارهای اینترنتی مصرف‌کننده غنی از داده نیز شکوفا شود؛ اما هنوز باید در صنایع دیگر جا بیفتد. به همین دلیل، ممکن است که بزرگ‌ترین فرصت استفاده‌نشده هوش مصنوعی در همین صنایع باشد. همان‌طور که الکتریسیته تمام صنایع را متحول کرد، هوش مصنوعی نیز در همان مسیر است؛ اما گام‌های بعدی این مسیر نیازمند تغییر دستورالعمل ما در ساخت و استقرار سیستم‌های هوش مصنوعی است. خصوصاً نگرش جدید داده‌محور به همراه ابزارهای MLOps  که به کارشناسان حوزه صنعت امکان می‌دهد در ایجاد، استقرار و نگهداری سیستم‌های هوش مصنوعی مشارکت کنند، تضمین خواهد کرد که تمام صنایع می‌توانند از مزایای هوش مصنوعی بهره ببرند.

میانگین امتیاز / 5. تعداد ارا :

مطالب پیشنهادی مرتبط

اشتراک در
اطلاع از
0 نظرات
بازخورد (Feedback) های اینلاین
مشاهده همه دیدگاه ها
[wpforms id="48325"]