یک استراتژی هوش مصنوعی موفق بسازید

در عصر حاضر که دوره فناوری‌های نوین و الگوریتم‌‌‌های پیچیده است، هوش مصنوعی می‌تواند الهام‌بخش هر صنعت باشد. حجم انبوهی از فناوری‌ها در تحول دیجیتالی سازمان‌ها نقش اساسی دارند، اما فناوری هوش مصنوعی احتمالا یکی از آن فناوری‌‌هایی است که بیشترین موفقیت را تا امروز به همراه داشته است. از استارتاپ‌‌‌های کوچک گرفته تا شرکت‌‌‌های با تکنولوژی بالا و صنایع پرمصرف، تیم‌ها با شور و هیجان روی استراتژی هوش مصنوعی خودکار می‌‌‌کنند. با این توضیحات، یک سوال مهم و پرمخاطب پررنگ‌تر می‌‌‌شود:  چگونه از یادگیری ماشین و هوش مصنوعی به طور موثر استفاده کنیم؟

استراتژی هوش مصنوعی را از کجا شروع کنیم؟

دقیقاً به دنبال چه هستید؟ آیا می‌‌‌خواهید فرایندهای داخلی بهتری داشته باشید؟ آیا به دنبال بهبود تجربه مشتری هستید؟ آیا ویژگی‌‌هایی در محصول شما وجود دارد که می‌‌‌تواند از هوش مصنوعی بهره‌مند شود یا آیا به فناوری‌‌‌های بیشتری برای طراحی محصول نیاز دارید؟ آیا وظایف خاصی وجود دارد که تکراری، مستعد خطا و اساساً خسته‌کننده باشد، یا وظایفی وجود دارد که با واگذاری آن‌ها به ربات هوشمند، کارمندان شما را کارآمدتر کند؟ هوش مصنوعی ابزاری است که می‌‌‌تواند در همه این موارد به شما کمک کند. اما برای دستیابی به موفقیت، یک استراتژی هوش مصنوعی باید بخشی از یک طرح کلی تجاری باشد. خواه در حال بهبود کسب‌وکار فعلی خود باشید و یا در حال ایجاد کسب‌وکار جدید، هوش مصنوعی باید در خدمت برنامه تجاری شما باشد، نه برعکس.

پیش‌نیازهای یک استراتژی هوش مصنوعی

به‌‌کارگیری فناوری‌‌‌های هوش مصنوعی برای شرکت‌ها به‌منظور استفاده بیشتر از داده‌هایشان یک مساله است و چگونگی انجام این کار داستان دیگری است. شرکت‌ها باید یک استراتژی هوش مصنوعی سازمان‌یافته و با برنامه‌ریزی متناسب با اهداف کل شرکت را تنظیم و اجرا کنند. بررسی محققان و صاحب نظران این عرصه، نشان می‌‌‌دهد استراتژی هوش مصنوعی شما برای موفقیت به گذر از چهار مرحله نیاز دارد:

1. اطمینان یابید که اهداف تجاری و استراتژی هوش مصنوعی با یکدیگر هماهنگ شده‌اند

قبل از تدوین استراتژی هوش مصنوعی، ابتدا باید اهداف تجاری خود را مشخص کنید؛ مثلا اگر هدف سازمان بهبود بهره‌وری در محل کار است، باید بسیاری از مزایای هوش مصنوعی و چگونگی همسویی آن با اهداف سازمان خود را در نظر داشته باشید. مزایای هوش مصنوعی اتمام سریع‌تر کار، بهبود کیفیت کار و اتوماسیون هوشمند و خودکار کارهای معمول و روتین است.

توصیه‌‌ای که در این زمینه وجود دارد این است که از استراتژی و منابع هوش مصنوعی خود برای دستیابی به موفقیت بلندمدت و مزیت رقابتی استفاده کنید.

2. مجموعه داده‌‌‌های خود را غنی‌تر کنید

مجموعه داده‌‌‌های غنی کلید اجرای استراتژی بهینه است. شما باید فراتر از قدرت محاسبه و یادگیری یک ماشین فکر کنید، زیرا بیشترین مزیت رقابتی در داده‌ها است، خواه این داده‌‌‌ها انحصاری باشند یا از منابع دیگر جمع‌آوری شده باشند. در واقع مطمئن شوید که با داده‌‌‌های با کیفیت بالا کار می‌‌‌کنید و همچنین به یاد داشته باشید که پیروی از دستورالعمل‌‌‌های امنیت سایبری برای محافظت از اطلاعات خصوصی و محافظت از داده‌‌‌های شخص ثالث بسیار مهم است.

3. فرایندهای تجاری را به‌روزرسانی کنید

شرکت‌‌‌های با سابقه برای اجرای موفقیت‌‌آمیز استراتژی هوش مصنوعی خود باید تمام فرایندهای تجاری خود را به‌روزرسانی کنند. بدین منظور، موارد زیر را در نظر بگیرید:

– اطمینان حاصل کنید که شرکت شما تمام فرایندهای موجود در سیستم و نه فقط یک فرایند را به‌روز می‌‌‌کند. از این طریق، شما می‌‌‌توانید ارزش واقعی سازمان را به دست آورید.

– تغییرات سازمانی را ترویج دهید. کارکنان موجود را برای حمایت از ابتکارات استراتژیک بیشتر و پرکردن شکاف‌‌‌های مهارتی مجدداً به‌کار بگیرید. اگر برنامه‌ای مبنی بر تشکیل تیم هوش مصنوعی دارید، اطمینان حاصل کنید که افرادی که در این تیم جای می‌‌‌گیرند، درک درستی از هوش مصنوعی و داده‌ها و ماموریت‌‌‌های برنامه‌نویسان داشته باشند و بتوانند با آن‌ها کار کنند.

– اگر خرید هوش مصنوعی به عنوان نوعی خدمات از شرکت‌‌‌های موجود در بازار را در برنامه دارید، حریم خصوصی داده‌‌‌های خود را در نظر داشته باشید و از آن محافظت کنید.

4. اخلاق را مد نظر قرار دهید

هوش مصنوعی هم مانند همه فناوری‌‌ها، پتانسیل سوءاستفاده را دارد. اساساً، هوش مصنوعی می‌‌‌تواند گرایش‌‌‌های اخلاقی را از نیروهای انسانی که وظیفه توسعه آن را به عهده داشته‌اند، به ارث ببرد. موارد سوگیری در زمینه‌‌‌های متعددی یافت می‌‌‌شود؛ از جمله در فرایند جستجوی تصویر، به‌کارگیری نرم‌افزار، جستجوی اطلاعات مالی و موارد دیگر. به همین دلیل است که اخلاق باید بخشی از استراتژی هوش مصنوعی شما باشد.

هرم سلسله مراتب نیازهای علوم داده برای ایجاد استراتژی هوش مصنوعی

در بیشتر موارد، شرکت‌ها در ساخت راه‌حل‌‌‌های هوش مصنوعی موفق نیستند. شاید به دلیل دانش ناکافی در زمینه علوم داده، یا شاید اولین دانشمند داده آن‌ها فاقد توانایی لازم برای مواجهه با آن بوده باشد. اما رایج‌‌ترین سناریو و آنچه مشاوران یادگیری ماشین می‌‌‌گویند، آماده‌نبودن زیرساخت‌ها برای اجرای عملیات و الگوریتم‌‌‌های علوم داده یا هوش مصنوعی است. برای پیاده‌سازی و بهره‌مندی از مزایای واقعی هوش مصنوعی، شرکت‌ها در مرحله اول باید نیازهای اساسی مانند سواد داده و جمع‌آوری داده‌ها را برطرف کنند. در هرم زیر که حاصل یافته‌‌‌های مشاوران علوم داده است، سلسله مراتب نیازهای روانشناختی مازلو برای ایجاد یک استراتژی هوش مصنوعی به نمایش درآمده است. هوش مصنوعی را به عنوان بالاترین سطح در نظر بگیرید. در سطوح پایین‌تر، همه نیازهای اساسی که باید در ابتدا برآورده شوند، آمده است. این بدان معنا است که در هر سطح از این هرم، پیچیدگی الگوریتم دستیابی به نیازهای سطح بالا به طرز چشمگیری افزایش می‌‌‌یابد.

در اینجا گام‌های مورد نیاز سازمان برای راه‌اندازی یک سیستم قابل اعتماد مهندسی داده برای پیاده‌سازی موفقیت‌آمیز هوش مصنوعی ذکر شده است.

جمع‌آوری داده‌ها؛ اولین نیاز استراتژی هوش مصنوعی

اولین نیاز مقدماتی برای چیدن برنامه بهینه، جمع‌‌آوری داده‌ها است. چه داده‌‌هایی از سنسورها، دستگاه‌‌ها، سیستم‌‌‌های ثبت اطلاعات یا ماشین‌ها جمع‌آوری می‌‌‌شوند؟ چگونه این فرایند اتفاق می‌‌‌افتد؟ چه داده‌‌هایی برای تجزیه و تحلیل موجود است؟ به هر حال، این مجموعه داده‌ی مناسب است که می‌‌‌تواند به پیشرفت در یادگیری ماشین کمک کند. پس برای ایجاد یک استراتژی موفق هوش مصنوعی، باید یک جریان اثربخش برای جمع‌‌آوری اطلاعات وجود داشته باشد.

جریان داده؛ انتقال و ذخیره‌سازی

دومین نیاز این است که فرایند استخراج، پالایش و بارگذاری اطلاعات و زیرساخت پیاده‌سازی فناوری، یک ساختار قابل اعتماد و مقیاس‌پذیر داشته باشد. این درواقع پاسخی است به سوالاتی از قبیل: داده‌ها را در کجا ذخیره می‌‌‌کنید و چگونه در سیستم جریان می‌‌‌یابد؟ دسترسی به آن داده‌ها چقدر آسان است و آیا داده‌‌‌های ساختار یافته و غیرساختاری را برای تجزیه و تحلیل کنترل می‌‌‌کنید؟

کاوش کنید و تغییر دهید

اما برای غربالگری اقیانوس وسیع داده‌ها و کسب بینش و اطلاعات جامع، به متخصصانی نیاز است که بتوانند با هر نوع داده‌‌ای سر و کار داشته باشند. این همان جایی است که دانش داده و دانشمندان داده وارد می‌‌‌شوند. علم داده شامل روش‌‌‌های علمی، فرایندها و سیستم‌‌هایی است که می‌‌‌تواند بینش مورد نیاز را ایجاد کند. این یک دانش میان‌رشته‌‌ای با مفاهیم مشترک از آمار و تجزیه و تحلیل داده‌ها است. دانشمندان داده با استفاده از روش‌‌‌های علمی، دیتای جمع‌‌آوری شده را پاکسازی می‌‌‌کنند، ناهنجاری‌ها را از بین می‌‌‌برند و اطلاعات را برای پردازش بیشتر آماده می‌‌‌کنند.

تجمیع و برچسب‌گذاری کنید

در این مرحله، دانشمندان داده برای شناسایی الگوها باید از تکنیک‌‌‌های مختلف تجزیه و تحلیل مانند خوشه‌بندی، ماشین‌‌‌های بردار پشتیبانی و… استفاده کنند. سپس داده‌ها را می‌‌‌توان به عنوان مجموعه‌‌ای از ویژگی‌ها که به بهترین شکل پدیده‌ها را به نمایش می‌گذارند، تقسیم و تجمیع کرد. آن‌ها باید با تولید برچسب‌‌ها، داده‌‌‌های آموزشی مورد نیاز برای یادگیری ماشین را آماده کنند.

بیاموزید و بهینه کنید

در این سطح، باید یک چارچوب آزمایش A/B برای استقرار الگوریتم‌‌‌های ساده یادگیری ماشین وجود داشته باشد. از آنجا که این فرایند تدریجی است، باید به‌طور مداوم تکرار شود، تا زمانی که نتایج رضایت‌بخش باشد. این چرخه همچنین به شما کمک می‌‌‌کند تا از داده‌‌‌های آموزشی، ویژگی‌هایی را فراگیرید و برای طبقه‌بندی و بهینه‌سازی صحیح داده‌‌‌های جدید استفاده کنید.

همه نیازهای هوش مصنوعی تامین شده است

سرانجام، پس از برآوردن تمام نیازها، مرحله توسعه سیستم‌‌‌های هوش مصنوعی فراهم می‌‌‌شود. این آخرین مرحله برای ایجاد یک استراتژی موفقیت‌‌‌آمیز هوش مصنوعی خواهد بود. اکنون که داده‌ها مرتب و پاکسازی شده‌اند، شما برچسب‌ها و داشبوردها و ETL را در اختیار دارید و می‌توانید از همه این موارد برای سنجش الگوریتم یادگیری ماشین استفاده کنید. این الگوریتم در واقع همان چیزی است که هوش مصنوعی از آن برای یادگیری عمیق استفاده می‌کند.

قبل از ادامه کار باید چه چیزی را بفهمم؟

هوش مصنوعی می‌‌‌تواند کارهای شگفت‌انگیزی انجام دهد. اما قبل از اینکه تیم شما بتواند از آن برای انجام کارهای خارق‌العاده استفاده کند، باید واقع‌بینانه به آن نگاه کنید و چالش‌‌‌های آن را درک کنید. به عنوان مثال، هوش مصنوعی در بحث طبقه‌بندی و برچسب‌گذاری تصاویر بسیار خوب عمل می‌کند، اما واقعاً نمی‌تواند چیزهای زیادی را درباره آنچه در این تصاویر وجود دارد، به شما بگوید. از نظر تجاری، یک برنامه هوش مصنوعی ممکن است به شما بگوید آیا کاربران با دیدن طراحی محصول جدید خوشحال به نظر می‌‌‌رسند یا خیر، اما نمی‌تواند به سوالات جامع‌تری مانند موفقیت محصول شما پاسخ دهد.

حالا چگونه هوش مصنوعی را تعریف می‌‌‌کنید؟

وبلاگ‌ها و مقالات بسیاری درباره تعریف هوش مصنوعی و یادگیری ماشین وجود دارد. به نظر می‌‌‌رسد همه تعاریف به نوعی گسسته به نظر برسند، اما همه آن‌ها با هم همپوشانی دارند. منظور از همپوشانی این است که وقتی شما به طور مثال، فرایندی را خودکار می‌‌‌کنید، مهم نیست از چه روشی برای خودکارسازی آن فرایند استفاده می‌‌‌کنید. هر چه هست، در نهایت یک تکنیک قدیمی‌تر یا ساده‌تر یا یک شبکه عصبی است؛ اما در نهایت همه آن روش‌ها به خودکارسازی آن فرایند می‌انجامد.

با این حال، هنوز هم نیاز به یک تعریف جامع از هوش مصنوعی داریم. هوش مصنوعی با خروجی خود شناخته می‌‌‌شود که نیازی به وابستگی خاص به ورودی یا الگوریتم ندارد، بلکه بیشتر به آن فرایند آموزشی بستگی دارد که روبات می‌‌‌آموزد چگونه وظیفه خود را انجام دهد. درواقع آموزش همان چیزی است که هوش مصنوعی را از تجزیه و تحلیل داده‌ها و سایر برنامه‌‌‌های نرم‌افزاری سنتی متمایز می‌‌‌کند.

هوش مصنوعی چه کاری را خیلی خوب انجام می‌‌‌دهد؟

هوش مصنوعی در حل مشکلات خاص و کاملاً مشخص عالی است. به اتومبیل‌‌‌های خودران فکر کنید. رانندگی با ماشین ممکن است یک مسئله خاص و کاملاً مشخص به نظر نرسد، اما می‌‌‌توان آن را به مشکلات خاص و کاملاً مشخصی مانند شناسایی علائم و نشانه‌‌‌های جاده، تشخیص سایر وسایل نقلیه و عابران پیاده، برنامه‌ریزی برای طی مسیر، شناسایی موانع، مدیریت ترمزها، تشخیص لغزش‌ها و غیره تقسیم کرد. حل هیچ‌یک از این مسائل آسان نیست، اما غیرقابل‌حل هم نیست. تنها کاری که باید کرد این است که یک مسئله بزرگ را به مشکلات قابل‌حل و کوچک‌تر تقسیم کنید. این همان فرایند مهندسی است.

از هوش مصنوعی می‌‌‌توان به طور موثر برای کمک و تقویت نیروی انسان استفاده کرد، نه این‌که جایگزین انسان شود. شرکت‌هایی که ماشین‌های هوشمند را فقط ابزاری برای کاهش هزینه تلقی می‌‌‌کنند، احتمالاً به بیراهه رفته‌اند. هوش مصنوعی قسمت‌های تکراری و کسل‌کننده کار را به عهده می‌‌‌گیرد، اما این همیشه به این معنا نیست که به کارکنان کمتری احتیاج دارید. در حقیقت، شما با داشتن هوش مصنوعی، به کارمندانی با آموزش بیشتر نیاز دارید تا در قسمت‌‌‌های خلاقانه‌تر به ایفای نقش بپردازند. چرا که بخش‌های خسته‌کننده و روتین کار را هوش مصنوعی به عهده خواهد گرفت.

چه چیزی پذیرش هوش مصنوعی را بسیار سخت می‌‌‌کند؟

محصولات هوش مصنوعی از جنس داده و اطلاعات اند. برای آموزش‌دادن به هوش مصنوعی شما به داده‌‌‌های زیادی نیاز دارید؛ آن هم داده‌‌‌های معتبر و ارزشمند. اگر داده‌هایی که در سازمان دارید قابل اعتماد و مستحکم نیست، متاسفانه بعید است آن اطلاعات به درد کارتان بخورد. شما باید منابع داده را شناسایی کنید، خطوط لوله داده بسازید، داده‌ها را پاکسازی و آماده کنید، سیگنال‌‌‌های احتمالی داده‌‌‌های خود را شناسایی کنید و نتایج را بسنجید. سازمان‌‌هایی که با هوش مصنوعی شکوفا می‌‌‌شوند در روش‌های استراتژیک جمع‌آوری داده مهارت پیدا می‌‌‌کنند. آن‌ها فقط داده نخواهند داشت. آن‌ها درک خواهند کرد که از کجا و چگونه می‌‌‌توان دیتای بیشتری به‌دست آورد. در حال حاضر بیشتر شرکت‌هایی که ادعای هوش مصنوعی دارند، حتی اگر واقعا باور داشته باشند که چنین هستند، روش درستی برای جمع‌آوری داده‌‌‌ها ندارند. پس به عنوان بخشی از استراتژی هوش مصنوعی خود، همواره نگاهی دقیق و حتی شکاکانه به روش‌های فعلی استفاده از داده‌ها داشته باشید.

آیا برای هوش مصنوعی آماده هستید؟

بیشتر اوقات، شرکت‌ها برای هوش مصنوعی آماده نیستند. شاید به این دلیل که دانش مربوط به داده در فرهنگ آن سازمان‌ها وجود ندارد، یا شاید اولین مهندس داده خود را برای نتایج کمتر از حد عالی استخدام کرده باشند. اما معمول‌‌ترین دلیل این است که اکثر شرکت‎ها هنوز زیرساخت‌‌‌های لازم برای استقرار و استفاده از مزایای ساده‌‌ترین عملیات علوم داده و الگوریتم‌‌ها را ایجاد نکرده‌اند.

استخدام استعدادها یا آموزش کارکنان برای استقرار استراتژی هوش مصنوعی؟

هوش مصنوعی به طور کلی سه بخش دارد. رویکرد: تولید داده، تفسیر آن داده و قضاوت درباره آن داده. با توجه به این نکته، یک تیم هوش مصنوعی حداقل به سه نقش جداگانه نیاز دارد: یک مهندس داده برای سازماندهی این اطلاعات، یک دانشمند داده که این اطلاعات را بررسی می‌‌‌کند و یک مهندس نرم‎افزار که برنامه‌ها را پیاده‌سازی می‌‌‌کند.

وقتی نوبت به جذب محققان، دانشمندان داده و مهندسان باتجربه نرم‌افزار برای ساخت نرم‌افزارهای هوش مصنوعی می‌رسد، فرایند استخدام می‌‌‌تواند بسیار دشوارتر شود. برای موفقیت در این مرحله، یا مجبورید روش‌های کوتاه و پرهزینه را برای جذب متخصصان حرفه‌ای در پیش گیرید، یا یک مسیر طولانی‌مدت را طی کنید و با آموزش مهندسینی که در اختیار دارید، روی توسعه از پایین به بالا و بلندمدت کار کنید. گاهی اوقات این روش دوم حتی سریع‌تر از جذب استعدادهای خارج از سازمان شما را به نتیجه می‎رساند، زیرا استخدام‌‌‌های جدید اغلب جواب نمی دهند.

آموزش؛ وجه جدایی‌ناپذیر یک هوش مصنوعی موفق

در حال حاضر، پروژه‌‌‌های هوش مصنوعی قبل از انجام هر کار مفیدی، باید آموزش ببینند. منظور از آموزش، اجرای برنامه روی بخشی از داده‌‌‌های شناخته‌شده است تا از این طریق، خود برنامه بتواند به یک مدل یادگیری دست یابد. به عبارت دیگر، محدودیت‌‌‌های داخلی را به طور مداوم تغییر دهید تا نتایج رضایت‌بخشی در داده‌‌‌های آزمون شما حاصل شود. پس از آن، نتیجه را روی مجموعه‌‌ای دیگر از داده‌‌‌های آزمون که قبلا مشاهده نکرده است، اجرا می‌‌‌کنید تا بفهمید که آیا نتایج مناسب‌اند یا نه. آموزش در کنار نوشتن و اشکال‌‌زدایی نرم‌افزار نتیجه می‌‌‌دهد. این امکان هم وجود دارد که بیشتر از توسعه نرم‌افزار، برای آموزش وقت بیشتری گذاشته شود. اگر در حال برنامه ریزی برای یک پروژه هوش مصنوعی هستید، زمان آموزش را نیز در نظر بگیرید.

همچنین باید بدانید چگونه فرایند آموزش ممکن است اشتباه انجام شود. اگر صددرصد دقت در داده‌‌‌های آموزش داشته باشید، برنامه شما احتمالاً داده‌‌‌های آموزش را به خاطر سپرده است و احتمالاً عملکرد بسیار خوبی روی داده‌‌‌های دنیای واقعی دارد. از طرف دیگر، اگر برنامه شما در داده‌‌‌های آموزش صددرصد دقیق نباشد، هرگز در داده‌‌‌های دنیای واقعی صددرصد دقیق نخواهد بود. و این اتفاق خیلی بدی است.

سرانجام، اینکه فکر کنید فرایند آموزش فقط یک بار اتفاق می افتد و تمام، ساده‌انگاری است. این‌طور نیست که با یک بار آموزش، این مرحله به پایان برسد و این نیاز برای همیشه برآورده شود. شرایط کسب‌وکار تغییر می‌‌‌کند، مشتریان تغییر می‌‌‌کنند، محصولات تغییر می‌‌‌کنند، همه این تغییرات در محیط شما می‌‌‌تواند بر برنامه شما تأثیر بگذارد. در نتیجه، کیفیت عملکرد شما به مرور زمان کاهش می‌‌‌یابد، حتی اگر متوجه آن نشوید. اگر در حال حاضر روی یک پروژه هوش مصنوعی برنامه‌ریزی می‌کنید، باید به آموزش به عنوان یک فرایند طولانی مدت و مداوم فکر کنید.

نتیجه؛ شروع پروژه با استراتژی هدفمند و تاثیرگذار

آیا توانایی ورود به دنیای پرسرعت هوش مصنوعی را دارید؟ حتما تا اکنون دریافته‌اید که نمی‌توانید بدون برنامه دست‌به‌کار شوید. پس قبل از پا گذاشتن به این میسر، نقشه راه را برای خود ترسیم کنید. نگاه به هوش مصنوعی به عنوان یک رشته جادویی که باعث بهترشدن همه امور می‌‌‌شود، اشتباهات پرهزینه‌‌ای را به دنبال دارد. در این عرصه همواره متوجه باشید که دارید چه کار می‌‌‌کنید، چرا این کار را می‌‌‌کنید و محدودیت‌‌هایی که در پیش دارید را بشناسید؛ هم محدودیت‌‌‌های هوش مصنوعی را و هم محدودیت‌‌‌های سازمان‌تان را در نظر داشته باشید.

سرانجام، اگر چالش‌‌‌های هوش مصنوعی شما را به فکر فرو برده است، استراتژی هوش مصنوعی خود را شروع کنید. هوش مصنوعی چالش‌‌‌های بزرگی را به وجود می‌‌‌آورد، اما همه این‌ها چالش‌هایی است که می‌‌‌توانید از پس آن‌ها برآیید، مشروط بر اینکه پروژه خود را بدون استراتژی شروع نکرده باشید. یک تیم داده خوب بسازید و روش‌های اثربخش برای کار با داده‌ها ایجاد کنید. زمان کافی برای آموزش تیم اختصاص دهید. از مشکلاتی که در این مسیر با آن روبه‌رو می‌‌‌شوید آگاه باشید و همواره به یاد داشته باشید، هیچ جنبه جادویی درباره عملکرد هوش مصنوعی وجود ندارد و بدون داشتن یک استراتژی جامع هوش مصنوعی، مشکلات و اشتباهات به آسانی پدیدار می‌شوند.