۱۲ مورد از چالش ‌های هوش مصنوعی که با آن‌ها مواجه خواهید شد

شرکت‌ها برای ورود به دنیای هوش مصنوعی با چه چالش‌هایی روبه‌رو می‌شوند؟

همان‌طور که در بالا گفته شد، مشکلات اصلی در این زمینه به‌طور معمول مربوط به افراد، داده‌ها و تطابق پیدا کردن کسب‌وکارها است. شرکت‌ها با یک‌دیگر متفاوتند و درنتیجه تجربه‌ای که از به‌کارگیری هوش مصنوعی خواهند داشت نیز متفاوت با دیگری است، اما موانعی هستند که بر سر راه همه قرار می‌گیرند و باید از آن‌ها آگاه بود. در این مقاله، ما تعدادی از متداول‌ترین چالش‌هایی که شرکت‌ها در مسیر به‌کارگیری هوش مصنوعی با آن‌ها مواجه خواهند شد را معرفی خواهیم کرد و راه‌هایی برای مقابله با این چالش‌ها نیز به شما پیشنهاد خواهیم کرد. مواردی که در این مقاله مطرح خواهند شد، عبارتند از:

• داده‌ها
۱. کیفیت و کمیت داده‌ها
۲. تخصیص برچسب به داده‌ها
۳. قابلیت توضیح و تفسیر نتایج
۴. یادگیری موضوعی
۵. سوگیری
۶. مقابله با خطاهای مدل

• افراد
۷. اطلاعات محدود کارمندان غیر فنی در حوزه هوش مصنوعی
۸. کمبود متخصص در حوزه هوش مصنوعی

• کسب‌وکار
۹. عدم تطابق کسب‌وکارها
۱۰. ارزیابی ارائه‌دهندگان
۱۱. چالش‌های یکپارچه‌سازی
۱۲. مسائل قانونی

داده‌ها

اغلب شرکت‌ها انتظار دارند که در زمینه داده‌ها با مشکل موجه شوند. همه می‌دانیم که عملکرد یک سیستم به داده‌هایی که به آن می‌دهیم، بستگی دارد. پیش‌تر در مقاله‌ای دیگر به مواردی که باید پیش از به‌کارگیری هوش مصنوعی درنظر گرفت، اشاره کردیم، اما از آن‌جا که داده‌ها عنصر کلیدی راه‌حل‌های مبتنی بر هوش مصنوعی هستند، در ادامه برخی از مشکلات مربوط به این حوزه را مرور خواهیم کرد.

۱. کیفیت و کمیت داده‌ها

چنان‌که در بالا نیز گفته شد، کیفیت و عملکرد سیستم به شدت به داده‌هایی که به آن می‌دهیم، بستگی دارد. سیستم‌های هوش مصنوعی به دیتاست‌های آموزشی بزرگ نیاز دارند. هوش مصنوعی برای یادگیری از اطلاعات موجود استفاده می‌کند. فرآیند یادگیری در هوش مصنوعی بسیار شبیه به انسان‌ها است، اما این فن‌آوری برای تشخیص الگوها به داده‌های بیشتری نیاز دارد. ما انسان‌ها در انجام کارهایی که تجربه بیشتری در آن‌ها داریم، بهتر عمل می‌کنیم، بنابراین این موضوع که هوش مصنوعی برای یادگیری به حجم زیادی از داده‌ها نیاز دارد نیز منطقی به‌نظر می‌رسد. تفاوت دیگر هوش مصنوعی با انسان در سرعت پردازش و تحلیل اطلاعات است. هوش مصنوعی در زمینه تحلیل داده‌ها چنان سریع است که انسان حتی در خواب هم نمی‌تواند به گرد پای آن برسد. بنابراین، هرچه داده‌هایی که به هوش مصنوعی می‌دهید، با کیفیت‌تر باشند، نتیجه بهتری خواهید گرفت.
چطور می‌توان بر مشکلات مربوط به داده‌ها غلبه کرد؟ اول از همه، باید از محتوای داده‌هایی که دارید، آگاه باشید و بعد، آن‌ها را با داده‌هایی که موردنیاز مدل‌تان هستند، مقایسه کنید. به منظور تشخیص داده‌های موردنیاز یک مدل، باید شناخت کاملی از آن مدل داشته باشید. فهرستی از انواع داده‌های موردنیازتان تهیه کنید و از خود بپرسید، این داده‌ها ساختاریافته‌اند یا ساختارنیافته؟ داده‌هایی که جمع‌آوری کرده‌اید در مورد مشتریان‌تان است یا جمعیت‌شناسی یا تاریخچه خرید یا تعاملات آنلاین افراد؟ وقتی داده‌های موجود را بشناسید، متوجه خواهید شد که به چه داده‌های دیگری نیاز دارید.
سایر داده‌های موردنیاز شما ممکن است اطلاعاتی باشند که در دسترس عموم قرار دارند، در این صورت، سیستم نیز می‌تواند به راحتی به آن‌ها دسترسی پیدا کند. اما ممکن است مجبور باشید برخی از داده‌های موردنیاز خود را از اشخاص ثالث خریداری نمایید. بااین‌حال، باز هم دسترسی یافتن به بعضی از داده‌ها دشوار است. برای مثال، به‌دست آوردن داده‌های پزشکی که به کمک آن‌ها می‌توان تشخیص پزشکی دقیق‌تری ارائه داد، بسیار سخت است. متأسفانه، این یک حقیقت است و شما باید به آن آگاه باشید. در چنین مواردی می‌توان از داده‌های مصنوعی استفاده کرد. داده‌های مصنوعی داده‌های هستند که به دست انسان تولید می‌شوند. این داده‌ها ممکن است بر پایه داده‌های واقعی باشند یا از صفر تولید شوند. این کار زمانی انجام می‌شود که داده‌های موجود برای آموزش مدل کافی نباشند. روش‌های دیگر به‎دست‌آوردن داده‌های موردنیاز برای آموزش مدل، استفاده از داده‌های رایگان و کمک گرفتن از موتور جست‌وجوی دیتاست‌های گوگل است. به‌علاوه، می‌توانید از ربات‌های خودکار برای جمع‌آوری داده‌هایی که دردسترس عموم قرار دارند، استفاده کنید. برای مثال، این ربات‌ها می‌توانند اطلاعاتی که در صفحات ویکی‌پدیا منتشر شده‌اند را برای شما جمع‌آوری کنند. وقتی از داده‌هایی که در دست دارید و داده‌های موردنیاز خود، آگاه باشید؛ می‌دانید که باید به سراغ کدام دیتاست‌ها بروید.

۲. تخصیص برچسب به داده‌ها

تا چند سال پیش، داده‌های ما اغلب ساختاریافته و متنی بودند، اما امروزه به لطف فناوری اینترنت اشیاء (IoT) بخش بزرگی از داده‌ها در قالب تصاویر و ویدیو در دسترس ما قرار می‌گیرند. این داده‌ها ذاتاً مشکلی ندارند، اما مسئله این‌ است که آموزش بسیاری از سیستم‌هایی که از فرآیندهای یادگیری ماشینی یا یادگیری عمیق استفاده می‌کنند، به‌صورت نظارت‌شده انجام میود و به همین دلیل، این سیستم‌ها نیازمند داده‌های برچسب‌دار هستند. این حقیقت که ما روزانه حجم زیادی داده تولید می‌کنیم، به این مسئله کمکی نمی‌کند. درواقع ما به جایی رسیده‌ایم که نیروی انسانی کافی برای برچسب زدن به داده‌هایی که تولید می‌شوند، نداریم. پایگاه‌های داده‌ای همچون ImageNet داده‌های برچسب‌دار به ما ارائه می‌دهند. این پایگاه داده‌ای حاوی بیش از ۱۴ میلیون تصویر است که همه آن‌ها به‌صورت دستی و توسط اعضای ImageNet تفسیر شده‌اند. متخصصین بینایی ماشین در برخی موارد می‌توانند داده‌های بهتری از داده‌های موجود در ImageNet پیدا کنند، اما از آن‌جا که داده‌های موجود در این پایگاه داده برچسب دارند، اغلب از همین داده‌ها استفاده می‌شود.
چندین روش برای تخصیص برچسب به داده‌ها وجود دارد. می‌توانید این کار را درون شرکت خود انجام دهید یا آن را به سازمان دیگری بسپارید، همچنین می‌توانید داده‌ها را به‌صورت دستی تفسیر کنید یا این کار را به کمک برنامه‌نویسی انجام دهید. هر یک از این روش‌ها مزایا و معایبی دارند که در جدول زیر ذکر شده‌اند.

۳. قابلیت توضیح و تفسیر نتایج

اغلب در مدل‌های «جعبه سیاه»، سیستم هیچ توضیح اضافه‌ای، یک نتیجه نهایی به شما ارائه می‌دهد. اگر نتیجه‌ای که سیستم ارائه می‌دهد با دانسته‌های پیشین شما و نتیجه موردانتظار شما هم‌پوشانی داشته باشد، سؤالی برای شما پیش نمی‌آید. اما اگر نتیجه نهایی متفاوت از دیدگاه شما باشد، چطور؟ در این حالت، قطعاً می‌خواهید بدانید که چرا چنین تصمیم و نتیجه‌ای گرفته شده است. از طرفی، در بسیاری از موارد، تصمیم سیستم به تنهایی کافی نیست. برای مثال، پزشکان نمی‌توانند در زمینه‌ای سلامتی بیماران خود، تنها به پیشنهادی که سیستم به آن‌ها می‌دهد، اکتفا کنند.

هدف پکیج LIME (local interpretable model-agnostic explanations) روشن‌سازی و توضیح نتایج مدل است. بدین ترتیب، اگر سیستم هوش مصنوعی بیماری فرد را آنفولانزا تشخیص دهد، این مدل داده‌هایی که منجر به ارائه این تشخیص شده‌اند را نیز به ما خواهد داد. برای مثال، این مدل می‌گوید نشانه‌هایی چون سردرد و آبریزش بینی منجر به چنین تشخیصی شده نه وزن و سن بیمار. هنگامی که ما از منطق پشت تصمیمات مدل اطلاع پیدا کنیم، می‌توانیم تصمیم بگیریم که تا چه حد به آن اعتماد کنیم.

۴. یادگیری موضوعی

ما انسان‌ها به کمک هوش خود می‌توانیم تجربیاتی که در یک حوزه مشخص کسب کرده‌ایم را به حوزه‌های دیگر تعمیم دهیم. این عمل با نام انتقال آموخته‌ها شناخته می‌شود. انسان قادر است آموخته‌ها و تجربیات خود در یک حوزه را در سایر زمینه‌ها نیز به‌کار بگیرد، اما هوش مصنوعی هنوز در انتقال تجربیاتی که تحت یک شرایط خاص کسب می‌کند، با مشکل مواجه است. از یک سو، این موضوع عادی است، چرا که ما می‌دانیم هوش مصنوعی یک سیستم تخصص‌یافته است، به این معنا که تنها برای انجام یک فعالیت مشخص طراحی می‌شود. بنابراین، از آن‌جا که هر الگوریتم هوش مصنوعی برای پاسخ به یک سؤال خاص طراحی شده، نباید از آن انتظار داشته باشیم که به دیگر سؤالات دشوار نیز پاسخ دهد. اما از سوی دیگر، تجربیاتی که هوش مصنوعی در حین انجام یک فعالیت مشخص کسب می‌کند، می‌تواند در زمان انجام یک فعالیت دیگر نیز مفید واقع شود. آیا می‌توان به جای طراحی یک مدل جدید برای انجام یک فعالیت، از تجربیات مدل قبلی استفاده کرد؟ انتقال آموخته‌ها فرآیندی است که این مهم را امکان‌پذیر می‌سازد. مدل‌های هوش مصنوعی به نحوی آموزش داده می‌شوند که بتوانند پس از انجام یک فعالیت، آموخته‌های خود را در انجام یک فعالیت مشابه اما غیرتکراری نیز به‌کار بگیرد. بدین ترتیب، می‌توانیم از مدلی که برای انجام فعالیت «الف» طراحی شده، به عنوان پیش‌نیاز مدلی که باید برای فعالیت «ب» طراحی شود، استفاده کنیم.

۵. سوگیری

سوگیری مسئله‌ای است که این روزها بسیار موردتوجه قرار گرفته است. هرازگاهی داستان رفتار متعصبانه هوش مصنوعی با زنان یا افراد رنگین پوست، سرتیتر روزنامه‌ها می‌شود. اما این سوگیری از کجا نشأت گرفته است؟ قطعاً هوش مصنوعی قصد بدی ندارد… یا شاید هم دارد؟
پاسخ منفی است. هوش مصنوعی قصد و منظور بدی ندارد. اگر فکر کنیم هوش مصنوعی چنین قابلیتی دارد، به این معناست که هوش مصنوعی را دارای اراده و قدرت انتخاب فرض کرده‌ایم. اما درواقع، تصمیمات هوش مصنوعی بر پایه داده‌ها و اطلاعاتی است که به آن داده شده و خود به تنهایی هیچ نظر و عقیده‌ای ندارد، بلکه از باورها و اعتقادات دیگران می‌آموزد و همین جاست که سوگیری‌ها شکل می‌گیرند.
سوگیری ممکن است دلایل مختلفی داشته باشد، اما منشاء اصلی آن، نحوه جمع‌آوری داده‌ها است. اگر پرسش‌نامه‌ای که برای جمع‌آوری داده طراحی کرده‌اید را در یک مجله به چاپ برسانید، جامعه نمونه شما محدود به مخاطبین آن مجله خواهد بود. در چنین مواردی، نمی‌توان دیتاست حاوی پاسخ‌ها را نماینده کل جامعه دانست.
یکی دیگر از عواملی می‌تواند منجر به سوگیری داده‌ها شود، نحوه بررسی آن‌هاست. وقتی افراد حاضر در نمونه از سیستم‌هایی استفاده می‌کنند که ویژگی‌های موردعلاقه آن‌ها را دارد، به این معناست که بسیاری از ویژگی‌های دیگر را نادیده گرفته و استفاده نمی‌کنند. در چنین مواردی، هوش مصنوعی نمی‌تواند درخصوص ویژگی‌هایی که کاربرد کمتری داشته‌اند، چیزی بیاموزد.
یک مورد دیگر را نیز باید به عنوان عامل چنین سوگیری‌های درنظر گرفت. مردم! مردم منشاء و سرچشمه داده‌ها هستند. این مردم کسانی هستند که دروغ می‌گویند و شایعه‌پراکنی می‌کنند. مدل هوش مصنوعی که شرکت آمازون برای استخدام کارمندان جدید طراحی کرده بود، درنهایت سوگیری‌های جنسیتی از خود نشان داد. از آن‌جا که نیروی کار بخش فنی این شرکت اکثراً مرد بودند، این سیستم آموخته بود که داوطلبان مرد برای این شغل مناسب‌ترند و به همین دلیل، به رزومه‌هایی که حاوی واژه «خانم» بودند و داوطلبانی که از دانشگاه‌های دخترانه قارغ‌التحصیل شده بودند، امتیاز منفی می‌داد.

۶. مقابله با خطاهای مدل

هوش مصنوعی از خطا و اشتباه مصون نیست. دروغ‌ها یا تعصبات انسانی به الگوریتم‌هایی که توسط او طراحی شده‌اند، نفوذ می‌کند و به ایجاد سوگیری در نتایج نهایی منجر می‌شوند. همان‌طور که پیش‌تر نیز گفتیم، دلایل زیادی برای ایجاد سوگیری در دیتاست‌ها وجود دارد. چنین مسائلی ممکن است درنهایت منجر به کاهش دقت نتایج ارائه شده توسط هوش مصنوعی شوند.
«استدلال اشتباه» یکی دیگر از خطاهای هوش مصنوعی است. با پیشرفته‌تر شدن سیستم‌های هوش مصنوعی، درک فرآیندهایی که درون شبکه اتفاق می‌افتند، سخت‌تر می‌شود. بنابراین، وقتی خطایی در سیستم هوش مصنوعی رخ می‌دهد، شناسایی دقیق منشاء آن خطا دشوار خواهد بود. حال درنظر بگیرید این خطا در سیستم یک اتومبیل خودران رخ دهد؛ اتومبیلی که می‌خواهد تصمیم بگیرد دور بزند یا یک انسان را زیر کند! خوش‌بختانه، دانشمندان آزمون جعبه سفید را برای سیستم‌های یادگیری عمیق طراحی کرده‌اند. در این روش، با دادن تعداد زیادی ورودی به یک شبکه عصبی، آن را مورد آزمایش قرار می‌دهیم و بدین ترتیب، می‌توانیم پاسخ‌های اشتباه آن را پیدا کرده و اصلاح کنیم.
اما آیا همه اشتباهات سیستم هوش مصنوعی تا این حد خطرناک هستند؟ پاسخ منفی است. اشتباهات هوش مصنوعی همیشه خطرناک نیستند. میزان خطر این اشتباهات به کارکرد سیستم بستگی دارد. وقتی سیستم هوش مصنوعی در امور مربوط به امنیت سایبری، امور نظامی و وسایل‌نقلیه به‌کار گرفته شود، اشتباهات آن اهمیت و خطر بیشتری خواهند داشت. اما وقتی سیستم از میان یک مرد و یک زن با توانایی‌ها مشابه، مرد را انتخاب کند، ما با یک مسئله اخلاقی روبه‌رو هستیم. البته برخی از این اشتباهات نیز بسیار ساده‌لوحانه هستند. برای مثال، در مقاله‌ای که در سال ۲۰۱۵ در مجله وایرد به چاپ رسید، به خطای یک سیستم هوش مصنوعی اشاره شده بود. وقتی به این سیستم هوش مصنوعی تصویری راه‌راه و زرد و مشکی نشان دادند، سیستم نتیجه گرفت که این تصویر یک اتوبوس مدرسه است و ۹۹% مطمئن بود که نتیجه‌گیری درستی ارائه داده است. اما حدس این سیستم در مورد آن تصویر کاملاً اشتباه بود.
بنابراین، برای اطمینان از این‌که خطاهای سیستم هوش مصنوعی که طراحی می‌کنیم، چندان مهم و حیاتی نیستند، باید ۲ موضوع را مدنظر قرار دهیم: کیفیت ورودی‌ها و انجام آزمون‌های مناسب.

افراد

۷. اطلاعات محدود کارمندان غیر فنی در حوزه هوش مصنوعی

به‌کارگیری فن‌آوری هوش مصنوعی نیازمند این است که مدیران سازمان درک عمیق‌تری از ماهیت کنونی فن‌آوری‌های مبتنی بر هوش مصنوعی و توانایی‌ها و محدودیت‌های آن داشته باشند. متأسفانه، امروزه افسانه‌ها هوش مصنوعی را احاطه کرده‌اند، از مسائل پیش‌پاافتاده‌ای چون تشکیل یک تیم متخصص داده (افراد متخصص در این حوزه اکثراً برای شرکت‌های فیس‌بوک، آمازون و گوگل کار می‌کنند، چطور می‌توان با این شرکت‌ها رقابت کرد؟) گرفته، تا افکار علمی-‌تخیلی درباره پایان زندگی انسان‌ها به دست ربات‌ها. در بسیاری از حوزه‌ها، نداشتن دانش و اطلاعات کافی درخصوص هوش مصنوعی مانع از به‌کارگیری این فن‌آوری شده است. یکی دیگر از اشتباهاتی که در اثر نداشتن درک درست از هوش مصنوعی رخ می‌دهد، تعیین اهداف غیرقابل‌درسترس و غیرممکن است.
برای پیدا کردن یک راه‌حل برای مشکلات و مسائل مروبط به کسب‌وکار، باید آموزش ببینید. شاید این موضوع انگیزه شما را از بین ببرد، اما منظور ما از آموزش دیدن، تبدیل شدن به یک دانشمند داده نیست. تنها کافی است کمی بیشتر با صنعتی که در آن فعالیت دارید، آشنا شوید، بازیگران اصلی آن صنعت را زیرنظر بگیرید و کاربردهایی که برای هوش مصنوعی تعریف کرده‌اند را بررسی کنید. به این ترتیب و با کسب اندکی دانش و شناخت قابلیت‌ها و محدودیت‌های هوش مصنوعی، مدیریت انتظارات آسان‌تر خواهد شد.

۸. کمبود متخصص در حوزه هوش مصنوعی

به‌منظور موفقیت در طراحی یک راه‌حل مبتنی بر هوش مصنوعی، شما باید علاوه بر دانش فنی، درک کافی از حوزه کسب‌وکار نیز داشته باشید. متأسفانه، اغلب افراد تنها در یکی از این حوزه‌ها دانش کافی دارند. به‌طورمعمول، مدیرعامل و سایر مدیران یک سازمان دانش فنی لازم برای به‌کارگیری هوش مصنوعی را ندارند و اکثر دانشمندان و متخصصین داده نیز علاقه‌ای به شناخت و بررسی کاربردهای مدل خود در دنیای واقعی ندارند. شمار متخصصان هوش مصنوعی که می‌دانند چگونه می‌توان یک فن‌آوری را در یک کسب‌وکار خاص به‌کار گفت، بسیار اندک است.
شرکت‌هایی که عضوی از گروه FAMGA (که متشکل از شرکت‌های فیس‌بوک، اپل، مایکروسافت، گوگل و آمازون است) نباشند، برای استخدام افراد با استعداد در این حوزه با مشکلات زیادی مواجهند و حتی اگر بتوانند یک تیم هوش مصنوعی در داخل سازمان خود تشکیل دهند، نمی‌توانند با اطمینان بگویند که افراد درستی را برای این تیم استخدام کرده‌اند. شما بدون داشتن دانش فنی کافی از هوش مصنوعی، نمی‌توانید کیفیت راه‌حل‌هایی که تیم هوش مصنوعی ارائه می‌دهند را ارزیابی کنید. شرکت‌های متوسط یا کوچک ممکن است به‌دلیل محدودیت منابع مالی، نتوانند راهی برای استفاده از هوش مصنوعی در سازمان خود پیدا کنند. البته، درحال‌حاضر برون‌سپاری و سپردن پروژه‌های هوش مصنوعی به تیم‌های متخصص داده در خارج از شرکت، گزینه مناسبی است.

کسب‌وکار

۹. عدم تطابق کسب‌وکارها

همان‌طور که در نمودار ابتدای این مقاله ملاحظه کردید، در فرهنگ شرکت‌ها چیزی به عنوان هوش مصنوعی تعریف نشده و شناسایی کاربردهای هوش مصنوعی در کسب‌وکارهای مختلف، یکی از بزرگ‌ترین موانع بر سر راه به‌کارگیری هوش مصنوعی است. مدیران کسب‌وکار برای شناسایی کاربردهای هوش مصنوعی در سازمان خود باید درک عمیقی از فن‌آوری‌های مبتنی بر هوش مصنوعی و توانایی‌ها و محدودیت‌های آن داشته باشند. نداشتن دانش و اطلاعات کافی درخصوص هوش مصنوعی مانع از به‌کارگیری این فن‌آوری در بسیاری از سازمان‌ها شده است.
اما مسئله دیگری نیز در این میان وجود دارد. برخی از شرکت‌ها با خوش‌بینی زیاد و بدون داشتن استراتژی روشن و دقیق، وارد عرصه هوش مصنوعی می‌شوند. استفاده و بهره‌برداری از هوش مصنوعی نیازمند داشتن رویکردی راهبردی، هدف‌گذاری دقیق، شناسایی شاخص‌های کلیدی عملکرد و تحت نظر گرفتن میزان بازگشت سرمایه است. در ‌صورت نادیده گرفتن هر یک از این موارد، نمی‌توانید نتایج حاصل از پروژه هوش مصنوعی خود را ارزیابی کنید، یا آن‌ها را با فروض ابتدایی خود مقایسه کنید و میزان موفقیت یا شکست خود در این سرمایه‌گذاری را بسنجید.

۱۰. ارزیابی ارائه‌دهندگان

همان‌طور که پیش‌تر و در موضوع استخدام متخصصین داده نیز گفتیم، اگر دانش فنی کافی درباره هوش مصنوعی نداشته باشید، به‌سادگی فریب می‌خورید. به‌کارگیری هوش مصنوعی در کسب‌وکار، یک عرصه نوظهور است که احتمال آسیب‌پذیری در آن بالاست، زیرا بسیاری از شرکت‌ها در بیان تجربیات و دست‌آوردهای خود غلو می‌کنند، درحالی‌که در واقعیت ممکن است اصلاً ندانند که چطور می‌توان از هوش مصنوعی در حل مسائل حوزه کسب‌وکار استفاده کرد. به این ترتیب، یکی از راه‌هایی که برای شناسایی رهبران دنیای هوش مصنوعی پیش روی شما این است که به وب‌سایت‌های همچون Clutch مراجعه کنید تا بتوانید دست‌آوردهای شرکت‌های مختلف را مشاهده و بررسی نمایید. یک راه دیگر، برداشتن قدم‌های کوچک به سمت دنیای هوش مصنوعی است. برای مثال، می‌توانید از یکی از ارائه‌دهندگان خوش‌آتیه خود در حوزه هوش مصنوعی بخواهید که برای شما یک کارگاه برگزار کند. بدین ترتیب، قابلیت‌ها و توانایی‌های آن‌ها برای شما روشن خواهد شد و متوجه خواهید شد که آیا شرکت مذکور درک درستی از کسب‌وکار شما دارد؟، آیا مهارت‌های لازم برای کمک به شما را دارد؟ و آیا می‌داند که چطور مشکلات شما را حل کند؟

۱۱. چالش‌های یکپارچه‌سازی

یکپارچه‌سازی سیستم کنونی یک شرکت با هوش مصنوعی، فرآیندی بسیار پیچیده‌تر از نصب یک افزونه در مرورگر است. در شناسایی نیازهای کسب‌وکار خود باید عوامل و عناصر مختلفی را درنظر بگیرید. البته برخی از ضوابط نیز انعطاف‌ناپذیرند. به این منظور، باید ویژگی‌ها و نیازهای زیرساخت‌های داده‌ای شرکت و نحوه ذخیره‌سازی داده‌ها، برچسب‌زنی و دادن داده‌ها و اطلاعات به سیستم را مدنظر قرار دهیم. پس از آن به مرحله آموزش مدل می‌رسیم و مدل هوش مصنوعی را از لحاظ تأثیرگذاری آزمایش می‌کنیم، یک حلقه بازخورد ایجاد می‌کنیم تا عملکرد مدل به‌طور مداوم و براساس کنش‌های افراد بهبود پیدا کند و از داده‌ها نیز نمونه‌گیری می‌کنیم تا علاوه‌ بر حفظ کیفیت و دقت خروجی‌ها، از میزان داده‌های ذخیره شده کاسته شده و سرعت اجرای مدل افزایش یابد. اما چگونه می‌توان اطمینان حاصل کرد که یک پروژه به نتیجه می‌رسد و ارزش سرمایه‌گذاری دارد؟
برای مواجهه با چالش‌هایی که ممکن است در مسیر یکپارچه‌سازی با آن‌ها مواجه شوید، باید با شرکت‌های ارائه‌دهنده خود مشارکت داشته باشید تا همه به درک درستی از این فرآیند برسند. همچنین، تخصص شرکت‌های ارائه‌دهنده نباید تنها در زمینه مدل‌سازی باشد. اگر سیستم هوش مصنوعی قدم به قدم و به صورت استراتژیک در سازمان پیاده‌سازی شود، احتمال شکست آن کاهش می‌یابد. پس از موفقیت در فرآیند یکپارچه‌سازی هوش مصنوعی و سیستم شرکت، افراد باید برای استفاده از این مدل جدید آموزش ببینند. مسائلی چون نحوه دریافت خروجی از مدل و تفسیر نتایج باید به کارمندان آموزش داده شود. شرکت ارائه‌دهنده خدمات هوش مصنوعی که با شما همکاری می‌کند، باید نحوه کار با مدل و توسعه آن را به شما بیاموزد.

۱۲. مسائل قانونی

در مقالات پیشین به مسائل قانونی که باید برای پیاده‌سازی سیستم هوش مصنوعی در یک شرکت مدنظر قرار داد، پرداختیم. نظام‌های قانونی ما نتوانسته‌اند همگام با فن‌آوری‌ها قدم بردارند و به همین دلیل، فن‌آوری‌های جدید با ابهامات زیادی در حوزه‌های قانونی مواجهند. اگر هوش مصنوعی به اموال دیگران آسیب وارد کند یا به یک انسان صدمه بزند، چه کسی باید مسئولیت آن را به عهده بگیرد؟ شخصی که به آن سیستم دستور داده یا شرکتی که مدل هوش مصنوعی را طراحی کرده است؟ درحال‌حاضر، هیچ قانونی وجود ندارد که برای ما روشن سازد که در چنین مواردی، چه اقدامی باید صورت بگیرد. علاوه براین، براساس مقرراتی که توسط اتحادیه اروپا و تحت نام مقررات عمومی حفاظت یا GDPR تصویب شده، داده‌ها نوعی کالا درنظر گرفته می‌شوند که باید به درستی مورداستفاده قرار گیرند. این قوانین چالش‌هایی در حوزه جمع‌آوری داده ایجاد می‌کند. چه داده‌هایی را می‌توان جمع‌آوری کرد؟ از چه روش‌هایی می‌توان برای جمع‌آوری داده‌ها استفاده کرد؟ و چگونه می‌توان هم‌راستا با قوانین GDPR از کلان داده‌ها استفاده کرد؟
یکی دیگر از مشکلاتی که در حوزه هوش مصنوعی با آن‌ مواجهیم، داده‌هایی هستند که حساسیت آن‌ها برای ما قابل لمس نیست. استفاده از این داده‌ها از نظر قانونی مشکلی ندارد، اما می‌تواند به شرکت شما آسیب بزند. به‌طورکلی، هرگونه اطلاعاتی که درز کردن آن به بیرون از شرکت، موقعیت شما را تهدید کند، باید در دسته داده‌های حساس و محرمانه قرار گیرد. برای مثال، فرض کنید اطلاعات مربوط به دوره‌های آموزشی که برای کارمندان خود برگزار می‌کنید، به بیرون درز کند؛ این مسئله به‌نظر تهدیدآمیز نمی‌آید،‌ اما اگر برفرض دوره آموزشی برای مقابله با قلدری در محیط کار برگزار کرده باشید، ممکن است منجر به برداشت‌های اشتباه و سوتفاهم شده و به کسب‌وکار شما آسیب بزند.
چگونه با چالش‌های به‌کارگیری هوش مصنوعی مواجه شویم؟
باید این نکته را به‌خاطر داشته باشید که شما نمی‌توانید به تنهایی از پس همه این مشکلات بر بیایید. اما اولین قدم شما برای مقابله با آن‌ها، آشنایی بیشتر با هوش مصنوعی است تا بتوانید فرآیندهای مختلف را بهتر درک کنید. پس از این که یک استراتژی مبتنی بر هوش مصنوعی طراحی کردید، باید مسائل و مشکلاتی که بر سر راه‌تان قرار دارند را شناسایی کنید. با داشتن یک استراتژی و رویکرد دقیق و جزئی، فرآیند پیاده‌سازی هوش مصنوعی در سازمان شما بسیار آسان‌تر خواهد شد. آیا طی کردن این مسیر بدون برخورد با موانع ممکن است؟ پاسخ منفی است. هیچ‌چیز ۱۰۰% عالی و بی نقص نیست. اما کسب آمادگی برای مواجهه با مشکلاتی که ممکن است با آن‌ها مواجه شوید، مزیت بزرگی برای شما به‌حساب می‌آید.