گشودن پتانسیل کامل هوش مصنوعی مولد (GenAI)

شرکت‌ها به طور فزاینده‌ای به دنبال بهره‌برداری از هوش مصنوعی مولد (GenAI) هستند تا از آن برای کشف بینش‌های جدید، افزایش بهره‌وری و ایجاد ارزش در سراسر سازمان خود استفاده کنند. هوش‌مصنوعی مولد با قابلیت پردازش حجم وسیع داده‌ها (داده‌های ساختاریافته و غیرساختاریافته) و تحلیل اطلاعات در قالب‌های مختلف فراتر از متن ساده، یک فرصت استثنایی برای کسب‌وکارها فراهم می‌کند. اما سؤال این است: چطور می‌توان اطمینان حاصل کرد که ابتکارات GenAI فراتر از یک آزمایش ساده پیش خواهند رفت؟

این مقاله در آنالیتیکس مگ منتشر شده و ما در هوشیو آن را ترجمه و منتشر کردیم. شرکت Axtria که پیشرو در ارائه محصولات و خدمات داده، تحلیل و هوش مصنوعی در حوزه علوم زیستی است، بیش از 30 نفر از مدیران ارشد بزرگ‌ترین شرکت‌های دارویی جهان را برای بررسی هوش‌مصنوعی مولد گرد هم آورد. در جریان رویداد سالانه Axtria Ignite که با استقبال زیادی روبه‌رو شد، با این مدیران نشست‌هایی داشتیم و نقشه‌راهی برای خلق ارزش در سطح سازمانی طراحی کردیم. در این نشست به سرعت متوجه شدیم که این چارچوب نه‌تنها در حوزه علوم زیستی، بلکه در تمام صنایع تحول بزرگی ایجاد می‌کند.

این همکاری هفت گام را شناسایی کرد که می‌توان آن‌ها را به‌سادگی در هر حوزه کسب‌وکار یا شرکت تجاری پیاده‌سازی کرد. در واقع نقشه راه GenAI به سازمان‌ها کمک می‌کند تا مراحل ابتدایی آزمایش و تست فناوری را پشت سر بگذارند و به سمت پیاده‌سازی راه‌حل‌هایی بروند که قابل‌گسترش و استفاده در مقیاس بزرگ‌تر هستند.

مسیر به سمت ارزش: از پروژه‌های آزمایشی تا تولید انبوه

۱. هم‌راستایی با اهداف استراتژیک

برای موفقیت در استفاده از هوش‌مصنوعی مولد، شرکت‌ها باید اطمینان حاصل کنند که ابتکارات هوش مصنوعی‌شان با اهداف کلی سازمان هم‌راستا است. هوش‌مصنوعی مولد نباید به طور مجزا عمل کند، بلکه باید بخشی از یک استراتژی کلی هوش مصنوعی باشد که از سوی مدیران ارشد و تیم‌های داده علمی هدایت شود. با تقویت گفت‌وگوهای منظم بین رهبران تجاری و فنی، سازمان‌ها می‌توانند پایه‌ای محکم برای پیاده‌سازی موفق هوش‌مصنوعی مولد بنا کنند.

علاوه بر هم‌راستایی استراتژیک، حکمرانی مؤثر نیز اهمیت دارد. در شرکت‌های بزرگ که پروژه‌های آزمایشی مختلف به طور هم‌زمان در حال اجرا هستند، انتخاب پروژه‌هایی که پتانسیل مقیاس‌پذیری بیشتری دارند، امری حیاتی است. فرآیند ساختاریافته «مرحله‌بندی پروژه‌ها» می‌تواند به سازمان‌ها کمک کند تا ابتکارات خود را از نظر قابلیت فنی و تأثیر تجاری، ارزیابی و اولویت‌بندی کنند.

۲. استراتژی داده

موفقیت هوش‌مصنوعی مولد به استراتژی داده‌ای قوی بستگی دارد که فراتر از مدیریت داده‌های سنتی باشد. با توجه به توانایی هوش‌مصنوعی مولد در پردازش داده‌های ساختاریافته و غیرساختاریافته، شرکت‌ها باید بر ادغام داده‌ها از منابع مختلف (از سوابق فروش گرفته تا تعاملات در شبکه‌های اجتماعی) تمرکز کنند. ایجاد «داده‌های آماده برای هوش مصنوعی مولد» (GRDها) امری حیاتی است، چرا که این داده‌ها مدل‌های زبانی بزرگ (LLMها) را که اساس کاربردهای هوش‌مصنوعی مولد را تشکیل می‌دهند، آموزش می‌دهند.

با پیشرفت تکنولوژی، استفاده از داده‌های غیرساختاریافته مانند ویدئو، صوت، تصاویر و دیگر فرمت‌ها اهمیت بیشتری پیدا می‌کند و به شرکت‌ها این امکان را می‌دهد که بینش‌های غنی‌تر و دقیق‌تری به دست بیاورند.

۳. مدل عملیاتی

برای اینکه هوش‌مصنوعی مولد بتواند ارزش معناداری ایجاد کند، سازمان‌ها به یک مدل عملیاتی انعطاف‌پذیر نیاز دارند که همکاری میان بخش‌ها را تسهیل کند. یک تیم ویژه برای هوش‌مصنوعی مولد که از حمایت اجرایی برخوردار باشد، می‌تواند شکاف بین تیم‌های فنی و تجاری را پر کرده و اطمینان حاصل کند که ابتکارات هوش مصنوعی با اهداف کلی شرکت هم‌راستا هستند.

شرکت‌ها همچنین باید تصمیم بگیرند که کدام فرآیندهای هوش‌مصنوعی مولد را درون سازمان مدیریت کنند و کدام را به فروشندگان خارجی واگذار نمایند. ایجاد فرهنگ یادگیری مداوم در تیم‌ها اهمیت زیادی دارد تا کارکنان بتوانند از توانمندی‌های هوش‌مصنوعی مولد به طور مؤثر بهره‌برداری کنند.

علاوه بر این، سازمان‌ها باید اکوسیستم گسترده‌تری از شرکا را توسعه دهند که شامل دانشگاه‌ها، مؤسسات تحقیقاتی و شرکای فناوری باشد. اطمینان از هم‌سازی و تعامل بین شرکای خارجی، ابزارها و روش‌های موجود، برای به حداکثر رساندن تأثیر ابتکارات هوش‌مصنوعی مولد و ترویج نوآوری، امری حیاتی خواهد بود.

۴. مهارت‌ها و تجربه

برای مقیاس‌پذیری هوش‌مصنوعی مولد، ساختن نیروی کار ماهر یکی از عوامل حیاتی است. مهارت‌های تخصصی مانند مهندسی درخواست‌ها، توسعه هوش‌مصنوعی مولد و LLMOps (مدیریت عملیات مدل‌های زبانی بزرگ) برای ارائه خروجی‌های دقیق و قابل استفاده از هوش مصنوعی ضروری است. مهندسان پرامپت اطمینان می‌دهند که پاسخ‌های هوش مصنوعی به نیازهای خاص سازگار هستند، در حالی که تیم‌های LLMOps مسئول مدیریت چرخه کامل برنامه‌های هوش‌مصنوعی مولد از جمله یکپارچه‌سازی مداوم و نظارت بر عملکرد هستند.

برای تسریع پذیرش، تخصص در طراحی رابط کاربری و تجربه کاربری نیز به همان اندازه اهمیت دارد. یک رابط کاربری مناسب، تعامل را تشویق کرده و به ایجاد دسترسی آسان‌تر و استفاده راحت‌تر از برنامه‌های هوش‌مصنوعی مولد در بخش‌های مختلف کمک می‌کند.

۵. فناوری

فناوری هوش‌مصنوعی مولد باید از عملیات پیچیده و مقیاس‌های بزرگ پشتیبانی کند. شرکت‌ها باید بر روی ادغام مدل‌هایی مانند GPT-3.5 و GPT-4 تمرکز کنند یا با متخصصان همکاری کنند تا اپلیکیشن‌های هوش‌مصنوعی مولد را توسعه دهند و فعالیت‌های تجاری را بهبود ببخشند. مهندسی دقیق پرامپت (prompt engineering)، همراه با ماژول‌های بهبود هوش‌مصنوعی مولد، کمک می‌کند تا دقت بینش‌های هوش مصنوعی تضمین شود.

اجرای هوش‌مصنوعی مولد از طریق ابزارهایی مانند LLMOps و خطوط پیوسته ادغام/تحویل (CI/CD) باعث می‌شود که مدل‌های هوش مصنوعی مقیاس‌پذیر باشند و به‌راحتی به‌روزرسانی شوند. ابزارهای نظارتی و مدیریت زیرساخت‌ها از طریق پلتفرم‌های ابری نیز به پایداری راه‌حل‌های هوش‌مصنوعی مولد کمک می‌کنند.

۶. پذیرش و استقبال از هوش‌مصنوعی مولد

حتی بهترین اپلیکیشن‌های هوش‌مصنوعی مولد هم بدون پذیرش گسترده از سوی کاربران، ممکن است به نتیجه نرسند. برای اینکه افراد و تیم‌ها از این تکنولوژی به طور مؤثر استفاده کنند، سازمان‌ها باید نشان دهند که ابتکارات هوش مصنوعی واقعاً ارزش دارند. این کار از طریق کسب حمایت از مدیران ارشد و معرفی افرادی که در تیم‌ها به‌عنوان «مدافعان هوش‌مصنوعی مولد» عمل می‌کنند، میسر می‌شود. این افراد می‌توانند همکاری میان بخش‌ها را تسهیل کرده و تیم‌ها را ترغیب کنند که از این فناوری استفاده کنند.

برای ایجاد اعتماد در استفاده از ابزارهای جدید، ارتباط روشن و برنامه‌های آموزشی ضروری است. همچنین، شروع با پروژه‌های آزمایشی که نتایج ملموس و مثبتی به همراه داشته باشد، می‌تواند به ایجاد انگیزه و اعتماد کمک کند و زمینه را برای پذیرش گسترده‌تر در سازمان فراهم کند.

۷. هوش مصنوعی مسئولانه

شرکت‌ها باید اطمینان حاصل کنند که ابتکارات هوش‌مصنوعی مولد آن‌ها با استانداردهای اخلاقی و مقرراتی مطابقت دارند. به عنوان مثال، شرکت‌های دارویی با حجم زیادی از قوانین و محدودیت‌ها در خصوص داده‌ها روبه‌رو هستند. همچنین، نگرانی‌های مربوط به حریم خصوصی در هر صنعتی باید مدنظر قرار گیرد؛ بنابراین، سازمان‌ها باید شیوه‌های مسئولانه در استفاده از هوش مصنوعی را اتخاذ کنند که شامل شفافیت، توضیح‌پذیری و کاهش تعصبات باشد.

با ایجاد سیستم‌های نظارتی و مدیریتی قوی، شرکت‌ها می‌توانند از خطرات احتمالی پیشگیری کنند و اعتماد کاربران را حفظ نمایند. استفاده مسئولانه از هوش‌مصنوعی مولد نه تنها به رعایت مقررات کمک می‌کند، بلکه فرهنگ اخلاقی در نوآوری‌های مبتنی بر هوش مصنوعی را تقویت می‌نماید.

آینده هوش‌مصنوعی مولد: از ۲۰۲۵ به بعد

هوش‌مصنوعی مولد همچنان در حال گسترش است و شرکت‌هایی که پروژه‌های خود را آغاز کرده‌اند، اکنون در تلاش برای مقیاس‌دهی هستند. راه‌حل‌های هوش‌مصنوعی مولد مشتریان را از طریق تعاملات مکالمه‌ای متصل می‌کنند و دستیاران مجازی با توانایی درک احساسات انسان‌ها، به تیم‌های فروش کمک می‌کنند تا پتانسیل خود را آزاد کنند و ارتباطات مؤثرتر و معنادارتری بسازند.

همان‌طور که هوش‌مصنوعی مولد به تکامل خود ادامه می‌دهد، سازمان‌ها باید از پروژه‌های آزمایشی فراتر رفته، آن را به مقیاس کامل صنعتی تبدیل کنند و روند پذیرش را به‌گونه‌ای هدایت کنند که از ارزش واقعی آن بهره‌برداری کنند. همچنین از تطبیق ابتکارات با اهداف استراتژیک گرفته تا اطمینان از رعایت اصول هوش مصنوعی مسئولانه، اتخاذ رویکرد صحیح می‌تواند تأثیرات عمیقی بر تمامی مراحل و اجزای کسب‌وکار داشته باشد.