هوش مصنوعی چیست؟

تکنولوژی هوش مصنوعی


اگر اخبار مربوط به هوش مصنوعی را دنبال کنید، شاهد دو تصویر کاملا متفاوت از این تکنولوژی خواهید بود.

 

رسانه‌ها و سینما هوش مصنوعی را معمولا مساوی با توانایی‌های انسانی، بیکاری گسترده و آخرالزمانی که به دست ربات‌ها رقم می‌خورد می‌دانند.
از سوی دیگر اما کنفرانس‌های علمی را داریم که در آن‌ها صحبت از هوش جامع مصنوعی است و اینکه هوش مصنوعی کنونی ضعیف ظاهر شده و نمی‌تواند بسیاری از کارکردهای بنیادین مغز انسان را داشته باشد.

پیشنهاد: بیداد کرونا در آمریکا


اما فارغ از اینکه هوش مصنوعی در قیاس با هوش انسانی چه جایگاه دارد، الگوریتم‌های امروزی به عنصری مهم در صنایح مختلف مانند بهداشت و سلامت، امور مالی، تولید، حمل‌ونقل و بسیاری حوزه دیگر تبدیل شده‌اند.

و همانطور که مارکو یانسیتی و کریم لاخانی، پروفسورهای مدرسه تجارت هاروارد در کتاب خود به نام «رقابت در عصر هوش مصنوعی: استراتژی و مدیریت در دورانی که الگوریتم‌ها و شبکه‌ها جهان را می‌رانند» می‌گویند، خیلی زود «هیچ‌یک از حوزه‌های انسانی عملکردی مستقل از هوش مصنوعی نخواهند داشت».

شرکت‌هایی مثل فیسبوک، آمازون و گوگل و… چگونه موفق شدند؟

در واقع همین هوش مصنوعی ضعیف کنونی به رشد و موفقیت کمپانی‌هایی مانند گوگل، آمازون، فیسبوک و مایکروسافت منجر شده و تاثیری روزانه روی زندگی میلیاردها نفر در سراسر جهان دارد. همانطور که لاخانی و یانسیتی در کتاب خود می‌گویند، «برای اولویت دادن به محتوای شبکه‌های اجتماعی، ساخت بهترین کاپوچینوی ممکن، تحلیل رفتار مشتریان، تعیین قیمت بهینه و یا حتی نقاشی در سبک رامبرانت نیازی به یک رونوشت انسانی بی‌نقص نداریم. همین هوش مصنوعی ناقص و ضعیف دارد ماهیت شرکت‌ها و چگونگی کارکرد آن‌ها را دگرگون می‌کند».


در میان تمام موضوعاتی که یانسیتی و لاخانی در کتاب خود به آن‌ها پرداخته‌اند، مفهوم «کارخانه هوش مصنوعی» نیز به چشم می‌خورد. عنصری کلیدی که به کمپانی‌ها اجازه می‌دهد قادر به رقابت و رشد در عصر هوش مصنوعی باشند.

کارخانه هوش مصنوعی چیست؟


کلیدی‌ترین تکنولوژی‌های هوش مصنوعی که در کسب‌وکارهای امروزی به کار گرفته می‌شوند، الگوریتم‌های یادگیری ماشینی هستند، موتورهایی آماری که می‌توانند الگوهای گذشته را یافته و براساس آنچه پیشتر رصد کرده‌اند، دست به پیش‌بینی خروجی‌های تازه بزنند. در کنار دیگر قطعات کلیدی مانند منابع داده، آزمون و خطاها و نرم‌افزار، الگوریتم‌های یادگیری ماشینی می‌توانند به ساخت کارخانه‌های هوش مصنوعی منجر شوند؛ مجموعه‌ای از قطعات و پروسه‌های متصل به یکدیگر که یادگیری و رشد را رقم می‌زنند.

 

الگوریتم چیست؟

الگوریتم‌های یادگیری ماشینی، موتورهایی آماری هستند که می‌توانند الگوهای گذشته را یافته و براساس آن‌ها دست به پیش‌بینی خروجی‌های تازه بزنند.


بیایید کارکرد کارخانه هوش مصنوعی را توضیح دهیم. داده باکیفیتی که از منابع داخلی و خارجی به دست می‌آیند تبدیل به منبعی برای تربیت الگوریتم‌های یادگیری ماشینی می‌شوند تا بتوان در وظایفی خاص، دست به پیش‌بینی زد. در برخی موارد مانند شناسایی و درمان بیماری‌ها، این پیش‌بینی‌ها می‌توانند به متخصصین انسانی در اتخاذ تصمیم درست کمک کنند. در موارد دیگر مانند سیستم پیشنهاد محتوا، الگوریتم‌های یادگیری ماشینی می‌توانند وظایف را با مداخله انسانی اندک یا هیچ‌گونه مداخله انسانی اتوماسیون کنند.

فایده‌ی الگوریتم چیست؟

الگوریتم و مدل مبتنی بر داده‌ی کارخانه هوش مصنوعی به سازمان‌ها اجازه می‌دهد که نظریه‌های جدید را به بوته آزمایش گذاشته و تغییراتی در راستای بهبود سیستم‌هایشان به وجود آورند. این می‌تواند افزودن قابلیت‌های جدید به محصولی باشد که پیشتر به تولید رسیده یا تولید محصولی کاملا جدید در سبد محصولات کمپانی. همین تغییرات باعث می‌شوند کمپانی اطلاعات جدید به دست آورد، الگوریتم‌های هوش مصنوعی را بهبود ببخشد و باز هم راهی برای افزایش پرفورمنس، ساخت سرویس‌ها و محصولات جدید، رشد و حرکت به سمت بازارهای تازه بیابد.

کارخانه هوش مصنوعی در جوهره خود چرخه‌ای کارآمد از انگیجمنت کاربر، جمع‌آوری داده،‌ طراحی الگوریتم، پیش‌بینی و بهبود را جای داده است. حداقل این توصیفی است که یانسیتی و لاخانی در کتاب رقابت در عصر هوش مصنوعی به کار می‌برند.

ایده ساختن، اندازه‌گیری کردن، آموختن و بهبود دادن ایده جدیدی نیست. برای سالیان طولانی، کارآفرینان و استارتاپ‌ها مشغول مباحثه و نوآوری در این حوزه بوده‌اند. اما کارخانه‌های هوش مصنوعی این چرخه را به جهان‌هایی تازه مانند پردازش زبان طبیعی یا بینایی کامپیوتری می‌برند.

کتاب رقابت در عصر هوش کدام شرکت را مثال زده‌است؟

یکی از مثال‌هایی که در کتاب رقابت در عصر هوش مصنوعی به آن اشاره شده، شرکت Ant Financial (که امروز تحت عنوان Ant Group شناخته می‌شود) است، شرکتی که در سال ۲۰۱۴ میلادی تاسیس شد و امروز با بیش از ۹۰۰۰ کارمند، گستره وسیعی از سرویس‌های مالی را به کمک یک کارخانه هوش مصنوعی بسیار بهینه (و مدیریت نبوغ‌آمیز) در اختیار بیش از ۷۰۰ میلیون مشتری قرار می‌دهد. برای مقایسه،‌ بانک آمریکا که در سال ۱۹۲۵ میلادی تاسیس شد، ۲۰۹ هزار کارمند دارد و سرویس‌های کمتری را در اختیار ۶۷ میلیون مشتری خود قرار می‌دهد.

زیرساخت کارخانه هوش مصنوعی:


برکسی پوشیده نیست که الگوریتم‌های یادگیری ماشینی، شدیدا بر داده‌های انبوه متکی هستند. ارزش داده باعث شده که اکنون شاهد ظهور اصطلاحاتی کلیشه‌ای نظیر «داده، نفت جدید است» باشیم که به دفعات در مقاله‌های تکنولوژیک به چشم خورده است. اما دسترسی به انبوهی از داده، برای دستیابی به یک الگوریتم هوش مصنوعی خوب کفایت نخواهد کرد. در واقع بسیاری از کمپانی‌های امروزی به گستره وسیعی از داده دسترسی دارند، اما داده و نرم‌افزار آن‌ها در سیلوهایی مجزا نگهداری می‌شوند و مدل‌ها و بسترهای ناسازگار، یکپارچگی را از تمام سیستم می‌گیرند.

 

پیش‌پردازش داده

حتی با اینکه مشتریان به یک سازمان به چشم هویتی یکپارچه نگاه می‌کنند، سیستم‌ها و داده‌های داخلی معمولا میان واحدهای مختلف تقسیم شده‌اند و بنابراین از تجمع داده جلوگیری می‌شود، تولید پیش‌بینی‌های موثر به تعویق می‌افتد و استفاده از قدرت آنالیتیکس و هوش مصنوعی غیرممکن می‌شود.

داده باید قبل از خورانده شدن به الگوریتم‌های هوش مصنوعی، پیش‌پردازش شود

علاوه بر این، داده باید قبل از خورانده شدن به الگوریتم‌های هوش مصنوعی، پیش‌پردازش شود. برای مثال ممکن است بخواهید که بنابر تاریخچه مکاتبات قبلی با مشتریان، یک چت‌بات مبتنی بر هوش مصنوعی بسازید که بخش‌هایی از پشتیبانی مشتریان شما را اتوماسیون می‌کند. در این مورد، داده متنی باید تلفیق و نمونه‌نمایی شود، کلمات و علائم نگارشی هجو حذف شوند و تغییراتی دیگر نیز به وجود آید تا بتوان از آن‌ها برای تربیت کردن مدل یادگیری ماشینی استفاده کرد.

حتی زمانی که مشغول سر و کله زدن با داده ساختارمند مانند رکوردهای فروش هستید هم امکان مواجهه با شکاف، اطلاعات ناقص و دیگر خطاهایی وجود دارد که باید برطرف گردند. و اگر داده از منابع گوناگون به دست آمده باشد، باید به‌گونه‌ای گردآوری شود که بی‌دقتی به وجود نیاورد. بدون پیش‌پردازش، مدل یادگیری ماشینی شما با داده‌های بی‌کیفیت تعلیم می‌بیند و در نتیجه، سیستم‌های هوش مصنوعی عملکردی ضعیف خواهند داشت.
و در نهایت، منابع داده داخلی شاید برای توسعه خط لوله هوش مصنوعی کافی نباشند. گاهی از اوقات باید اطلاعات را با داده به دست آمده از منابع خارجی مانند داده شبکه‌های اجتماعی، بازار بورس، منابع خبری و چیزهایی از این دست تکمیل کرد. یک مثال BlueDot است، شرکتی که از یادگیری ماشینی برای پیش‌بینی شیوع بیماری‌های عفونی استفاده می‌کند.

برای تربیت کردن و به راه انداختن سیستم هوش مصنوعی‌اش، BlueDot به صورت اتوماتیک به جمع‌آوری اطلاعات از صدها منبع مختلف می‌پردازد که از جمله آن‌ها می‌توان به بیانیه‌های سازمان‌های بهداشتی، پروازهای تجاری، گزارش‌های سلامت حیوانات دامی، اطلاعات اقلیمی ماهواره‌ها و گزارش‌های خبری اشاره کرد. بخش زیادی از تلاش و منابع نرم‌افزاری شرکت، صرف طراحی سیستمی برای جمع‌آوری و یکپارچه‌سازی داده شده است.

مهمترین نکته خط لوله

 

مهم‌ترین نکته اینست که خط لوله داده باید به شکلی «سامان‌مند، پایدار و مقیاس‌پذیر» کار کند
در کتاب رقابت در عصر هوش مصنوعی، نویسندگان به معرفی مهفومی به نام «خط لوله داده» می‌پردازند، مجموعه‌ای از قطعات و پروسه‌ها که داده‌های به دست آمده از چندین منبع داخلی و خارجی را ادغام، تمیز، یکپارچه، پردازش و برای مصارف آتی در سیستم‌های هوش مصنوعی ذخیره می‌کنند. اما مهم‌ترین نکته اینست که خط لوله داده باید به شکلی «سامان‌مند، پایدار و مقیاس‌پذیر» کار کند. این یعنی حداقل مقدار اندکی کار دستی و مداخله انسانی نیاز است تا گلوگاهی در کارخانه هوش مصنوعی به وجود نیاید.

اگر داده سوختی باشد که چرخ‌های کارخانه هوش مصنوعی را به حرکت در می‌آورد، زیرساخت نیز لوله‌هایی خواهد بود که سوخت‌رسانی می‌کند و الگوریتم‌ها هم ماشین‌هایی خواهند بود که کار را پیش می‌برند. پلتفرم آزمون و خطا هم فلکه‌هایی را کنترل می‌کند که سوخت تازه، لوله‌ها و ماشین‌ها را به سیستم عملیاتی متصل می‌کنند.
تبدیل شدن به یک شرکت مبتنی بر هوش مصنوعی:
به طرق فراوان، ساخت شرکتی موفق در حوزه هوش مصنوعی، به همان اندازه که یک چالش مهندسی است، چالشی از نظر مدیریت محصول نیز به حساب می‌آید. در واقع بسیاری از کمپانی‌های موق دریافته اند که چطور می‌توان فرهنگ و پروسه‌های جدید را بر تکنولوژی‌های هوش مصنوعی از پیش موجود بنا کرد و لازم نبوده که آخرین دستاوردهای یادگیری عمیق را درون زیرساختی پیاده‌سازی کنند که جواب نمی‌دهد.

و همین موضوع هم راجع به استارتاپ‌ها و هم شرکت‌های باسابقه مصداق دارد. همانطور که یانیسیتی و لاخانی در رقابت در عصر هوش مصنوعی توضیح می‌دهند، کمپانی‌های تکنولوژی‌ای که زنده مانده‌اند، آن شرکت‌هایی هستند که به صورت مداوم عملیات‌ها و مدل‌های تجاری خود را دگرگون می‌کنند.

وضعیت شرکت‌های سنتی در عصر هوش مصنوعی

 

برای شرکت‌های سنتی، تبدیل شدن به یک شرکتی مبتنی بر نرم‌افزار و هوش مصنوعی به معنای تبدیل شدن به سازمانی متفاوت است. موضوع درباره تاسیس یک کمپانی جدید و مستقل یا راه‌اندازی واحدهای تحقیق و توسعه ناموثر یا واحدی برای هوش مصنوعی نیست. موضوع درباره اینست که هسته شرکت از بنیان تعییر کند و ساختاری برای عملیات‌های داده‌محور شکل بگیرد که تغییرات مداوم را امکان‌پذیر می‌کند.

بازار تجهیزات ورزشی چگونه به چالش کشیده شد؟

 

کتاب رقابت در عصر هوش مصنوعی پر شده از پژوهش‌هایی غنی در این حوزه. از جمله آن‌ها می‌توان به داستان‌های مربوط به استارتاپ‌هایی مانند Peoloton اشاره کرد که کارخانه‌های هوش مصنوعی را از ابتدا تا انتها توسعه داده‌اند و بازارهای سنتی مانند بازار تجهیزات ورزشی خانگی را به چالش کشیده‌اند.
یا استارتاپ Ocao که توانست از هوش مصنوعی برای دیجیتالیزه کردن خرید خواربار، آن هم در بازاری که شدیدا بر حاشیه سود اندک کتکی است، استفاده کند. در این کتاب به صحبت راجع به شرکت‌های تکنولوژی باسابقه‌تر نیز پرداخته شده، مانند مایکروسافت که توانسته با چندین تغییر رویکرد بزرگ، عصر هوش مصنوعی را در آغوش بگیرد. و داستان‌هایی راجع به کمپانی‌های سنتی مانند والمارت نیز خواهید خواند که که دیجیتالیزه کردن کسب‌وکار و هوش مصنوعی را آموختند و از دچار شدن به سرنوشت امثال Sears (غولی در حوزه خرده‌فروشی که سال ۲۰۱۸ ورشکست شد) جلوگیری کردند.

همانطور که متخصصین برای مدتی طولانی دیده‌اند و گفته‌اند، پیشرفت‌های هوش مصنوعی روی تمام افرادی که یک سازمان را مدیریت می‌کنند تاثیر می‌گذارند و نه فقط افرادی مشغول توسعه تکنولوژی هستند. یانیستی و لاخانی عقیده دارند که:

بسیاری از مدیران باید در ابزارهای خود تجدید نظر کرده و هم دانش بنیادین پشت هوش مصنوعی را به دست آورند و هم راه‌هایی برای پیاده‌سازی موثر این تکنولوژی در کسب‌وکارها و مدل‌های عملیاتی خود بیابند. لازم نیست آن‌ها تبدیل به محققین داده، آماردان، برنامه‌نویس یا مهندس هوش مصنوعی شوند. در عوض همانطور که تمام دانشجویان مدیریت درباره حساب‌داری مطالعه می‌کنند و تبدیل به حسابداری حرفه‌ای نمی‌شوند، مدیران هم باید کاری مشابه با هوش مصنوعی و تکنولوژی‌های مرتبط با آن انجام دهند.