چالش‌های بهرهگیری از ابزارهای فوق مدرن
هوش مصنوعی (AI) در سال‌های اخیر به‌عنوان یک فناوری تحول‌آفرین توجه بسیاری از محققان، تیم‌های محصول و کاربران نهایی را به خود جلب کرده است. با این حال، علی‌رغم پتانسیل بالای آن، هوش مصنوعی تنها در حل مشکلاتی موفق است که ویژگی‌های خاصی داشته باشند. این مقاله به سازمان‌ها کمک می‌کند تا مشکلات مناسب برای حل با هوش مصنوعی را شناسایی کنند، راه‌حل‌هایی بیابند که حتی در شرایط نامناسب نیز کارآمد باشند و پروژه‌هایی را انتخاب کنند که بیشترین سود را برای کسب‌وکار یا جامعه به همراه داشته باشند.
استفاده از هوش مصنوعی برای حل مشکلات پیچیده به عوامل متعددی بستگی دارد که می‌توانند اثربخشی آن را افزایش یا کاهش دهند. از جمله این عوامل می‌توان دسترسی به داده‌های باکیفیت، تعداد راه‌حل‌های ممکن، وضوح هدف و نیاز به تطبیق با سیستم‌های در حال تغییر را مورد نظر قرار داد. در ادامه، به بررسی این چالش‌ها و راه‌حل‌های ممکن برای غلبه بر آن‌ها می‌پردازیم.
کمبود داده‌های باکیفیت
داده‌ها مهم‌ترین ورودی برای هر مدل هوش مصنوعی هستند، با وجود این اغلب حجم داده‌ها بیش از کیفیت آن‌ها مورد توجه قرار می‌گیرد. اگرچه مدل‌های زبانی بزرگ (LLM) نشان داده‌اند که افزایش حجم داده‌ها می‌تواند به بهبود کیفیت مدل‌ها منجر شود، اما هنوز این سؤال مطرح است که آیا این روند ادامه‌دار خواهد بود یا خیر. در برخی موارد، اگر داده‌های باکیفیت ولی کم‌حجم در اختیار داشته باشید، می‌توانید با تولید داده‌های مصنوعی، حجم داده‌ها را افزایش دهید. به‌عنوان مثال، تیم توسعه‌دهنده AlphaFold، فناوری پیشرفته گوگل دیپ‌مایند که قادر به پیش‌بینی ساختار سه‌بعدی پروتئین‌هاست، با کمبود داده‌های واقعی مواجه بود. این تیم با استفاده از یک نسخه اولیه از AlphaFold، موفق به تولید یک میلیون پیش‌بینی جدید از ساختار پروتئین‌ها شد و با افزودن بهترین پیش‌بینی‌ها به مجموعه داده‌های آموزشی، مدل نهایی را آموزش داد. با این حال، تولید داده‌های مصنوعی باید با دقت انجام شود، زیرا خطر یادگیری بازگشتی و تشدید خطاها وجود دارد. از سوی دیگر، اگر داده‌های بزرگ اما کم‌کیفیت در اختیار داشته باشید، بهبود کیفیت آن‌ها بسیار دشوار خواهد بود.
تعداد زیاد راه‌حل‌های ممکن
هنگامی که یک مشکل راه‌حل‌های بسیار زیادی دارد، استفاده از روش‌های آزمون تمام ترکیبات ممکن (brute-force) غیرعملی می‌شود. در چنین مواردی، هوش مصنوعی می‌تواند با استفاده از روش‌های ابتکاری، راه‌حل‌های بهینه‌تری ارائه دهد. به‌عنوان مثال، تیم گوگل دیپ‌مایند از روشی به نام Function Search استفاده کرده است که در آن یک مدل زبانی بزرگ با یک ارزیاب خودکار ترکیب می‌شود تا راه‌حل‌های جدیدی برای مشکلات ریاضی و علوم کامپیوتر بیابد. این روش در حل مشکلاتی مانند مسئله cap set و بهبود الگوریتم‌های بسته‌بندی (bin packing) موفقیت‌های چشمگیری داشته است. با این حال، چالش اصلی در اینجا اطمینان از صحت راه‌حل‌های تولیدشده توسط مدل‌های زبانی بزرگ است، زیرا این مدل‌ها ممکن است اطلاعات نادرست یا توهم‌آمیز تولید کنند.
فقدان هدف واضح و قابل اندازه‌گیری
هدف استراتژیک خروجی مورد نظر از مدل هوش مصنوعی است. در بسیاری از موارد، تعیین این هدف به‌طور واضح و قابل اندازه‌گیری دشوار است. به‌عنوان نمونه در بازی‌هایی مانند شطرنج یا Go، هدف واضح و قابل اندازه‌گیری است، اما در دنیای واقعی، تعیین معیارهای پیشرفت می‌تواند پیچیده باشد. در پروژه AlphaFold، هدف مدل کاهش تفاوت بین ساختار سه‌بعدی پروتئین‌های پیش‌بینی شده و ساختارهای تجربی بود. این هدف به‌طور واضح در رقابت‌های بین‌المللی مانند CASP اندازه‌گیری می‌شد. در زمینه‌هایی مانند رسانه‌های اجتماعی، تعیین اهداف واضح و قابل اندازه‌گیری دشوار است، زیرا معیارهایی مانند تعامل کاربران ممکن است به نتایج ناخواسته‌ای مانند انتشار اطلاعات نادرست یا تشدید محتوای حساسیت‌برانگیز منجر شود.
زمانی که «خوب» را نمی‌توان کدگذاری کرد
در مواردی، مشکلات سازمان‌ها ایستا نیست و ممکن است راه‌حل‌های ارائه‌شده توسط هوش مصنوعی به‌تدریج از پاسخ بهینه فاصله بگیرند. در چنین شرایطی، استفاده از روش‌هایی مانند یادگیری تقویتی با بازخورد انسانی (RLHF) می‌تواند مفید باشد. این روش به مدل اجازه می‌دهد تا از بازخوردهای انسانی یاد بگیرد و آن‌ها را در فرایند یادگیری خود ادغام کند. مثلاً تیم گوگل دیپ‌مایند در همکاری با تیم YouTube Shorts از این روش برای تولید توصیف‌های دقیق ویدئوها استفاده کرد. با استفاده از بازخورد انسانی، مدل به‌تدریج توانست یاد بگیرد که چه توصیف‌هایی برای ویدئوها مناسب‌ترند و چگونه می‌تواند آن‌ها را بهبود بخشد.
انتخاب فرصت‌های مناسب برای پیگیری
سازمان‌ها می‌توانند از معیارهای ذکرشده برای شناسایی مشکلاتی که آماده استفاده از هوش مصنوعی هستند، استفاده کنند. سپس چالش اصلی انتخاب از میان فرصت‌های بالقوه‌ای است که این معیارها را برآورده می‌کنند. اولویت‌بندی استقرار هوش مصنوعی بر اساس تأثیر و گستردگی راه‌حل‌ها نه‌تنها برای شرکت‌هایی مانند گوگل، بلکه به طور کلی برای جامعه مفید است. تیم گوگل دیپ‌مایند از رویکردی به نام مشکل گره ریشه (root node problem) استفاده می‌کند. در این رویکرد، حل یک مشکل اساسی می‌تواند زمینه‌ساز پیشرفت‌های جدید در حوزه‌های مختلف شود. به‌عنوان مثال، پروژه AlphaFold هم به پیشرفت در کشف داروهای جدید کمک کرد و هم زمینه‌ساز توسعه در زمینه‌هایی مانند تولید آنزیم‌های تجزیه‌کننده پلاستیک شد. با ادامه تکامل هوش مصنوعی، ضروری است که سازمان‌ها با دقت و تفکر استراتژیک به پیاده‌سازی آن بپردازند. با تمرکز بر مشکلات گره ریشه و تشویق همکاری‌های بین‌رشته‌ای، سازمان‌ها می‌توانند از پتانسیل کامل هوش مصنوعی برای پیشبرد رشد کسب‌وکار و پیشرفت جامعه استفاده کنند.
منبع: hbr.org
استفاده از هوش مصنوعی برای حل مشکلات پیچیده به عوامل متعددی بستگی دارد که می‌توانند اثربخشی آن را افزایش یا کاهش دهند. از جمله این عوامل می‌توان دسترسی به داده‌های باکیفیت، تعداد راه‌حل‌های ممکن، وضوح هدف و نیاز به تطبیق با سیستم‌های در حال تغییر را مورد نظر قرار داد. در ادامه، به بررسی این چالش‌ها و راه‌حل‌های ممکن برای غلبه بر آن‌ها می‌پردازیم.
کمبود داده‌های باکیفیت
داده‌ها مهم‌ترین ورودی برای هر مدل هوش مصنوعی هستند، با وجود این اغلب حجم داده‌ها بیش از کیفیت آن‌ها مورد توجه قرار می‌گیرد. اگرچه مدل‌های زبانی بزرگ (LLM) نشان داده‌اند که افزایش حجم داده‌ها می‌تواند به بهبود کیفیت مدل‌ها منجر شود، اما هنوز این سؤال مطرح است که آیا این روند ادامه‌دار خواهد بود یا خیر. در برخی موارد، اگر داده‌های باکیفیت ولی کم‌حجم در اختیار داشته باشید، می‌توانید با تولید داده‌های مصنوعی، حجم داده‌ها را افزایش دهید. به‌عنوان مثال، تیم توسعه‌دهنده AlphaFold، فناوری پیشرفته گوگل دیپ‌مایند که قادر به پیش‌بینی ساختار سه‌بعدی پروتئین‌هاست، با کمبود داده‌های واقعی مواجه بود. این تیم با استفاده از یک نسخه اولیه از AlphaFold، موفق به تولید یک میلیون پیش‌بینی جدید از ساختار پروتئین‌ها شد و با افزودن بهترین پیش‌بینی‌ها به مجموعه داده‌های آموزشی، مدل نهایی را آموزش داد. با این حال، تولید داده‌های مصنوعی باید با دقت انجام شود، زیرا خطر یادگیری بازگشتی و تشدید خطاها وجود دارد. از سوی دیگر، اگر داده‌های بزرگ اما کم‌کیفیت در اختیار داشته باشید، بهبود کیفیت آن‌ها بسیار دشوار خواهد بود.
تعداد زیاد راه‌حل‌های ممکن
هنگامی که یک مشکل راه‌حل‌های بسیار زیادی دارد، استفاده از روش‌های آزمون تمام ترکیبات ممکن (brute-force) غیرعملی می‌شود. در چنین مواردی، هوش مصنوعی می‌تواند با استفاده از روش‌های ابتکاری، راه‌حل‌های بهینه‌تری ارائه دهد. به‌عنوان مثال، تیم گوگل دیپ‌مایند از روشی به نام Function Search استفاده کرده است که در آن یک مدل زبانی بزرگ با یک ارزیاب خودکار ترکیب می‌شود تا راه‌حل‌های جدیدی برای مشکلات ریاضی و علوم کامپیوتر بیابد. این روش در حل مشکلاتی مانند مسئله cap set و بهبود الگوریتم‌های بسته‌بندی (bin packing) موفقیت‌های چشمگیری داشته است. با این حال، چالش اصلی در اینجا اطمینان از صحت راه‌حل‌های تولیدشده توسط مدل‌های زبانی بزرگ است، زیرا این مدل‌ها ممکن است اطلاعات نادرست یا توهم‌آمیز تولید کنند.
فقدان هدف واضح و قابل اندازه‌گیری
هدف استراتژیک خروجی مورد نظر از مدل هوش مصنوعی است. در بسیاری از موارد، تعیین این هدف به‌طور واضح و قابل اندازه‌گیری دشوار است. به‌عنوان نمونه در بازی‌هایی مانند شطرنج یا Go، هدف واضح و قابل اندازه‌گیری است، اما در دنیای واقعی، تعیین معیارهای پیشرفت می‌تواند پیچیده باشد. در پروژه AlphaFold، هدف مدل کاهش تفاوت بین ساختار سه‌بعدی پروتئین‌های پیش‌بینی شده و ساختارهای تجربی بود. این هدف به‌طور واضح در رقابت‌های بین‌المللی مانند CASP اندازه‌گیری می‌شد. در زمینه‌هایی مانند رسانه‌های اجتماعی، تعیین اهداف واضح و قابل اندازه‌گیری دشوار است، زیرا معیارهایی مانند تعامل کاربران ممکن است به نتایج ناخواسته‌ای مانند انتشار اطلاعات نادرست یا تشدید محتوای حساسیت‌برانگیز منجر شود.
زمانی که «خوب» را نمی‌توان کدگذاری کرد
در مواردی، مشکلات سازمان‌ها ایستا نیست و ممکن است راه‌حل‌های ارائه‌شده توسط هوش مصنوعی به‌تدریج از پاسخ بهینه فاصله بگیرند. در چنین شرایطی، استفاده از روش‌هایی مانند یادگیری تقویتی با بازخورد انسانی (RLHF) می‌تواند مفید باشد. این روش به مدل اجازه می‌دهد تا از بازخوردهای انسانی یاد بگیرد و آن‌ها را در فرایند یادگیری خود ادغام کند. مثلاً تیم گوگل دیپ‌مایند در همکاری با تیم YouTube Shorts از این روش برای تولید توصیف‌های دقیق ویدئوها استفاده کرد. با استفاده از بازخورد انسانی، مدل به‌تدریج توانست یاد بگیرد که چه توصیف‌هایی برای ویدئوها مناسب‌ترند و چگونه می‌تواند آن‌ها را بهبود بخشد.
انتخاب فرصت‌های مناسب برای پیگیری
سازمان‌ها می‌توانند از معیارهای ذکرشده برای شناسایی مشکلاتی که آماده استفاده از هوش مصنوعی هستند، استفاده کنند. سپس چالش اصلی انتخاب از میان فرصت‌های بالقوه‌ای است که این معیارها را برآورده می‌کنند. اولویت‌بندی استقرار هوش مصنوعی بر اساس تأثیر و گستردگی راه‌حل‌ها نه‌تنها برای شرکت‌هایی مانند گوگل، بلکه به طور کلی برای جامعه مفید است. تیم گوگل دیپ‌مایند از رویکردی به نام مشکل گره ریشه (root node problem) استفاده می‌کند. در این رویکرد، حل یک مشکل اساسی می‌تواند زمینه‌ساز پیشرفت‌های جدید در حوزه‌های مختلف شود. به‌عنوان مثال، پروژه AlphaFold هم به پیشرفت در کشف داروهای جدید کمک کرد و هم زمینه‌ساز توسعه در زمینه‌هایی مانند تولید آنزیم‌های تجزیه‌کننده پلاستیک شد. با ادامه تکامل هوش مصنوعی، ضروری است که سازمان‌ها با دقت و تفکر استراتژیک به پیاده‌سازی آن بپردازند. با تمرکز بر مشکلات گره ریشه و تشویق همکاری‌های بین‌رشته‌ای، سازمان‌ها می‌توانند از پتانسیل کامل هوش مصنوعی برای پیشبرد رشد کسب‌وکار و پیشرفت جامعه استفاده کنند.
منبع: hbr.org
ارسال دیدگاه
