هوش مصنوعی اخیرا به یکی از داغ‌ترین مباحث دنیای کسب و کار تبدیل شده، ولی با این حال هنوز راه زیادی باید طی شود تا بتوان از پتانسیل بالای آن برای مصارف کاربردی در زندگی روزمره و صنایع مختلف بهره برد. اکنون بسیاری از شرکت‌های بزرگ مانند گوگل، مایکروسافت و اپل از این تکنولوژی بهره برده‌اند، اما راهکارهای آن‌ها عموما برای صنایع و مشکلات دیگر جوابگو نیست. مشکل کجاست؟

مشکل کجاست؟

مشکل اصلی اینجاست که روش‌‌های شرکت‌های بزرگ حوزه تکنولوژی برای باقی صنایع پاسخگو نیست. بنیاد MAPI برای مثال صنعت تولیدات را رصد کرده و به این نتیجه رسیده است که تنها ۵ درصد از ۲۰۰ تولید کننده برتر از استراتژی‌‌های مشخص برای تعبیه هوش‌های مصنوعی در کسب و کار خود استفاده می‌کنند. این بنیاد همچنین با ۱۵۰۰ مدیر اجرایی ۱۶ صنایع و شرکت‌های مختلف صحبت کرده که از میان‌ها ۷۶ درصد عنوان می‌کنند با تعبیه هوش‌های مصنوعی در کسب و کار خود به مشکل برخورده‌اند.

اگر این مشکلات را با غول‌های اینترنتی مقایسه کنید، می‌بینید که هوش‌های مصنوعی بخش اعظمی از کارها را برای آن‌ها انجام می‌دهند؛ از اعلام نتایج جستجوها گرفته تا ارائه ترجمه متون و تبلیغات هدف‌دار. در نتیجه برای این که هوش مصنوعی بتواند به کل پتانسیل خود برسد، باید تکنیک‌های جدیدی توسعه داده شود تا بتوان آن‌ها را بهتر در صنایع مختلف تعبیه کرد. برای این کار چند راه‌کار اساسی وجود دارد که صنایع مختلف باید نگاهی ویژه به آن‌ها داشته باشند.

۱) استفاده از داده‌های کوچک

اولین راه‌کار استفاده از داده‌های کوچک است. شرکت‌های بزرگ معمولا داده‌های میلیاردها کاربر را جمع‌آوری می‌کنند و از آن برای آموزش مدل‌های هوش مصنوعی خود بهره می‌برند. تکنیک‌هایی که این شرکت‌ها استفاده می‌کنند باید به عنوان سرلوحه‌ای برای کمپانی‌های کوچکتر قرار گیرد تا آن‌ها هم بتوانند به کمک داده‌های کوچکتر، هوش مصنوعی خود را تعلیم دهند.

برای مثال تصور کنید یک کارخانه می‌خواهد از هوش مصنوعی برای شناسایی خط و خش‌های روی بدنه گوشی‌ها استفاده کند. هیچ سازنده گوشی هوشمندی میلیون‌ها گوشی خط و خش دار در دسترس ندارد تا از همه آن‌ها عکس گرفته و به خورد هوش مصنوعی خود دهد. در نتیجه باعث می‌شود آن‌ها داده‌های کافی در اختیار نداشته باشند تا هوش مصنوعی خود را به درستی تعلیم دهند و عموما مجبور هستند با ۱۰۰ مدل عکس، کار را تمام کنند.

خوشبختانه تکنولوژی‌های داده‌های مصنوعی کوچک برای جبران چنین مشکلاتی توسعه داده شده‌اند. برای مثال یک روش تولید داده وجود دارد که شما به آن ۱۰ عکس از خط و خش‌های نایاب را می‌دهید و به کمک این روش، می‌توانید ۱۰۰۰ عکس مصنوعی دیگر را تحویل بگیرید. سپس می‌توان این ۱۰۰۰ عکس را به هوش مصنوعی داد تا یادگیری از آن‌ها را شروع کند.

روش دیگری در این بین وجود دارد که برای مثال هوش مصنوعی ده هزار عکس از فرورفتگی بدنه گوشی‌های مختلف را مشاهده می‌کند تا به کلیت فرورفتگی آشنا شود. سپس از این دانش در شناسایی فرورفتگی‌های مشخص در یک محصول خاص بهره گیرد و برای این کار تنها از چند عکس محدود آن محصول خاص استفاده کند. تنها به کمک همین داده‌های مصنوعی کوچک است که می‌توان از هوش مصنوعی در صنایع کوچکتر مانند، کشاورزی، خدمات درمانی و تولیدات بهره برد.

۲) کم کردن فاصله بین دنیای واقی و دنیای آموزشی

راه‌کار دوم برای به کارگیری هوش مصنوعی این است که فاصله بین دنیای آموزشی آن‌ها را با شرایط واقعی کم کنیم. تاکنون هوش‌های مصنوعی زیادی دیده‌ایم که در دنیای آموزشی و تحقیقات با دقت بالایی عمل می‌کنند، اما به محض این که از آن‌ها در شرایط واقی استفاده می‌شود، معمولا ناتوان خواهند شد. ملموس‌ترین مثالی که می‌توان برای این مشکل زد، هوش‌های مصنوعی مخصوص، برای تشخیص عکس‌های رادیولوژی است.

بسیاری از محققین توانسته‌اند هوش مصنوعی قدرتمندی توسعه دهند که عکسی‌های رادیولوژی را با دقت بسیار بیشتری از یک رادیولوژیست خبره تشخیص می‌دهد با این حال بسیار کم پیش می‌آید که چنین سیستم‌هایی را در بیمارستان‌ها مشاهده کنیم. یکی از دلایل شرایط کنترل شده تحقیقات است که هوش مصنوعی طی شرایط خاصی با داده‌های با کیفیت مواجه می‌شود و از آن‌‌ها یاد می‌گیرد.

با این حال اگر همین هوش‌های مصنوعی را در یک بیمارستان به کار ببریم، می‌بینیم که عملا در تشخیص تصاویر رادیولوژی ناتوان است، زیرا هم عکس‌ها کیفیت کمتری دارند و هم پروتکل‌های جمع‌آوری آن‌ها متفاوت است. برای حل این مشکل می‌توان تنها زمانی از هوش مصنوعی استفاده کرد که مطمئنیم می‌تواند شرایط را به درستی تشخیص دهد. این هوش مصنوعی در کنار یک رادیولوژیست ماهر می‌تواند یاد بگیرد تا در آینده وظایف سنگین‌ترین به آن محول شود.

۳) شناخت پتانسیل منفی هوش مصنوعی

راه‌کار سوم بیشتر شبیه یک نوع اخطار برای کمپانی‌های غیر تکنولوژیک است. هوش مصنوعی این پتانسیل را دارد تا مشتری‌ها، کارفرمایان و سهام‌داران را گمراه و برخی از پروسه‌های اداری را مختل کند. تصور کنید از هوش مصنوعی برای کمک کردن به پزشکان اورژانس در اتاق تریاژ استفاده شود. این تکنولوژی و تشخیصی که به همراه دارد، پزشک، پرستار و کارگزاران بیمه را تحت تاثیر قرار می‌دهد. به همین دلیل برای این که پروژه‌ها روند پیشین خود را پیش ببرند، باید با این تکنولوژی خو بگیرند تا بتوانند از ویژگی‌های افزوده آن بهترین استفاده را کنند.

بسیاری از کمپانی‌ها نظارت انسان بر هوش‌های مصنوعی را نادیده می‌گیرند و همین باعث می‌شود برای جبران مافات مدتی کسب و کار خود را تعلیق کنند. به همین دلیل بسیاری از این شرکت‌ها باید تمامی عوامل دخیل در استفاده از هوش مصنوعی را شناسایی کنند؛ خواه به صورت مستقیم و خواه به کمک واسطه‌ها. اکثر گروه‌ها در شرکت‌ها تصمیمات را به صورت جمعی اتخاذ می‌کنند و به همین دلیل بسیار مهم است که تعبیه هوش مصنوعی در این سیستم‌ها با حداقل تداخل صورت گیرد.

۴) تخصیص زمان کافی

راه‌کار دیگر تخصیص زمان کافی برای تعبیه هوش‌های مصنوعی در سیستم‌های کاری شرکت‌هاست. آن‌ها باید زمان کافی برای ارزیابی هر بخش از کار را داشته باشند تا بتوانند تشخیص دهند هر شغلی چگونه با تعبیه هوش مصنوعی سازگار می‌شود. همچنین باید به کارمندان توضیح داده شود که هوش مصنوعی از چه طریقی می‌تواند به آن‌ها کمک کند تا وظایف خود را بهتر انجام دهند.

شرکت‌ها باید افراد خاطی را کمی تحت فشار بگذارند، زیرا بسیار از آن‌ها نسبت به هوش مصنوعی جبهه گرفته و نسبت به استفاده از آن‌ها مستأصل هستند. در نتیجه آموزش‌های ابتدایی هوش مصنوعی به این کارمندان می‌تواند روند این تغییرات را ساده‌تر کند. همچنین شرکت‌ها باید به صورت مستمر هوش مصنوعی خود را تست کنند و نتایج مثبت آ‌ن‌ها را به کارمندان نشان دهند. برای این منظور، پیشنهاد می‌شود در ابتدا هوش مصنوعی تنها در بخشی از یک کارخانه یا کمپانی استفاده شود و با موفقیت آن، به مرور به بخش‌های دیگر نیز راه پیدا کند.

نتیجه‌گیری

هوش‌های مصنوعی می‌توانند تا سال ۲۰۳۰ نزدیک ۱۵.۷ تریلیون دلار درآمدزایی کند و بخش مهمی از این درآمد از جایی خارج از سیلیکون ولی حاصل خواهد شد. هوش مصنوعی در حال تغییر تمامی صنایع است و به همین دلیل بهتر است کسب و کارها از همین ابتدا به فکر تعبیه درست آن در شرکت‌های خود باشند.