10 قدم برای بهکارگیری هوش مصنوعی در کسبوکار
صنعت فناوری بهشدت به هوش مصنوعی (AI) روی آورده است. این فناوری در سراسر یک کسبوکار میتواند از با برنامههای کاربردی از علم دادههای پیشرفته گرفته تا خدمات مشتری خودکار خودنمایی کند. ما در اینجا به اینکه چگونه میتوانیم از این فنّاوری بهصورت ایمن و کارآمد سود ببر میپردازیم.
واضح است که هوش مصنوعی (AI) در صنعت فناوری رو به رشد است. هوش مصنوعی در مرکز کنفرانسها قرار میگیرد و در سطح وسیعی در صنایع شامل خردهفروشی و تولید انبوه این پتانسیل را نشان میدهد. محصولات جدید توسط دستیارهای مجازی تعبیه میشوند درحالیکه چت بات ها (رباتهای گفتگوکننده) به سؤالات مشتریان از سایت تأمینکننده دفتر آنلاین شما گرفته تا صفحه پشتیبانی ارائهدهنده خدمات میزبانی وب پاسخ میدهند. در همین حال، شرکتهایی مانند گوگل، مایکروسافت و Salesforce در حال ادغام هوش مصنوعی بهعنوان یکلایه هوشمند در کل استک فناوری خود هستند. بله هوش مصنوعی قطعاً بهترین روزهای خود را سر میکند.
این هوش مصنوعی، رباتهای حساس، Skynet یا حتی دستیار جارویس ((Just A Rather Very Intelligent System (J.A.R.V.I.S.) )) تونی استارک (زبان برنامهنویسی رابط کاربری) نیستند که فرهنگعامه ما را مشروط به انتظار کرده است. درواقع این فلات هوشمند است که زیرپوستی اتفاق میافتد و فناوری موجود ما را هوشمندتر میکند و مسیر قدرتنمایی تمام دادههایی که شرکتها جمعآوری میکنند را باز میکند. این بدان معناست: پیشرفت گسترده در یادگیری ماشینی (ML)، بینایی کامپیوتر (computer vision)، یادگیری عمیق (deep learning) و پردازش زبان طبیعی (NLP) ایجاد یکلایه الگوریتم هوش مصنوعی در نرمافزار یا پلت فرم ابری شمارا آسانتر از همیشه کرده است.
برنامههای کاربردی هوش مصنوعی برای کسبوکارها بسته به نیازهای سازمانی شما و بینشهای هوش تجاری (BI) حاصل از دادههایی که جمعآوری میکنید، میتوانند به انواع مختلف ظاهر شوند. شرکتها میتوانند از هوش مصنوعی برای همهچیز استفاده کنند، از استخراج دادههای اجتماعی گرفته تا مشارکت در مدیریت ارتباط با مشتری (CRM) و حتی بهینهسازی لجستیک و کارایی در مورد ردیابی و مدیریت داراییها.
لوک تانگ، مدیرکل برنامه شتابدهنده جهانی AI+ در TechCode که استارتاپ های هوش مصنوعی را توسعه میدهد و به شرکتها کمک میکند تا هوش مصنوعی را در کنار محصولات و خدمات موجود خود بگنجانند، اظهار دارد: ML یا همان ماشین لرنینگ نقش کلیدی در توسعه هوش مصنوعی ایفا میکند.
در حال حاضر، هوش مصنوعی بر اساس تمام پیشرفتهای اخیر در ML (ماشین لرنینگ) هدایت میشود. او میگوید: "هیچ پیشرفت غیرمنتظرهای وجود ندارد که بتوان به آن اشاره کرد، اما ارزش تجاری که اکنون میتوانیم از ML استخراجکنیم قابلاندازهگیری نیست." تانگ گفت: "از دیدگاه سازمانی، آنچه در حال حاضر اتفاق میافتد میتواند برخی از فرآیندهای اصلی تجاری شرکت مانند زمانبندی، تخصیص منابع و گزارش دهی را در مورد هماهنگی و کنترل را مختل کند." در اینجا به نکاتی که کارشناسان ارائه میدهند تا کسبوکارها هوش مصنوعی در سازمانشان را ادغام کنند که به موفقیت برسند اشاره میکنیم.
آشنایی باهوش مصنوعی
کمی وقت بگذارید و با آنچه هوش مصنوعی مدرن میتواند انجام دهد آشنا شوید. شتابدهنده TechCode مجموعه گستردهای از منابع را از طریق مشارکت با سازمانهایی مانند دانشگاه استنفورد و شرکتهای موجود در فضای هوش مصنوعی به استارتاپ های خود ارائه میدهد. همچنین باید از انبوه اطلاعات آنلاین و منابع موجود برای آشنایی با مفاهیم اولیه هوش مصنوعی بهره ببرید. تانگ برخی از کارگاههای از راه دور و دورههای آنلاین ارائهشده توسط سازمانهایی مانند Udacity را بهعنوان راههای آسان برای شروع و افزایش دانش درزمینه هایی مانند ML و تجزیهوتحلیل پیشبینی در سازمان توصیه میکند.
در ادامه منابع آنلاین (رایگان یا غیر رایگان) که برای شروع میتوانید استفاده کنید معرفی میشوند:
- دوره آموزشی Udacity's Intro to AI و برنامه Nanodegree هوش مصنوعی
- سخنرانیهای آنلاین دانشگاه استنفورد: هوش مصنوعی: اصول و تکنیک ها
- دوره آنلاین هوش مصنوعی edX، توسط دانشگاه کلمبیا
- جعبهابزار شناختی متنباز مایکروسافت (که قبلاً بانام CNTK شناخته میشد) برای کمک به توسعهدهندگان در تسلط بر الگوریتمهای یادگیری عمیق
- کتابخانه نرمافزار متنباز (OS) TensorFlow گوگل برای هوش ماشین
- منابع هوش مصنوعی، یک فهرست راهنمای کد متنباز از بنیاد دسترسی هوش مصنوعی
- صفحه منابع انجمن پیشرفت هوش مصنوعی (AAAI)
- راهنمای آسان MonkeyLearn برای یادگیری ماشین
- موسسه Future of Life استیون هاوکینگ و ایلان ماسک
- OpenAI یک صنعت باز و ابتکار آموزش عمیق در سطح دانشگاه
شناسایی مسائلی که مایل به حل آن توسط هوش مصنوعی هستید
گام بعد از دانستن اصول اولیه، بررسی ایدههای مختلف برای هر کسبوکار است. فکر کنید که چگونه میتوانید قابلیتهای هوش مصنوعی را به محصولات و خدمات موجود اضافه کنید. مهمتر از آن، شرکت شما باید موارد استفاده خاصی را در نظر داشته باشد که در آن هوش مصنوعی میتواند مشکلات تجاری را حل کند یا ارزش قابلاثباتی ارائه دهد.
زمانی که با یک شرکت کار میکنیم، با مروری بر برنامهها و مشکلات فنی کلیدی آن شروع میکنیم. با توجه به توضیحات تانگ معمولاً با یک کارگاه آموزشی با مدیر شرکت نشان میدهیم که پردازش زبان طبیعی، تشخیص تصویر، ML و غیره چگونه در آن محصولات قرار میگیرند. همیشه مشخصات هر صنعت متفاوت است. بهعنوانمثال، اگر شرکت نظارت تصویری انجام دهد، میتواند با افزودن ML به آن فرآیند، ارزش زیادی را به دست آورد.
اولویتبندی ارزش واقعی
در مرحله بعد، باید ارزش تجاری و مالی بالقوه پیادهسازیهای مختلف هوش مصنوعی را که شناسایی کردهاید ارزیابی کنید. گمشدن در بحثهای هوش مصنوعی یا رؤیاپردازی درباره آن آسان است، اما تانگ بر اهمیت پیوند دادن ابتکارات خود بهطور مستقیم باارزش تجاری تأکید دارد.
تانگ میگوید: "برای اولویتبندی، نگاهتان به ابعاد پتانسیل و امکانسنجی باشد و آنها را در یک ماتریس 2*2 قرار دهید." این باید به شما کمک کند بر اساس دید کوتاهمدت اولویتبندی کنید و بدانید ارزش مالی برای شرکت چقدر است. برای این مرحله معمولاً نیاز به مالکیت و شناخت مدیران و مدیران ارشد دارید.
در نظر گرفتن شکاف قابلیت درونی
تفاوت فاحشی بین آنچه میخواهید به انجام برسانید و توانایی سازمانی برای دستیابی به آن در یک بازه زمانی معین، وجود دارد. تانگ میگوید یک کسبوکار باید قبل از راهاندازی و پیادهسازی کامل هوش مصنوعی، بداند که از منظر فناوری و فرآیند کسبوکار چه تواناییهایی دارد. او اشاره میکند: "گاهی اوقات انجام این کار زمان زیادی میبرد. برطرف کردن شکاف توانایی داخلی شما به این معنی است که آنچه را که نیاز دارید به دست آورید و هر فرآیندی که نیاز به تکامل داخلی دارد، قبل از شروع کار باید انجام شود. بسته به کسبوکار، ممکن است پروژهها یا گروههایی موجود باشند که میتوانند به انجام این کار بهصورت ارگانیک برای واحدهای تجاری خاص کمک کنند که میتوانید از آنها کمک بگیرید. "
راهاندازی یک پروژه آزمایشی با کمک کارشناسان
هنگامیکه کسبوکار شما ازنقطهنظر سازمانی و فنی آماده شد، زمان آن فرارسیده است که ساخت و یکپارچهسازی را آغاز کنید. تانگ میگوید مهمترین فاکتورها در اینجا این است که کارهای کوچک را شروع کنید، اهداف پروژه را در ذهن داشته باشید، و مهمتر از همه، آگاه باشید چه چیزهایی در مورد هوش مصنوعی میدانید (یا حتی نمیدانید). اینجاست که آوردن کارشناسان خارجی یا مشاوران هوش مصنوعی میتواند ارزشمند باشد. تانگ اظهار دارد: "شما برای اولین پروژه به زمان زیادی نیاز ندارید؛ معمولاً برای یک پروژه آزمایشی، 2 تا 3 ماه محدوده خوبی است. شما میخواهید افراد داخلی و خارجی را در یک تیم کوچک 4 تا 5 نفره دورهم جمع کنید، پس چارچوب زمانی فشردهتر، تیم را روی اهداف مستقیم متمرکز میکند. پس از تکمیل پروژه آزمایشی، باید بتوانید تصمیم بگیرید که زمان طولانیتر برای پروژه بزرگتر و مفصلتر چگونه خواهد بود و آیا ارزش پیشنهادی برای کسبوکار شما منطقی است یا خیر. همچنین مهم است که تخصص کارشناسان کسبوکار و کارشناسان هوش مصنوعی در تیم پروژه آزمایشی شما ادغام شود. "
تشکیل یک کارگروه برای یکپارچهسازی دادهها
تانگ خاطرنشان کرد که قبل از پیادهسازی ML در کسبوکارتان، باید دادههای خود را تمیز کنید تا برای جلوگیری از سناریوی «garbage in, garbage out» (با حروف اختصاری GIGO ، اصطلاحی است برای توضیح طبیعت منطقی اما غیر متفکرانه کامپیوتر و پردازشهای آن ، که با توجه به این مطلب اگر دادههای نادرست یا درستی جهت پردازش وارد شوند ، نتیجه نیز به همان ترتیب نادرست یا درست خواهد بود) آماده شوید. به گفتهی او: «دادههای داخلی شرکت معمولاً در سیلوهای دادههای متعدد سیستمهای قدیمی مختلف پخش میشوند و حتی ممکن است در دست گروههای تجاری مختلف با اولویتهای متفاوت باشند. بنابراین، یک گام بسیار مهم در جهت دستیابی به دادههای باکیفیت بالا، تشکیل یک گروه کاری متقابل [واحد تجاری]، ادغام مجموعههای دادههای مختلف باهم، و مرتب کردن ناهماهنگیها بهگونهای است که دادهها دقیق و غنی برای ML با تمام ابعاد مناسب موردنیاز باشند."
شروع باکارهای کوچک
از هوش مصنوعی برای نمونه کوچکی از دادههای خود بهجای کارهای خیلی زیاد و خیلی سریع استفاده کنید. آرون برازر، معاون مدیریت راهحلها در M*Modal که فناوری درک زبان طبیعی (NLU) را برای سازمانهای مراقبتهای بهداشتی و یک پلت فرم ادغامشده هوش مصنوعی با سوابق پزشکی الکترونیکی (EMR) ارائه میکند، میگوید: "ساده شروع کنید و از هوش مصنوعی بهصورت تدریجی برای اثبات ارزش استفاده کنید، بازخورد جمعآوری کنید، و سپس آن را گسترش دهید." نوع خاصی از دادهها میتواند اطلاعات مربوط به تخصصهای پزشکی خاص باشد. دکتر گیلان السعداوی، مدیر ارشد اطلاعات پزشکی (CMIO) در M*Modal گفت: «در انتخاب آنچه هوش مصنوعی قرار است انجام دهد، گزینشی عمل کنید. بهعنوانمثال، مشکل خاصی را که میخواهید حل کنید انتخاب کنید، هوش مصنوعی را روی آن متمرکز کنید و به آنیک سؤال خاص بدهید تا به آن پاسخ دهید و همه دادهها را به سمت آن پرتاب نکنید.»
گنجاندن فضای ذخیره بهعنوان بخشی از برنامه هوش مصنوعی
به گفته فیلیپ پوکورنی، مدیر ارشد فنی (CTO) در شرکت Penguin Computing که راهحلهای محاسباتی با کارایی بالا (HPC)، هوش مصنوعی و ML را ارائه میدهد: " پس از امتحان نمونه کوچکی از دادهها و موفق بودن در آن، باید شرایط ذخیرهسازی را برای پیادهسازی یکراه حل هوش مصنوعی در نظر بگیرید."
پوکورنی در مقالهای با عنوان تصمیمات حیاتی (راهنمای ساختن راهحل کامل هوش مصنوعی بدون پشیمانی) نوشت: "بهبود الگوریتمها برای رسیدن به نتایج تحقیقات مهم است. اما بدون حجم عظیمی از دادهها برای کمک به ساخت مدلهای دقیقتر، سیستمهای هوش مصنوعی نمیتوانند بهاندازه کافی برای دستیابی به اهداف محاسباتی باعث پیشرفت شما شوند." به همین دلیل است که باید گنجاندن فضای ذخیرهسازی سریع و بهینه در شروع طراحی سیستم هوش مصنوعی در نظر گرفته شود.
او پیشنهاد کرد علاوه بر این، باید ذخیرهسازی هوش مصنوعی را برای دریافت داده، گردش کار و مدلسازی بهینه کنید. پوکورنی افزود: «وقت گذاشتن برای بررسی گزینه میتواند تأثیر مثبت و عظیمی بر نحوه اجرای سیستم پس از آنلاین شدن داشته باشد».
گنجاندن هوش مصنوعی در برنامه روزانه
به گفته دومینیک ولینگتون، مبشر جهانی فناوری اطلاعات در Moogsoft، ارائهدهنده هوش مصنوعی برای عملیات فناوری اطلاعات (AIOps): با بینش اضافی و اتوماسیون ارائهشده توسط هوش مصنوعی، کارکنان ابزاری دارند تا هوش مصنوعی را بهجای چیزی که جایگزین آن شود بخشی از برنامه روزانه خود قرار دهند.
ولینگتون توضیح داد: "برخی از کارمندان ممکن است نسبت به فناوری که میتواند بر شغل آنها تأثیر بگذارد که منجر به حذف آنان شود احتیاط کنند، بنابراین معرفی راهحل بهعنوان راهی برای افزایش وظایف روزانه آنها مهم است."
وی افزود که شرکتها باید در مورد نحوه عملکرد فناوری برای حل مشکلات در یک جریان کاری شفاف باشند. او گفت: "این به کارمندان تجربه "باطنی" میدهد تا بتوانند بهوضوح تصور کنند که هوش مصنوعی چگونه نقش آنها را افزایش میدهد نه اینکه بخواهد آنان را حذف کند."
ساخت متعادل
پوکورنی توضیح داد که وقتی شما در حال ساخت یک سیستم هوش مصنوعی هستید، نیاز به ترکیبی از برآوردن نیازهای فناوری و همچنین پروژه تحقیقاتی دارد. او میگوید: «نکته مهم، حتی قبل از شروع طراحی یک سیستم هوش مصنوعی، این است که شما باید سیستم را با تعادل بسازید. این ممکن است بدیهی به نظر برسد، اما اغلب، سیستمهای هوش مصنوعی حول جنبههای خاصی از چگونگی پیشبینی تیم برای دستیابی به اهداف تحقیقاتی خود طراحی میشوند، بدون اینکه نیازها و محدودیتهای سختافزار و نرمافزاری را که از تحقیق پشتیبانی میکنند، درک کنند. سیستمی بیش از بهینه و حتی ناکارآمد است که نتواند به اهداف موردنظر دست یابد."
برای دستیابی به این تعادل، شرکتها باید پهنای باند کافی برای ذخیرهسازی، واحد پردازش گرافیکی (GPU) و شبکه ایجاد کنند. امنیت نیز جزء مواردی است که اغلب نادیده گرفته میشود. هوش مصنوعی طبیعتاً نیاز به دسترسی به طیف وسیعی از دادهها برای انجام کار خود دارد. مطمئن شوید که متوجه شدهاید چه نوع دادههایی با پروژه درگیر میشوند و اینکه حفاظتهای امنیتی معمول شما (رمزگذاری، شبکههای خصوصی مجازی (VPN) و ضد بدافزار) ممکن است کافی نباشد.
پوکورنی گفت: "بهطور مشابه، شما باید نحوه مصرف بودجه کلی برای دستیابی به تحقیقات را با نیاز به محافظت در برابر قطع برق و سایر سناریوها از طریق اضافهکاری متعادل کنید. همچنین ممکن است نیاز به ایجاد انعطافپذیری داشته باشید تا امکان استفاده مجدد از سختافزار را با تغییر نیازهای کاربر فراهم کنید."