پایگاه خبری راه پرداخت دارای مجوز به شماره ۷۴۵۷۲ از وزارت فرهنگ و ارشاد اسلامی و بخشی از «شبکه عصر تراکنش» است. راه پرداخت فعالیت خود را از دوم اردیبهشت‌ماه ۱۳۹۰ شروع کرده و اکنون پرمخاطب‌ترین رسانه ایران در زمینه فناوری‌های مالی، بانکداری و پرداخت و استارت‌آپ‌های فین‌تک است.
تعداد شرکت‌های بزرگ فعال در حوزه‌ی تکنولوژی که به شکلی گسترده از هوش مصنوعی استقبال کرده‌اند، زیاد است. از جمله‌ی این شرکت‌ها و مؤسسات، می‌توان به بانک‌های بزرگ، فورد (Ford)، جی‌ام (GM)، فایزر (Pfizer) اشاره کرد. در این میان، کمپانی‌هایی نیز وجود دارند که هنوز، این تکنولوژی نوظهور را به کار نگرفته‌اند. این دسته از شرکت‌ها، منتظر هستند که هوش مصنوعی به مرحله‌ی بلوغ برسد، تعداد متخصصان آن افزایش پیدا کند و سپس، نسبت به پذیرش آن اقدام کنند. در اغلب شرکت‌های مبتنی بر فناوری اطلاعات کنونی، استراتژی دوم به کار گرفته شده است.
از نظر نویسندگان این مقاله، روال موجود، صحیح نیست. درست است که برخی از تکنولوژی‌ها، در مرحله‌ی توسعه قرار دارند؛ ولی برخی دیگر (مانند یادگیری ماشین) چندین دهه است که متولد شده‌اند و اکنون، به تکامل نسبی رسیده‌اند. یادگیری عمیق نیز جزو تکنولوژی‌هایی است که بر اساس تحقیقات دهه‌ی 1980 متولد شده و زمان زیادی از مطرح شدن آن می‌گذرد.
تحقیقات، همیشه ادامه دارد؛ ولی اصول و پایه‌های ریاضیاتی و آماری تکنولوژی هوش مصنوعی، به‌خوبی جا افتاده است.
زمان لازم برای توسعه‌ی سیستم
در مسیر به‌کارگیری تکنولوژی‌هایی که به مرحله‌ی کارآمدی رسیده‌اند، چندین مشکل وجود دارد که مسئله‌ی تکامل فنی، تنها یکی از آن‌هاست. در گام اول، باید سیستم‌های هوش مصنوعی توسعه داده شوند و این فرآیند، زمان‌بر است. این قبیل از سیستم‌ها، اگر به‌صورت عمومی مورد استفاده قرار بگیرند، می‌توانند ارزش را به کسب‌وکار شما بیفزایند؛ متناسب‌سازی، پیکربندی صحیح در کسب‌وکار مربوطه و کسب دانش کافی در این حوزه، مستلزم صرف زمان است.
حال فرض کنید که یک شرکت، قصد دارد هوش مصنوعی را برای اولین بار به کار بگیرد و در این مورد کاربردی، از یادگیری ماشین نیز استفاده می‌شود. در چنین شرایطی، دست‌اندرکاران باید مجموعه‌ای بزرگ از داده‌ها را نیز گرد هم آورند. اگر پای مسائل مرتبط با زبان، مانند پردازش زبان طبیعی (natural language processing) نیز به میان بیاید، فرآیند آماده‌سازی و راه‌اندازی سیستم باز هم طولانی‌تر و دشوارتر می‌شود. حجم رده‌بندی و دانش محلی که باید در سیستم هوش مصنوعی گنجانده شود، زیاد است؛ این فرآیند، مشابه فعالیت مهندسی دانش است که در سامانه‌های خبره (expert systems) نیز دیده می‌شود. در بحث هوش مصنوعی، علاوه بر کد نویسی نرم‌افزاری، کد نویسی دانش نیز وجود دارد؛ درک، ابهام‌زدایی و توسعه‌ی دانش، به زمان نیاز دارد.
اگر کارگزار یا مشاور، از قبل، دامنه‌ی دانش شرکت را طراحی و مدل‌سازی نکرده باشد، چندین ماه نیز باید صرف معماری دانش شود. هر چه دامنه‌ی دانش پیچیده‌تر باشد، زمان لازم برای مدل‌سازی آن نیز بیشتر می‌شود. به عنوان نمونه، مرکز سرطان مموریال اسلون–کترینگ (Memorial Sloan Kettering Cancer Center)، با هدف استفاده از سامانه‌ی رایانه‌ای واتسون (Watson) در معالجه‌ی انواع خاصی از سرطان در شش سال آینده، با کمپانی آی‌بی‌ام (IBM) وارد مشارکت شده است. این سیستم، علی‌رغم داشتن کیفیت بالا در مراقبت‌های سرطانی و هوش مصنوعی، هنوز برای استفاده‌ی عمومی، آماده نشده است. برای بسیاری از دامنه‌ها و مشکلات کسب‌وکاری، مهندسی دانش لازم، وجود دارد؛ ولی این مهندسی باید با زمینه‌ی کسب‌وکاری شرکت مربوطه، هماهنگ‌سازی شود.
زمان لازم برای ادغام
بعد از آن‌که سیستم هوش مصنوعی ساخته شد، نوبت می‌رسد به ادغام آن با سازمان مربوطه. در شرایطی که هیچ‌یک از قابلیت‌های هوش مصنوعی، در سیستم فعلی شرکت یا سازمان، به کار گرفته نشده باشد (به‌عنوان‌مثال: Salesforce Einstein در سیستم مدیریت ارتباط با مشتری)، منطبق سازی فرآیندهای کسب‌وکاری موجود با معماری فناوری اطلاعات، نیازمند برنامه‌ریزی و صرف زمان زیادی خواهد بود. انتقال از مرحله‌ی پایلوت به پروتوتایپ و رسیدن به مرحله‌ی تولید عمده‌ی سیستم‌های هوش مصنوعی، می‌تواند بسیار دشوار و زمان‌بر باشد.
حتی اگر سازمان مربوطه، مهارت بالایی در گذر از مرحله‌ی پایلوت و پروتوتایپ و حرکت به مرحله‌ی تولید انبوه داشته باشد، باز هم باید در فرآیندهای کسب‌وکاری، مهندسی مجدد انجام شود تا میزان تأثیرگذاری سیستم جدید بر کسب‌وکار و صنعت مربوطه، به حداکثر برسد. در اغلب مواقع، تکنولوژی‌های مرتبط با هوش مصنوعی تنها برای انجام یک یا چند کار، به کار گرفته می‌شوند و در فرآیند کلی کسب‌وکار، تأثیرگذار نیستند.
در این شرایط، باید در فرآیندهای کسب‌وکاری و وظایف انسانی مربوطه، طراحی مجدد انجام گیرد. به عنوان نمونه، اگر شما بخواهید که تغییراتی را میزان و نوع تعامل با مشتری ایجاد کنید، باید آن دسته از موارد کاربردی هوش مصنوعی را در شرکت خود توسعه دهید که به جنبه‌های بازاریابی، فروش و خدمت‌رسانی مربوط می‌شوند.
زمان لازم برای برقراری تعامل بین انسان و هوش مصنوعی
پس از پشت سر گذاشتن گام‌های قبلی، باید به حل‌وفصل چالش بین انسان و هوش مصنوعی پرداخته شود. تعداد سیستم‌های مبتنی بر هوش مصنوعی، که کاملاً به صورت مستقل عمل می‌کنند، اندک است و بیشتر این سیستم‌ها، با همکاری کارکنان انسانی فعالیت می‌کنند.
با به‌کارگیری سیستم‌های مبتنی بر هوش مصنوعی، نقش‌ها و مهارت‌های جدیدی برای افراد ایجاد می‌شود. آموزش این مهارت‌ها و فرآیندهای جدید به کارکنان، معمولاً زمان زیادی را می‌طلبد.
به‌عنوان‌مثال، آن دسته از شرکت‌های مشاور سرمایه‌گذاری، که خدمات «مشاوره‌ی رباتیک» را عرضه می‌کنند، چندین بار تلاش کرده‌اند تا با کمک مشاوران انسانی، تمرکز خود را به سمت امور «مالی رفتاری» بکشانند و یا با ارائه‌ی مشورت و «عوامل انگیزشی»، مردم را به تصمیم‌گیری عاقلانه و انجام سرمایه‌گذاری، تشویق کنند. ولی این قبیل از مهارت‌ها، با ارائه‌ی مشاوره در مورد خرید سهام و اوراق قرضه، متفاوت هستند و تحقق بخشیدن به آن، مستلزم صرف زمان است.
حتی در مواقعی که سیستم هوش مصنوعی، به صورت مستقل فعالیت می‌کند، بازهم صرف یک دوره‌ی زمانی برای جا افتادن سیستم، مورد نیاز است. در طی این دوره‌ی زمانی، یک بخش مهم و حیاتی از یادگیری ماشین، از طریق تعامل بین ماشین، کاربران انسانی و ناظران، انجام می‌گیرد. این مرحله، که از آن به نام یادگیری تعاملی یاد می‌شود، شیوه‌ی تعامل سیستم با اکوسیستم را برای دست‌اندرکاران سازمان، روشن می‌کند و ازاین‌جهت، بسیار سرنوشت‌ساز است. سازمان‌ها، در مرحله‌ی یادگیری تعاملی، می‌توانند فعالیت‌هایی را در راستای جمع‌‌آوری مجموعه‌های جدید داده و تست کردن آن در الگوریتم، انجام دهند. این مرحله، ممکن است ماه‌ها و یا سال‌ها طول بکشد.
زمان لازم برای قانون‌گذاری موارد کاربردی
سیستم‌های مبتنی بر هوش مصنوعی، در مقایسه با سیستم‌های سنتی، به قانون‌گذاری و نظارت گسترده‌تری نیاز دارند. الگوریتم‌های هوش مصنوعی، بر پایه‌ی داده‌های تاریخی و دانش کسب‌وکار فعلی ساخته و طراحی شده‌اند، به همین دلیل، با گذشت زمان از میزان کارایی آن‌ها کاسته می‌شود. برای به‌روزرسانی الگوریتم‌های یاد شده، می‌تواند از یادگیری ماشین بهره جست. به کمک یادگیری ماشین، می‌توان الگوهای داده‌های جدید را دریافت؛ ولی برای کسب اطمینان از این‌که ماشین، تغییرات موجود در زمینه‌ی کسب‌وکار را به‌درستی تفسیر می‌کند، متخصصان موضوع باید بر آن نظارت داشته باشند. الگوریتم‌ها، از لحاظ اختلاف و انحراف معیاری (bias) نیز باید به صورت پیوسته، تحت نظارت قرار بگیرند. به‌عنوان‌مثال، یک سیستم هوش مصنوعی که با هدف مشاوره‌ی مبتنی بر جمعیت‌شناسی، طراحی و آموزش داده شده است؛ با ایجاد تغییر در داده‌های جمعیت‌شناسی جدید، ممکن است به سمت‌وسوی توصیه‌های مشاوره‌ای انحرافی، حرکت کند.
در قانون‌گذاری و نظارت، باید بخشی نیز به کلاه‌برداری و تخلف مشتری اختصاص داده شود. همان‌گونه که هر روز، بر هوشمندی سیستم‌ها افزوده می‌شود، کاربران نیز هر روز، زیرک‌تر می‌شوند. این احتمال وجود دارد که تعدادی از کاربران، به‌وسیله‌ی داده‌ها و فعالیت‌های تقلبی، سعی در فریب دادن سیستم داشته باشند. نظارت بر تقلب و جلوگیری از وقوع آن، از طریق ابزارهای سطح بالا و نظارت انسانی امکان‌پذیر می‌شود.
برندگان میدان رقابت، همه‌چیز را به دست می‌آورند
پیاده‌سازی همه‌جانبه‌ی سیستم‌های مبتنی بر هوش مصنوعی در یک کسب‌وکار، زمان زیادی را می‌طلبد و تعداد میانبرهای موجود، بسیار اندک و انگشت‌شمار است. بعد از آن‌که سیستم هوش مصنوعی مربوطه با موفقیت راه‌اندازی شد، افزایش مقیاس آن را در مدت کوتاهی می‌توان انجام داد. این مرحله، در شرکت‌هایی که از منابع زیادی از داده و متخصصان دانش بهره‌مند هستند، سریع‌تر پیش خواهد رفت. نتیجتاً، می‌توان پیش‌بینی کرد:
در زمانی که شرکت‌های پیشرو، سهم قابل‌توجهی از بازار را به خود اختصاص داده‌اند و هزینه‌ی عملکردی پایینی دارند، شرکت‌هایی که دیرتر نسبت به پذیرش نوآوری اقدام کرده بودند، هنوز به آماده‌سازی سیستم هوش مصنوعی خود مشغول خواهند بود.
در یک کلام، برندگان میدان رقابت، همه‌چیز را به دست خواهند آورد و شرکت‌های عقب‌مانده، هرگز به پای آن‌ها نخواهند رسید.
به عنوان نمونه، به شرکت فایزر اشاره می‌کنیم که با داشتن 150 پروژه‌ی مرتبط با هوش مصنوعی، یکی از پیشگامان علم تجزیه‌وتحلیل و آزمایش هوش مصنوعی به شمار می‌آید. این شرکت بزرگ، توانمندی و قابلیت‌های بالایی در هوش مصنوعی دارد و توانسته به دستاوردهای مهمی دست پیدا کند. شرکت‌های فناوری محوری مانند آلفابت (Alphabet)، فعالیت بیشتری در این زمینه داشته‌اند و تعداد پروژه‌های هوش مصنوعی آن‌ها از سال 2015 به بعد، به عدد 2700 می‌رسد.
کارگزاران، در حال توسعه‌ی طیف گسترده‌ای از نمودارهای دانش و مدل‌هایی هستند که در آن‌ها از تکنیک‌هایی مانند پردازش زبان طبیعی و بینایی رایانه‌ای (computer vision) استفاده شده است. وقتی برای حل مشکل یک کسب‌وکار یا صنعت، راهکاری وجود دارد و دست‌اندرکاران مربوطه، قصد دارند که با اعمال اصلاحات جزئی، آن را به کار بگیرند، در این صورت، می‌توان باور داشت که فرآیند پذیرش هوش مصنوعی، تسریع شده است. باید توجه داشت که اگر فناوری مربوطه، با زمینه‌ی کاری شرکت، متناسب‌سازی نشود، هیچ مزیت رقابتی برای شرکت وجود نخواهد داشت.
اگر تهدید هوش مصنوعی را از سوی رقیبان و تازه‌واردان، حس می‌کنید و مایل هستید که در حوزه‌ی هوش مصنوعی، خوش بدرخشید، باید دست‌به‌کار شوید و متدها و کاربردهای هوش مصنوعی را در کسب‌وکار خود پیاده‌سازی کنید. تعدادی از شرکت‌های پیشرو، برای این‌که بتوانند مقیاس سیستم‌های هوش مصنوعی خود را گسترش دهند، گروه‌های متمرکزی را ایجاد کرده‌اند. این قبیل از گروه‌ها، به چارچوب‌بندی مشکلات موجود، اثبات فرضیه‌های کسب‌وکاری، تقسیم‌بندی بودجه برای استفاده‌ی مجدد، تعریف تکنیک‌هایی برای مدیریت خطوط داده و آموزش کسب‌وکاری می‌پردازند. توصیه‌ی نویسندگان مقاله، این است: اگر هنوز دست به کار نشده‌اید، بهتر است قبل از آن‌که خیلی دیر شود، فعالیت خود را شروع کنید.
منبع: Hbr
