قطة في حقيبة؟

ينمو الاهتمام بالذكاء الاصطناعي (AI) بسرعة: المزيد والمزيد من الشركات تقرر تنفيذ التقنيات ذات الصلة المصممة لتحويل أعمالها إلى الأفضل. قصص النجاح التي تمشي في السوق تجعل الضجيج مستمر ومع ذلك ، قلة من الناس يجرؤون على القول إن العديد من المشاكل مخفية خلف صورة الصندوق الأسود السحري الذي يطبع النقود. يفضل مصنعو الحلول الجاهزة ، المهتمون ببيع منتجاتهم ، وكذلك المنظمات الاستهلاكية التي سارت على هذا النحو والآن تخيف منافسيهم بجيش من الآلات الذكية ، التركيز على النتائج الإيجابية والتزام الصمت بشأن المشاكل. في ظل هذه الظروف ، يؤدي الافتقار إلى الفهم العميق للتكنولوجيا في معظم الشركات التي لم تتبع هذا المسار إلى توليد توقعات عالية ، وقد تكون خيبة الأمل باهظة الثمن. بمرور الوقت ، تنخفض حصة هذه الشركات ، ويحل محل التفاؤل الأعمى الحذر أو حتى التشاؤم ؛ تفتح التجربة العيون على الاستخدام المحدود للذكاء الاصطناعي والعوامل التي تعيق التبني الواسع لهذه التكنولوجيا.

ومع ذلك ، فإننا نحثك على عدم فقدان الثقة لصالح الذكاء الاصطناعي ، ولكن مع الاستمرار في تقييم الآفاق بحذر ، و "رأس هادئ". لمساعدتك في اكتشاف ذلك ، سنحاول الكشف عن جوهر المشكلات التي تواجه تطور الذكاء الاصطناعي ، وفي نفس الوقت نبدد العديد من الأساطير. في الوقت نفسه ، من خلال تطوير الذكاء الاصطناعي لا نعني تحسين "القدرات العقلية" بقدر ما نعني تغلغلها في أنشطة المنظمات.

-أفضل صديق للرجل

في الآونة الأخيرة ، كان هناك حديث عن أن بعض الناس سيفقدون وظائفهم بسبب الذكاء الاصطناعي. يطمئنهم المتشككون ، بحجة أن ممثلي المهن الإبداعية ليس لديهم ما يخشونه: الذكاء الاصطناعي غير قادر على خلق شيء جديد - شيء لم يسبق له مثيل. سيوافق مطورو الذكاء الاصطناعي ، لكنهم يعرفون أن هذه الحجة يجب اعتبارها أوسع إلى حد ما: في الواقع ، يحتوي أي نشاط على عناصر إبداعية ، باستثناء الروتين ، الذي تمليه تعليمات صارمة.

يمكن أن يُعزى التعرف على الوجوه أو القياسات الحيوية ، على سبيل المثال ، بأمان إلى هذه الفئة من المشاكل ، لأن الشخص يحل هذه المشكلة تقريبًا دون وعي ، دون استخدام قدراته التحليلية ؛ كل ما هو مطلوب هو وجود "عينات" في الذاكرة يتم بها مقارنة الصورة المرئية. على الرغم من التعقيد التكنولوجي للتنفيذ ، يمكن تسمية المهمة بالبساطة نظرًا لخصوصية صياغتها. يتم تحقيق الدخل من خلال أتمتة هذا النشاط بالكامل.

يصعب على الذكاء الاصطناعي المهام التحليلية مثل اكتشاف حالات الاحتيال ، حيث يتغير سلوك المحتالين بانتظام ، ناهيك عن حقيقة أن مفهوم "الاحتيال" ذاته متقلب للغاية ، وقد تصبح بعض المعاملات المشكوك فيها احتيالية بعد فترة طويلة من حدوثها. الذكاء الاصطناعي ليس ذكيًا بما يكفي حتى الآن للتشكيك بشكل مستقل في قراراته الخاصة ، ووضع فرضيات جديدة ، واختبارها ، وتغيير العينة ، ثم التعلم مرة أخرى - يعتبر التدخل النشط من خبير في مجال الموضوع إلزاميًا. وبالتالي ، هذا مثال على عملية تجارية لا يمكن تسليمها بالكامل للذكاء الاصطناعي - يمكن أن تكون فقط مساعدًا لفريق من المحللين المحترفين. يمكن تحقيق الدخل من خلال زيادة كفاءة هذا الفريق.

-الذكاء الاصطناعي هو مساعد الإنسان وليس بدلاً من الإنسان!

-نفقات

لنفترض أن مؤسستك تريد تنفيذ حل ذكاء اصطناعي لأتمتة عملية الأعمال أو المساعدة في اتخاذ القرارات. من حيث الإيرادات ، كل شيء واضح: سيتم تقليل تكاليف التشغيل والأخطاء ودورة الخدمة ودوران الموظفين. شكرا للمروجين لهذا الوضوح. لكن ماذا عن التكاليف؟ سيتطلب تنفيذ مثل هذا المشروع تكلفة شراء المعدات المناسبة (ما لم نتحدث بالطبع عن الخدمات السحابية) ؛ لشراء وتنفيذ وصيانة البرامج. من الممكن تمامًا أن تكون العملية الحالية "كثيفة البشر" وغير الفعالة نظريًا أكثر ربحية من العملية الآلية. لكن هذه الفكرة ، للوهلة الأولى ، تبدو سخيفة.

قائمة البنود "العبثية" لا تنتهي عند هذا الحد. سيؤدي إدخال التقنيات المتطورة إلى زيادة (على المدى القصير على الأقل) في فاتورة الأجور ، حيث سيتطلب متخصصين مؤهلين تأهيلاً عالياً يمكنهم وضع التكنولوجيا على قدميها ودعمها في المستقبل. يؤدي الضجيج حول الذكاء الاصطناعي وعلوم البيانات إلى زيادة عدد هؤلاء المتخصصين في سوق العمل ، مما يزيد من توفرهم ، ولكن لا تنسَ الحاجة إلى تدريبهم بانتظام على التقنيات الجديدة والفروق الدقيقة في مجال الموضوع. مرة أخرى ، هناك تناقض: تخفيض فاتورة الأجور بسبب الأتمتة هو أحد أهداف إدخال الذكاء الاصطناعي ؛ لماذا نتحدث عن نموه؟

تتعلق المشكلة التالية بالبيانات ، التي لا تكون دائمًا وفيرة ، وهي ليست دقيقة دائمًا وليست تمثيلية دائمًا. بعد كل شيء ، وجود مثل هذه البيانات هو الشرط الرئيسي لتشغيل خوارزميات التعلم الآلي. بالطبع ، يمكن تعويض نقص البيانات من خلال الحصول عليها من مؤسسات تابعة لجهات خارجية أو الاستخراج الذي يستغرق وقتًا طويلاً بواسطة أيدي موظفينا - على أي حال ، يمكن إضافة ذلك بأمان إلى قائمة النفقات المحتملة.

-العامل البشري

تنشأ صعوبات إضافية في الاستفادة من استخدام الذكاء الاصطناعي نتيجة عدم ثقة الموظف في التوصيات الصادرة من الصندوق الأسود. يميل الناس إلى ارتكاب الأخطاء ، وهم واثقون من صلاحهم الخاص ، لذلك من المرجح أن يصدقوا خبرتهم ومعرفتهم وحدسهم ، بدلاً من الذكاء الاصطناعي ، الذي لا يستطيع شرح قراراتهم. نتيجة لذلك ، يمكن للموظفين تجاهل التكنولوجيا. لذلك ، من المهم اختبار الخوارزميات بانتظام ، والذي لن يسمح فقط بتحديد أوجه القصور ثم القضاء عليها ، ولكن أيضًا لإثبات فعاليتها للموظفين.

عندما يتعلق الأمر بالاختبار ، من المفيد أن تسأل عن مدى تمثيل النتائج. كقاعدة عامة ، يبدو الاختبار على النحو التالي: يتم إنشاء ظروف قريبة من الظروف الحقيقية ، حيث يجب أن تعمل الخوارزمية ؛ تبدأ الخوارزمية ، وتقدم تنبؤات أو توصيات ؛ أخيرًا ، يتم حساب مؤشرات الأداء (المقاييس). يتم تقييم جودة الخوارزمية من خلال قيم مؤشرات الأداء. ما الفائدة؟ أولاً ، قد تكون الظروف التي يتم فيها الاختبار بعيدة عن الواقع ، مما لن يعطي تقييمًا موضوعيًا. ثانيًا ، يتم اختيار مؤشر الأداء إما من قبل مطور رياضيات قد لا يفهم تمامًا عملية الأعمال ويعطي الأولوية للمقاييس الرياضية ، أو من قبل عميل تجاري ، على العكس من ذلك ، قد يعطي وزناً زائداً لبعض جوانب عمل الخوارزمية دون النظر إلى جوانب أخرى. يجب البحث عن المؤشر الأمثل عند تقاطع عالمين ، لكن حصة الذاتية ستظل قائمة. وبالتالي ، فإن اختيار منهجية الاختبار أمر مهم للغاية ، ويقع على عاتق المطور والعملاء - الأشخاص الذين يعيشون.

من الخرافات الأخرى حول الذكاء الاصطناعي أن خوارزميات التعلم الآلي تتعلم من تلقاء نفسها - ما عليك سوى إرسال البيانات. الأمر ليس كذلك: بعض عناصر تصميمها ، مرة أخرى ، تقع على عاتق المطور ، بناءً على رأي خبيره. المثال الكلاسيكي لهذه العناصر هو المعلمات الوصفية لنماذج التعلم الآلي. بالطبع ، هناك طرق لاختيارها التلقائي ، ولكن في هذه الحالة ، يظل اختيار طريقة معينة ومعلماتها مع المطور.

-التحليلات المستمرة - تحد جديد

حتى عندما يكون هناك الكثير من البيانات التي تم جمعها وكانت دقيقة بما فيه الكفاية ، يستمر خطر حدوث خطأ منهجي: قد تختفي الأنماط القديمة ، وقد تظهر أنماط جديدة. لذلك ، يجب تحديث الخوارزميات بانتظام ، أي بدء عملية التعلم من جديد في كل مرة يتوفر فيها جزء جديد من البيانات ، أو اتخاذ خيار لصالح الخوارزميات التي يمكنها "إعادة التدريب". الخيار الثاني هو الأفضل مع كميات كبيرة من البيانات والحاجة إلى تحديث الخوارزمية بسرعة ، ونتيجة لذلك تكتسب شعبية تحت مصطلح "التحليلات المستمرة" أو "تحليلات التدفق". لكنها أيضًا أكثر تكلفة: ستحتاج إلى معدات قوية ، وربما تداخلًا كاملاً مع البنية التحتية الحالية لتكنولوجيا المعلومات. في الوقت نفسه ، لن يكون من الممكن التخلص تمامًا من مخاطر الخطأ المنتظم - ما نتخذه لنمط جديد قد يتحول إلى شذوذ قصير المدى. ثم ستنسى خوارزمية "إعادة التدريب" القديم الصحيح وتتذكر الجديد الخاطئ. الحل الأمثل ، كما هو الحال دائمًا ، مخفي في حل وسط: يجب تحديد حساسية الخوارزمية للبيانات الجديدة في مرحلة التطوير. يمكن القيام بذلك بناءً على نتائج اختبار الخوارزمية عند مستويات حساسية مختلفة.

-بنية تحتية

أخيرًا ، يجب الانتباه إلى حقيقة أن تضمين الذكاء الاصطناعي في عملية الأعمال يتطلب تغييرات في البنية التحتية والتنظيمية. يمكن للمحللين وعلماء الرياضيات إنشاء نموذج رياضي واعد ، لكن قسم تكنولوجيا المعلومات سيكون مسؤولاً عن تنفيذه في البنية التحتية لتكنولوجيا المعلومات في المؤسسة. هذه المهمة ليست أبسط من إنشاء النموذج نفسه ، وفي الحالات التي يتم فيها تطوير الأنظمة التي يُفترض أن يتم تضمين الذكاء الاصطناعي فيها بواسطة بائع تابع لجهة خارجية ، فقد يتبين أنها غير قابلة للحل. في أغلب الأحيان ، يمكن العثور على مخرج حتى في الحالات الصعبة ، ولكن مع بعض التضحيات - على سبيل المثال ، مع التأخيرات الدورية ، والفشل ، وسرعة المعالجة المنخفضة. كل هذا يمكن أن يقلل من فعالية نظام التوصية أو حتى يحكم على المشروع بالفشل.

في الختام - دعونا نؤكد أن تطوير الذكاء الاصطناعي يتحدد بعاملين: القدرات التكنولوجية والحاجة من الأعمال. ليس كل ما هو ممكن تقنيًا في نفس الوقت ذو قيمة عملية. التحديات التي تواجهها المنظمات عند دمج الذكاء الاصطناعي في عمليات أعمالها تعيق تغلغلها وتطويرها. هذا لا يعني أن التكنولوجيا عديمة الفائدة وليس لها مستقبل - إنها تتطلب فقط نهجًا منظمًا من المنظمة لتشغيل التكنولوجيا. على وجه الخصوص ، فإن المتطلبات الأساسية للتنفيذ الناجح لمثل هذه المشاريع هي التقييم غير المتحيز للفوائد المحتملة وخطة عمل كفؤة تهدف إلى القضاء على المخاطر المحتملة أو التخفيف منها. من المعقول تكليف فريق من المهنيين المتخصصين في تطوير وصيانة الحلول القائمة على الذكاء الاصطناعي بتطوير مثل هذه الخطة وتنفيذها. سيؤدي ذلك إلى تقليل عدم اليقين المرتبط بتعقيد المشروع وزيادة الفائدة التنظيمية.