ما يمكن أن يفعله الذكاء الاصطناعي وما لا يمكن (في الوقت الحالي) القيام به لعملك

الذكاء الاصطناعي هو هدف متحرك. وإليك أفضل طريقة للتصويب عليه.

يبدو أن الذكاء الاصطناعي (AI) يحيط بنا من جميع الجهات. نلتقي به في المنزل وعلى الهاتف. لن يكون لدينا الوقت حتى نصل إلى رشدنا - وفقًا لرواد الأعمال ومبدعي الأعمال - كيف سيكون الذكاء الاصطناعي موجودًا في جميع المنتجات والخدمات تقريبًا التي نشتريها ونستخدمها. بالإضافة إلى ذلك ، فإن نطاق تطبيقه على حل مشاكل الأعمال يتزايد بسرعة فائقة. في الوقت نفسه ، تتزايد الشكوك حول عواقب ظهور الذكاء الاصطناعي. نحن قلقون بشأن كيفية تأثير الأتمتة على مكان العمل وتوفر الوظائف والمجتمع.

في بعض الأحيان يتم فقدان الواقع بين مخاوف وانتصارات العناوين التي تحكي عن Alexa و Siri و AlphaGo ، لأن تقنيات الذكاء الاصطناعي - التعلم الآلي ومجموعتها الفرعية ، التعلم العميق - لها العديد من القيود ، والتي تتطلب التغلب عليها الكثير من الجهد. تصف هذه المقالة هذه القيود ، وينبغي أن تساعد المديرين على فهم أفضل لما يمنع بالضبط محاولاتهم لتطبيق الذكاء الاصطناعي. سنصف أيضًا اختراقات واعدة تهدف إلى إزالة بعض القيود وخلق موجة جديدة من الفرص.

تعتمد آفاقنا على مزيج من العمل في المقدمة - البحث والتحليل وتقييم المئات من حالات الاستخدام الحقيقية - والتعاون مع بعض المفكرين والعلماء والمهندسين المتقدمين العاملين في المجالات المتقدمة المتعلقة بالذكاء الاصطناعي. لقد حاولنا استخلاص جوهر خبرتهم ومساعدة مديري المؤسسات ، والتي ، كما تظهر تجربتنا ، غالبًا ما يتم توجيهها فقط بمبادرتهم الخاصة ولا تفهم دائمًا جيدًا أين أحدث أو ما هو متاح بالفعل للذكاء الاصطناعي.

ببساطة ، تخلق مشاكل وقيود الذكاء الاصطناعي مشكلة "هدف متحرك" للقادة: من الصعب عليهم الوصول إلى الحد الأقصى ، لأنه يتحرك باستمرار. غالبًا ما يكون الأمر محبطًا عندما تتعثر محاولات استخدام الذكاء الاصطناعي على الحواجز الواقعية - وهذا قد يقلل من الدافع لمزيد من الاستثمارات أو يؤدي إلى وجهة نظر "الانتظار والترقب" ، بينما سيستمر الآخرون في التقدم إلى الأمام. تظهر دراسة حديثة أجراها معهد McKinsey World Institute أن هناك فجوة متزايدة بين القادة والأشخاص المتخلفين في استخدام الذكاء الاصطناعي - ويمكن ملاحظة ذلك في مقارنة الصناعات المختلفة وداخل كل منها (المعرض 1).


العرض الأول: سيستثمر قادة الذكاء الاصطناعي في المستقبل القريب المزيد منه. عموديًا: تقدير الزيادة في الإنفاق على الذكاء الاصطناعي كنسبة مئوية في السنوات الثلاث المقبلة ؛ أفقي: النسبة المئوية للشركات التي تستخدم بالفعل AI

يجب أن يتمكن المديرون الذين يحاولون سد الفجوة من العمل مع الذكاء الاصطناعي بطريقة مستنيرة. وبعبارة أخرى ، فهم بحاجة إلى فهم ليس فقط في المجالات التي يمكن للذكاء الاصطناعي فيها أن يحفز الابتكار والأفكار وصنع القرار ، مما يؤدي إلى زيادة الأرباح والكفاءة - ولكن أيضًا حيث لا يستطيع الذكاء الاصطناعي المساعدة بعد. علاوة على ذلك ، يجب عليهم قبول العلاقة والاختلافات بين القيود التقنية والتنظيمية - الحواجز الثقافية ، ونقص الموظفين الذين يمكنهم إنشاء حلول الذكاء الاصطناعي الجاهزة للأعمال ، ومشكلة "الميل الأخير" لتضمين الذكاء الاصطناعي في المنتجات والعمليات. إذا كنت تريد أن تصبح قائدًا يفهم بعض المشكلات التقنية الحرجة التي تبطئ تقدم الذكاء الاصطناعي ، وعلى استعداد للاستفادة من التطورات الواعدة التي يمكن أن تتغلب على هذه القيود وربما تغير مسار تطوير الذكاء الاصطناعي ، تابع القراءة.

التحديات والقيود والفرص

ستكون النقطة المرجعية المفيدة هي فهم التطورات الحديثة في تكنولوجيا التعلم العميق (GO). ربما تكون هذه التطورات الأكثر إثارة في مجال الذكاء الاصطناعي ، وقد حققت زيادة هائلة في الكفاءة في التصنيفات والتنبؤات ، دون إشراف تقليدي. يستخدم GO الشبكات العصبية واسعة النطاق القادرة على احتواء الملايين من "الخلايا العصبية" المحاكاة الموزعة في طبقات. تسمى خيارات الشبكة الأكثر شيوعًا الشبكات العصبية التلافيفية (SNA) والشبكات العصبية المتكررة (RNS). يتم تدريب هذه الشبكات العصبية باستخدام بيانات التدريب وخوارزميات الانتشار العكسي .

في حين تم إحراز تقدم مثير للإعجاب في هذا المجال ، لا يزال هناك الكثير الذي يتعين القيام به. اللحظة الحاسمة هي ضبط الذكاء الاصطناعي لمهمة محددة والبيانات المتاحة. نظرًا لأن هذه الأنظمة ليست مبرمجة ، ولكنها مدربة ، غالبًا ما تتطلب العمليات المختلفة لعملها من أجل التنفيذ الدقيق للمهام المعقدة قدرًا كبيرًا من البيانات المميزة. يمكن أن يكون الحصول على مجموعة بيانات كبيرة أمرًا صعبًا. في بعض المناطق ، قد لا تكون موجودة ببساطة ، ولكن حتى لو كانت موجودة ، يمكن أن يستغرق وضع العلامات كمية هائلة من الموارد البشرية.

بالإضافة إلى ذلك ، في هذه النماذج ، قد يكون من الصعب فك شفرة كيفية وصول نموذج رياضي ، تم تدريبه بمساعدة GO ، إلى توقع أو توصية أو حل معين. قد تكون فائدة الصندوق الأسود ، حتى إذا كان يحقق غرضه ، محدودة ، خاصة في الحالات التي تؤثر فيها تنبؤاته أو قراراته على المجتمع ولها عواقب تتعلق بصحة الإنسان. في مثل هذه الحالات ، يحتاج المستخدم غالبًا إلى معرفة "لماذا" - على سبيل المثال ، كيف وصلت الخوارزمية بالضبط إلى هذه التوصيات - إذا كان لأفعالها عواقب قانونية أو تنظيمية. لماذا كانت بعض العوامل ، وليس بعض العوامل الأخرى ، حاسمة في هذه الحالة.

دعونا نفحص خمسة عوامل مترابطة تبدأ فيها هذه القيود والخيارات الناشئة للتحايل عليها تلعب دورًا.

الحد 1: ترميز البيانات

تتدرب معظم نماذج الذكاء الاصطناعي الحديثة باستخدام "التعلم تحت الإشراف". هذا يعني أنه يجب على الناس وضع علامة على البيانات المصدر وتصنيفها - وقد يكون هذا العمل صعبًا وعرضة للخطأ. على سبيل المثال ، تقوم شركات robomobile بتعيين مئات الأشخاص لوضع علامات يدويًا على ساعات عديدة من الفيديو للمساعدة في تدريب هذه الأنظمة. في الوقت نفسه ، تظهر تقنيات واعدة جديدة - على سبيل المثال ، التحكم في التدفق (الذي أظهره إريك هورفيتز وزملاؤه من Microsoft Research) ، حيث يمكن تمييز البيانات أثناء الاستخدام الطبيعي. تقلل النُهج غير المنضبط أو المتحكم فيها جزئيًا من الحاجة إلى مجموعات بيانات كبيرة وموسومة. هناك أسلوبان واعدان هما التدريب التعزيزي وشبكة تنافسية تنافسية .

تدريب مقوى. تسمح تقنية التعلم غير الخاضعة للرقابة الخوارزميات للتعلم ببساطة عن طريق التجربة والخطأ. تستخدم المنهجية طريقة الجزرة والعصا: لكل محاولة لإكمال مهمة ، تتلقى الخوارزمية مكافأة (على سبيل المثال ، درجة عالية) إذا كان سلوكها ناجحًا ، أو العقوبة على خلاف ذلك. مع زيادة عدد التكرارات ، تزداد الكفاءة أيضًا ، وتتجاوز في كثير من الحالات القدرات البشرية - طالما أن بيئة التعلم تتوافق مع العالم الحقيقي.

يشتهر التعلم المعزز باستخدام ألعاب الكمبيوتر في تعليم أجهزة الكمبيوتر - وقد تم أيضًا تضمين الأطباء العامين في هذا المخطط. في مايو 2017 ، على سبيل المثال ، ساعد نظام AlphaGo AI على التغلب على بطل العالم Ke Ze في لعبة go. كمثال آخر ، بدأت Microsoft في تقديم الخدمات التي تستفيد من التعلم المعزز والتكيف مع تفضيلات المستخدم. التطبيق المحتمل للتعلم المعزز مناسب لمختلف أنواع المؤسسات. من بين الاحتمالات ما يلي: التداول في الأوراق المالية باستخدام الذكاء الاصطناعي ، الذي يكسب أو يفقد نقاطًا للحصول على التمويل أو خسارته ؛ محرك توصيات المنتج ، تلقي نقاط لكل عملية بيع بناء على التوصية ؛ يتلقى البرنامج الذي يبني طرقًا لنقل البضائع ، مكافأة مقابل التسليم في الوقت المحدد أو تقليل استهلاك الوقود.

يمكن أن يساعد التعلم المعزز أيضًا الذكاء الاصطناعي على تجاوز القيود الطبيعية والاجتماعية للترميز البشري من خلال تطوير حلول لم يفكر فيها أحد من قبل ، واستراتيجيات لم يفكر حتى اللاعبون من ذوي الخبرة في استخدامها. في الآونة الأخيرة ، على سبيل المثال ، هزم نظام AlphaGo Zero ، باستخدام التدريب المعزز من نوع جديد ، سلفه AlphaGo من خلال تعلم اللعب من الصفر. كان ذلك يعني البدء بلعبة عشوائية تمامًا مع نفسك ، بدلاً من التدرب في الألعاب التي يلعبها الناس ومع الناس.

شبكات الخصومة التوليدية (GSS). في هذا النموذج من التدريب مع التحكم الجزئي ، تتنافس شبكتان مع بعضهما البعض لتحسين وتحسين فهمهم لمفهوم معين. على سبيل المثال ، من أجل التعرف على شكل الطيور ، تحاول إحدى الشبكات العثور على الاختلافات بين الصور الحقيقية والمزيفة للطيور ، ويحاول منافسها خداعها عن طريق إصدار صور مشابهة جدًا لصور الطيور ، وليس تلك. عندما تبدأ الشباك في الرسم ، يصبح تمثيل الطائر في كل نموذج أكثر دقة.

يمكن لقدرة GSS على تقديم أمثلة بيانات معقولة بشكل متزايد أن تقلل إلى حد كبير من حاجة الأشخاص لوضع علامات على مجموعات البيانات. على سبيل المثال ، لتدريب الخوارزمية على التعرف على الأورام في الصور الطبية ، عادةً ما تكون هناك حاجة إلى ملايين الصور المصنفة من قبل الأشخاص للإشارة إلى أنواع ومراحل تطور الورم. باستخدام GSS ، المدرب على إنتاج صور واقعية بشكل متزايد لأنواع مختلفة من الأورام ، يمكن للباحثين تدريب خوارزمية التعرف على الورم ، والجمع بين قاعدة بيانات أصغر بكثير من البيانات المصنفة من قبل الناس مع الإخراج من GSS.

على الرغم من أن استخدام GSS لإجراء تشخيص دقيق للأمراض لا يزال بعيدًا عن التنفيذ ، فقد بدأ الباحثون بالفعل في استخدام GSS في سياقات معقدة بشكل متزايد. وهي تشمل: فهم وإنتاج الأعمال الفنية بأسلوب فنان معين ؛ استخدام صور الأقمار الصناعية والتعرف على المعالم الجغرافية لإنشاء خرائط ذات صلة بالمناطق سريعة النمو.

الحد 2: الحصول على مجموعات بيانات التدريب الضخمة

لقد ثبت بالفعل أن تقنيات الذكاء الاصطناعي البسيطة التي تستخدم النماذج الخطية ، في بعض الحالات ، يمكن أن تقترب من قدرات الخبراء الطبيين في المجالات الأخرى. ومع ذلك ، فإن الموجة الحالية للتعلم الآلي تتطلب مجموعات بيانات تدريب - ليس فقط مُصنفة ، ولكن أيضًا كبيرة العدد وشاملة أيضًا. تتطلب طرق GO آلاف السجلات لتجميع النماذج الجيدة نسبيًا والقادرة على التصنيف ، وفي بعض الحالات ، ملايين السجلات للاقتراب من مستوى الشخص.

تكمن الصعوبة في صعوبة الحصول على مجموعات البيانات الضخمة هذه أو إنشاؤها في العديد من الحالات التجارية. قد يتطلب كل تغيير طفيف في المهمة مجموعة بيانات كبيرة أخرى وتدريبًا جديدًا. على سبيل المثال ، قد يتطلب تدريب مركبة ذاتية الحركة للتنقل حول موقع التعدين ، حيث يتغير الطقس غالبًا ، مجموعة بيانات تتضمن الظروف البيئية المختلفة التي قد تواجهها الماكينة.

يمكن لتقنية التعلم بلقطة واحدة أن تقلل من الحاجة إلى مجموعات بيانات كبيرة وتسمح لنموذج الذكاء الاصطناعي بتعلم ميزات الكائن بعدد صغير من العروض أو الأمثلة الحقيقية (في بعض الحالات ، حتى واحدة). ستقترب قدرات الذكاء الاصطناعي من شخص يمكنه التعرف بدقة على الممثلين المختلفين من نفس الفئة بعد أن يتعرف على مثال واحد فقط - على سبيل المثال ، مع شاحنة بيك آب واحدة. في هذه المنهجية ، التي لا تزال قيد التطوير ، يقوم العلماء أولاً بتدريب النماذج بشكل أولي في الواقع الافتراضي المحاكي ، حيث توجد خيارات للمهمة ، أو ، في حالة التعرف على الأنماط ، صورة كائن. ثم ، بعد أن أظهرت النماذج عدة خيارات للكائن في العالم الحقيقي ، والتي لم يراها الذكاء الاصطناعي في الواقع الافتراضي ، أن المرء سيستخدم المعرفة الموجودة للتوصل إلى الحل الصحيح.

ونتيجة لذلك ، يمكن أن يساعد هذا النوع من التدريب لمرة واحدة في إنشاء نظام يقوم بمسح النصوص بحثًا عن انتهاك حقوق النشر أو التعرف على شعار الشركة في مقطع فيديو بعد التعرف على مثال واحد فقط عليه. اليوم ، هذه التطبيقات في مراحلها الأولى. لكن فائدتها وفعاليتها يمكن أن توسع بسرعة إمكانيات استخدام الذكاء الاصطناعي في مختلف الصناعات.

القيد 3: مشكلة التفسير

التفسير ليس مشكلة جديدة لأنظمة الذكاء الاصطناعي. لكنها تنمو جنبًا إلى جنب مع النجاحات وتبني الدفاع المدني ، لأنه لا يقتصر فقط على تنوع التطبيقات ، ولكن أيضًا تعتيمها. كلما كان النموذج أكبر وأكثر تعقيدًا ، كلما كان من الصعب شرحه من الناحية البشرية لماذا تم اتخاذ هذا القرار أو ذاك (وهذا أكثر صعوبة في القيام به إذا حدث كل شيء في الوقت الحقيقي). هذا أحد الأسباب التي تجعل استخدام بعض أدوات الذكاء الاصطناعي لا يتوسع كثيرًا في المجالات التي تكون فيها الشرح مفيدة أو ضرورية. علاوة على ذلك ، مع توسيع نطاق الذكاء الاصطناعي ، يمكن لمتطلبات المنظمين أيضًا أن تزيد من الحاجة إلى نماذج الذكاء الاصطناعي بمستوى عالٍ من قابلية الشرح.

هناك نهجان واعدان ناشئان لزيادة شفافية النموذج هما التفسيرات المحلية الملغاة للنموذج المحلي (LIMEs) وتقنيات الانتباه (المعرض 2). يحاول LIME تحديد أجزاء بيانات المدخلات التي يستند إليها النموذج المتدرب بشكل أساسي في حساباته من أجل تطوير نموذج وسيط قابل للتفسير. تبحث هذه التقنية في العديد من مقاطع البيانات في وقت واحد وتلاحظ كيف تتغير التنبؤات من أجل ضبط النموذج المتوسط ​​وتطوير تفسير أكثر دقة (على سبيل المثال ، استبعاد العيون بدلاً من الأنف للتحقق من أيهما أكثر أهمية للتعرف على الوجه). تصور تقنيات الانتباه تلك الأجزاء من بيانات الإدخال التي يعتمد عليها النموذج في اتخاذ قرار محدد (على سبيل المثال ، التركيز على الفم لتحديد ما إذا كان الشخص في الصورة).


الوثيقة التوضيحية 2

تقنية أخرى تم استخدامها لبعض الوقت هي النماذج المضافة المعممة (OAM). باستخدام النماذج مع ميزة واحدة ، يحد OAM من تفاعل الميزات ، ونتيجة لذلك يصبح كل منها أكثر قابلية للتفسير للمستخدمين. من المتوقع أن يساعد اعتماد هذه التقنيات وغيرها من التقنيات التي تسعى إلى إزالة ستار الغموض من الذكاء الاصطناعي بشكل كبير في زيادة استخدام الذكاء الاصطناعي.

الحد 4: تعميم التعميم

على عكس البشر ، بالكاد تنقل نماذج الذكاء الاصطناعي تجربتها من مجموعة من الظروف إلى مجموعة أخرى. في الواقع ، كل ما حققه النموذج في تطبيق معين يظل قابلاً للتطبيق فقط على هذه الحالة. ونتيجة لذلك ، يتعين على الشركات إنفاق الموارد باستمرار على تدريب النموذج التالي ، على الرغم من أن مهام تطبيقهم متشابهة للغاية.

أحد الإجابات الواعدة لهذا التحدي هو التعلم المحمول. في هذا النهج ، يتم تدريب نموذج الذكاء الاصطناعي على حل مشكلة معينة ، ثم تطبيق هذا التدريب بسرعة على عمل مماثل ولكن مختلف. أظهر باحثون من DeepMind نتائج واعدة مع نقل التعلم في التجارب التي تم فيها نقل التدريب باستخدام الواقع الافتراضي للتحكم في الأطراف الروبوتية الحقيقية.

يتطور التعلم المحمول والأساليب العامة الأخرى ، ويمكن أن تساعد المؤسسات بسرعة في إنشاء طرق جديدة لتطبيق وإضافة وظائف جديدة إلى الأساليب الحالية وأساليب العمل. على سبيل المثال ، عند إنشاء مساعد افتراضي ، يمكن أن يعمل التدريب المحمول على تعميم تفضيلات المستخدم من منطقة (مثل الموسيقى) إلى أخرى (مثل الكتب). حالات الاستخدام لا تقتصر على المنتجات الرقمية. يمكن أن يساعد التدريب المحمول ، على سبيل المثال ، شركة النفط والغاز في توسيع استخدام خوارزميات الذكاء الاصطناعي المدربة على صيانة الآبار التنبؤية إلى معدات أخرى ، مثل خطوط الأنابيب ومنصات الحفر. يمكن للتدريب المحمول ، حتى من حيث المبدأ ، أن يحدث ثورة في تحليلات الأعمال: تخيل أداة للذكاء الاصطناعي تحلل البيانات وتفهم كيفية تحسين أرباح شركات الطيران ، وقادرة على تكييف نموذجها مع التغيرات في الطقس أو الاقتصادات المحلية.

نهج آخر هو استخدام شيء يصف تقريبًا الهيكل المعمم كما يطبق على مختلف المشاكل. على سبيل المثال ، استخدم AlphaZero من DeepMind نفس الهيكل لثلاث ألعاب مختلفة: كان من الممكن مع هذا الهيكل المعمم تدريب نموذج لعبة الشطرنج في يوم واحد ، بحيث فازت لاحقًا ضد برنامج بطل العالم.

أخيرًا ، تخيل إمكانات تقنيات التعلم التلوي الوليدة التي تحاول أتمتة تطوير نماذج التعلم الآلي. على سبيل المثال ، يستخدم فريق Google Brain AutoML لأتمتة تطوير الشبكات العصبية لتصنيف الصور على مجموعات بيانات واسعة النطاق. واليوم ، تعمل هذه التقنيات تمامًا مثل تلك التي طورها البشر.يبدو هذا التطور واعدًا ، خاصةً بسبب حقيقة أن العديد من المؤسسات تعاني من نقص في الموظفين الموهوبين. من الممكن أيضًا أن يتجاوز التعلم التلوي القدرات البشرية ويحسن النتائج. من المهم أن نفهم أن هذه التقنيات لا تزال في المراحل الأولى من التطوير.

الحد 5: بيانات وخوارزميات التحيز

حتى الآن ، ركزنا على القيود التي يمكن التغلب عليها من خلال الأساليب التقنية قيد التطوير بالفعل ، والتي وصفنا بعضها. التحيز هو نوع مختلف من المشاكل. يمكن أن تنتظرنا العواقب الاجتماعية المدمرة المحتملة عندما يحدد الإدمان البشري (الواعي أو اللاواعي) البيانات التي يجب استخدامها وأيها يجب تجاهلها. علاوة على ذلك ، عندما تختلف عملية جمع البيانات وتكرارها اعتمادًا على المجموعات والسلوكيات المختلفة ، يمكن للمرء أن يتوقع مشاكل في كيفية تحليل الخوارزميات لهذه البيانات والتعلم منها وإجراء التنبؤات. من بين العواقب السلبية: قرارات تعيين الموظفين على أساس المعلومات الخاطئة ، والتنبؤات العلمية أو الطبية المشوهة ، والنماذج المالية غير الصحيحة ، والقرارات المتعلقة بالقضايا الجنائية ،والقرارات القانونية الخاطئة. في كثير من الحالات ، يظل هذا التحيز غير مكتشف أو يتم تجاهله تحت ستار "علوم البيانات المتقدمة" أو "البيانات والخوارزميات الخاصة بالملكية" أو "التحليل الموضوعي".

من خلال نشر خوارزميات التعلم الآلي والذكاء الاصطناعي في مناطق جديدة ، قد نواجه مظاهر جديدة لمشاكل التحيز هذه التي تنشأ في مجموعات البيانات والخوارزميات. وعادة ما يبقون هناك ، لأنه من أجل التعرف عليهم واتخاذ خطوات للقضاء عليهم ، تحتاج إلى فهم عميق لكل من تكنولوجيا العمل مع البيانات والتفاعلات الاجتماعية القائمة ، بما في ذلك عملية جمع البيانات. بشكل عام ، يعد التحيز أحد أصعب العقبات ، وبالتأكيد أكثر العبء الاجتماعي.

الآن هناك الكثير من الأبحاث ، النظرية وجمع البيانات حول أفضل الطرق لاستخدام الذكاء الاصطناعي ، في محاولة لحل المشكلات الموضحة في المجالات الأكاديمية وغير التجارية والخاصة. وقد حان الوقت - من المحتمل أن تصبح هذه المشكلة أكثر فأكثر حرجة ، وتثير المزيد والمزيد من الأسئلة. ضع في اعتبارك ، على سبيل المثال ، حقيقة أن العديد من هذه الأساليب التنبؤية القائمة على التعلم والإحصاءات تفترض ضمنيًا أن المستقبل مثل الماضي. وماذا سنفعل في البيئة الاجتماعية والثقافية عندما تغير الإجراءات التي نتخذها - وأين يمكن أن يبطئ اتخاذ القرار القائم على السلوك السابق التقدم (أو الأسوأ من ذلك ، تطوير مقاومة التغيير)؟ العديد من القادة ، بما في ذلك قادة الأعمال ،قد تواجه قريبًا الحاجة إلى إيجاد إجابات لهذه الأسئلة.

كيفية ضرب هدف متحرك

قد يستغرق الأمر سنوات لإيجاد حلول للقيود الموصوفة ونشر التطبيق التجاري للتطورات المتقدمة المشار إليها هنا. لكن مجموعة مثيرة من القدرات المرتبطة بالذكاء الاصطناعي تشير إلى أن الخيال يمكن أن يكون أكبر قيود على الذكاء الاصطناعي. فيما يلي بعض النصائح للقادة الذين يحاولون أن يكونوا في الطليعة ، أو على الأقل مواكبة الاتجاهات المتطورة.

تعلم معلومات جديدة ، وتكييف ، ومواكبة.

على الرغم من أن معظم مديري المؤسسة لا يحتاجون إلى معرفة الفرق بين الشبكات العصبية التلافيفية والمتكررة ، إلا أنك تحتاج إلى أن تكون على دراية عامة بقدرات الأدوات الحديثة ، وأن يكون لديك شعور عام بموعد حدوث الاختراقات على المدى القصير ، وأن ترى احتمالات ما وراء الأفق. مقابلة خبراء البيانات والتعلم الآلي ، والتحدث مع رواد الذكاء الاصطناعي للتكيف مع المعرفة الحالية ، وحضور مؤتمرين للذكاء الاصطناعي للحصول على معلومات حول الحقائق الحقيقية ؛ يمكن أن تكون المقالات الإخبارية مفيدة ، ولكنها يمكن أن تكون أيضًا جزءًا من الضجيج. طريقة أخرى جيدة لمواكبة التطورات الجديدة هي البحث الذي أجراه خبراء على دراية ، مثل مؤشر الذكاء الاصطناعي (مشروع لمجموعة Centennial AI Research Group "من ستانفورد).

ابدأ باستخدام إستراتيجية بيانات معقدة.

تحتاج خوارزميات الذكاء الاصطناعي إلى المساعدة في الكشف عن الأفكار الجديدة الكامنة في البيانات التي تم إنشاؤها بواسطة نظامك. يمكن مساعدتهم من خلال تطوير استراتيجية شاملة للعمل مع البيانات ، مع التركيز ليس فقط على التقنيات اللازمة لجمع البيانات من أنظمة فردية ، ولكن أيضًا على توافر البيانات ، ونظام استلامها وترميزها وإدارتها. وعلى الرغم من أن التقنيات الجديدة تعد بتقليل كمية البيانات اللازمة لتدريب خوارزميات الذكاء الاصطناعي ، إلا أن التدريب الخاضع للرقابة الذي يتطلب كميات كبيرة من البيانات ، لا يزال يمثل التكنولوجيا السائدة. وحتى التقنيات التي تهدف إلى تقليل الكمية المطلوبة من البيانات لا تزال بحاجة إلى نوع من البيانات. لذلك ، ستكون النقطة الأساسية لكل هذا معرفة دقيقة ببياناتك وكيفية استخدامها على أفضل وجه.

فكر خارج الصندوق.

لا تزال تقنيات نقل النقل في مهدها ، ولكن هناك دائمًا فرصة لتحقيق حلول باستخدام الذكاء الاصطناعي في العديد من المجالات ، وليس في مجال واحد فقط. إذا كنت قد قمت بحل مشكلة مثل الصيانة التنبؤية للمعدات في مستودع كبير ، فهل يمكن تطبيق هذا الحل على المنتجات الاستهلاكية؟ هل يمكنني استخدام تلميحات فعالة "ما الذي يمكن شراؤه" عبر قنوات توزيع منتجات متعددة؟ شجع أقسام الشركة على مشاركة المعرفة مع بعضها البعض والتي يمكن أن تكشف عن طرق لاستخدام أفضل حلول وأفكار الذكاء الاصطناعي في العديد من مجالات شركتك.

كن مبتكرًا.

لا يعد مجرد مواكبة تقنيات الذكاء الاصطناعي الحديثة وحالات الاستخدام كافية للبقاء تنافسية على المدى الطويل. قم بإقناع المتخصصين في معالجة البيانات أو الترتيب مع خبراء خارجيين لحل مشكلة مفيدة بمساعدة التقنيات الناشئة - مثل تلك المذكورة في هذه المقالة. اكتشف دائمًا ما يمكن فعله وما أصبح متاحًا. تتوفر الآن العديد من أدوات التعلم الآلي ومجموعات البيانات والنماذج المدربة للتطبيقات القياسية (بما في ذلك الكلام والرؤية والتعرف على الانفعالات) للمستخدم العام. في بعض الأحيان تكون متاحة في شكل مشاريع برمز مصدر ، في حالات أخرى من خلال واجهات البرامج (APIs) التي تم إنشاؤها بواسطة كبار الباحثين والشركات. احترس من هذه الميزات ،يمكنهم مساعدتك في ملاحظة الفوائد للرواد.

آفاق الذكاء الاصطناعي ضخمة ، والتقنيات والأدوات والعمليات المطلوبة لترجمة هذه الوعود إلى عمل لم يتم إعدادها بالكامل بعد. إذا كنت تعتقد أنه يمكنك الانتظار ، دع التقنية تتشكل ، ثم استخدمها بنجاح من الأولى - فكر مرة أخرى. من الصعب جدًا القفز من وضع ثابت ، خاصة إذا كان الهدف يتحرك بسرعة كبيرة ، وأنت لا تفهم ما يمكن لتقنيات الذكاء الاصطناعي الحديثة وما لا يمكنها القيام به. وبينما استعد الباحثون والرواد في مجال الذكاء الاصطناعي لحل المشكلات الأكثر حدة اليوم ، فقد حان الوقت للبدء في فهم ما يحدث في طليعة الذكاء الاصطناعي حتى تتمكن من إعداد مؤسستك بشكل صحيح ومساعدتها على تعلم فرص جديدة ، واستخدامها وحتى الترويج لها التالي.