اولین مفهوم “ماشین یادگیری” در سال 1950 میلادی در ژورنال فلسفی “Mind” که توسط محقق و دانشمند آلن تورینگ نوشته شده بود، برای همگان معرفی شد. 5 سال بعد از آن، اولین نمونه اولیه هوش مصنوعی، نظریه منطق، برای ادامه حرکت راه اندازی شد. همه اینها قبل از قابلیت های محاسباتی دیجیتال، تراشه های سیلیکونی، اینترنت یا نمایش های صفحه نمایش رخ داده است.
بنابراین، نگاهی به گذشته به میزان پیشرفت هوش مصنوعی (AI) طی 77 سال از زمان شروع هوش مصنوعی قابل توجه است. هوش مصنوعی با توانایی خود در تصمیم گیری های تجاری دقیق، تحولات را در مشاغل مختلف کاتالیز می کند و فرآیندهای قدیمی را که سال ها به آن تکیه می کردند متحول می نماید.
علیرغم پتانسیل آشکار هوش مصنوعی، برخی از کسب و کارها و رهبران صنعت فاصله ای محتاطانه از آن را حفظ می کنند و در پذیرش کامل مزایای آن در عملیات خود تردید دارند. آیا کسب و کار شما هم به طور فعال در حال بررسی مزایای هوش مصنوعی است؟ یا به طور ناخواسته موانعی برای پذیرش آن ایجاد می کنید؟
ریشه ها و تاریخچه هوش مصنوعی
در یکی از روزهای تابستان سال 1956 میلادی، در یک رویداد مهم که شروع غیررسمی هوش مصنوعی را رقم زد، ریاضیدانان و فیزیکدانان در کالج دارتموث گرد هم آمدند تا در مورد کار یادگیری ماشین تحقیق کنند. هدف اعلام شده این گروه آن بود که بفهمند چگونه می توان چارچوبی از فکر را برای درک بهتر هوش انسانی و چگونگی آگاهی بیشتر ماشین ها با این هوش ابداع کرد.
اما در طول سال های گذشته، هوش مصنوعی به طور پیوسته در آزمایشگاه های تحقیقاتی پیشرفت کرده است. مدل های یادگیری ماشین ابتدایی بودند، داده های آموزشی کمیاب بودند و قدرت محاسباتی محدود بود. اما بلوک های سازنده وجود داشت: شبکه های عصبی، معماری های یادگیری عمیق و افزایش تولید داده.
در حدود سال 2010 میلادی، همه چیز شروع به اوج گرفت. ظهور کلان داده، پردازنده های گرافیکی و چارچوب های منبع باز مانند TensorFlow باعث پیشرفت سریع شد. سرمایه گذاری سرازیر شد و دانشگاهیان شروع به راه اندازی استارتاپ ها کردند.
دهه گذشته در واقع دوره شکست هوش مصنوعی برای ورود به جریان اصلی بود. پلتفرم های هوش مصنوعی به سازمان ها این امکان را می دهند که فرآیندهای هوش مصنوعی را بدون نیاز به مدرک دکترا اعمال کنند. در یادگیری ماشینی ما شاهد کاربردهای تجاری بیشتری برای اقدامات مختلف هوش مصنوعی بودیم، مانند بینایی کامپیوتر، NLP (پردازش زبان طبیعی)، دستیارهای دیجیتال و موارد دیگر.
هوش مصنوعی مولد
امروزه، هوش مصنوعی در توصیه به تماشای چه فیلم هایی و مسیرهایی که رانندگی می کنیم فراگیر شده است و به بسیاری از سؤالات ما انسان ها پاسخ می دهد. در ماه های اخیر، هوش مصنوعی فراتر از تشخیص الگو و توانایی های مولد مانند ایجاد متن اصلی، تصاویر، صداها و موارد دیگر حرکت کرده است. مدل های هوش مصنوعی همچنین به بزرگ تر، سریع تر و توانمندتر شدن ادامه می دهند و احتمالات بی شماری را برای تأثیرگذاری آنها بر آینده کار باز می کنند.
هوش مصنوعی مولد بخش عمده ای از پوشش رسانه ای را دریافت می کند، با هیجان و ترس در مقیاس های مساوی برای ابزارهایی مانند ChatGPT، Bard، و غیره. Dall-E و Midjourney مبتنی بر تصویر و سایر ابزارهای عملیات مالی تجاری با کمک هوش مصنوعی به بازار می آیند.
در عین حال، امکانات بالقوه بی حد و حصر چنین ابزارهایی، درخواست هایی را برای تحقیقات و مقررات بیشتر در سراسر جهان برانگیخته است. به طور مشابه، شرکت ها باید مراقب استراتژی هوش مصنوعی باشند تا از استفاده از ابزارهای پایدار اطمینان حاصل کنند.
موانع فرزندخواندگی
در برخی از بخش های کسب و کار، پذیرش هوش مصنوعی از نظر دامنه محدود بوده است و در نتیجه مانع از گسترش و رشد آن می شود. سطوح استفاده بالقوه هوش مصنوعی بسیار فراتر از سطوح آمادگی امروزی اکثر مشاغل مدرن است. ممکن است کارهای زیادی برای انجام دادن وجود داشته باشد.
چرخه های تبلیغات و سرخوردگی در هوش مصنوعی نیز شک و تردید را تقویت می کند. شکست در چرخه هیاهوی گارتنر باعث شده است که کسب و کارها در مورد استقرار هوش مصنوعی در مقیاس بزرگ محتاط باشند.
یکی از حلقه های گمشده در معادله داشتن مجموعه داده های تمیز و با کیفیت است. داده های قوی همچنان حیاتی است. در واقع، قابلیت های هوش مصنوعی در طول زمان رشد کرده اند، اما اغلب به شدت به داده های باکیفیت داده می شوند.
متأسفانه، بسیاری از شرکت ها داده های تکه تکه شده را در سراسر سیستم های siled پخش می کنند. پاکسازی و تثبیت آن نیازمند تلاش های مهندسی داده قابل توجهی است و داده های کثیف منجر به خروجی های مدل معیوب می شوند. البته مهم هم نیست که الگوریتم ها چقدر پیشرفته باشند.
ابزارهای هوش مصنوعی می توانند کمک کنند. شرکت ها می توانند برای بهبود کیفیت داده های داخلی، سرمایه گذاری قوی تری بر روی خطوط لوله داده و حاکمیت سرمایه گذاری کنند، شواهد مفهومی هوش مصنوعی هدفمند و دارای دامنه مناسب برای کسب و کار را بررسی کنند و هوش مصنوعی را به عنوان سفری مداوم ببینند که به صبر و تمایل به یادگیری نیاز دارد.
نکاتی برای بهبود پذیرش هوش مصنوعی
برای آن دسته از افرادی که تمایل بیشتری به استفاده از هوش مصنوعی دارند، در اینجا نکاتی وجود دارد که هوش مصنوعی می تواند تقریباً بلافاصله بهبودهای اساسی در آنها ایجاد کند:
1. اتوماسیون وظایف مربوط به ورود و تجزیه و تحلیل داده ها
2. مدل های پردازش زبان طبیعی که می توانند تفاوت ها را در داده ها شناسایی کنند
3. مدیریت موجودی و نگهداری دارایی
4. افزایش نیروی انسانی برای بهبود بهره وری و به حداقل رساندن زمان صرف شده برای کارهای روزمره
5. به دست آوردن دانش سازمانی کارگران با تجربه (یعنی تیم های شما به طور مداوم مدل ها را آموزش دهند)
با پیشرفت هوش مصنوعی در پردازش زبان طبیعی، بینایی رایانه، تجزیه و تحلیل پیش بینی کننده و …، سؤالاتی درباره موقعیت های جدید مطرح می شود. اینجاست که برنامه های کاربردی هوش مصنوعی مانند تامین مورد اعتماد خودمان می توانند کمک کنند. این نرم افزار مدل های زبان طبیعی هوش مصنوعی را برای توسعه و همکاری در فرصت‌های بالادستی و پایین‌دستی بین خریداران و تامین کنندگان، بدون توجه به کیفیت داده ها یا سیستم انتخابی، ترکیب می کند.
طی 10 سال آینده ما انسان ها شاهد تبدیل شدن هوش مصنوعی به بخشی جدایی ناپذیر از زندگی خود خواهیم بود و در جنبه های مختلف عمیق تر می شود. همانطور که مدل های هوش مصنوعی در حال تکامل هستند، داده های کمتری برای آموزش می خواهند و در نتیجه تجربیات بسیار شخصی سازی شده ای را به همراه خواهند داشت. در میان این گسترش سریع، ملاحظات اخلاقی و حکمرانی در کانون توجه قرار خواهند گرفت و استفاده مسئولانه از هوش مصنوعی را تضمین می کنند. بدون شک، هوش مصنوعی یکی از متحول کننده ترین فناوری های زمان ما می باشد، که آینده ای پر از نوآوری و امکانات را نوید می دهد.
