۸ دی ۱۴۰۳

استراتژی صحیح استفاده مؤثر از هوش مصنوعی مولد یا Generative AI

برای درک تاثیرات استراتژیکی که امکانات جدید هوش مصنوعی فراهم کرده است، مدیران نیاز به چارچوبی دارند که مشخص کند هوش مصنوعی چه زمانی مفید است و چه زمانی اشتباه می‌کند.
Embed from Getty Images

برای استفاده از راهکارهای مبتنی بر هوش مصنوعی باید این را مد نظر داشته باشیم که این ابزارها از داده‌ها استفاده می‌کند تا  پیش‌بینی‌های آماری انجام دهد. اما این وظیفه انسان‌هاست که در مورد زمان و چگونگی استفاده از هوش مصنوعی تصمیم‌گیری کنند. این موضوع در مورد هوش مصنوعی مولد هم صدق می‌کند. کاربردهای آن کاملا به داده‌ها وابسته است و قضاوت در انتخاب داده‌ها، آموزش مدل‌ها و نحوه پیاده‌سازی کلی آن اهمیت فراوانی دارد.

امروزه برنامه‌های مبتنی بر هوش مصنوعی به جایی رسیده‌اند که می‌توانند محتوا بنویسند، کدنویسی کنند، طراحی کنند، خلاصه کنند و ایده‌پردازی کنند. با گسترش این ابزارهای هوش مصنوعی مولد (Generative AI)؛ حالا مدیران با پرسش‌هایی جدی مواجه هستند مثل اینکه: چه کارهایی را می‌توان توسط هوش مصنوعی انجام داد، چه کارهایی باید همچنان توسط انسان‌ها انجام شود و با وجود مزیت‌های هوش مصنوعی، حالا منابع پایدار مزیت رقابتی کدامند؟ برای درک تأثیرات استراتژیک این ابزارهای جدید، مدیران نیاز به چارچوبی دارند که بتوانند تشخیص دهند چه زمانی هوش مصنوعی مفید خواهد بود و چه زمانی ممکن است شکست بخورد.

کامپیوترها عملیات محاسباتی انجام می‌دهند

کامپیوترها ماشین‌های محاسباتی هستند، به این معنی که اعداد دودویی را می‌گیرند و عملیات‌هایی را بر روی آنها انجام می‌دهند تا بتوانند کارهای پیچیده‌تری را انجام دهند. پیشرفت‌های محاسباتی، هزینه عملیات را کاهش می‌دهند، به همین دلیل هم  بسیاری از کاربردهای اولیه کامپیوترها تا دهه ۱۹۷۰ در راستای حل مشکلات محاسباتی مانند حسابداری تجاری و محاسبه مسیرهای پرتاب توپخانه در کاربردهای نظامی بودند. همان‌طور که هزینه عملیات محاسباتی ماشینی از دهه ۱۹۷۰ تا دهه ۱۹۹۰ کاهش می‌یافت، مشخص شد که  بازی‌ها، موسیقی، پست الکترونیکی و عکاسی را می‌توان با عملیات محاسباتی حل کرد. به عنوان مثال کداد در دهه ۱۹۹۰ و در  نقطه اوج خود، عکاسی را عمدتاً از طریق مهندسی شیمیایی امکان‌پذیر می‌کرد، اما وقتی عملیات محاسبات ماشینی به اندازه کافی ارزان شد، امکان تغییر چارچوب عکاسی به یک راهکار محاسباتی فراهم شد.

کامپیوترها ماشین‌های محاسباتی هستند

مد نظر قرار دادن این که کامپیوترها ماشین‌های محاسبه‌گر هستند بسیار مهم‌تر از آن چیزی است که تصور می‌شود. درک این مسئله برای استفاده مؤثر از کامپیوترها، چه برای کار و چه برای سرگرمی، اساسی است. ممکن است بازیکنان بازی‌های ویدیویی و عکاسان به کامپیوتر خود را به عنوان یک ماشین محاسبه‌گر نبینند، اما استفاده درست از یک کامپیوتر (پیش از هوش مصنوعی) نیازمند درک این است که کامپیوتر به طور دقیق دستورات را دنبال می‌کند. دستورالعمل‌های نادقیق منجر به نتایج نادرست می‌شوند.

به عنوان مثال بازی کردن و برنده شدن در بازی‌های کامپیوتری اولیه نیازمند درک منطق زیربنایی بازی بود. مثلا بازی سوپر ماریو (قارچ خور) هر بار یکسان اجرا می‌شد، برای همین هم شناخت نحوه عملکرد دشمنان مختلف برای بردن در بازی ضروری بود. به همین ترتیب، در استفاده از برنامه‌های دیگری مثل Word یا Excel هم کامپیوتر در پشت صحنه، عملیات محاسباتی را دقیقا طبق دستورالعمل‌ها انجام می‌دادند.

تکامل هوش مصنوعی نیز همین مسیر را طی کرده است، هوش مصنوعی با ابزارهای پیش‌بینی آغاز به کار کرده و اخیرا نیز تعداد بسیار زیادی ابزار بازسازی مبتنی بر پیش‌بینی‌ و تخمین را ارائه کرده است. کاربردهای هوش مصنوعی از پیش‌بینی وام‌ها و خرابی ماشین‌ها به بازسازی نوشتن، طراحی و سایر موارد تغییر کرده‌است. استفاده مؤثر از هوش مصنوعی نیازمند درک این است که هوش مصنوعی‌های امروزی از داده‌ها برای انجام پیش‌بینی‌های آماری استفاده می‌کنند و این انسان‌ها هستند که مسئول قضاوت در مورد زمان و چگونگی استفاده از هوش مصنوعی هستند. این موضوع با ظهور هوش مصنوعی مولد نیز تغییری نکرده است. کاربردهای آن به داده‌ها وابسته است. همچنین، قضاوت برای انتخاب داده‌ها، آموزش مدل‌ها و اجرای کلی اهمیت دارد.

داده‌ها هوش مصنوعی را هدایت می‌کنند

میزان اثربخشی پیش‌بینی‌ها، به داده‌های زیرساختی وابسته است. کیفیت و کمیت داده‌ها به‌طور قابل‌توجهی بر دقت پیش‌بینی‌های هوش مصنوعی تأثیر می‌گذارند. هرچقدر که مدل‌های هوش مصنوعی مقادیر زیادی داده مصرف ‌کنند، الگوها را می‌آموزند و پیش‌بینی‌های دقیق‌تری می‌کنند. هرچه داده‌ها متنوع‌تر، جامع‌تر و مرتبط‌تر باشند، عملکرد هوش مصنوعی بهتر است.

با ورود هوش مصنوعی مولد، تمرکز بر کیفیت داده‌ها حتی بیش از پیش اهمیت پیدا می‌کند. مدل‌های مولد مانند GPT-4 به مجموعه داده‌های گسترده‌ای تکیه می‌کنند تا خروجی‌هایی هماهنگ و مرتبط ایجاد کنند. برخلاف نسل قبلی مدل‌های هوش مصنوعی، هوش مصنوعی مولد محتوای جدید ایجاد می‌کند، بنابراین ضروری است که اطمینان حاصل شود که داده‌های مورد استفاده برای آموزش، دقیق و مرتبط با زمینه مورد استفاده هستند.

داده‌های ضعیف پیامدهایی هم در پی دارد.  GPT-3.5اولین نسخه”ChatGPT” ، به تولید “توهمات” یا اطلاعات نادرستی که به نظر درست می‌آمدند، معروف بود. به عنوان مثال، زمانی از GPT-3.5 سوالات پزشکی پرسیده می‌شد، گاهی اوقات مشاوره پزشکی نادرستی ارائه می‌داد که می‌توانست مضر باشد. این مدل، داده‌های مناسبی برای ارائه مشاوره درست نداشت و به همین دلیل مجموعه‌ای از کلمات را براساس یک مجموعه بزرگ از متون پیش‌بینی می‌کرد که به نظر پاسخ مناسبی می‌آمد اما نادرست بود. مدل‌های اخیر (ChatGPT-4) توهمات کمتری دارند، اما مشکل نادرستی پاسخ‌ها هنوز برطرف نشده است. اگر به هوش مصنوعی وظیفه‌ای داده شود فاصله زیادی با داده‌های زیرساختی آن داشته باشد، احتمال زیادی دارد که شکست بخورد. برای تنظیم هوش مصنوعی در یک حوزه و  برنامه خاص، داده‌های کافی از همان حوزه مورد نیاز است.

هوش مصنوعی به قضاوت وابسته است

اجرای موفقیت‌آمیز هوش مصنوعی حتی بیشتر از داده‌ها، نیاز به قضاوت خوب دارد. قضاوت، پاداشی برای یک عمل در یک محیط خاص است و شامل شناخت این مسائل است که کدام پیش‌بینی‌ها را باید انجام داد، هزینه‌های مرتبط با انواع مختلف اشتباهات چقدر است و چه کاری باید با نتیجه هوش مصنوعی انجام شود. انتخاب “داده‌ها” و آموزش مدل نیز نیاز به قضاوت دارد.

علیرغم این که هوش مصنوعی در پیش‌بینی و ایجاد محتوا عالی عمل کرده است، نمی‌تواند جایگزین قضاوت انسانی شود. به عنوان مثال در شناسایی تقلب در کارت اعتباری، هوش مصنوعی می‌تواند احتمال این که یک تراکنش خاص تقلب است را پیش‌بینی کند. اما در نهایت این قضاوت انسانی است که ارزیابی می‌کند آیا تراکنش را رد کند یا نه. شاید با احتمال ۵٪ تقلب، یک بانک نخواهد ریسک اذیت کردن یک مشتری با ارزش را بپذیرد یا این که برای برخی مشتریان به این نتیجه برسد که ارزش ریسک را دارد. از سوی دیگر، اگر تراکنش به طرز غیرعادی بزرگ باشد، بانک ممکن است آن را علیرغم این که از نظر هوش مصنوعی درست باشد، رد کند. تصمیم‌گیری نیاز به قضاوت دارد و این به معنی شناخت مزایا و هزینه‌های اشتباهات است.

شکست‌هایی که  در هوش مصنوعی مولد رخ می‌دهند معمولا کست‌هایی ناشی از قضاوت هستند. مثلا مولد تصویر گوگل تصاویری از نازی‌های سیاه‌پوست و بنیان‌گذاران غیرسفید آمریکا تولید کرده است که منجر به انتقاد از هر دو جناح چپ و راست شده است. این مسئله به دلیل داده‌های زیرساختی نبوده بلکه به دلیل نحوه آموزش هوش مصنوعی برای تولید تصاویر متنوع از افراد بوده است.

اغلب شاهد مباحث گسترده‌ای در مورد محدودیت‌های اعمال شده توسط گوگل و OpenAI هستیم و ممکن است اینطور به نظر برسد که برنامه‌ها را محدود ‌کنند یا به عنوان جبهه‌گیری سیاسی تلقی شوند. مثلا برخی از کاربران از محدودسازی OpenAI انتقاد کرده‌اند و عقیده دارند بیش از حد محدودکننده است و ممکن است نتایج را به اشتباه تحت تأثیر قرار دهد. این اختلافات یک تعارض بین قضاوت کاربر و قضاوت شرکت‌های هوش مصنوعی است که ابزارها را می‌سازند.

این مسائل مجموعه جدیدی از مشکلات را برای شرکت‌ها ایجاد می‌کند. هوش مصنوعی مولد می‌تواند متن، تصاویر و حتی ویدئوهای واقعی تولید کند که سوالات اخلاقی پیچیده‌ای در مورد اصالت، اطلاعات نادرست و مالکیت معنوی مطرح می‌کند. قضاوت انسانی برای مدیریت این چالش‌ها ضروری است. به عنوان مثال، شرکت‌هایی که از هوش مصنوعی مولد برای بازاریابی یا خدمات مشتری استفاده می‌کنند، باید اطمینان حاصل کنند که محتوای تولید شده با ارزش‌های برند آنها همخوانی دارد و مشتریان را گمراه یا ناراحت نمی‌کند.

قضاوت در مورد این که چه چیزی در یک وضعیت خاص اهمیت دارد، برای استفاده موفقیت‌آمیز از هوش مصنوعی مولد اساسی است. بسیاری از کسب و کارها، ارتباط و تعامل بخش خدمات مشتری را با استفاده از چت‌بات‌های خودکار انجام می‌دهد. در شرایط عادی، این چت‌بات‌ها عملکرد خوبی دارند. مثلا مدل‌های مولد در ارائه اطلاعات درباره ساعات کاری فروشگاه‌ها مناسب هستند. ولی همان چت‌بات ممکن است در وضعیت‌های پرخطری مانند رسیدگی به شکایات حساس مشتریان، که قضاوت انسانی دقیق ضروری است، شکست بخورد.

سازمان‌هایی توانایی قضاوت خوبی دارند، با توسعه هوش مصنوعی به موفق دست می‌یابند. با هوش مصنوعی مولد، قضاوت بیش از هر زمان دیگری اهمیت دارد. بنابراین یک کارمند با قضاوت ضعیف می‌تواند تأثیر منفی بسیار شدیدتری بر سازمان داشته باشد. اطمینان از این که هر فرد در سازمان به طور کامل ارزش‌های سازمان را درک کند به طوری که این ارزش‌ها در قضاوت آنها منعکس شود، بیش از هر زمان دیگری اهمیت خواهد داشت.

رسیدن به این قضاوت آسان نیست. این امر نیازمند درک اهداف سازمان است تا تصمیمات آنها ارزش‌های سازمان را منعکس کند.

پیاده‌سازی موفقیت‌آمیز هوش مصنوعی نیازمند تفکر دقیق در مورد این است که چه چیزی ممکن است اشتباه شود و همچنین نظارت مداوم برای ارزیابی فرصت‌ها و ریسک‌ها است. این مسئله نیازمند تمرین – یادگیری از تجربه گرفتن تصمیمات و سپس مواجهه با پیامدها است.

استراتژی برای استفاده مؤثر از هوش مصنوعی مولد

استراتژی استفاده مؤثر از هوش مصنوعی مولد نیازمند درک این است که کلمات و تصاویر تولید شده، از داده‌های زیرساختی پیش‌بینی می‌شوند. این تولیدات کاملا نیازمند قضاوت هستند که به عبارت بهتر، درک هزینه نسبی انواع مختلف خطاهای پیش‌بینی (“ریسک‌ها”) است. برای استفاده از یک ابزار هوش مصنوعی مولد، ضروری است که بررسی شود که آیا داده‌ها و قضاوت‌های زیرساختی سیستم هوش مصنوعی برای کسب و کار شما مناسب هستند یا خیر.

اولین نفری باشید که مقاله ها را دریافت می‌کنید

مقالات مشابه

قوانین به کارگیری نرم افزار متن باز در جهان

آنچه امروزه در بسیاری از کشورهای جهان به عنوان نرم‌افزارهای متن‌باز شناخته شده است، زمانی جزو منابع کم‌‌ارزش در حوزه‌ی فن‌آوری اطلاعات در نظر گرفته می‌شد. در حال حاضر استفاده از تولیدات متن‌باز با روندی رو به رشد همراه شده و استقبال از آنها رو به افزایش است.

پیمایش به بالا
به بالا بروید