از هوش مصنوعی مولّد بیشتر خواهید شنید

نوآوری‌های درون و در حاشیه هوش مصنوعی، قابل‌توجه است و تاثیرات دگرگون کننده‌ای دارد. چرخه هایپ هوش مصنوعی گارتنر در سال ۲۰۲۳، نوآوری‌ها و تکنیک‌هایی را تشریح می‌کند که همزمان در کنار ارائه مزایای قابل توجه و حتی متحول کننده، به محدودیت‌ها و ریسک‌های سیستم‌های خطاپذیر می‌پردازد. استراتژی‌های هوش مصنوعی باید پیشنهادی را در نظر بگیرند که برای سرمایه‌گذاری معتبرتر باشد. در این میان به نظر می‌رسد هوش مصنوعی مولد در سال 2023 آماده تحولات بزرگ بعدی است.

افراز جفری که مدیر تحلیلگر گارتنر است می‌گوید: چرخه هایپ هوش مصنوعی، نوآوری‌های زیادی دارد که طی دوره دو تا پنج ساله به دلیل این که بدل به جریان اصلی شده‌، شایسته توجه‌ ویژه‌ است. این جریان اصلی شامل هوش مصنوعی مولد و همچنین هوش تصمیم‌گیری است. پذیرش سریع این نوآوری‌ها، منجر به تقویت مزیت‌های رقابتی مهمی می‌شود و مشکلات مربوط به استفاده از مدل‌های هوش مصنوعی را در فرایندهای کسب‌وکار کاهش می‌دهد.

دو نوع غالب از نوآوری‌های هوش مصنوعی مولد

هوش مصنوعی مولد[1] در محافل مربوط به هوش مصنوعی چیرگی دارد و برای توسعه‌دهندگان و کسانی که در زمینه دانش کار می‌کنند، به شیوه‌های خیلی واقعی و با استفاده از سیستم‌هایی مانند چت جی پی تی، بهره‌وری را افزایش داده است. این عامل باعث شده که سازمان‌ها و صنایع در مورد فرایندهای کاری و ارزش منابع انسانی خود، تجدید نظر کنند و هوش مصنوعی مولد را در چرخه هایپ به نقطه اوج انتظارات زیاد، سوق بدهند.

در حال حاضر، گروه گارتنر دریافته‌ است که هوش مصنوعی در مسیر خود از دو سو به سمت سیستم‌های هوش مصنوعی قوی‌تر حرکت می‌کند:

• نوآوری‌هایی که توسط هوش مصنوعی مولد تقویت می‌شوند؛
• نوآوری‌هایی که باعث پیشرفت‌ هوش مصنوعی مولد می‌شوند.

چرا هوش مصنوعی مولد برای کسب‌وکارها مهم است؟

هیاهوهای اخیر در مورد هوش مصنوعی مولد به دلیل سادگی رابط‌های کاربری جدید برای ایجاد متن، گرافیک و ویدیوهای با کیفیت بالا در عرض چند ثانیه است اما به‌طور کلی هوش مصنوعی مولد مهم است زیرا می‌تواند بهره‌وری را به میزان قابل‌توجهی افزایش دهد و به ما امکان می‌دهد مرزهای خلاقانه جدید را کشف کنیم، مشکلات پیچیده را حل کنیم، نوآوری را هدایت کنیم و راه را برای مدل‌ها و برنامه‌های تجاری جدید هموار کنیم. همچنین می‌تواند هزینه و زمان مورد نیاز برای تولید محتوا، بهبود پاسخ به سوالات فنی خاص، خلاصه کردن اطلاعات پیچیده در یک روایت منسجم را کاهش دهد.

نوآوری‌هایی که توسط هوش مصنوعی مولد، تقویت خواهند شد

از آن جا که هوش مصنوعی مولد به یافتن، ایجاد، اعتبارسنجی و تنظیم محتوا مربوط می‌شود، تاثیر زیادی بر کسب‌وکارها دارد. علاوه بر این، می‌تواند کارهای انسانی مانند تجربیات مشتری و کارمند را خودکار کند.

فناوری‌های مهمی که در این دسته قرار می‌گیرند عبارتند از:

• هوش عمومی مصنوعی (AGI)[2]

 هوش ماشینی است که هر کار ذهنی را که یک انسان می‌تواند انجام دهد، انجام می‌دهد که فعلا در حد فرضیه است.

• مهندسی هوش مصنوعی [3]

پایه‌ای برای کسب‌وکار است که راه‌حل‌های هوش مصنوعی را مقیاس‌پذیر ارائه می‌کند. این رشته، باعث توسعه کسب‌وکار و سیستم‌های عامل مبتنی بر هوش مصنوعی می‌شود.

• سیستم‌های خودکار[4]

سیستم‌های فیزیکی یا نرم‌افزاری خود مدیریتی هستند که وظایف محدود به زمینه فعالیت را انجام می‌دهند و نشان دهنده سه ویژگی اصلی هستند: استقلال، یادگیری و عاملیت.

• سرویس‌های هوش مصنوعی ابری[5]

ابزارهای سازنده مدل هوش مصنوعی، APIهایی برای سرویس‌های پیش‌ساخته و میان افزار مربوطه تهیه‌ می‌کنند که ساخت/آموزش، گسترش و تحلیل مدل‌های یادگیری ماشینی (ML) را قادر می‌سازد تا به‌عنوان سرویس‌های ابری در زیربنای پیش‌ساخته، اجرا شوند.

• هوش مصنوعی مرکب [6]

به کاربرد ترکیبی (یا تلفیقی) تکنیک‌های هوش مصنوعی متفاوت اشاره دارد که بازدهی یادگیری را تا گسترش سطح معرفی و نمایش دانش، به پیش می‌برد. هوش مصنوعی مرکب، طیف گسترده‌تری از مشکلات کسب‌وکار را موثرتر حل می‌کند.

• بینایی کامپیوتر[7]

 مجموعه‌ای از تکنولوژی‌هایی است که شامل دریافت، پردازش و تحلیل تصاویر و ویدئوهای جهان واقعی است که اطلاعات معنادار و زمینه‌ای را از دنیای فیزیکی، استخراج می‌کند.

• هوش مصنوعی داده‌محور[8]

رویکردی است که بر بهبود و توسعه داده‌های آموزشی تمرکز دارد که منجر به نتایج بهتر در زمینه هوش مصنوعی می‌شود. علاوه بر این، هوش مصنوعی داده‌محور بر کیفیت داده، حریم خصوصی و مقیاس‌پذیری تمرکز می‌کند.

• هوش مصنوعی مرزی[9]

به استفاده از تکنیک‌های هوش مصنوعی در محصولاتی که مربوط به فناوری اطلاعات نیستند، IoT endpoint  ها، gateway ها و سرورهای مرزی اشاره دارد. این هوش مصنوعی عبارت است از مواردی که مصرف‌کننده از آن‌ها استفاده می‌کند، کاربردهای تجاری و صنعتی مانند وسایل نقلیه خودکار، امکانات پیشرفته برای تشخیص‌های پزشکی و تحلیل‌ ویدئو استریم‌ها.

• برنامه‌های هوشمند[10]

از انطباق آموخته‎‌شده برای پاسخگویی خودکار به مردم و ماشین‌ها استفاده می‌کنند.

• عملیاتی سازی مدل (ModelOps)[11]

اصولا بر نظارت یکپارچه و مدیریت چرخه عمر تحلیل‌های پیشرفته، هوش مصنوعی و مدل‌‌های تصمیم‌گیری، متمرکز شده است.

• سیستم‌های هوش مصنوعی عملیاتی (OAISys)[12]

 هماهنگ‌سازی، خودکارسازی و مقیاس‌بندی هوش مصنوعی که شامل هوش مصنوعی با یادگیری ماشینی ML، DNNها و هوش مصنوعی مولد است، را ممکن می‌کند.

• مهندسی پرامپت[13]

رشته‌ای است که دستورها و ورودی‌های مختلف به مدل‌های هوش مصنوعی مولد را بهینه‌سازی می‌کند تا با محدود و مشخص کردن ورودی‌ها، نتایج بهتری حاصل شود.

• ربات‌های هوشمند[14]

ماشین‌های مجهز به هوش مصنوعی و اغلب متحرکی که برای اجرای خودکار یک یا چند کار فیزیکی، طراحی شده‌اند.

• داده‌های ساختگی[15]

طبقه‌بندی‌ای از داده‌ها هستند که به جای این که از مشاهدات مستقیم و دنیای واقعی گرفته شوند، به طور مصنوعی تولید می‌شوند.

نوآوری‌هایی که به پیشرفت هوش مصنوعی کمک می‌کند

Svetlana Sicular، معاون تحلیلگر‌ گارتنر می‌گوید: کاوش هوش مصنوعی در سایه محبوبیت midjourney، ChatGPT و مدل‌های زبانی بزرگ، در حال شتاب گرفتن است. در بیشتر صنایع، سازمان‌هایی که مصرف‌کننده نهایی دارند در حال آزمودن هوش مصنوعی مولد هستند.

فروشندگانی که در زمینه تکنولوژی کار می‌کنند، گروه‌های هوش مصنوعی مولد را تشکیل می‌دهند تا ارائه اپلیکیشن‌هایی را در اولویت قرار دهند که با هوش مصنوعی مولد ساخته می‌شوند. استارتاپ‌های زیادی در سال ۲۰۲۳ با هوش مصنوعی مولد، ظاهر شدند و ما انتظار داریم که این روند روبه‌رشد باشد. بعضی از دولت‌ها، تاثیرات هوش مصنوعی مولد را ارزیابی می‌کنند و در حال آماده‌سازی خود برای معرفی مقررات آن هستند.

فناوری‌های مهمی که در دسته هوش مصنوعی مولد قرار می‌گیرند عبارتند از:

• شبیه‌سازی هوش مصنوعی[16]

عبارت است از کاربرد ترکیبی هوش مصنوعی و تکنولوژی‌های شبیه‌ساز که به طور مشترک، عوامل هوش مصنوعی و محیط‌های شبیه‌سازی شده را توسعه می‌دهند. در محیط‌های شبیه‌ساز می‌توان به ماشین آموزش داد، آزمایش و گاهی سازماندهی نیز کرد.

• مدیریت صحت، ریسک و امنیت هوش مصنوعی (AI TRiSM)[17]

نظارت بر مدل هوش مصنوعی، قابل اعتماد بودن، بی‌طرفی، قابل اطمینان بودن، قدرت، سودمندی و حفاظت از داده‌های مدل هوش مصنوعی را تضمین می‌کند.

• هوش مصنوعی علّی[18]

روابط علت و معلولی را شناسایی می‌کند و از آن‌ها برای بهتر شدن مدل‌های پیش‌بینی‌ علیت‌محور استفاده می‌کند.

• برچسب‌گذاری و حاشیه‌نویسی داده‌ها[19]

(DL&A)، فرایندی است که در آن دارایی‌های داده‌ای طبقه‌بندی، حاشیه‌نویسی و تکمیل می‌شود تا برای تحلیل‌ها بهتر در پروژه‌های هوش مصنوعی، به کار برده شود.

• هوش مصنوعی مبتنی بر اصول اولیه[20] (FPAI)

(موسوم به هوش مصنوعی با علم فیزیک) اصول فیزیکی، قوانین مکانیک حاکم و دانش زمینه‎ای را برای مدل‌های هوش مصنوعی تعریف می‌کند. به‌عنوان این هوش مصنوعی شما را قادر می‌سازد یک خودرو را بدون ساختن نمونه فیزیکی آن آزمایش کنید.

• مدل‌های پایه[21]

مدل‌هایی هستند که روی طیف گسترده‌ای از دادگان به شیوه‌ای نظارتی آموزش داده شده‌اند.

• گراف‌های دانش[22]

علائمی هستن که ماشین‌ می‌تواند آن‌ها را بخواند. این گراف‌ها شامل نهادها (مردم، شرکت‌ها و دارایی‌های دیجیتالی) و روابط بین آن‌ها است که به یک مدل از داده‌های گراف پایبند هستند.

• سیستم‌های چند عاملی[23] (MAS)

نوعی از سیستم هوش مصنوعی است که از عوامل متعدد، مستقل (اما دارای تعاملی) تشکیل شده است که هر کدام می‌توانند محیط خود را درک و اقدام به عمل کنند. این عوامل می‌توانند مدل‌های هوش مصنوعی، برنامه‌های نرم افزاری، ربات‌ها و دیگر موجودیت‌های رایانشی باشند.

• هوش مصنوعی عصبی نمادین [24]

شکلی از هوش مصنوعی مرکب است که روش‌های یادگیری ماشینی و سیستم‌های نمادی را برای ایجاد مدل‌های هوش مصنوعی قوی و قابل اعتماد، ترکیب می‌کند. این نوع از هوش مصنوعی، به طور موثر یک زیربنای منطقی برای حل طیف وسیعی از مشکلات کسب‌وکار ایجاد می‌کند.

• هوش مصنوعی مسئول[25]

یک اصطلاح کلی مرتبط با جنبه‌های ایجاد مناسب کسب‌وکار و انتخاب‌های اخلاقی است. این هوش مصنوعی از مسئولیت‌ها و شیوه‌های سازمانی تشکیل شده است که توسعه و عملیات هوش مصنوعی مطمئن، مسئول و اخلاقی را تضمین می‌کند.

چرخه هایپ هوش مصنوعی گارتنر بینشی تازه به فعالان حوزه کسب‌وکار و تجارت می‌دهد. تحولات این حوزه را به‌دقت زیر نظر داشته باشید!

منبع: گارنتر 

[1] Generative AI

[2] Artificial general intelligence

[3] AI engineering

[4] Autonomic systems

[5] Cloud AI services

[6] Composite AI

[7] Computer vision

[8] Data-centric AI

[9] Edge AI

[10] Intelligent applications

[11] Model operationalization

[12] Operational AI systems

[13] Prompt engineering

[14] Smart robots

[15] Synthetic data

[16] AI simulation

[17] AI trust, risk and security management

[18] Causal AI

[19] Data labeling and annotation

[20] First-principles AI

[21] Foundation models

[22] Knowledge graphs

[23] Multiagent systems

[24] Neurosymbolic AI

[25] Responsible AI