کاربرد هوش مصنوعی در کسب و کارها

برای بیش از 250 سال محرک های اساسی رشد اقتصادی نوآوری های تکنولوژیکی بوده اند. مهمترین آنها همان چیزی است که اقتصاددانان آن را فناوری های همه منظوره می نامند - دسته ای که شامل موتور بخار، برق و موتور احتراق داخلی می شود. هر کدام موجی از نوآوری ها و فرصت های مکمل را تسریع کردند. برای مثال، موتور احتراق داخلی باعث پیدایش اتومبیل‌ها، کامیون‌ها، هواپیماها، اره‌های زنجیری و ماشین‌های چمن‌زنی، به همراه خرده‌فروشی‌های قطعات یدکی، مراکز خرید، انبارهای متقاطع، زنجیره‌های تامین جدید شد و وقتی به آن فکر می‌کنید، شرکت‌هایی مانند Walmart، UPS و Uber راه‌هایی برای استفاده از فناوری برای ایجاد مدل‌های تجاری جدید سودآور پیدا کردند.

مهمترین فناوری همه منظوره عصر ما، هوش مصنوعی، به ویژه یادگیری ماشینی Learning(ML)  Machine است – یعنی توانایی ماشین برای ادامه بهبود عملکرد خود بدون نیاز به توضیح دقیق توسط انسان ها برای انجام تمام وظایفی که به او داده شده است. فقط در چند سال گذشته یادگیری ماشینی بسیار موثرتر و در دسترس‌تر شده است. اکنون می‌توانیم سیستم‌هایی بسازیم که یاد بگیرند چگونه وظایف را به تنهایی انجام دهند.
چرا این موضوع یک معامله بزرگ است؟ دلیل اول اینکه، ما انسان‌ها بیش از آنچه می‌توانیم بگوییم می‌دانیم: نمی‌توانیم دقیقاً توضیح دهیم که چگونه می‌توانیم بسیاری از کارها را انجام دهیم - از تشخیص چهره گرفته تا انجام یک حرکت هوشمندانه در بازی شطرنج، قبل از ML، این ناتوانی در بیان دانش خود به این معنی بود که ما نمی توانستیم بسیاری از وظایف را خودکار کنیم. حالا ما می توانیم.

دلیل دوم این که، سیستم های ML اغلب یادگیرندگان عالی هستند. آنها می توانند در طیف گسترده ای از فعالیت ها، از جمله تشخیص تقلب و تشخیص بیماری، به عملکرد فوق بشری دست یابند. یادگیرندگان دیجیتال عالی در سراسر اقتصاد به کار گرفته می شوند و تأثیر آنها عمیق خواهد بود.

در حوزه کسب‌وکار، هوش مصنوعی در مقیاس فناوری‌های همه‌منظوره قبلی تأثیری تحول‌آفرین دارد. اگرچه در حال حاضر در هزاران شرکت در سراسر جهان از آن استفاده می شود، اما از بیشتر فرصت های بزرگ هنوز استفاده نشده است. تأثیرات هوش مصنوعی در دهه آینده تشدید خواهد شد، زیرا تولید، خرده فروشی، حمل و نقل، امور مالی، مراقبت های بهداشتی، قانون، تبلیغات، بیمه، سرگرمی، آموزش و تقریباً هر صنعت دیگری فرآیندهای اصلی و مدل های تجاری خود را تغییر می دهند تا از مزایای فراگیری ماشین استفاده کنند.. گلوگاه در حال حاضر در مدیریت، اجرا و تحلیل تجاری است.

با این حال، مانند بسیاری دیگر از فناوری‌های جدید، هوش مصنوعی انتظارات غیر واقعی زیادی ایجاد کرده است. ما شاهد برنامه‌های تجاری هستیم که به طور آزادانه با ارجاعاتی به یادگیری ماشین، شبکه‌های عصبی، و سایر اشکال این فناوری پر شده‌اند و ارتباط کمی با قابلیت‌های واقعی آن دارند. این مقاله به تشریح پتانسیل واقعی هوش مصنوعی، پیامدهای عملی آن و موانع بر سر راه پذیرش آن می پردازد.

ا مروز هوش مصنوعی چه کاری می تواند انجام دهد؟

اصطلاح هوش مصنوعی در سال 1955 توسط John McCarthy، استاد ریاضی در Dartmouth ابداع شد که کنفرانس مهمی را در این زمینه در سال بعد ترتیب داد. از آن زمان، شاید تا حدی به دلیل نام خاطره انگیزش، این رشته بیش از سهم خود ادعاها و وعده های خارق العاده ای را به وجود آورده است. در سال 1957 هربرت سایمون )اقتصاددان( پیش بینی کرد که کامپیوترها در عرض 10 سال انسان ها را در شطرنج شکست خواهند داد. (اين زمان40سال طول کشید.) در سال 1967، ماروین مینسکی، گفت: در یک نسل، مشکل ایجاد "هوش مصنوعی" به طور اساسی حل خواهد شد. سایمون و مینسکی هر دو غول های فکری بودند، اما اشتباهات بدی انجام دادند. بنابراین قابل درک است که ادعاهای دراماتیک در مورد پیشرفت های آینده با مقدار مشخصی از شک و تردید روبرو می شود.

بیایید با بررسی کارهایی که هوش مصنوعی در حال حاضر انجام می دهد و سرعت بهبود آن شروع کنیم. بزرگترین پیشرفت ها در دو حوزه گسترده بوده است: ادراک و شناخت. در دسته اول برخی از عملی ترین پیشرفت ها در رابطه با گفتار انجام شده است. تشخیص صدا هنوز تا کامل شدن فاصله زیادی دارد، اما میلیون‌ها نفر در حال حاضر از آن استفاده می‌کنند Google Assistant را در نظر بگیرید. متنی که اکنون می خوانید در ابتدا به رایانه دیکته شده و با دقت کافی رونویسی شده است تا سریعتر از تایپ کردن باشد. مطالعه‌ای که توسط دانشمند کامپیوتر دانشگاه استنفورد، جیمز لندی و همکارانش انجام شد، نشان داد که تشخیص گفتار اکنون به طور متوسط ​​سه برابر سریع‌تر از تایپ کردن با تلفن همراه است. نرخ خطا، یک بار 8.5٪، به 4.9٪ کاهش یافته است. آنچه قابل توجه است این است که این پیشرفت اساسی نه در طول 10 سال گذشته، بلکه فقط از تابستان 2016 تا تابستان 2017 اتفاق افتاده است.

اگرچه هوش مصنوعی در حال حاضر در هزاران شرکت در سراسر جهان استفاده می‌شود، اما هنوز از بیشتر فرصت‌های بزرگ استفاده نشده است.

تشخیص تصویر نیز به طرز چشمگیری بهبود یافته است. ممکن است متوجه شده باشید که فیس بوک و سایر برنامه ها اکنون چهره بسیاری از دوستان شما را در عکس های ارسال شده تشخیص می دهند و از شما می خواهند تا آنها را با نام آنها تگ کنید. برنامه ای که روی گوشی هوشمند شما اجرا می شود، تقریباً هر پرنده ای را در طبیعت شناسایی می کند. تشخیص تصویر حتی جایگزین کارت های شناسایی در دفتر مرکزی شرکت ها می شود. سیستم‌های بینایی، مانند آن‌هایی که در خودروهای خودران استفاده می‌شوند، قبلاً هنگام شناسایی یک عابر پیاده در 30 فریم یک بار اشتباه می‌کردند (دوربین‌های این سیستم‌ها حدود 30 فریم در ثانیه را ضبط می‌کنند). اکنون آنها کمتر از یک بار در 30 میلیون فریم اشتباه می کنند. نرخ خطا برای تشخیص تصاویر از پایگاه داده بزرگی به نام ImageNet، با چندین میلیون عکس از تصاویر رایج، مبهم یا کاملاً عجیب و غریب، از بالاتر از 30٪ در سال 2010 به حدود 4٪ در سال 2016 برای بهترین سیستم ها کاهش یافت.

سرعت بهبود در سال‌های اخیر به سرعت افزایش یافته است زیرا رویکرد جدیدی مبتنی بر شبکه‌های عصبی بسیار بزرگ یا "عمیق" اتخاذ شده است. رویکرد ML برای سیستم‌های بینایی هنوز بی‌عیب و نقص است

نوع دوم پیشرفت عمده در شناخت و حل مسئله بوده است. ماشین‌ها قبلاً بهترین بازیکنان (انسان) پوکر را شکست داده‌اند - دستاوردهایی که کارشناسان پیش‌بینی کرده بودند حداقل یک دهه دیگر طول بکشد، به سرعت محقق شد. تیم DeepMind گوگل از سیستم‌های ML برای بهبود راندمان خنک‌سازی در سرورهای خود حتی پس از بهینه‌سازی آنها توسط متخصصان انسانی تا بیش از 15 درصد استفاده کرده است. ابزارهای هوشمند توسط شرکت امنیت سایبری Deep Instinct برای شناسایی بدافزارها و توسط PayPal برای جلوگیری از پولشویی استفاده می شود. سیستمی که از فناوری IBM استفاده می کند، فرآیند محاسبه خسارت را در یک شرکت بیمه در سنگاپور خودکار می کند. ده ها شرکت از ML استفاده می کنند تا تصمیم بگیرند که کدام معاملات را در وال استریت اجرا کنند و تصمیمات اعتباری بیشتری با کمک آن گرفته می شود. آمازون از ML برای بهینه سازی موجودی و بهبود ارایه خدمت به مشتریان استفاده می کند. Infinite Analytics یک سیستم ML را برای پیش‌بینی اینکه آیا کاربر روی یک تبلیغ خاص کلیک می‌کند یا خیر؟، ایجاد کرده است، و بهترین مکان تبلیغات آنلاین را برای یک شرکت جهانی مشخص کرد. و دیگری را برای بهبود فرآیند جستجو و کشف مشتریان در یک خرده‌فروش آنلاین برزیلی. سیستم اول ROI تبلیغات را سه برابر افزایش داد و سیستم دوم منجر به افزایش 125 میلیون دلاری درآمد سالانه شد.

سیستم‌های یادگیری ماشین نه تنها جایگزین الگوریتم‌های قدیمی در بسیاری از برنامه‌ها می‌شوند، بلکه اکنون در بسیاری از وظایفی که زمانی توسط انسان به بهترین شکل انجام می‌شد، برتری دارند. اگرچه این سیستم‌ها تا کامل شدن فاصله زیادی دارند، اما میزان خطای آنها - حدود 5٪ - در پایگاه داده ImageNet عملکردی در سطح انسانی یا بهتر از آن دارد. تشخیص صدا نیز، حتی در محیط های پر سر و صدا، اکنون تقریباً برابر با عملکرد انسان است. رسیدن به این آستانه فرصت‌های جدیدی را برای دگرگونی محیط کار و اقتصاد ایجاد می‌کند. هنگامی که سیستم‌های مبتنی بر هوش مصنوعی در یک کار معین از عملکرد انسان پیشی می‌گیرند، احتمال گسترش سریع آن‌ها بسیار زیاد است. به عنوان مثال، Aptonomy و Sanbot که به ترتیب سازنده هواپیماهای بدون سرنشین و روبات‌ها هستند، از سیستم‌های بینایی بهبودیافته برای خودکار کردن بیشتر کارهای محافظان امنیتی استفاده می‌کنند. شرکت نرم افزاری Affectiva، در میان دیگران، از آنها برای تشخیص احساساتی مانند شادی، تعجب و خشم در گروه های متمرکز استفاده می کند. و Enlitic یکی از چندین استارتاپ یادگیری عمیق است که از آن برای اسکن تصاویر پزشکی برای کمک به تشخیص سرطان استفاده می کند.

اینها دستاوردهای چشمگیری هستند، اما کاربرد سیستم های مبتنی بر هوش مصنوعی هنوز بسیار محدود است. به عنوان مثال، عملکرد قابل توجه آنها در پایگاه داده ImageNet، حتی با میلیون ها تصویر، به کیفیت تصاویر طبیعی نمی رسد. جایی که شرایط نور، زوایا، وضوح تصویر و زمینه ممکن است بسیار متفاوت باشد. اساساً، ما می‌توانیم از سیستمی شگفت زده شویم که گفتار چینی را می‌فهمد و آن را به انگلیسی ترجمه می‌کند، اما انتظار نداریم که چنین سیستمی بداند یک اصطلاح خاص چینی به چه معناست. اگر فردی یک وظیفه را به خوبی انجام دهد، طبیعی است که فرض کنیم آن فرد در وظایف مرتبط دارای شایستگی است. اما سیستم های ML برای انجام وظایف خاص آموزش دیده اند و معمولاً دانش آنها تعمیم نمی یابد. این موضوع که از یک کامپیوتر انتظار  درک گسترده داریم، شاید بزرگترین منبع سردرگمی و ادعاهای اغراق آمیز در مورد پیشرفت هوش مصنوعی باشد. ما از ماشین هایی که هوش عمومی را در حوزه های مختلف نشان می دهند، فاصله داریم

یادگیری ماشین

مهم‌ترین چیزی که در مورد ML باید درک کرد این است که نشان‌دهنده یک رویکرد اساسی متفاوت برای ایجاد نرم‌افزار است: ماشین به‌جای برنامه‌ریزی صریح برای یک نتیجه خاص، از مثال‌ها یاد می‌گیرد. این یک فاصله مهم از تجربه قبلی است. در بیشتر 50 سال گذشته، پیشرفت در فناوری اطلاعات و کاربردهای آن بر تدوین دانش و رویه‌های موجود و جاسازی آنها در ماشین‌ها متمرکز بوده است. در واقع، اصطلاح «کدگذاری» به فرآیند پر زحمت انتقال دانش از سر توسعه‌دهندگان به شکلی اشاره می‌کند که ماشین‌ها بتوانند آن را درک و اجرا کنند. این رویکرد یک ضعف اساسی دارد: بیشتر دانشی که همه ما داریم، ضمنی است، به این معنی که نمی‌توانیم آن را به طور کامل توضیح دهیم. برای ما تقریبا غیرممکن است که دستورالعمل هایی را بنویسیم که به شخص دیگری امکان می دهد دوچرخه سواری یا تشخیص چهره دوست را بیاموزد.

به عبارت دیگر، همه ما بیش از آن چه که بتوانیم بگوییم می دانیم. این واقعیت آنقدر مهم است که یک نام دارد: پارادوکس پولانی، فیلسوف و متفکر مایکل پولانی، آن را در سال 1964 توصیف کرد. به ماشین‌ها هوش می‌بخشیم. اما برای مدت طولانی فعالیت‌هایی را که ماشین‌ها می‌توانستند در اقتصاد انجام دهند محدود می‌کرد.
یادگیری ماشینی بر این محدودیت ها غلبه می کند. در موج دوم از عصر ماشین، ماشین‌هایی که توسط انسان ساخته شده‌اند از تجربه ها یاد می‌گیرند و از بازخورد ساختاری برای حل مشکلات خود مانند روش کلاسیک پولانی در تشخیص چهره استفاده می‌کنند.

انواع مختلف یادگیری ماشین

هوش مصنوعی و یادگیری ماشین انواع مختلفی دارند، اما بیشتر موفقیت‌های سال‌های اخیر در یک دسته بوده است: سیستم‌های یادگیری نظارت شده، که در آن‌ها نمونه‌های زیادی از پاسخ صحیح به یک مشکل خاص به ماشین داده می‌شود. این فرآیند تقریباً همیشه شامل نقشه‌برداری از مجموعه‌ای از ورودی‌ها، به مجموعه‌ای از خروجی‌ها، است. برای مثال، ورودی‌ها ممکن است تصاویر حیوانات مختلف باشند، و خروجی‌های صحیح ممکن است برچسب‌هایی برای آن حیوانات باشد: سگ، گربه، اسب. . ورودی‌ها همچنین می‌توانند شکل موج‌هایی از ضبط صدا باشند و خروجی‌ها می‌توانند کلماتی باشند: «بله»، «نه»، «سلام»، «خداحافظ».

سیستم‌های موفق اغلب از مجموعه‌ای آموزشی از داده‌ها با هزاران یا حتی میلیون‌ها مثال استفاده می‌کنند که هر کدام با پاسخ صحیح برچسب‌گذاری شده‌اند. سپس می توان سیستم را رها کرد تا به نمونه های جدید نگاه کند. اگر آموزش به خوبی پیش رفته باشد، سیستم پاسخ ها را با دقت بالایی پیش بینی می کند.

الگوریتم هایی که بخش عمده ای از این موفقیت را به همراه داشته اند به رویکردی به نام یادگیری عمیق بستگی دارد که از شبکه های عصبی استفاده می کند. الگوریتم های یادگیری عمیق مزیت قابل توجهی نسبت به نسل های قبلی الگوریتم های ML دارند: آنها می توانند از مجموعه داده های بسیار بزرگتر استفاده بهتری کنند. با افزایش تعداد نمونه‌ها در داده‌های آموزشی، سیستم‌های قدیمی بهبود می‌یابند، اما فقط تا یک نقطه، که پس از آن داده‌های اضافی منجر به پیش‌بینی بهتر نمی‌شود. به گفته اندرو نگ، یکی از غول‌های این حوزه، به نظر نمی‌رسد که شبکه‌های عصبی عمیق به این شکل هم سطح شوند: داده‌های بیشتر منجر به پیش‌بینی‌های بهتر و بهتر می‌شود. برخی از سیستم های بسیار بزرگ با استفاده از 36 میلیون نمونه یا بیشتر آموزش داده می شوند. البته، کار با مجموعه داده های بسیار بزرگ نیاز به قدرت پردازش بیشتر و بیشتر دارد، که یکی از دلایلی است که سیستم های بسیار بزرگ اغلب بر روی ابررایانه ها یا معماری های کامپیوتری تخصصی اجرا می شوند.

هر موقعیتی که در آن داده‌های زیادی در مورد رفتار دارید و در تلاش برای پیش‌بینی نتیجه هستید، یک کاربرد بالقوه برای سیستم‌های یادگیری تحت نظارت است. جف ویلک، که تجارت مصرف کننده آمازون را رهبری می کند، می گوید که سیستم های یادگیری نظارت شده تا حد زیادی جایگزین الگوریتم های فیلتر مبتنی بر حافظه شده اند که برای ارائه توصیه های شخصی به مشتریان استفاده می شد. در موارد دیگر، الگوریتم‌های کلاسیک برای تنظیم سطوح موجودی و بهینه‌سازی زنجیره‌های تامین با سیستم‌های کارآمدتر و قوی‌تر مبتنی بر یادگیری ماشین جایگزین شده‌اند. JPMorgan Chase سیستمی را برای بررسی قراردادهای وام تجاری معرفی کرد. کارهایی که قبلاً 360000 ساعت صرف تخصیص وام ها می کرد اکنون در چند ثانیه انجام می شود. و سیستم های یادگیری تحت نظارت اکنون برای تشخیص سرطان پوست استفاده می شود. اینها فقط چند نمونه هستند.

برچسب گذاری مجموعه ای از داده ها و استفاده از آن برای آموزش یک یادگیرنده تحت نظارت نسبتاً ساده است. به همین دلیل است که حداقل در حال حاضر سیستم‌های ML نظارت‌شده نسبت به سیستم‌های بدون نظارت رایج‌تر هستند. سیستم های یادگیری بدون نظارت به دنبال یادگیری به تنهایی هستند. ما انسان ها یادگیرندگان عالی و بدون نظارت هستیم: ما بیشتر دانش خود از جهان (مانند نحوه تشخیص درخت) را با داده های کم یا بدون برچسب دریافت می کنیم. اما توسعه یک سیستم یادگیری ماشینی موفق که به این روش کار کند بسیار دشوار است.

اگر زمانی یاد بگیریم یادگیرندگان قوی و بدون نظارت بسازیم، احتمالات هیجان انگیزی برای ما باز خواهد شد. این ماشین‌ها می‌توانند مشکلات پیچیده را به روش‌های جدیدی بررسی کنند تا به ما کمک کنند الگوهایی را کشف کنیم، در گسترش بیماری‌ها، در حرکت قیمت اوراق بهادار در بازار، در رفتارهای خرید مشتریان و غیره که در حال حاضر از آنها بی‌اطلاع هستیم. چنین احتمالاتی باعث می‌شود که Yann LeCun، رئیس تحقیقات هوش مصنوعی در فیس‌بوک و استاد دانشگاه نیویورک، سیستم‌های یادگیری تحت نظارت را با فراست روی کیک و یادگیری بدون نظارت را با خود کیک مقایسه کند.

هنگامی که سیستم‌های مبتنی بر هوش مصنوعی در یک کار معین از عملکرد انسان پیشی می‌گیرند، احتمال گسترش سریع آن‌ها بسیار زیاد است.

یکی دیگر از حوزه های کوچک اما در حال رشد در این زمینه، یادگیری تقویتی است. این رویکرد در سیستم‌هایی تعبیه شده است که به بازی‌های ویدیویی Atari و بازی‌های رومیزی مانند Go تسلط دارند. همچنین به بهینه سازی مصرف برق مرکز داده و توسعه استراتژی های معاملاتی برای بازار سهام کمک می کند. ربات‌های ایجاد شده توسط Kindred از یادگیری ماشینی برای شناسایی و مرتب‌سازی اشیایی که قبلاً با آن‌ها برخورد نکرده‌اند استفاده می‌کنند و فرآیند «انتخاب و قرار دادن» را در مراکز توزیع کالاهای مصرفی سرعت می‌بخشند. در سیستم‌های یادگیری تقویتی، برنامه‌نویس وضعیت فعلی سیستم و هدف را مشخص می‌کند، اقدامات مجاز را فهرست می‌کند و عناصر محیطی را توصیف می‌کند که نتایج را برای هر یک از آن اقدامات محدود می‌کند. با استفاده از اقدامات مجاز، سیستم باید چگونگی نزدیک شدن به هدف را تا حد امکان کشف کند. این سیستم ها زمانی به خوبی کار می کنند که انسان بتواند هدف را مشخص کند اما لزوماً نحوه رسیدن به آن را مشخص نمی کند. به عنوان مثال، مایکروسافت از یادگیری تقویتی برای انتخاب سرفصل های خبرهای MSN.com با «پاداش دادن» به سیستم با امتیاز بالاتر زمانی که بازدیدکنندگان بیشتری روی پیوند کلیک کردند، استفاده کرد. این سیستم سعی کرد امتیاز خود را بر اساس قوانینی که طراحان به آن داده بودند، به حداکثر برساند. البته، این بدان معنی است که یک سیستم یادگیری تقویتی برای هدفی که شما صریحاً به آن پاداش می دهید، بهینه می شود، نه لزوماً هدفی که واقعاً به آن اهمیت می دهید (مانند ارزش مشتری مادام العمر)، بنابراین تعیین هدف به درستی و واضح بسیار مهم است.

به کار انداختن یادگیری ماشین

امروز سه خبر خوب برای سازمان هایی وجود دارد که به دنبال استفاده از ML هستند. اول، مهارت‌های هوش مصنوعی به سرعت در حال گسترش هستند. جهان هنوز به اندازه کافی دانشمندان داده و متخصصان یادگیری ماشین ندارد، اما تقاضا برای آنها توسط منابع آموزشی آنلاین و هم چنین توسط دانشگاه ها برآورده می شود. بهترین آنها، از جمله Udacity، Coursera، و fast.ai، بسیار بیشتر از آموزش مفاهیم مقدماتی هستند. آنها در واقع می توانند دانش آموزان باهوش و با انگیزه را به حدی برسانند که قادر به ایجاد ML  در مقیاس صنعتی باشند. علاوه بر آموزش افراد خود، شرکت‌های علاقه‌مند می‌توانند از پلتفرم‌های استعداد آنلاین مانند Upwork، Topcoder و Kaggle برای یافتن کارشناسان ML با تخصص قابل تأیید استفاده کنند.

دومین پیشرفت خوشایند این است که الگوریتم ها و سخت افزارهای لازم برای هوش مصنوعی مدرن را می توان در صورت نیاز خریداری یا اجاره کرد. گوگل، آمازون، مایکروسافت، Salesforce و سایر شرکت ها زیرساخت قدرتمند ML را از طریق ابر در دسترس قرار می دهند. رقابت شدید بین این رقبا به این معنی است که شرکت‌هایی که می‌خواهند ML را آزمایش یا به کار ببرند، در طول زمان قابلیت‌های بیشتری را با قیمت‌های کمتری در دسترس خواهند دید.

آخرین خبر خوب، و احتمالاً نادیده گرفته شده ترین آن، این است که ممکن است برای شروع استفاده مؤثر از ML به داده های زیادی نیاز نداشته باشید. عملکرد اکثر سیستم های یادگیری ماشینی با ارائه داده های بیشتری برای کار با آنها بهبود می یابد، بنابراین منطقی به نظر می رسد که نتیجه بگیریم شرکتی که بیشترین داده را داشته باشد برنده خواهد شد. اگر «برد» به معنای «تسلط بر بازار جهانی برای یک برنامه کاربردی واحد مانند هدف‌گیری تبلیغات یا تشخیص گفتار» باشد، ممکن است چنین باشد. اما اگر موفقیت به‌ عنوان بهبود قابل‌توجه عملکرد تعریف شود، آن‌گاه داده‌های کافی اغلب به‌طور شگفت‌آوری قابل دسترس است.

به عنوان مثال، سباستین ترون، بنیانگذار Udacity، متوجه شد که برخی از فروشندگان او در پاسخ به پرسش‌های ورودی در اتاق گفتگو بسیار مؤثرتر از دیگران هستند. ترون و دانشجوی فارغ التحصیلش زید انام متوجه شدند که گزارش‌های اتاق چت آنها اساساً مجموعه‌ای از داده‌های آموزشی برچسب‌گذاری شده است، دقیقاً همان چیزی است که یک سیستم یادگیری تحت نظارت به آن نیاز دارد. فعل و انفعالاتی که منجر به فروش می‌شدند، موفقیت‌ها و سایر تعامل‌ها با برچسب مشخص بودند. زید از داده‌ها برای پیش‌بینی پاسخ‌هایی استفاده کرد که فروشندگان موفق احتمالاً در پاسخ به برخی سؤالات بسیار رایج می‌دهند و سپس آن پیش‌بینی‌ها را با فروشندگان دیگر به اشتراک گذاشت تا آنها را به سمت عملکرد بهتر سوق دهد. پس از 1000 دوره آموزشی، فروشندگان اثربخشی خود را تا 54 درصد افزایش دادند و توانستند در یک زمان دو برابر بیشتر به مشتریان خدمات ارائه دهند.

استارتاپ AI WorkFusion نیز رویکرد مشابهی را در پیش گرفته است. با شرکت‌ها همکاری می‌کند تا سطوح بالاتری از اتوماسیون را به فرآیندهای پشتیبان مانند پرداخت فاکتورهای بین‌المللی و تسویه معاملات بزرگ بین مؤسسات مالی بیاورد. دلیل اینکه این فرآیندها هنوز خودکار نشده اند این است که آنها پیچیده هستند. اطلاعات مرتبط همیشه هر بار به صورت یکسان ارائه نمی شود و تفسیر و قضاوت لازم است. نرم‌افزار WorkFusion در پس‌زمینه مشاهده می‌کند که مردم کار خود را انجام می‌دهند و از اقدامات آنها به عنوان داده‌های آموزشی برای طبقه‌بندی وظایف  استفاده می‌کند ("این فاکتور به دلار است. این فاکتور به ین است. این یکی به یورو است ..."). هنگامی که سیستم به اندازه کافی به طبقه بندی های خود اطمینان داشت، فرآیند را به عهده می گیرد.

یادگیری ماشین باعث ایجاد تغییرات در سه سطح می شود: وظایف و مشاغل، فرآیندهای کسب و کار و مدل های کسب و کار.

نمونه‌ای از طراحی مجدد کار و شغل، استفاده از سیستم‌های بینایی ماشین برای شناسایی سلول‌های سرطانی بالقوه است، رادیولوژیست‌ها را قادر می سازد تا روی موارد واقعاً بحرانی تمرکز کنند، با بیماران ارتباط برقرار کنند و با سایر پزشکان هماهنگ شوند. نمونه‌ای از طراحی مجدد فرآیند، اختراع مجدد گردش کار و طرح‌بندی مراکز عملیاتی آمازون پس از معرفی ربات‌ها و الگوریتم‌های بهینه‌سازی مبتنی بر یادگیری ماشین است. به طور مشابه، مدل‌های کسب‌وکار برای بهره‌گیری از سیستم‌های ML که می‌توانند به‌طور هوشمندانه موسیقی یا فیلم‌ها را به شیوه‌ای سفارشی ارایه دهند، باید بازاندیشی شوند. به‌جای فروش آهنگ‌ها بر اساس انتخاب‌های مصرف‌کننده، مدل بهتری می‌تواند اشتراک ایستگاه شخصی‌سازی‌شده‌ای را ارائه دهد که موسیقی‌ای را که یک مشتری خاص دوست دارد، پیش‌بینی و پخش کند، حتی اگر آن شخص قبلاً آن را نشنیده باشد.

توجه داشته باشید که سیستم های یادگیری ماشین به سختی جایگزین کل کار، فرآیند یا مدل کسب و کار می شوند. اغلب آنها مکمل فعالیت های انسانی هستند که می تواند کار آنها را بیش از پیش ارزشمند کند. مؤثرترین قانون برای تقسیم کار جدید، این نیست که «همه وظایف را به ماشین بسپارید». در عوض، اگر تکمیل موفقیت‌آمیز یک فرآیند مستلزم 10 مرحله باشد، ممکن است یک یا دو تا از آن‌ها خودکار شوند، در حالی که بقیه برای انسان ارزشمندتر می‌شوند. به عنوان مثال، سیستم پشتیبانی فروش اتاق گفتگو در Udacity سعی نکرد رباتی بسازد که بتواند تمام مکالمات را تحت کنترل درآورد. بلکه به فروشندگان در مورد چگونگی بهبود عملکردشان توصیه ارایه می کند. انسان‌ها همچنان مسئول باقی ماندند، اما بسیار مؤثرتر و کارآمدتر شدند. این رویکرد معمولاً بسیار امکان پذیرتر از تلاش برای طراحی ماشین هایی است که می توانند هر کاری را که انسان می تواند انجام دهد انجام دهد. اغلب منجر به کار بهتر و رضایت بخش تر برای افراد درگیر و در نهایت به نتیجه بهتر برای مشتریان می شود.
طراحی و اجرای ترکیب‌های جدید از فناوری‌ها، مهارت‌های انسانی و دارایی‌های سرمایه‌ای برای رفع نیازهای مشتریان، نیازمند خلاقیت و برنامه‌ریزی در مقیاس بزرگ است. این وظیفه ای است که ماشین ها در آن خیلی خوب نیستند. این باعث می‌شود که کارآفرین یا مدیر کسب‌وکار یکی از سودمندترین مشاغل جامعه در عصر ML باشد.

 خطرات و محدودیت ها

موج دوم عصر ماشین خطرات جدیدی را به همراه دارد. به طور خاص، سیستم‌های یادگیری ماشین اغلب «تفسیرپذیری» پایینی دارند، به این معنی که انسان‌ها در تشخیص اینکه چگونه سیستم‌ها به تصمیم‌های خود رسیده‌اند مشکل دارند. شبکه‌های عصبی عمیق ممکن است صدها میلیون اتصال داشته باشند که هر یک مقدار کمی در تصمیم نهایی نقش دارند. در نتیجه، پیش‌بینی‌های این سیستم‌ها در برابر توضیح ساده و واضح مقاومت می‌کنند. برخلاف انسان ها، ماشین ها (هنوز!) قصه گوهای خوبی نیستند. آنها همیشه نمی توانند دلیلی برای این که چرا یک متقاضی خاص برای شغلی پذیرفته یا رد شده است، یا داروی خاصی توصیه شده است، ارائه دهند. از قضا، حتی زمانی که ما شروع به غلبه بر پارادوکس پولانی کرده‌ایم، با نوعی نسخه معکوس روبرو هستیم: ماشین‌ها بیش از آنچه که می‌توانند به ما بگویند، می‌دانند.

این موضوع سه خطر ایجاد می کند. اولاً، ماشین‌ها ممکن است سوگیری‌های پنهانی داشته باشند که نه از طراح، بلکه از داده‌های ارائه شده برای آموزش سیستم به دست آمده است. به عنوان مثال، اگر سیستمی با استفاده از مجموعه داده ای از تصمیمات گرفته شده توسط استخدام کنندگان انسانی در گذشته، بیاموزد که کدام متقاضی شغل را برای مصاحبه بپذیرد، ممکن است به طور ناخواسته یاد بگیرد که تعصبات نژادی، جنسیتی، قومیتی را تداوم بخشد. علاوه بر این، این سوگیری ها ممکن است به عنوان یک قانون صریح ظاهر نشوند، بلکه در تعاملات ظریف در میان هزاران عامل در نظر گرفته شده اند.

خطر دوم این است که بر خلاف سیستم های سنتی که بر اساس قوانین منطقی صریح ساخته شده اند، سیستم های شبکه عصبی به جای حقایق تحت اللفظی با حقایق آماری سروکار دارند. اثبات این امر که سیستم با اطمینان کامل در همه موارد کار می کند - به خصوص در موقعیت هایی که در داده های آموزشی نشان داده نشده اند – دشوار است، اگر نگوییم غیرممکن است. فقدان قابلیت تأیید می‌تواند در برنامه‌های کاربردی حیاتی، مانند کنترل یک نیروگاه هسته‌ای، یا زمانی که تصمیمات مرگ یا زندگی در میان است، نگرانی ایجاد کند.
سوم، هنگامی که سیستم ML اشتباه می کند، تشخیص و تصحیح دقیقاً آنچه اشتباه می شود می تواند دشوار باشد. ساختار زیربنایی که منجر به راه حل شده است می تواند به طور غیرقابل تصوری پیچیده باشد و اگر شرایطی که سیستم تحت آن آموزش داده شده تغییر کند، راه حل ممکن است در حد مطلوب نباشد.

در حالی که همه این خطرات بسیار واقعی هستند، معیار مناسب کمال نیست، بلکه بهترین جایگزین موجود است. از این گذشته، ما انسان ها نیز دارای سوگیری هستیم، اشتباه می کنیم و در توضیح درست نحوه رسیدن به یک تصمیم خاص مشکل داریم. مزیت سیستم‌های مبتنی بر ماشین این است که می‌توان آنها را در طول زمان بهبود بخشید و زمانی که با داده‌های یکسانی ارائه می‌شوند، پاسخ‌های ثابتی خواهند داد.

آیا این بدان معناست که هیچ محدودیتی برای انجام هوش مصنوعی و یادگیری ماشین وجود ندارد؟ ادراک و شناخت حوزه های زیادی را پوشش می دهد - از رانندگی با ماشین گرفته تا پیش بینی فروش تا تصمیم گیری برای استخدام یا ارتقاء. ما معتقدیم که شانس این که هوش مصنوعی به زودی در بیشتر یا همه این زمینه ها به سطوح فوق بشری از عملکرد برسد بسیار زیاد است. بنابراین هوش مصنوعی و ML قادر به انجام چه کاری نیستند؟

گاهی اوقات می شنویم که "هوش مصنوعی هرگز در ارزیابی انسان های عاطفی، حیله گر و ناسازگار خوب نخواهد بود." ما موافق نیستیم سیستم‌های ML مانند سیستم‌های Affectiva در تشخیص وضعیت عاطفی فرد بر اساس لحن صدا یا حالت چهره، در حال حاضر در سطح انسانی یا فراتر از آن عمل می کنند.

در سال 2014 کنفرانس TED و بنیاد XPrize جایزه ای را برای "اولین هوش مصنوعی که به این مرحله می رسد و یک سخنرانی TED ارائه می دهد که به اندازه کافی متقاعد کننده باشد تا تشویق ایستاده از سوی تماشاگران را جلب کند" اعلام کردند. ما شک داریم که این جایزه به این زودی ها مطالبه شود.

ما فکر می‌کنیم که بزرگترین و مهم‌ترین فرصت‌ها برای هوشمندی انسان در عصر جدید ML قدرتمند، در تلاقی دو حوزه نهفته است: کشف مشکلات بعدی و متقاعد کردن افراد برای مقابله با آنها و همراهی با راه‌حل‌ها.

این یک تعریف مناسب از رهبری است که در عصر ماشین دوم اهمیت بیشتری پیدا می کند.

وضعیت موجود تقسیم کار بین ذهن و ماشین خیلی سریع در حال تغییر است. شرکت‌هایی که وضعیت موجود پایبند هستند، در مقایسه با رقبایی که می‌خواهند و قادر به استفاده از ML در فرایندهای مناسب هستند و  چگونگی ادغام مؤثر قابلیت‌های ذهن و ماشین را می دانند، در یک نقطه ضعف رقابتی بزرگ‌تر قرار خواهند گرفت. زمان تغییرات تکتونیکی در دنیای تجارت آغاز شده است که به دلیل پیشرفت فناوری به وجود آمده است. دسترسی به فن آوری های جدید یا حتی بهترین فناوران، برندگان را از بازنده ها جدا نمی کند. در عوض، این نوآوران هستند که به اندازه کافی ذهن باز دارند تا وضعیت موجود را ببینند و رویکردهای بسیار متفاوتی را متصور شوند، و به اندازه کافی زرنگی برای اجرای آنها دارند. یکی از بزرگترین میراث یادگیری ماشین، ممکن است ایجاد نسل جدیدی از رهبران تجاری باشد

از نظر ما، هوش مصنوعی، به ویژه یادگیری ماشینی، مهم ترین فناوری همه منظوره عصر ما است. تأثیر این نوآوری ها بر تجارت و اقتصاد نه تنها در مشارکت مستقیم آنها بلکه در توانایی آنها برای فعال کردن و الهام بخشیدن به نوآوری های مکمل منعکس خواهد شد. محصولات و فرآیندهای جدید با سیستم‌های بینایی بهتر، تشخیص گفتار، حل هوشمندانه مسائل و بسیاری از قابلیت‌های دیگری که یادگیری ماشین ارائه می‌دهد ممکن می‌شوند.

برخی از کارشناسان از این هم فراتر رفته اند. گیل پرات، که اکنون ریاست موسسه تحقیقاتی تویوتا را بر عهده دارد، موج کنونی فناوری هوش مصنوعی را با انفجار کامبرین در 500 میلیون سال پیش مقایسه کرده است که تنوع فوق‌العاده‌ای از اشکال جدید حیات را به وجود آورد. در آن زمان مانند اکنون، یکی از قابلیت های کلیدی جدید، چشم انداز بود. هنگامی که حیوانات برای اولین بار این قابلیت را به دست آوردند، به آنها اجازه داد تا محیط را به مراتب موثرتر کشف کنند. که باعث افزایش بسیار زیادی در تعداد گونه‌ها، هم شکارچیان و هم طعمه‌ها، و همچنین در گستره ای از بسترهای اکولوژیکی که پر شده بودند، شد. امروز نیز انتظار داریم که شاهد انواع محصولات، خدمات، فرآیندها و اشکال سازمانی جدید و همچنین انقراض های متعدد باشیم. مطمئناً شکست های عجیب و غریب همراه با موفقیت های غیرمنتظره وجود خواهد داشت.

اگرچه پیش‌بینی دقیق این که کدام شرکت‌ها در محیط جدید تسلط خواهند یافت دشوار است، یک اصل کلی واضح است: زیرک‌ترین و سازگارترین شرکت‌ها و مدیران موفق خواهند شد. سازمان‌هایی که می‌توانند به سرعت فرصت‌ها را حس کنند و به آنها پاسخ دهند، از مزیت چشم‌انداز مجهز به هوش مصنوعی استفاده خواهند کرد. بنابراین استراتژی موفق این است که مایل به آزمایش و یادگیری سریع باشید. اگر مدیران آزمایش‌ها را در زمینه یادگیری ماشین افزایش ندهند، کار خود را خوب انجام نداده اند. در دهه آینده، هوش مصنوعی جایگزین مدیران نخواهد شد، اما مدیرانی که از هوش مصنوعی استفاده می کنند، جایگزین مدیرانی خواهند شد که از این کار استفاده نمی کنند.


منبع: Harvard Business Review