پیش‌گفتار
سال 2021 داره به پایان میرسه و این روزها -به رسم هرساله- نوشته‌های زیادی با محوریت «آن چه که در سال گذشته در فلان حوزه رخ داد» و «انتظار میره در سال آینده این رخدادها را شاهد باشیم» منتشر میشه.
بدون شک یکی از حوزه‌های جذاب برای پیش‌بینی و روندیابی، حوزه هوش مصنوعیه. به گمانم فصل مشترک همه تحلیل‌ها این باشه که در سال 2022 سیم‌های هوش مصنوعی نقاط بیش‌تری از زندگی انسان‌ها رو روشن بکنه؛ و اختلاف نظر تنها بر سر شدت و کیفیت گسترش این فناوری باشه.
برای نمونه، در نظرسنجی موسسه IEEE، نزدیک به ۷۰ درصد پاسخ‌دهنده‌ها که رهبران و افراد سرشناس دنیای فناوری بودن، باور دارن هوش مصنوعی سرمنشاء عمده تغییرات در همه صنایع تا ۵ سال آینده خواهد بود.
در این نوشته من نیز در حد توانم به عنوان یک فعال حوزه پژوهش و صنعت هوش مصنوعی، حدس‌هایی رو برای سال آینده و سال‌های پس از اون می‌زنم، به این امید که در تصمیم‌گیری پژوهشگران و فعالان صنعت مفید واقع افتد (از این جملات کلیشه‌ای!).
سلب مسوولیت!
دوباره اشاره کنم که آن‌چه که در ادامه می‌خونید عمدتاً تحلیل‌های شخصی منه و ممکنه درست یا کامل نباشه یا آغشته به سوگیری‌های ذهنی باشه. در عین حال، مقالات متنوع برای روندیابی سال 2022 که چهره‌های سرشناس و سایت‌های معتبر منتشر کردن در اینترنت با کلیدواژه زیر قابل دسترسه.
artificial intelligence trends in 2022
روندیابی رو از جنبه‌های مختلفی میشه انجام داد. یکی از رویکردها، تخمین ارقام و آمارِ به‌کارگیری هوش مصنوعی در جاهای مختلفه که من در این نوشته بهش نمی‌پردازم و در عوض یک رویکرد کیفی رو دنبال خواهم کرد. در ادامه مجموعه‌ای نه چندان منسجم رو شاهد خواهید بود که به جهت رعایت عرف ویرگول، با زبان نسبتاً خودمانی نوشته شده.
دنیا پر از داده‌های ساختگی خواهد شد.
در یکی از پست‌هایم در لینکدین اشاره کرده‌ام که شبکه‌های مولد تخاصمی یا همان گَن‌ها (GANs) با تولید داده مصنوعی نقش مهمی در آینده بشر ایفا می‌کنن. این شبکه‌ها میتونن تصاویر، موسیقی، متن یا هر اطلاعات معناداری بسازن که در دنیای واقعی وجود نداره. خیلی‌ها گن‌ها رو بزرگترین پیشرفت در دنیای هوش مصنوعی پس از معرفی یادگیری عمیق (دیپ‌لرنینگ) می‌دونن.
جالبه در پیش‌بینی گارتنر برای آینده سازمان‌ها، اولین مورد به همین موضوع داده‌های ساختگی مرتبطه. گارتنر اعتقاد داره که تولید داده ساختگی از سوی مشتریان برای حفظ حریم شخصی گسترش پیدا خواهد کرد و جمع‌آوری داده‌ی بامعنا برای شرکت‌ها سخت میشه. البته این روی مثبت ماجراست (برای ما کاربرها) و جنبه منفی هم مشخصاً فراگیر شدن داده‌های جعلی (دیپ‌فیک) خواهد بود.
هوش مصنوعیِ سنتی، صنعتی خواهد شد!
یکی از مشاهدات پررنگ من، صنعتی‌تر شدن هوش مصنوعی است که منجر شده عناوین شغلی مثل متخصص عملیات یادگیری ماشین (MLops یا AIops) اهمیت بالایی پیدا بکنن. حتی یک جایی عنوان RLops را هم دیدم که منظورش متخصص پیاده‌سازی الگوریتم‌های یادگیری تقویتی بود!
در همین راستا، مهندسی و توسعه نرم‌افزار هم وارد بازی شده تا شرکت‌ها بتونن سیستم‌های هوشمندی بسازن که چند نفر همزمان توسعه‌اش میدن. من به عنوان کسی که کارشناسی برق خونده متاسفانه مسیر اصولی این رشته رو طی نکرده‌ام، اما در محل کار این ضرورت ایجاد شده که خیلی از ابزارها و تکنیک‌های مهم مثل سیستم‌های مدیریت نسخه نرم‌افزار (Git)، دیباگینگ کد، تمیزنویسی کد و ... رو یاد بگیرم.
حدس می‌زنم در سال 2022 ابزارهای خیلی کارآمد و توانمندی برای این قضیه معرفی بشه (با گرایش به سمت کدنویسی کمتر یا همون low-code)، کما این که همین الان هم ابزارهایی مثل MLflow به رایگان در دسترسه.
داده‌ها مهندسی می‌شوند!
این روزها جناب اندرو ان‌جی ایده هوش مصنوعی داده‌محور (Data-centric AI) رو پرقدرت دنبال می‌کنه. ایده اصلی این رویکرد اینه که دست از سر مدل‌های یادگیر برداریم و کمی هم به داده‌ها توجه کنیم و حتی مهندسیشون بکنیم! شکل زیر که در وبلاگ خود ایشون منتشر شده (لینک)، مثال ساده‌ای از این واقعیته که با تغییر شرایط تصویربرداری میشه کار مدل‌های بینایی ماشین رو ساده کرد.
به گمانم چنین رویکردی کم‌کم جای خودش رو باز می‌کنه و داده از یک موجودیت بی‌جان به یک موجود زنده که میتونه تکامل پیدا کنه تغییر ماهیت میده.
طرزفکر (مایندسِت) داده‌محور رونق می‌یابد.
احتمالاً در سال آینده و سال‌های پس از آن، طرزفکر داده-محور برای افراد و سازمان‌ها پررنگ‌تر بشه. در این طرز فکر، تحلیل آماری برای تصمیم‌گیری نسبت به تحلیل‌های کارشناسی اولویت داره یا حداقل بهش کمک می‌کنه.
برای مثال، فرض کنید به عنوان یک مدیر یا استراتژیست شرکت، می‌خواین ببینین چرا مشتری‌ها به شما وفادار نمی‌مونن؟ تحلیل کارشناسی بررسی دقیقی روی محصول، رقبا، وضعیت اقتصادی و ... انجام میده تا به پاسخ این سوال برسه. اما تحلیل داده-محور به این صورته که یک دیتاست از ویژگی‌های مشتریان (سن، جنسیت، سبد خریدهای قبلی و ویژگی‌های مفید دیگه) تهیه می‌کنه و بر روی اون تحلیل آماری یا حتی مدل یادگیر اعمال می‌کنه.
مطابق موردی که بالاتر درباره مهندسی داده گفتم، ممکنه حتی به این نتیجه برسید که باید یک ویژگی دیگه رو هم درباره مشتری‌ها ثبت بکنید. برای مثال احساسات اون‌ها موقع خرید رو با فناوری تشخیص احساسات چهره تشخیص بدین. البته من شخصاً با فناوری تشخیص احساسات چهره کاملاً مخالفم (لینک دلایلم) ولی خب دنیا فارغ از نظرات من و شما به مسیر خودش ادامه میده!
یادگیری تقویتی تقویت خواهد شد!
یادگیری تقویتی حداقل در فضای پژوهش که خیلی داغ شده و انتظار میره سال 2022 هم مقالات جالبی رو در این زمینه شاهد باشیم؛ هر چند ممکنه صنعتی شدن یادگیری تقویتی به صورت گسترده زمان بیش‌تری ببره.
منظور از یادگیری تقویتی هر گونه یادگیری پاداش‌محوره که در اون عامل یادگیر بر اساس آزمون و خطا یک یا چند مهارت رو کسب می‌کنه. منتها کارهای زیادی داره انجام میشه تا این آزمون و خطا (رفتار اکتشافی) هدفمندتر بشه و همچنین مهارت‌های کسب‌شده در محیط‌های مختلف قابل استفاده باشن (همون بحث تعمیم‌پذیری). جالبه بدونین سال گذشته چند تا از بزرگان یادگیری تقویتی مقاله‌ای بحث‌برانگیز منتشر کردن با این ادعای بزرگ که با پاداش دادن به یک عامل یادگیر میشه انواع مختلف هوش رو خلق کرد.
راستی ما یک گروه هم در لینکدین با محوریت یادگیری تقویتی داریم که اگه خواستین میتونید اینجا عضو بشین. البته خیلی فعال نیست ولی خب فعال شدن این گروه میتونه جزو روندهای خوب سال 2022 باشه! ;)
دانش بین مدل‌های یادگیر به اشتراک گذاشته خواهد شد.
روندی رو به رشد در صنعت و پژوهش شکل گرفته که احتمالاً در سال آینده هم به شکل جدی دنبال بشه: به‌اشتراک‌گذاری دانش بین مدل‌های مختلف یادگیر. انگیزه‌های چنین کاری میتونه کاهش در مصرف انرژی و هزینه (به ویژه برای استارتاپ‌ها)، کم بودن داده در دسترس (به خصوص داده برچسب‌دار) و افزایش سرعت آموزش مدل‌ها باشه.
انواع گوناگونی از این رویکرد معرفی شده که اسامی مختلفی هم دارن: یادگیری انتقال، یادگیری توزیع‌شده، federated learning ،ensemble learning ،composite learning و یادگیری تقویتی چندعامله. خوشبختانه برای مقاله نوشتن کلمه کلیدی به وفور یافت میشه! ;)
ورودی‌های پیچیده‌تر به الگوریتم‌ها داده می‌شود.
در یک دهه گذشته به لطف تلاش‌های دانشمندان هوش مصنوعی، مدل‌های یادگیر به این توانایی رسیدن که داده‌های پیچیده‌تر مثل عکس، ویدیو، متن و ... رو دریافت و اون‌ها رو پردازش بکنن.
انتظار میره در سال 2022 این پیچیدگی بیش‌تر هم بشه و الگوریتم‌ها برای پردازش اطلاعاتی مثل گراف و یا اطلاعات چندحالته (multi-modal) مثلاً ترکیب عکس و متن به عنوان ورودی توانمندتر بشن.
گراف یک نوع ساختارداده هست که روابط بین چند موجودیت مختلف رو مشخص می‌کنه. مثلاً در شبکه‌های اجتماعی ما گراف روابط بین کاربرها رو میتونیم داشته باشیم.
هوش مصنوعی کالبدهای گوناگونی خواهد یافت!
دیگه سال 2022 احتمالاً شروع زمانی باشه که هوش مصنوعی به طور جدی از کالبد کامپیوترها بیاد بیرون و نه فقط وارد گوشی‌های هوشمند، بلکه وارد دستگاه‌های تعبیه‌شده (embedded devices) بشه و بدین شکل قلمرو خودش رو گسترش بده. برای این کار تحقیقات فراوانی در حال انجامه که از جمله میشه به حوزه tinyML اشاره کرد که تلاش می‌کنه مدل‌های یادگیری ماشین رو بر روی تجهیزات با مصرف توان کم (مثلاً رزبری‌پای یا حتی بردهای آردوینو) قرار بده.
شاید حرکت جهانی به سوی متاورس و گسترش پیدا کردن واقعیت افزوده/مجازی/ترکیبی هم مشوقی برای این موضوع باشه.
هوش مصنوعی و سایر فناوری‌ها هم‌افزایی خواهند داشت.
یکی از مشاهدات مهم من در مقالات و اخبار شرکت‌های بزرگ، هم‌افزایی (سینرژی) بین هوش مصنوعی و سایر فناوری‌ها به ویژه فناوری‌های شبکه مثل 5G، اینترنت اشیاء، زنجیره بلوکی (بلاک‌چین)، نانوتکنولوژی، مهندسی پزشکی و ... خواهد بود. این نوشتار مجال نمی‌دهد که به همه این‌ها بپردازم اما در آینده اگر عمری و حوصله‌ای بود حتماً بیش‌تر خواهم نوشت، به ویژه در زمینه تخصصی خودم یعنی شبکه.
سخن آخر
میدونم که در این نوشتار بسیاری از روندهای محتمل در دنیای هوش مصنوعی رو پوشش ندادم، چرا که این متن طولانی میشد یا این که اساساً از وجودشون اطلاعی ندارم. برای مثال تاثیرات متقابل هوش مصنوعی و نوروساینس و گسترش ترنسفورمرها (که بر اساس مکانیزم توجه طراحی شدن) از مواردی بود که بهشون نپرداختم.
شما چه فکر می‌کنید؟ چه روندهای جهانی برای هوش مصنوعی چه در تحقیقات چه در صنعت متصور هستید؟
