ترجمه کتاب ساخت برنامههای کاربردی با مدلهای پایه - انتشارات O’Reilly
BOOK: O'Reilly_AI_Engineering_Building_Applications_with_Foundation_Models
اگر تاکنون در حال ساخت برنامههای کاربردی هوش مصنوعی نبودهاید، امیدوارم بخش قبلی شما را متقاعد کرده باشد که اکنون زمان بسیار مناسبی برای این کار است. اگر ایده خاصی برای یک برنامه در ذهن دارید، ممکن است بخواهید به بخش “برنامهریزی برنامههای کاربردی هوش مصنوعی” در صفحه ۲۸ از کتاب منبع بروید. اگر به دنبال الهام گرفتن هستید، این بخش طیف گستردهای از موارد استفاده اثباتشده در صنعت و موارد امیدوارکننده را پوشش میدهد.
تعداد برنامههای کاربردی بالقوهای که میتوانید با مدلهای پایه بسازید، بیپایان به نظر میرسد. هر مورد استفادهای که به آن فکر کنید، احتمالاً یک هوش مصنوعی برای آن وجود دارد. فهرست کردن تمام موارد استفاده بالقوه برای هوش مصنوعی غیرممکن است.
حتی تلاش برای دستهبندی این موارد استفاده نیز چالشبرانگیز است، زیرا نظرسنجیهای مختلف از دستهبندیهای متفاوتی استفاده میکنند. برای مثال، Amazon Web Services (AWS) موارد استفاده enterprise (شرکتی) هوش مصنوعی مولد را در سه بخش دستهبندی کرده است: تجربه مشتری، بهرهوری کارکنان، و بهینهسازی فرآیند. یک نظرسنجی O’Reilly در سال ۲۰۲۴ موارد استفاده را در هشت دسته، دستهبندی کرد: برنامهنویسی، تحلیل داده، پشتیبانی مشتری، متن بازاریابی، سایر متون، تحقیق، طراحی وب، و هنر.
برخی سازمانها، مانند Deloitte، موارد استفاده را بر اساس دریافت ارزش (value capture) دستهبندی کردهاند، مانند کاهش هزینه، کارایی فرآیند، رشد، و تسریع نوآوری. برای دریافت ارزش، Gartner یک دسته برای تداوم کسبوکار (business continuity) دارد، به این معنی که یک سازمان در صورت عدم اتخاذ هوش مصنوعی مولد ممکن است ورشکست شود. از بین ۲۵۰۰ مدیر اجرایی که Gartner در سال ۲۰۲۳ مورد بررسی قرار داد، ۷٪ تداوم کسبوکار را انگیزه اصلی برای پذیرش هوش مصنوعی مولد ذکر کردند.
Eloundou و همکاران (۲۰۲۳) تحقیقات عالیای در مورد میزان مواجهه مشاغل مختلف با هوش مصنوعی انجام دادهاند. آنها یک تسک را تعریف کردند اگر هوش مصنوعی و نرمافزارهای مبتنی بر هوش مصنوعی بتوانند زمان مورد نیاز برای تکمیل این تسک را حداقل ۵۰٪ کاهش دهند. یک شغل با ۸۰٪ مواجهه به این معنی است که ۸۰٪ از وظایف آن شغل در معرض هستند. بر اساس این مطالعه، مشاغل با ۱۰۰٪ یا نزدیک به ۱۰۰٪ مواجهه شامل مترجمان شفاهی و کتبی، تهیهکنندگان اظهارنامه مالیاتی، طراحان وب، و نویسندگان میشوند. برخی از آنها در جدول ۱-۲ نشان داده شدهاند. جای تعجب نیست که مشاغل بدون مواجهه با هوش مصنوعی شامل آشپزها، سنگتراشان، و ورزشکاران میشوند. این مطالعه تصور خوبی از موارد استفادهای که هوش مصنوعی برای آنها مناسب است ارائه میدهد.
هنگام تحلیل موارد استفاده، من به هر دو دسته برنامههای کاربردی enterprise (شرکتی) و مصرفکننده (consumer) نگاه کردم. برای درک موارد استفاده enterprise، با ۵۰ شرکت در مورد استراتژیهای هوش مصنوعی آنها مصاحبه کردم و بیش از ۱۰۰ مطالعه موردی را خواندم. برای درک برنامههای مصرفکننده، ۲۰۵ برنامه کاربردی هوش مصنوعی منبع باز با حداقل ۵۰۰ ستاره در GitHub را بررسی کردم. من برنامههای کاربردی را به هشت گروه دستهبندی کردم، همانطور که در جدول ۱-۳ نشان داده شده است. فهرست محدود اینجا بهترین کاربرد را به عنوان یک مرجع دارد. همانطور که در فصل ۲ در مورد چگونگی ساخت مدلهای پایه و در فصل ۳ در مورد چگونگی ارزیابی آنها بیشتر یاد میگیرید، همچنین قادر خواهید بود تصویر بهتری از موارد استفادهای که مدلهای پایه میتوانند و باید برای آنها استفاده شوند، تشکیل دهید.
این 8 دسته بندی از موارد رایج استفاده از هوش مصتوعی مولد در ادامه توضیح داده خواهد شد.
از آنجایی که مدلهای پایه عمومی هستند، برنامههای ساخته شده بر روی آنها میتوانند بسیاری از مشکلات را حل کنند. این بدان معنی است که یک برنامه کاربردی میتواند به بیش از یک دسته تعلق داشته باشد. برای مثال، یک ربات (بات) میتواند همدمی ارائه دهد و هم اطلاعات را تجمیع کند. یک برنامه کاربردی میتواند به شما کمک کند دادههای ساختاریافته را از یک PDF استخراج کنید و به سوالات درباره آن PDF پاسخ دهید.
شکل ۱-۷ توزیع این موارد استفاده را در بین ۲۰۵ برنامه کاربردی منبع باز نشان میدهد. توجه داشته باشید که درصد کم موارد استفاده آموزش، سازماندهی داده و نوشتن به این معنی نیست که این موارد استفاده محبوب نیستند. فقط به این معنی است که این برنامههای کاربردی منبع باز نیستند. سازندگان این برنامهها ممکن است آنها را برای موارد استفاده enterprise مناسبتر بدانند.
دنیای enterprise عموماً برنامههای کاربردی با ریسک پایینتر را ترجیح میدهد. برای مثال، یک گزارش Growth از a16z در سال ۲۰۲۴ نشان داد که شرکتها سریعتر برنامههای کاربردی مقابل داخلی (مدیریت دانش داخلی) را نسبت به برنامههای کاربردی مقابل خارجی (چتباتهای پشتیبانی مشتری) مستقر میکنند، همانطور که در شکل ۱-۸ نشان داده شده است. برنامههای داخلی به شرکتها کمک میکنند تا تخصص مهندسی هوش مصنوعی خود را توسعه دهند در حالی که ریسکهای مرتبط با حریم خصوصی داده، انطباق (compliance)، و خرابیهای فاجعهبار بالقوه را به حداقل میرسانند. به طور مشابه، در حالی که مدلهای پایه باز هستند و میتوانند برای هر کاری استفاده شوند، بسیاری از برنامههای ساخته شده بر روی آنها هنوز بسته (close-ended) هستند، مانند طبقهبندی (classification). وظایف طبقهبندی ارزیابی آسانتری دارند که باعث میشود ریسکهای آنها راحتتر برآورد شود.
حتی پس از دیدن صدها برنامه کاربردی هوش مصنوعی، هنوز هم هر هفته با برنامههای جدیدی که مرا شگفتزده میکنند مواجه میشوم. در روزهای اولیه اینترنت، تعداد کمی از مردم پیشبینی میکردند که روزی مورد استفاده غالب در اینترنت شبکههای اجتماعی خواهد بود. همانطور که یاد میگیریم چگونه حداکثر استفاده را از هوش مصنوعی ببریم، مورد استفادهای که در نهایت غالب خواهد شد ممکن است ما را شگفتزده کند. با کمی خوششانسی، این شگفتی یک شگفتی خوب خواهد بود.
در چندین نظرسنجی مختلف در حوزه هوش مصنوعی مولد، کدنویسی به صورت قاطعانه پرطرفدارترین مورد استفاده است. ابزارهای کدنویسی هوش مصنوعی هم به این دلیل محبوب هستند که هوش مصنوعی در کدنویسی خوب عمل میکند و هم به این دلیل که مهندسین اولیه هوش مصنوعی، خود برنامهنویس هستند و بیشتر در معرض چالشهای کدنویسی قرار دارند.
یکی از اولین موفقیتهای مدلهای پایه در محیط production، ابزار تکمیل کد GitHub Copilot است که درآمد تکرارشونده سالانه آن تنها دو سال پس از راهاندازی از مرز ۱۰۰ میلیون دلار عبور کرد. در زمان نوشتن این کتاب، استارتآپهای حوزه کدنویسی مبتنی بر هوش مصنوعی صدها میلیون دلار سرمایه جذب کردهاند - به عنوان مثال، شرکت Magic در آگوست ۲۰۲۴ مبلغ ۳۲۰ میلیون دلار و Anysphere مبلغ ۶۰ میلیون دلار سرمایهگیری کردند. ابزارهای منبع باز کدنویسی مانند gpt-engineer و screenshot-to-code هر کدام در عرض یک سال ۵۰,۰۰۰ ستاره در GitHub کسب کردند و بسیاری دیگر نیز به سرعت در حال معرفی هستند.
علاوه بر ابزارهای عمومی کمک به کدنویسی، بسیاری از ابزارها در وظایف کدنویسی خاصی تخصصی شدهاند. نمونههایی از این وظایف عبارتند از:
استخراج دادههای ساختاریافته از صفحات وب و PDFها (مانند AgentGPT)
تبدیل زبان انگلیسی به کد (مانند DB-GPT, SQL Chat, PandasAI)
تولید کد از روی طراحی یا اسکرینشات برای ساخت وبسایتی شبیه تصویر داده شده (مانند screenshot-to-code, draw-a-ui)
ترجمه از یک زبان یا فریمورک برنامهنویسی به دیگری (مانند GPT Migrate, AI Code Translator)
نوشتن مستندات (مانند Autodoc)
ایجاد تست (مانند PentestGPT)
تولید پیامهای کامیت (مانند AI Commits)
واضح است که هوش مصنوعی میتواند بسیاری از وظایف مهندسی نرمافزار را انجام دهد. سوال اینجاست که آیا هوش مصنوعی میتواند مهندسی نرمافزار را به طور کامل خودکار کند؟
در یک سوی این طیف، جنسن هوانگ، مدیرعامل NVIDIA، پیشبینی میکند که هوش مصنوعی جایگزین مهندسین نرمافزار انسانی خواهد شد و ما باید دیگر به کودکان نگوییم که کدنویسی یاد بگیرند. در یک ضبط صدا که درز کرده، مت گارمن، مدیرعامل AWS، اظهار داشت که در آینده نزدیک، اکثر توسعهدهندگان کدنویسی را متوقف خواهند کرد. منظورش پایان کار توسعهدهندگان نرمافزار نیست؛ بلکه شغل آنها تغییر خواهد کرد. در سوی دیگر این طیف، بسیاری از مهندسین نرمافزار متقاعد شدهاند که هرگز توسط هوش مصنوعی جایگزین نخواهند شد، هم به دلایل فنی و هم به دلایل احساسی (افراد دوست ندارند اعتراف کنند که قابل جایگزینی هستند).
مهندسی نرمافزار از بسیاری وظایف تشکیل شده است. هوش مصنوعی در برخی از این وظایف بهتر از بقیه عمل میکند. محققان McKinsey دریافتند که هوش مصنوعی میتواند به توسعهدهندگان کمک کند تا در مستندسازی دو برابر و در تولید کد و بازآرایی کد ۲۵ تا ۵۰ درصد پروداکتیوتر (مولدتر) باشند. حداقل بهبود بهرهوری برای وظایف بسیار پیچیده مشاهده شده (همانطور که در شکل ۱-۹ نشان داده شده است). در گفتوگوهای من با توسعهدهندگان ابزارهای کدنویسی هوش مصنوعی، بسیاری به من گفتند که متوجه شدهاند هوش مصنوعی در توسعه frontend بسیار بهتر از توسعه backend عمل میکند.
صرف نظر از این که آیا هوش مصنوعی جایگزین مهندسین نرمافزار خواهد شد یا خیر، هوش مصنوعی قطعاً میتواند آنها را پروداکتیوتر (مولدتر) کند. این بدان معناست که شرکتها اکنون میتوانند با تعداد کمتری مهندس به دستاوردهای بیشتری برسند. هوش مصنوعی همچنین میتواند صنعت برونسپاری (outsourcing) را دچار اختلال کند، زیرا وظایف برونسپاری شده معمولاً وظایف سادهتری هستند که خارج از کسبوکار اصلی یک شرکت قرار دارند.
به لطف ماهیت احتمالاتی (probabilistic nature)، هوش مصنوعی برای کارهای خلاقانه عالی است. برخی از موفقترین استارتآپهای هوش مصنوعی، برنامههای کاربردی خلاقانه هستند، مانند:
Midjourney برای تولید تصویر،
Adobe Firefly برای ویرایش عکس،
و Runway، Pika Labs، و Sora برای تولید ویدیو.
در اواخر سال ۲۰۲۳، میدجرنی در سن تنها یک و نیم سالگی توانسته بود ۲۰۰ میلیون دلار درآمد تکرارشونده سالانه ایجاد کند. تا دسامبر ۲۰۲۳، از میان ۱۰ اپلیکیشن برتر رایگان در دسته «گرافیک و طراحی» در اپ استور اپل، نیمی از آنها در نام خود کلمه «AI» را داشتند. من گمان میکنم که به زودی، اپلیکیشنهای گرافیک و طراحی به طور پیشفرض هوش مصنوعی را در خود جای خواهند داد و دیگر نیازی به ذکر واژه «هوش مصنوعی» در نام خود نخواهند داشت. فصل ۲ با جزئیات بیشتر به ماهیت احتمالاتی هوش مصنوعی میپردازد.
اکنون استفاده از هوش مصنوعی برای تولید عکسهای پروفایل برای شبکههای اجتماعی، از لینکدین گرفته تا تیکتاک، رایج شده است. بسیاری از نامزدهای شغلی معتقدند که عکسهای تولیدشده توسط هوش مصنوعی میتواند به آنها کمک کند تا بهترین ظاهر خود را ارائه دهند و شانس خود را برای به دست آوردن شغل افزایش دهند. درک عمومی از عکسهای پروفایل تولیدشده توسط هوش مصنوعی به طور قابل توجهی تغییر کرده است. در سال ۲۰۱۹، فیسبوک به دلایل امنیتی حسابهای کاربری که از عکسهای پروفایل تولیدشده توسط هوش مصنوعی استفاده میکردند را مسدود میکرد. در سال ۲۰۲۳، بسیاری از اپلیکیشنهای شبکههای اجتماعی ابزارهایی ارائه میدهند که به کاربران امکان میدهد از هوش مصنوعی برای تولید عکسهای پروفایل استفاده کنند.
شرکتهای بزرگ، تبلیغات و بازاریابی به سرعت هوش مصنوعی را در خود ادغام کردهاند. از هوش مصنوعی میتوان برای تولید مستقیم تصاویر و ویدیوهای تبلیغاتی استفاده کرد. میتواند به طوفان فکری ایدهها یا تولید پیشنویسهای اولیه برای متخصصان انسانی کمک کند تا بر روی آنها تکرار و بهبود انجام دهند. شما میتوانید از هوش مصنوعی برای تولید چندین تبلیغ استفاده کنید و آزمایش کنید تا ببینید کدام یک برای مخاطب بهترین عملکرد را دارد. هوش مصنوعی میتواند انواع مختلفی از تبلیغات را بر اساس فصلها و مکانها تولید کند. برای مثال، میتوانید از هوش مصنوعی برای تغییر رنگ برگها در فصل پاییز یا افزودن برف به زمین در فصل زمستان استفاده کنید.
هوش مصنوعی مدتهاست که برای کمک به نوشتن استفاده میشود. اگر از گوشی هوشمند استفاده میکنید، احتمالاً با تصحیح خودکار (autocorrect) و تکمیل خودکار (auto-completion) که هر دو توسط هوش مصنوعی پشتیبانی میشوند، آشنا هستید. نوشتن یک کاربرد ایدهآل برای هوش مصنوعی است زیرا ما زیاد مینویسیم، میتواند بسیار خستهکننده باشد و تحمل بالایی برای اشتباهات داریم. اگر مدل چیزی را پیشنهاد دهد که شما دوست ندارید، میتوانید به سادگی آن را نادیده بگیرید.
این تعجبآور نیست که مدلهای زبانی بزرگ (LLMs) در نوشتن خوب هستند، زیرا برای تکمیل متن آموزش دیدهاند. برای مطالعه تأثیر چتجیپیتی بر نوشتن، یک مطالعه MIT (Noy and Zhang, 2023) وظایف نوشتن خاص مشاغل را به ۴۵۳ متخصص تحصیلکرده دانشگاهی محول کرد و به طور تصادفی نیمی از آنها را در معرض چتجیپیتی قرار داد. نتایج آنها نشان میدهد که در میان کسانی که در معرض چتجیپیتی قرار گرفتند، میانگین زمان صرف شده ۴۰٪ کاهش و کیفیت خروجی ۱۸٪ افزایش یافت. چتجیپیتی به کاهش شکاف کیفیت خروجی بین کارگران کمک میکند، به این معنی که برای کسانی که تمایل کمتری به نوشتن دارند، مفیدتر است. کارگرانی که در طول آزمایش در معرض چتجیپیتی قرار گرفتند، دو هفته پس از آزمایش دو برابر بیشتر احتمال داشت گزارش دهند که در کار واقعی خود از آن استفاده کردهاند و دو ماه پس از آن ۱.۶ برابر بیشتر احتمال داشت.
برای مصرفکنندگان، موارد استفاده آشکار است. بسیاری از هوش مصنوعی برای کمک به برقراری ارتباط بهتر استفاده میکنند. شما میتوانید در یک ایمیل عصبانی باشید و از هوش مصنوعی بخواهید که آن را خوشایند کند. میتوانید به آن نکات اصلی را بدهید و پاراگرافهای کامل دریافت کنید. چندین نفر ادعا کردند که دیگر بدون اینکه اول از هوش مصنوعی بخواهند آن را بهبود بخشد، ایمیل مهمی ارسال نمیکنند.
دانشآموزان از هوش مصنوعی برای نوشتن انشا استفاده میکنند. نویسندگان از هوش مصنوعی برای نوشتن کتاب استفاده میکنند. بسیاری از استارتآپها از قبل از هوش مصنوعی برای تولید کتابهای کودکان، فَن فیکشن، عاشقانه و فانتزی استفاده میکنند. برخلاف کتابهای سنتی، کتابهای تولیدشده توسط هوش مصنوعی میتوانند تعاملی باشند، زیرا طرح داستان یک کتاب میتواند بسته به ترجیح خواننده تغییر کند. این بدان معنی است که خوانندگان میتوانند به طور فعال در خلق داستانی که میخوانند مشارکت کنند. یک اپلیکیشن خواندن کودکان کلماتی را که یک کودک با آنها مشکل دارد شناسایی میکند و داستانهایی را حول این کلمات تولید میکند.
اپلیکیشنهای یادداشتبرداری و ایمیل مانند Google Docs، Notion و Gmail همگی از هوش مصنوعی برای کمک به کاربران در بهبود نوشتههایشان استفاده میکنند. Grammarly، یک اپلیکیشن دستیار نوشتن، یک مدل را فاین-تیون (fine-tunes) میکند تا نوشتههای کاربران را روانتر، منسجمتر و واضحتر کند.
قابلیت نوشتن هوش مصنوعی میتواند مورد سوء استفاده نیز قرار گیرد. در سال ۲۰۲۳، نیویورک تایمز گزارش داد که آمازون مملو از کتابهای راهنمای سفر بیکیفیت تولیدشده توسط هوش مصنوعی شده است که هر کدام دارای یک بیوگرافی نویسنده، یک وبسایت و نظرات ستایشآمیز هستند که همگی توسط هوش مصنوعی تولید شدهاند.
برای شرکتها، نوشتن با هوش مصنوعی در فروش، بازاریابی و ارتباطات عمومی تیم رایج است. بسیاری از مدیران به من گفتند که از هوش مصنوعی برای کمک به نوشتن گزارشهای عملکرد استفاده کردهاند. هوش مصنوعی میتواند در ساخت ایمیلهای تبلیغاتی (outreach) سرد، کپینویسی تبلیغات و توضیحات محصول کمک کند. اپلیکیشنهای مدیریت ارتباط با مشتری (CRM) مانند HubSpot و Salesforce نیز ابزارهایی برای کاربران enterprise برای تولید محتوای وب و ایمیلهای تبلیغاتی دارند.
هوش مصنوعی به نظر میرسد به طور خاص در سئو (SEO) خوب عمل میکند، شاید به این دلیل که بسیاری از مدلهای هوش مصنوعی با دادههای اینترنت آموزش دیدهاند که پر از متنهای بهینهشده برای سئو است. هوش مصنوعی آنقدر در سئو خوب عمل میکند که نسل جدیدی از مزرعههای محتوا (content farms) را امکانپذیر کرده است. این مزرعهها وبسایتهای بیارزشی راهاندازی میکنند و آنها را با محتوای تولیدشده توسط هوش مصنوعی پر میکنند تا در گوگل رتبه بالایی کسب کنند و ترافیک را به سمت خود هدایت کنند. سپس از طریق تبادل تبلیغات (ad exchanges)، فضای تبلیغاتی میفروشند. در ژوئن ۲۰۲۳، NewsGuard تقریباً ۴۰۰ تبلیغ از ۱۴۱ برند محبوب را در وبسایتهای بیارزش تولیدشده توسط هوش مصنوعی شناسایی کرد. یکی از این وبسایتهای بیارزش ۱۲۰۰ مقاله در روز تولید میکرد. مگر اینکه اقدامی برای محدود کردن این مسئله انجام شود، آینده محتوای اینترنت، تولیدشده توسط هوش مصنوعی خواهد بود و این آینده بسیار تاریک به نظر میرسد.
هر زمان که چتجیپیتی از دسترس خارج میشود، سرور دیسکورد OpenAI با دانشآموزانی که از عدم توانایی در تکمیل تکالیف خود شکایت میکنند، پر میشود. چندین هیئت آموزشی، از جمله مدارس عمومی شهر نیویورک و منطقه متحد آموزشی لس آنجلس، به سرعت چتجیپیتی را به دلیل ترس از استفاده دانشآموزان برای تقلب ممنوع کردند، اما تنها چند ماه بعد تصمیم خود را معکوس کردند.
به جای ممنوعیت هوش مصنوعی، مدارس میتوانند آن را برای کمک به یادگیری سریعتر دانشآموزان ادغام کنند. هوش مصنوعی میتواند کتابهای درسی را خلاصه کند و برنامههای درسی شخصیسازی شده برای هر دانشآموز تولید کند. به نظر من عجیب است که تبلیغات شخصیسازی میشوند زیرا میدانیم همه متفاوت هستند، اما آموزش اینطور نیست. هوش مصنوعی میتواند به تطبیق مطالب با قالبی که برای هر دانشآموز بهترین است کمک کند. یادگیرندگان شنیداری میتوانند از هوش مصنوعی بخواهند مطالب را با صدای بلند بخواند. دانشآموزانی که عاشق حیوانات هستند میتوانند از هوش مصنوعی استفاده کنند تا تجسمها را برای نمایش حیوانات بیشتر تطبیق دهند. کسانی که خواندن کد برایشان از معادلات ریاضی آسانتر است میتوانند از هوش مصنوعی بخواهند معادلات ریاضی را به کد ترجمه کند.
هوش مصنوعی به ویژه برای یادگیری زبان مفید است، زیرا میتوانید از هوش مصنوعی بخواهید نقشآفرینی موقعیتهای تمرینی مختلف را انجام دهد. Pajak و Bicknell (Duolingo, 2022) دریافتند که از چهار مرحله ایجاد دوره آموزشی، شخصیسازی درس مرحلهای است که میتواند بیشترین بهره را از هوش مصنوعی ببرد.
هوش مصنوعی میتواند کوییزها، هم چندگزینهای و هم بازپاسخ، تولید کند و پاسخها را ارزیابی نماید. هوش مصنوعی میتواند به یک شریک بحث تبدیل شود، زیرا در ارائه دیدگاههای مختلف در مورد یک موضوع بسیار بهتر از انسان متوسط عمل میکند. برای مثال، آکادمی خان (Khan Academy) دستیاران آموزشی مبتنی بر هوش مصنوعی را به دانشآموزان و دستیاران دوره را به معلمان ارائه میدهد. یک روش آموزشی نوآورانهای که دیدهام این است که معلمان مقالات تولیدشده توسط هوش مصنوعی را به دانشآموزان محول میکنند تا اشتباهات را پیدا و اصلاح کنند.
در حالی که بسیاری از شرکتهای آموزشی از هوش مصنوعی برای ساخت محصولات بهتر استقبال میکنند، بسیاری متوجه میشوند که هوش مصنوعی نان آنها را آجر کرده است. برای مثال، Chegg، شرکتی که به دانشآموزان در انجام تکالیف کمک میکند، شاهد سقوط قیمت سهام خود از ۲۸ دلار در زمان راهاندازی چتجیپیتی در نوامبر ۲۰۲۲ به ۲ دلار در سپتامبر ۲۰۲۴ بود، زیرا دانشآموزان به سمت هوش مصنوعی برای کمک روی آوردهاند.
اگر خطر این است که هوش مصنوعی میتواند بسیاری از مهارتها را جایگزین کند، فرصت این است که از هوش مصنوعی میتوان به عنوان یک معلم خصوصی (tutor) برای یادگیری هر مهارتی استفاده کرد. برای بسیاری از مهارتها، هوش مصنوعی میتواند به فرد کمک کند تا به سرعت به سطح قابل قبولی برسد و سپس به تنهایی ادامه دهد تا از هوش مصنوعی بهتر شود.
رباتهای گفتگو محور همهکاره هستند. آنها میتوانند به ما در یافتن اطلاعات، توضیح مفاهیم و طوفان فکری ایدهها کمک کنند. هوش مصنوعی میتواند همدم و درمانگر شما باشد. میتواند شخصیتها را شبیهسازی کند و به شما اجازه دهد با یک کپی دیجیتال از هر کسی که دوست دارید صحبت کنید. دوستدخترها و دوستپسرهای دیجیتال در مدت زمان باورنکردنیای به شکل عجیبی محبوب شدهاند. بسیاری از افراد در حال حاضر زمان بیشتری را صرف صحبت با رباتها میکنند تا با انسانها. برخی نگران هستند که هوش مصنوعی قرارملاقات (دیتینگ) را خراب کند.
در تحقیقات، مردم همچنین دریافتهاند که میتوانند از یک گروه از رباتهای گفتگو محور برای شبیهسازی یک جامعه استفاده کنند که به آنها امکان میدهد مطالعاتی در مورد پویاییهای اجتماعی انجام دهند (Park و همکاران، ۲۰۲۳).
برای شرکتهای بزرگ، محبوبترین رباتها، رباتهای پشتیبانی مشتری هستند. آنها میتوانند به شرکتها در صرفهجویی در هزینهها کمک کنند و در عین حال تجربه مشتری را بهبود بخشند، زیرا میتوانند سریعتر از کارشناسان انسانی به کاربران پاسخ دهند. هوش مصنوعی همچنین میتواند دستیار محصول (product copilots) باشد که مشتریان را در انجام کارهای دردناک و گیجکننده مانند ثبت ادعای بیمه، انجام امور مالیاتی یا جستجوی خطمشیهای شرکتی راهنمایی کند.
موفقیت چتجیپیتی موجی از رباتهای گفتگو محور مبتنی بر متن را برانگیخت. با این حال، متن تنها رابط برای عاملهای گفتگو محور نیست. دستیارهای صوتی مانند Google Assistant، Siri و Alexa سالهاست که وجود دارند. رباتهای گفتگو محور سهبعدی (3D) از قبل در بازیها رایج هستند و در خردهفروشی و بازاریابی در حال gaining traction (جلب توجه و محبوبیت) هستند.
یک مورد استفاده از شخصیتهای سهبعدی مبتنی بر هوش مصنوعی، NPCهای هوشمند (Non-Player Characters) است. NPCها برای پیشبرد خط داستانی بسیاری از بازیها ضروری هستند. بدون هوش مصنوعی، NPCها معمولاً برای انجام اعمال ساده با محدودهای محدود از دیالوگها از پیش برنامهریزی شدهاند (scripted). هوش مصنوعی میتواند این NPCها را بسیار باهوشتر کند. رباتهای هوشمند میتوانند پویایی بازیهای موجود مانند The Sims و Skyrim را تغییر دهند و همچنین بازیهای جدیدی را که قبلاً هرگز ممکن نبودهاند، امکانپذیر سازند.
بسیاری از مردم معتقدند که موفقیت ما به توانایی ما در فیلتر و هضم اطلاعات مفید بستگی دارد. با این حال، همگام شدن با ایمیلها، پیامهای Slack و اخبار گاهی میتواند طاقتفرسا باشد. خوشبختانه، هوش مصنوعی به کمک آمد. هوش مصنوعی ثابت کرده است که قادر به تجمع اطلاعات و خلاصهسازی آن است. بر اساس تحقیق Snapshot هوش مصنوعی تولیدی Salesforce در سال ۲۰۲۳، ۷۴٪ از کاربران هوش مصنوعی تولیدی از آن برای تقطیر ایدههای پیچیده و خلاصهسازی اطلاعات استفاده میکنند.
برای مصرفکنندگان، بسیاری از برنامهها میتوانند اسناد شما—قراردادها، افشاگریها، مقالات—را پردازش کنند و به شما امکان بازیابی اطلاعات به روشی مکالمهای را بدهند. این مورد استفاده “صحبت با اسناد شما” (talk-to-your-docs) نیز نامیده میشود. هوش مصنوعی میتواند به شما در خلاصهسازی وبسایتها، تحقیق و ایجاد گزارش در مورد موضوعات مورد نظر شما کمک کند. در طول فرآیند نوشتن این کتاب، من هوش مصنوعی را برای خلاصهسازی و مقایسه مقالات مفید یافتم.
تجمع و تقطیر اطلاعات برای عملیات enterprise (شرکتها) ضروری است. تجمع و انتشار کارآمدتر اطلاعات میتواند به یک سازمان کمک کند تا لاغرتر شود، زیرا بار مدیریت میانی را کاهش میدهد. هنگامی که Instacart یک بازار داخلی برای پرامپت راهاندازی کرد، دریافت که یکی از محبوبترین قالبهای پرامپت، “تجزیه و تحلیل سریع (Fast Breakdown)” است. این قالب از هوش مصنوعی میخواهد که یادداشتهای جلسات، ایمیلها و مکالمات Slack را با حقایق، سوالات باز و موارد اقدام خلاصه کند. این موارد اقدام سپس میتوانند به طور خودکار در یک ابزار ردیابی پروژه وارد و به مالکان مناسب اختصاص داده شوند.
هوش مصنوعی میتواند به شما کمک کند اطلاعات حیاتی درباره مشتریان بالقوه خود را استخراج کنید و تجزیه و تحلیلهایی بر روی رقبای خود اجرا کنید.
هرچه اطلاعات بیشتری جمعآوری میکنید، سازماندهی آن مهمتر میشود. تجمع اطلاعات دست در دست سازماندهی دادهها پیش میرود.
یک چیز قطعی درباره آینده این است که ما به تولید دادههای بیشتر و بیشتری ادامه خواهیم داد. کاربران گوشیهای هوشمند به عکس و فیلم گرفتن ادامه خواهند داد. شرکتها به ثبت everything درباره محصولات، کارمندان و مشتریان خود ادامه خواهند داد. میلیاردها قرارداد هر ساله ایجاد میشوند. عکسها، ویدیوها، لاگها و PDFها همگی دادههای ساختارنیافته یا نیمهساختاریافته هستند. ضروری است که همه این دادهها را به گونهای سازماندهی کنید که بعداً قابل جستجو باشد.
هوش مصنوعی دقیقاً میتواند در این زمینه کمک کند. هوش مصنوعی میتواند به طور خودکار توضیحات متنی درباره تصاویر و ویدیوها تولید کند، یا به تطبیق پرسوجوهای متنی با تصاویری که با آن پرسوجوها مطابقت دارند کمک کند. سرویسهایی مانند Google Photos از قبل از هوش مصنوعی برای نمایش تصاویری که با queries جستجو مطابقت دارند استفاده میکنند. جستجوی تصویر Google یک قدم فراتر میرود: اگر تصویر موجودی که با نیازهای کاربران مطابقت داشته باشد وجود نداشته باشد، میتواند برخی را تولید کند.
هوش مصنوعی در تجزیه و تحلیل دادهها بسیار خوب است. میتواند برنامههایی برای تولید تصویرسازی دادهها (data visualization)، شناسایی ناهنجاریها (outliers)، و انجام پیشبینیهایی مانند پیشبینی درآمد بنویسد.
Enterpriseها میتوانند از هوش مصنوعی برای استخراج اطلاعات ساختاریافته از دادههای ساختارنیافته استفاده کنند، که میتواند برای سازماندهی دادهها و کمک به جستجوی آن استفاده شود. موارد استفاده ساده شامل استخراج خودکار اطلاعات از کارتهای اعتباری، گواهینامههای رانندگی، رسیدها، بلیطها، اطلاعات تماس از پاورقی ایمیل و غیره است. موارد استفاده پیچیدهتر شامل استخراج دادهها از قراردادها، گزارشها، نمودارها و غیره است. تخمین زده میشود که صنعت پردازش هوشمند دادهها (IDP - Intelligent Data Processing) تا سال ۲۰۳۰ به ۱۲.۸۱ میلیارد دلار برسد و هر سال ۳۲.۹٪ رشد کند.
در نهایت، هوش مصنوعی باید تا حد امکان کارها را خودکار (automate) کند. برای کاربران نهایی، اتوماسیون میتواند در کارهای روزمره خستهکننده مانند رزرو رستوران، درخواست بازپرداخت، برنامهریزی سفر و پر کردن فرم کمک کند.
برای enterpriseها، هوش مصنوعی میتواند کارهای تکراری مانند مدیریت سرنخها (leads)، صدور فاکتور، بازپرداخت ها، مدیریت درخواستهای مشتری، ورود داده و غیره را خودکار کند. یک مورد استفاده به ویژه هیجانانگیز، استفاده از مدلهای هوش مصنوعی برای سنتز دادهها است، که سپس میتواند برای بهبود خود مدلها استفاده شود. شما میتوانید از هوش مصنوعی برای ایجاد برچسب برای دادههای خود استفاده کنید وبرای بهبود برچسبها از انسانها کمک بگیرید. ما سنتز داده را در فصل ۸ بحث میکنیم.
دسترسی به ابزارهای خارجی برای انجام بسیاری از کارها ضروری است. برای رزرو یک رستوران، یک برنامه ممکن است به مجوز برای باز کردن یک موتور جستجو برای جستجوی شماره رستوران، استفاده از تلفن شما برای تماس و افزودن قرارملاقاتها به تقویم شما نیاز داشته باشد.
هوشهای مصنوعی که میتوانند برنامهریزی کنند و از ابزارها استفاده کنند، عاملها (agents) نامیده میشوند. سطح علاقه حول عاملها مرز وسواس دارد، اما کاملاً بیوجه نیست. عاملهای هوش مصنوعی پتانسیل دارند که هر فرد را به شدت مولدتر کنند و ارزش اقتصادی بسیار بیشتری ایجاد کنند. عاملها یک موضوع مرکزی در فصل ۶ هستند.
