3 توصیه به کسب‌وکارهای کوچک و متوسط شهر هوشمند برای استفاده از هوش مصنوعی

هوش مصنوعی، علی رغم پتانسیل بالایی که در بهینه‌سازی فرآیندها و تصمیم‌سازی داده‌محور ایفا می‌کند، هنوز در بسیاری از صنایع و کاربردهای شهر هوشمند مورد استفاده قرار نمی‌گیرد.

چرایی این عدم استفاده نیز تا حدود زیادی مشخص است: دستورالعملی که شرکت‌های بزرگی نظیر گوگل و آمازون آن برای استفاده از AI در کسب‌وکار خود دارند، در بسیاری از کاربردهای شهر هوشمند صادق نیست؛ به چند دلیل:

1. مجموعه داده‌های کوچک. در یک شرکت اینترنتی با تعداد زیادی کاربر مثل گوگل، مهندسان میلیون‌ها نمونه داده در اختیار دارند که هوش مصنوعی می‌تواند از آن‌ها یاد بگیرد. اما در صنایع دیگر، مجموعه داده‌ها بسیار کوچکتر هستند. به عنوان مثال، آیا می‌توانید یک سیستم هوش مصنوعی بسازید که پس از مشاهده تنها 50 نمونه یاد بگیرد یک قطعه خودروی معیوب را تشخیص دهد؟ یا تنها با استفاده از داده‌های 100 تشخیص، یک بیماری نادر را تشخیص دهد؟ تکنیک‌های ساخته شده برای 50 میلیون نمونه داده، زمانی که شما فقط 50 نمونه داده داشته باشید کار نمی‌کنند.

2. هزینه بالای سفارشی‌سازی. غول‌های اینترنتی ده‌ها یا صدها مهندس ماهر را برای ساخت و نگهداری سیستم‌های هوش مصنوعی یکپارچه با قابلیت تولید ارزش فوق‌العاده بالا (مثلاً سیستم تبلیغات آنلاین با بیش از 1 میلیارد دلار درآمد در سال)، استخدام می‌کنند. اما در صنایع دیگر، پروژه‌های متعددی وجود دارند که به سفارشی‌سازی سیستم‌های هوش مصنوعی نیاز دارند ولی ارزش آن‌ها حتی یک هزارم پروژه‌های بزرگ هم نیست. به عنوان مثال، اپلیکیشنی که کابران آن در مقیاس چند هزار است یا بیمارستانی که با روش خاص خود پرونده‌های سلامت بیماران را کدگذاری می‌کند. مجموع ارزش این پروژه‌ها و تأثیری که بر کیفیت زندگی مشتریان خود می‌گذارند بسیار زیاد است، ولی مقیاس اقتصادی یک یک آن‌ها، امکان استخدام یک تیم بزرگ و حرفه‌ای برای ساخت و نگهداری محصولات و خدمات مبتنی بر AI را پشتیبانی نمی‌کند.

3. فاصله زمانی بین پایلوت و محصول نهایی. حتی وقتی یک سیستم هوش مصنوعی به مرحله‌ای می‌رسد که در محیط آزمایشگاه یا به صورت پایلوت به درستی کار می‌کند، تلاش مهندسی بسیار زیادی برای استقرار آن در تولید و ارائه خدمات مورد نیاز است. یک فاصله 12 تا 24 ماهه برای تبدیل یک محصول آزمایشگاهی به نسخه‌ای که زیر بار قرار می‌گیرد، امر غیرمعمولی نیست. بنابر آماری که Accenture ارائه کرده است، 80 تا 85درصد پروژه‌های مبتنی بر AI در مرحله پایلوت هستند.

البته،دلایل فوق به معنای عدم امکان بهره‌برداری از AI در پروژه‌های کوچک و متوسط شهر هوشمند نیست. در واقع، این پروژه‌ها نیازمند راه‌حل‌های سفارشی هستند که با حوزه‌های کاربری آن‌ها انطباق داشته باشد.

راه حل پر کردن این فاصله و محقق کردن پتانسیل بالای AI در کسب‌وکارهای کوچک و متوسط، تمرکز روی رویکردهای داده-محور است. این امر مستلزم برچسب‌گذاری مداوم داده‌هایی است که همه موارد مهم را پوشش می‌دهند و انتظار داریم هوش مصنوعی آنچه را که باید انجام دهد، از این داده‌ها یاد بگیرد.

در ادامه و برای محقق کردن پتانسیل استفاده از AI در کسب‌وکارهای کوچک و متوسط، نیازمند راه‌حل‌های سیستماتیکی خواهیم بود که این چالش را در تمامی کاربردها برطرف نمایند. رویکرد داده-محور در هوش مصنوعی با استفاده از ابزارهایی که برای طراحی، تولید، بهره‌برداری و نگهداری محصولات و خدمات مبتنی بر هوش مصنوعی ارائه شده‌اند و از آن‌ها با عنوان پلتفرم‌های عملیاتی یادگیری ماشین (MLOps)[1] یاد می‌شود، امکان‌پذیر است.

توسعه هوش مصنوعی با رویکرد داده-محور

نرم‌افزار (برنامه کامپیوتری دارای یک مدل AI) و داده (اطلاعاتی مورد استفاده برای یادگیری مدل AI) اجزای اصلی هر سیستم هوش مصنوعی هستند. به طور مثال، یک مهندس هوش مصنوعی برای ایجاد یک سیستم هوش مصنوعی برای بازرسی خودکار در تولید قطعات، نرم‌افزاری مبتنی بر یک الگوریتم یادگیری عمیق را تولید و پیاده‌سازی کرده و سپس یک مجموعه داده شامل تصاویر قطعات خوب و معیوب به نرم‌افزار ارائه می‌دهد تا تفاوت بین آن‌ها را یاد بگیرد.

در یک دهه گذشته، بسیاری از تحقیقات هوش مصنوعی با توسعه نرم‌افزار-محور (که توسعه مدل-محور نیز نامیده می‌شود) انجام شده است. در این رویکرد، داده‌ها ثابت هستند و تیم‌ها سعی می‌کنند برنامه‌ها را بهینه‌سازی کرده یا برنامه‌هایی جدید تولید کنند تا از داده‌های موجود به خوبی یاد بگیرند. برای این امر هم، بسیاری از شرکت‌های فناور، مجموعه داده‌های بزرگی از میلیون‌ها مصرف کننده داشتند که از آن‌ها برای ایجاد نوآوری در هوش مصنوعی استفاده کردند.

اما در بسیاری از مسائل کنونی مطرح در حوزه هوش مصنوعی، گلوگاه اصلی در بسیاری از کاربردها به دست آوردن داده‌های مناسب برای تغذیه نرم‌افزار است. اگرچه استفاده از کلان داده‌ها مزایای متعددی برای سیستم‌های AI دارند، اما برای بسیاری از برنامه‌ها، تمرکز بر اطمینان از داشتن «داده خوب» مفیدتر است؛ داده‌هایی که مفاهیم مورد نیاز برای یادگیری هوش مصنوعی را به وضوح نشان می‌دهد. این بدان معناست که داده‌ها باید پوشش‌دهنده تمامی موارد مهم بوده و به طور مداوم برچسب‌گذاری شوند. داده‌ها غذای هوش مصنوعی هستند و سیستم‌های هوش مصنوعی مدرن نه تنها به کالری بلکه به تغذیه با کیفیت بالا نیز نیاز دارند!

انتقال تمرکز از «نرم‌افزار و مدل» به «داده» مزیت مهمی دیگری را نیز به همراه دارد: این امر به افرادی متکی است که در میان کارکنان فعلی حضور دارند. با تمرکز روی مدل داده-محور در توسعه هوش مصنوعی در دوره کنونی که با کمبود نیروی مستعد هوش مصنوعی مواجهیم، این امکان برای کارکنان فعلی که روی حوزه تخصصی خود اشراف دارند ایجاد می‌شود تا در توسعه سیستم هوش مصنوعی سهیم شوند.

به عنوان مثال، اکثر کارخانه‌ها دارای نیروهایی هستند که در تعیین و تشخیص قطعات معیوب مهارت دارند (مثلاً می‌دانند که آیا خراش 0.2 میلی‌متری نقص است یا آنقدر کوچک است که اهمیتی ندارد؟). برای این کسب‌وکارها ایجاد پلتفرمی که امکان توانمندسازی متخصصان برای مهندسی داده‌ها از طریق انتقال دانش خود به هوش مصنوعی را ایجاد می‌کند، شانس موفقیت کسب‌وکار در بهره‌برداری از AI را افزایش خواهد داد.

سیستماتیک و قابل تکرار کردن بهره‌برداری از AI

همان طور که گفته شد، حرکت به سوی توسعه هوش مصنوعی داده-محور با ظهور MLOps به عنوان ابزارهایی که ساخت، استقرار و نگهداری سیستم‌های هوش مصنوعی را آسان‌تر می‌کند، سریع‌تر خواهد شد. این ابزارها برای کمک به تولید مجموعه‌های داده با کیفیت بالا طراحی شده‌اند و کلید حل چالش‌های مجموعه داده‌های کوچک، هزینه بالا سفارشی‌سازی و راه طولانی تبدیل نمونه‌های اولیه به محصول نهایی هستند.

این مهم در وهله اول با فراهم شدن امکان یادگیری الگوریتم هوش مصنوعی از مجموعه داده‌ای کوچک و محدود، ولی با کیفیت بالا محقق می‌شود. در ادامه، این ابزارها علاوه بر مهندسین داده، امکان مهندسی داده را برای متخصصین حوزه کسب‌وکار نیز فراهم می‌کند و این امر به دسترس‌پذیرتر شدن هوش مصنوعی برای تمامی کاربردهای عمودی شهر هوشمند منجر می‌شود. در نهایت، پلتفرم‌های MLOps بستر نرم‌افزاری امتحان پس داده برای کاربردهای مختلف ارائه می‌دهند و استفاده از این ابزار، فاصله زمانی بین ایجاد نسخه پایلوت نرم‌افزار تا نسخه قابل استفاده زیر بار، به شدت کاهش می‌یابد.

بر این اساس، 3 توصیه زیر را می‌توان به کسب‌وکارهای کوچک و متوسط در شهر هوشمند برای استفاده از هوش مصنوعی ارائه نمود:

اول – به جای تمرکز روی حجم داده گردآوری شده برای آموزش الگوریتم‌های هوش مصنوعی، روی کیفیت داده تمرکز کنید. مطمئن شوید که داده ارائه شده به نرم‌افزار دربردارنده تمامی محتوایی است که انتظار یادگیری آن را از سیستم هوش مصنوعی داریم.

دوم – مطمئن شوید که تیم شما رویکرد داده-محور را دنبال می‌کند. بسیاری از مهندسین هوش مصنوعی که دارای سطح تحصیلات آکادمیک بالایی هم هستند، برای دنبال کردن رویکرد نرم‌افزار-محور و مدل-محور تربیت شده‌اند. همه نیروها را به بهره‌گیری از رویکرد داده-محور هدایت کنید.

سوم – برای هر پروژه تولید محصول یا خدمتی که سراغ AI می‌روید، از وجود و امکان توسعه یا تهیه ابزار MLOps متناسب با آن اطمینان حاصل کنید. حتی در مراحل PoC[2] و پایلوت نیز، از تهیه نقشه راه مدیریت داده و به‌کارگیری مقیاس‌پذیر سیستم و همچنین نظارت و نگهداری از آن غافل نشوید.

سخن آخر

تأثیری که هوش مصنوعی بر صنایع خواهد داشت، مانند تحول ایجاد شده بعد از معرفی الکتریسیته به صنعت است؛ و این امکان وجود دارد که هوش مصنوعی در خارج از شرکت‌های بزرگ و غول‌های اینترنتی نیز به یک دارایی پررونق تبدیل شود. اما این امر هنوز محقق نشده است. به همین دلیل، یکی از بزرگترین فرصت‌های بکر، انتقال هوش مصنوعی به سایر صنایع و کاربردهای شهر هوشمند است. این انتقال نیازمند تغییر ذهنیت شرکت‌های فناور در مورد نحوه ایجاد و استقرار سیستم های هوش مصنوعی است. به طور مشخص، رویکرد جدید داده-محور در توسعه هوش مصنوعی در کنار استفاده از ابزارهای MLOps که به متخصصان حوزه‌های مختلف اجازه می‌دهد در ایجاد، استقرار و نگهداری سیستم‌های هوش مصنوعی مشارکت داشته باشند، اطمینان می‌دهد که همه صنایع می‌توانند از اثرات وعده داده شده هوش مصنوعی بهره‌مند شوند.

[1] machine learning operations (MLOps) platforms

[2] Proof-of-Concept (PoC)