فراتر از تب داغ فناوری؛ چرا کسب‌وکارها نباید کورکورانه سراغ هوش مصنوعی بروند؟

رهبران کسب‌وکار، دولت‌ها و غول‌های فناوری وارد رقابتی پرریسک برای دستیابی به برتری در زمینه هوش مصنوعی شده‌اند؛ رقابتی که با بحث‌های پیرامون قدرت تخریب‌گر ابرهوش دامن زده می‌شود. در چنین میدانی، بسیار حیاتی است که سازمان‌ها و شرکت‌ها واقع‌بین بمانند و در برابر وسوسه ورود کورکورانه به این رقابت و استقرار مدل‌های پی‌درپی بزرگ‌تر صرفاً به خاطر ژست نوآوری مقاومت کنند.

به باور متخصصان ارشد مهندسی هوش مصنوعی و یاد‌گیری ماشین، نگاه سازمانی به این فناوری باید دگرگون شود.

در چارچوب هوش مصنوعی سازمانی، هیچ جایزه‌ای برای کسی که نخستین‌بار قدرتمندترین مدل را راه‌اندازی کند، بیشترین تعداد ایجنت‌ها را بسازد یا هوش مصنوعی را به زور در تمام فرایندهای کاری بگنجاند وجود ندارد. موفقیت واقعی زمانی تعریف می‌شود که مشکلات بنیادین کسب‌وکار حل شوند و نتایجی حاصل آید که هزینه و پیچیدگی‌های تحمیل‌شده را توجیه کند.

اگرچه چشم‌انداز یک مدل زبانی بزرگ (LLM) همه‌کاره و یکپارچه هیجان‌انگیز به نظر می‌رسد، اما واقعیت‌های تجاری امروز رویکردی سنجیده‌تر را می‌طلبند؛ هر مشکلی ابزار مناسب خود را دارد و در بسیاری از مواقع، آن ابزار راهکاری کاملاً ساده است.

هوش مصنوعی لزوماً به معنای مدل‌های زبانی بزرگ نیست

پیش از آنکه هوش مصنوعی مولد بر فضای گفتگوها مسلط شود، کسب‌وکارها از یاد‌گیری ماشین برای سیستم‌های پیشنهاددهنده، پیش‌بینی روندها، تشخیص تقلب و برآورد ارزش طول عمر مشتری استفاده می‌کردند.

صنعت فناوری سال‌ها زمان داشته تا این روش‌ها را به‌خوبی بشناسد و نحوه استقرار، نظارت و تولید پیش‌بینی‌های سریع و کم‌هزینه را در مقیاس وسیع فرا بگیرد. شاید یک مدل زبانی بزرگ هم بتواند برخی از همین مسائل را حل کند، اما این موضوع لزوماً آن را به گزینه بهتری تبدیل نمی‌کند. اجرای مدل‌های پیچیده‌تر هزینه بسیار سنگین‌تری به‌همراه دارد و پیش‌بینی‌ناپذیری و نوساناتی را وارد سیستم می‌کند که برای یک پیش‌بینی مستقیم و ساده کاملاً غیرضروری است.

گاهی اوقات اصلاً نیازی به هوش مصنوعی نیست. اگر فرایندی از قواعدی مشخص پیروی می‌کند و باید هر بار نتیجه‌ای یکسان تولید کند (برای نمونه، جابه‌جایی داده‌ها میان سیستم‌ها طبق برنامه‌ای زمان‌بندی‌شده یا اجرای یک دستور پس از برقراری شرطی مشخص)، اتوماسیون سنتی می‌تواند این کار را به بی‌نقص‌ترین شکل ممکن انجام دهد.

مدت‌ها پیش از ظهور ایجنت‌ها، کسب‌وکارها این وظایف را با خطوط پردازش داده (Pipelines)، زمان‌بندها و سیستم‌های مبتنی بر قانون مدیریت می‌کردند. اگر آن رویکرد مطمئن، سریع و ارزان است، افزودن یک ایجنت هوش مصنوعی باعث باهوش‌تر شدن فرایند نمی‌شود، بلکه صرفاً به پیچیدگی بی‌دلیل آن می‌افزاید.

جایگاه واقعی هوش مصنوعی مولد زمانی مشخص می‌شود که به خلاقیت یا تفسیر نیاز باشد؛ برای مثال، درک زبان طبیعی یا تصاویر، یا هدایت فرایندی که گام بعدی در آن بر اساس بافت و موقعیت تغییر می‌کند. ایجنت‌ها می‌توانند فراتر بروند و با تکیه بر این درک مفهومی، با سیستم‌های مختلف تعامل داشته باشند و دست به اقدام بزنند؛ امکانی که درهای اتوماسیون را به روی فرایندهایی می‌گشاید که پیش از این خودکارسازی آن‌ها بسیار دشوار بود.

آینده به احتمال بسیار زیاد ترکیبی هماهنگ از اتوماسیون سنتی، یاد‌گیری ماشین کلاسیک، هوش مصنوعی مولد و ایجنت‌ها خواهد بود، نه آنکه یک ابزار تازه جایگزین تمام دستاوردهای گذشته شود.

پایان دوران ماه‌عسل هوش مصنوعی

با عبور هوش مصنوعی سازمانی از مرحله آزمون‌وخطا، این تمایزها اهمیت بسیار بیشتری پیدا می‌کنند. یک طرح اثبات مفهوم (PoC) می‌تواند توانایی‌های یک مدل یا ایجنت را به نمایش بگذارد، اما ورود به محیط عملیاتی و تجاری مسائلی هم‌چون هزینه‌های جاری، امنیت، پایش مستمر و تلاش‌های لازم برای کنترل سیستم‌های خودران را به‌همراه می‌آورد.

تمثیل جالبی در میان مهندسان وجود دارد که این وضعیت را به‌خوبی به تصویر می‌کشد: درختی را تصور کنید که برای رشد در فرمی مشخص به هرس مداوم نیاز دارد؛ هرگاه شاخه‌ای در جهتی نامناسب رشد کند، آن را می‌برید.

سپس شاخه دیگری در نقطه‌ای نامنتظره جوانه می‌زند و بخش دشوار ماجرا، پیدا کردن تمام این شاخه‌ها است. توسعه یک ایجنت هوشمند نیز دقیقاً به همین صورت است؛ رفتارهای مشهود و مشخص را می‌توان به‌سرعت مهار کرد، اما استقرار در دنیای واقعی حالت‌های خاص و پیش‌بینی‌نشده‌ای (Edge cases) را آشکار می‌سازد که در طول مراحل توسعه قابل مشاهده نبودند.

هر چه یک سیستم در تفسیر اطلاعات و تصمیم‌گیری آزادی عمل بیشتری داشته باشد، اهمیت ارزیابی، نظارت و نرده‌های محافظ (Guardrails) دوچندان می‌شود. این نظارت باید فراتر از رفتار صرف مدل گسترش یابد و مواردی چون داده‌های مجاز برای دسترسی، اقداماتی که سیستم اجازه اجرای آن‌ها را دارد، اطلاعاتی که در حافظه نگه می‌دارد و هم‌چنین نقطه‌ای که انسان باید در آن دخالت کند را در بر بگیرد.

علاوه بر این، مسئله هزینه‌ها را نباید نادیده گرفت. توانمندترین مدل‌ها در مقیاس‌های بزرگ می‌توانند هزینه‌های سرسام‌آوری به بار آورند، بنابراین هرگونه قابلیت بیشتر باید ارزش افزوده‌ای متناسب برای توجیه این هزینه‌ها خلق کند. با جایگزینی آزمون‌وخطاهای اولیه با بررسی دقیق نرخ بازگشت سرمایه (ROI)، دیگر جذابیت صرفِ به‌کارگیری هوش مصنوعی برای کسب‌وکارها کافی نخواهد بود؛ بلکه تمرکز اصلی بر این خواهد بود که آیا این فناوری دستاورد تجاری یا عملیاتی چشمگیری به‌همراه دارد که مخارج را توجیه کند یا خیر.

اجازه دهید داده‌ها تصمیم بگیرند

جلوگیری از پیچیده‌سازی بیهوده در مهندسی، از توجه به نیازهای واقعی کسب‌وکار و ارزیابی داده‌ها آغاز می‌شود، نه انتخاب شتاب‌زده ابزارهای فناورانه قبل از بررسی مسئله.

مهندسان و تحلیلگران داده نقشی محوری ایفا می‌کنند؛ چراکه می‌دانند اطلاعات از کجا سرچشمه می‌گیرند، تا چه اندازه قابل اعتمادند و چه حقایقی را آشکار می‌سازند. مهندسان هوش مصنوعی و یاد‌گیری ماشین می‌توانند مدل‌های ریاضی را بر بستر این داده‌ها بنا کنند، اما پیچیده‌ترین الگوریتم‌ها نیز نمی‌توانند ضعف داده‌هایی را که ماهیت مسئله را پشتیبانی نمی‌کنند جبران نمایند.

ماهیت داده‌ها و نتیجه نهایی مدنظر، معمولاً بهترین مسیر را مشخص می‌کنند؛ برای دریافت پیش‌بینی‌های سریع و اتکاپذیر بر پایه داده‌های عددی و ساختاریافته، یاد‌گیری ماشین سنتی انتخابی به مراتب کارآمدتر است.

از سوی دیگر، داده‌های بدون ساختار نظیر متن و تصویر، هوش مصنوعی مولد را بسیار ارزشمند می‌سازند، در حالی که فرایندهای نیازمند فهم در سطح انسانی برای هدایت اقدامات در سیستم‌های گوناگون، بهره‌گیری از ایجنت‌ها را کاملاً توجیه می‌کنند.

هم‌چنین در بسیاری از سناریوها، نرم‌افزارهای متعارف همچنان بهترین پاسخ خواهند بود. اینکه ابتدا بگوییم «ما به یک ایجنت نیاز داریم» و سپس به دنبال مشکلی بگردیم تا آن را حل کند، کاملاً حرکتی معکوس و اشتباه است.

اهمیت نیروی انسانی متخصص، هم‌پای فناوری

افزایش روزافزون توانمندی‌های هوش مصنوعی این تصور را به وجود آورده که کسب‌وکارها ناگزیر به مهندسان کمتری نیاز خواهند داشت. شکی نیست که هوش مصنوعی بهره‌وری را دگرگون می‌کند؛ مهندسان باتجربه با تکیه بر این ابزارها کارهای خود را بسیار سریع‌تر به سرانجام می‌رسانند و مهندسان تازه‌کار نیز در صورت تسلط بر آن‌ها، سریع‌تر به بازدهی مطلوب می‌رسند.

با این حال، سازمان‌ها همواره به متخصصانی نیاز دارند که از سازوکار بنیادین سیستم‌ها سر دربیاورند. این وضعیت را می‌توان به استفاده از گوشی‌های هوشمند تشبیه کرد؛ بیشتر افراد به بهترین شکل از گوشی خود بهره می‌برند بدون آنکه توانایی تشریح سخت‌افزار، سیستم‌عامل و شبکه‌های ارتباطی پشت آن را داشته باشند. اما این موضوع به معنای از میان رفتن مهارت‌های مهندسی زیرساخت نیست، چراکه همواره باید متخصصی باشد که این ساختارها را به‌خوبی بشناسد.

هوش مصنوعی نیز به احتمال فراوان مسیری مشابه را طی خواهد کرد؛ انبوهی از افراد به کاربرانی مسلط تبدیل خواهند شد، اما کسب‌وکارها کماکان به مهندسانی با دانش عمیق فنی نیاز خواهند داشت تا بتوانند سیستم‌های زیرساختی را پیاده‌سازی، مدیریت و عیب‌یابی کنند.

این امر نشان‌دهنده لزوم تداوم سرمایه‌گذاری بر روی استعدادهای جوان است. مهندسان ارشد در نهایت سازمان را ترک می‌کنند، مسیر شغلی خود را تغییر می‌دهند یا بازنشسته می‌شوند؛ از این رو شرکت‌ها همچنان به هدایت تخصصی و انتقال تجربیات نیازمندند تا نیروهای جوان امروز به متخصصان ارشد فردا تبدیل شوند.

فرصت واقعی نه در انتخاب میان انسان یا هوش مصنوعی، بلکه در هم‌افزایی هر دو نهفته است؛ مهندسان توانمندی که به این ابزارها مجهز شده‌اند، می‌توانند به دستاوردهایی بسیار فراتر از توان جداگانه هر یک دست یابند.

مزیت رقابتی آینده؛ خودداری و سنجیدگی در استفاده از هوش مصنوعی

اگرچه رقابت گسترده بر سر دستیابی به ابرهوش و توسعه مدل‌های قدرتمندتر ادامه خواهد داشت، اما این رقابت نباید خط‌مشی تصمیم‌گیری‌های فناورانه در سازمان‌ها را دیکته کند. برای آنکه این خودداری و درایت فنی در عمل به بار بنشیند، مدیران مهندسی باید هراس جا ماندن از بازار (FOMO) را در سطح هیئت‌مدیره و مدیران ارشد به درستی مهار کنند و فشارهای دستوری برای نمایش یک «استراتژی هوش مصنوعی» ظاهری را به نظمی هدفمند و متمرکز بر خلق ارزش ملموس تغییر دهند.

برخی از چالش‌های کسب‌وکار بهره‌گیری از ابزارهای پیچیده هوش مصنوعی را کاملاً توجیه می‌کنند؛ ایجنت‌ها شکل‌هایی از اتوماسیون را که پیش از این غیرممکن بود میسر می‌سازند و هوش مصنوعی مولد نیز شیوه تعامل سازمان‌ها با زبان، تصاویر و اطلاعات بدون ساختار را دگرگون می‌کند. در مقابل، بخش دیگری از مسائل با روش‌های سنتی یاد‌گیری ماشین، اتوماسیون معمولی یا نرم‌افزارهای استاندارد به بهترین شکل ممکن حل خواهند شد.

شناخت دقیق این تمایز روزبه‌روز ارزشمندتر خواهد شد. مزیت رقابتی سازمان‌ها در گرو این خواهد بود که بدانند هوش مصنوعی دقیقاً در چه بخش‌هایی نتایج را به شکلی ملموس بهبود می‌بخشد، در چه حوزه‌هایی فناوری‌های ساده‌تر بازدهی بیشتری دارند و چگونه می‌توان سیستم‌های مناسب را به شکلی امن و مقرون‌به‌صرفه وارد محیط عملیاتی کرد.

دستیابی به چنین هدفی به داده‌های باکیفیت، استعدادهای مهندسی برجسته و بینش فنی کافی نیاز دارد تا بتوان در برابر پیچیده‌سازی بیهوده، تنها به این دلیل که ابزارش در دسترس است، ایستادگی کرد. در مرحله بعدی تحولات هوش مصنوعی سازمانی، خودداری و سنجیدگی هرگز به معنای نبود جاه‌طلبی نخواهد بود، بلکه نشانه‌ای آشکار از بلوغ فنی سازمان به‌شمار می‌رود.