چگونه پایلوت‌های هوش مصنوعی را در سازمان‌ها به موفقیت برسانیم

بقای هر کسب‌وکاری دشوار است. آمارهای معروفی وجود دارد که نشان می‌دهد در آمریکا، ۷۵ درصد از کسب‌وکارهای جدید در کمتر از پنج سال با شکست مواجه می‌شوند. اما اکنون آمارهای جدیدی از راه رسیده است.

مشخص شده است که وقتی صحبت از پیاده‌سازی هوش مصنوعی به میان می‌آید، حدود ۹۵ درصد از پایلوت‌ها و پروژه‌های آزمایشی نمی‌توانند بازگشت سرمایه (ROI) و نتایج مطلوب را به همراه داشته باشند. این یعنی تنها یک‌پنجم از آن ۲۵ درصد کسب‌وکارهای سنتی موفق، قادر به حفظ موقعیت خود در این زمینه هستند. اگرچه این دو آمار مستقیماً به هم مرتبط نیستند، اما به خوبی نشان می‌دهند که رهبران تجاری برای تحقق اهداف هوش مصنوعی با چه مسیر دشواری روبه‌رو هستند.

در رویدادی تخصصی با حضور کارشناسان، واقعیت‌های غلبه بر این احتمالات مورد بررسی قرار گرفت. اما راز موفقیت شرکت‌هایی که واقعاً یک پروژه آزمایشی کارآمد را راه‌اندازی کرده و سپس آن را توسعه می‌دهند، چیست؟

در این نشست چهره‌های برجسته‌ای حضور داشتند؛ پاول بایر، هم‌بنیان‌گذار GAI Insights و اندرو لاو، هم‌بنیان‌گذار Jellyfish. همچنین پانکاج تاکار، مدیرعامل و هم‌بنیان‌گذار Kloudfuse و راهول تودکار، بنیان‌گذار و مدیرعامل Nasik نیز برای گفت‌وگو درباره کسب‌وکارهای مبتنی بر ایجنت، چالش‌های پیش روی انسان‌ها و موضوعات دیگر به این جمع پیوستند.

دیدگاه‌های مطرح‌شده در پنل

در این نشست، لاو درباره فعالیت Jellyfish توضیح داد:

او گفت: «شرکت‌های بسیار کمی می‌توانند به بهره‌وری کاملی که آرزویش را دارند دست یابند. از این رو، ما به سازمان‌ها کمک می‌کنیم تا از طریق تحول، نظارت‌پذیری و تله‌متری، این مسیر را طی کنند.»

او در ادامه به یک اصل کلیدی اشاره کرد:

«پیام اصلی این است که به اعتقاد من، اکنون سرعت پیشرفت هوش مصنوعی از چالش‌های تحول انسانی پیشی گرفته است. اکثر شرکت‌ها به بازدهی مطلوب نمی‌رسند، زیرا تغییر دادن تیم‌ها، نقش‌ها، افراد و فرآیندها کار بسیار دشواری است. این در واقع سنگین‌ترین باری است که در این مسیر باید برداشته شود.»

تاکار نیز درباره فعالیت شرکت خود گفت: «ما در زمینه نظارت‌پذیری در محیط تولید کار می‌کنیم. Kloudfuse کل پشته نظارتی، معیارها، گزارش‌ها و ردیابی‌ها را در سراسر زیرساخت‌ها، برنامه‌ها و اکنون ایجنت‌ها پوشش می‌دهد؛ اما با یک تفاوت ویژه. تفاوت این است که تمام داده‌ها در محیط خود مشتری باقی می‌ماند.»

تودکار در ادامه افزود: «ما Nasik را با این ایده راه‌اندازی کردیم که امروزه ساخت ایجنت‌ها بسیار آسان شده است. همه ما می‌دانیم که در حال حاضر، ساخت یک ایجنت تنها چند ثانیه یا دو دقیقه زمان می‌برد. اما اجرای ایجنت‌ها در محیط تولید، به ویژه برای سازمان‌های بزرگ، بسیار سخت و چالش‌برانگیز است. به همین دلیل، ما یک پلتفرم متن‌باز برای تمام ایجنت‌ها، ابزارهای کدنویسی، چارچوب‌ها و تجهیزات توسعه داده‌ایم که همه چیز را یکپارچه می‌کند.»

پیام اصلی او چنین بود:

او خاطرنشان کرد: «همه در تلاش برای رسیدن به هوش مصنوعی جامع (AGI) هستند که فوق‌العاده است. من عاشق این ایده هستم و خودم نیز پیش‌زمینه تحقیقاتی زیادی در این حوزه دارم. اما اکنون، ایده AGI باید مفهوم «هوش مدیریت‌شده و تحت حاکمیت» (IGA) را نیز در نظر بگیرد. ایجنت‌هایی که بدون کنترل، بدون حاکمیت داده و نظارت رها شوند، وضعیت بسیار بسیار خطرناکی را رقم می‌زنند. این موضوعی است که دوست دارم همه ما درباره آن عمیق‌تر فکر کنیم.»

بایر از GAI Insights نیز اضافه کرد: «ما ارائه‌ها و گفت‌وگوهای زیادی در سطح هیئت مدیره با مدیران اجرایی داریم و واقعیت این است که این فناوری بسیار گیج‌کننده است و با سرعت سرسام‌آوری حرکت می‌کند.»

مسیریابی در دنیای تجارت هوش مصنوعی

سپس پنل به بررسی موارد استفاده و معیارهای سنجش میزان موفقیت شرکت‌ها پرداخت. لاو توضیح داد که چگونه کاربردهای توسعه نرم‌افزار می‌تواند با سایر پروژه‌های آزمایشیِ عمومی‌تر متفاوت باشد.

او بیان کرد: «همه درباره بازگشت سرمایه صحبت می‌کنند. اما ما به مخرج کسر، یعنی هزینه هر توکن نگاه می‌کنیم. در حال حاضر، صحبت چندانی درباره میزان بازدهی نمی‌شود. من معتقدم مهندسی نرم‌افزار یکی از حوزه‌هایی است که می‌توانید در آن شاهد بازدهی و شتاب قابل‌توجهی باشید.»

تودکار نیز با این نظر موافق بود.

او افزود: «این موضوع بُعد دیگری نیز دارد. مسئله به پرسونای کاربران و نحوه استفاده از محصولات و ایجنت‌های هوش مصنوعی در سازمان‌ها برمی‌گردد. الگوهای استفاده در اینجا اهمیت حیاتی پیدا می‌کنند. راه‌حل‌های تخصصی برای عملکردهای خاصی مانند مهندسی محصول، امور مالی و منابع انسانی وجود دارد. هر بخش، الگوهای مصرف ویژه خود را دارد که باید به دقت مورد توجه قرار گیرد.»

او همچنین به کاربردهای عمومی و سایر تخصص‌هایی که ممکن است به رویکردهای اختصاصی نیاز داشته باشند اشاره کرد. اما ستون اصلی که سخنرانان بارها به آن بازگشتند، بحث حاکمیت داده و کنترل بود.

تودکار تأکید کرد: «باید چیزی وجود داشته باشد که همه این بخش‌ها را یکپارچه کند. این نکته‌ای است که باید به آن توجه داشت.»

تاکار نیز بینش‌های بیشتری در این زمینه ارائه داد.

او گفت: «سؤالی که من همیشه می‌پرسم این است: بسیار خب، اکنون سیستم در مرحله تولید است؛ چه کسی مسئول است و وقتی کارها طبق برنامه پیش نمی‌رود، چه کسی قرار است واکنش نشان دهد؟ زیرا این سیستم‌ها بسیار پیچیده هستند.»

نکاتی پیرامون موفقیت تجاری و مسئولیت‌پذیری

در حالی که گروه درباره معیارها و موارد دیگر بحث می‌کردند، تودکار به برخی از دشواری‌های پیشی گرفتن در سنجش بازگشت سرمایه اشاره کرد.

او تصریح کرد: «این کار واقعاً سخت می‌شود و باز هم تأکید می‌کنم که به گفت‌وگوهای بسیار بیشتری در این زمینه نیاز است.»

از سوی دیگر، لاو پیشنهاد کرد که در مجموع، جامعه تجاری در حال حرکت در مسیر درستی است.

او بیان کرد: «دنیای این فناوری هر سه ماه یک‌بار تغییر می‌کند. اما حداقل ما شاهد یک ثبات نسبی در لایه دوم تغییرات هستیم و الگوهایی در صنایع در حال شکل‌گیری است.»

نقاط دیگر بحث شامل نحوه کسب اطلاعات درباره دستاوردهای بهره‌وری، ایجاد شفافیت از طریق الگوها و تکرار، و چگونگی نفوذ به لایه‌های مبهم پیاده‌سازی بود که در برابر این نوع تحلیل‌ها مقاومت می‌کنند. اما لاو در این باره بسیار خوش‌بین بود.

او خاطرنشان کرد: «ما به‌تدریج در حال درک این موضوع هستیم که یک عملکرد خوب واقعاً چه معنایی دارد.»

نظارت‌پذیری و نگاهی جامع به سیستم

اعضای پنل همچنین درباره نظارت‌پذیری صحبت کردند که تاکار آن را این‌گونه تعریف کرد:

«از همان روزهای ابتدایی پیدایش محاسبات، ایده نظارت بر عملکرد و درک چراییِ رفتار سیستم‌ها مطرح بوده است. بنابراین ما خوش‌شانس هستیم که همزمان با توسعه سیستم‌های مختلف، این لایه‌های نظارتی نیز به‌تدریج ساخته‌اند.»

بایر از گروه پرسید: «پس مانع اصلی در اینجا چیست؟ آیا فناوری مقصر است؟ ضعف رهبری؟ یا مشکل در توجیه اقتصادی و بازگشت سرمایه است؟»

در پاسخ، لاو اشاره کرد که از دیدگاه او، در ابتدا مردم صرفاً به دلیل ترس از دست دادن فرصت (FOMO) وارد این حوزه می‌شدند.

او افزود: «اما با بلوغ بیشتر، ما واقعاً در حال بهبود هستیم. وقتی این پروژه‌ها را آغاز می‌کنید، تصویر روشنی از آنچه می‌خواهید به دست آورید، در ذهن دارید.»

اهداف و روش‌ها

تودکار در بازگشت به راهکارهای تجاری، دو اصل مهم برای برنامه‌های کاربردی مطرح کرد: بیان واضح چراییِ مسئله با یک فرآیند شفاف، و توجه به محدودیت‌های محیط‌های آزمایشی (سندباکس)، جایی که ممکن است یک محصول برای چرخه عمر تولید به طور کامل آماده نشده باشد.

او با هشدار درباره این موضوع گفت: «پشته ایجنتی شما در محیط تولید بسیار متفاوت به نظر می‌رسد. فرآیند خطایابی زمان زیادی می‌برد. لایه‌های مبهم زیادی روی هم قرار گرفته‌اند و قرار گرفتن در محیط تولید، داستان کاملاً متفاوتی است. به همین دلیل است که به درک کاملی از آنچه در حال رخ دادن است، نیاز دارید.»

تأملاتی درباره مدل‌های متن‌باز و بسته

در بخش‌های پایانی نشست، اعضای پنل درباره چشم‌انداز مدل‌های متن‌باز در دنیای آینده و پیشرفت هوش مصنوعی گفت‌وگو کردند. همه کارشناسان توافق داشتند که مدل متن‌باز لزوماً به معنای مدل‌های چینی نیست و برای فعالان تجاری حیاتی است که به طراحی مدل، فراتر از یک زمینه ژئوپلیتیک نگاه کنند.

لاو در این باره اظهار داشت: «شما معیارهایی برای انتخاب از میان آن‌ها دارید و به همین دلیل است که فکر می‌کنم امروزه این مدل‌ها بیشترین تأثیر را در بارهای کاری محیط تولید می‌گذارند. زمانی که بازدهی هر یک از این موارد را درک کنیم، تنوع عظیمی در هزینه‌ها و کاربردها به وجود خواهد آمد.»

تاکار در پایان نتیجه‌گیری کرد: «من فکر می‌کنم همه خواستار مدل‌های متن‌باز هستند. این منطقی‌ترین راه است و کار را بسیار آسان‌تر می‌کند. شما به‌راحتی می‌توانید مدل را با مورد استفاده خود تطبیق دهید. با این حال، معتقدم ما به عنوان یک صنعت هنوز به آن نقطه آرمانی نرسیده‌ایم.»