تب داغ مدل Jev؛ بازگشت شکوهمند هوش مصنوعی پیش‌بین به میدان رقابت!

هرچقدر هم که هوش مصنوعی دستخوش تغییر شود، باز هم اصول بنیادین آن سر جای خود باقی می‌ماند.

برای دهه‌ها، متخصصان داده و کارشناسان یادگیری ماشین رابطه‌ای طولانی، پایدار و اختصاصی با هوش مصنوعی پیش‌بین (Predictive AI) — که با عناوینی مثل تحلیل‌های پیش‌بینانه یا یادگیری ماشین سازمانی هم شناخته می‌شود — داشتند.

سپس سر و کله مدل‌های بزرگ زبانی (LLM) پیدا شد و چنان دل همه را برد که رابطه قدیمی کم‌کم به فراموشی سپرده شد؛ اما جالب اینجاست که همین موج تازه در نهایت همه را دوباره به عشق اولشان، یعنی هوش مصنوعی پیش‌بین، بازگردانده است.

طی چند هفته گذشته، مدلی نوظهور و محبوب به نام Jev مثل بمب در جامعه هوش مصنوعی صدا کرده و به‌سرعت فراگیر شده است؛ رویدادی که بسیاری از کاربران هوش مصنوعی مولد را به این فکر انداخته که آیا واقعاً چت‌بات‌ها و تولید متن، اقتصادی‌ترین و کارآمدترین جلوه فناوری‌های هوشمند هستند یا خیر.

به سبک همیشگی شرکت‌های سیلیکون‌ولی برای تغییر نام و برندسازی دوباره، سازندگان Jev نیز آن را مستقیماً «هوش مصنوعی پیش‌بین» نمی‌نامند، اما ماهیت واقعی آن دقیقاً همین است. این مدل با تکیه بر دسته‌بندی (Classification) دست به تصمیم‌گیری می‌زند: آیا این مشتری اشتراک خود را لغو می‌کند؟ آیا این تراکنش مالی یا فعالیت شبکه‌ای مخرب است؟ یا حتی آیا این مدل زبانی در پاسخ‌دهی شکست خواهد خورد؟ کارکرد این مدل فراتر از پاسخ‌های دوتایی «بله/خیر» است و دسته‌بندی چندکلاسه را هم شامل می‌شود. به عبارت دقیق‌تر، این مدل با محاسبه احتمال تعلق داده‌ها به هر دسته، «قضاوت» صادر می‌کند. اگر حس می‌کنید قبلاً چنین چیزی را دیده‌اید، کاملاً حق دارید؛ چرا که این سازوکار از دهه ۱۹۷۰ ستون فقرات مدل‌های استاندارد یادگیری ماشین بوده و چیز جدیدی به شمار نمی‌آید.

اما نامش هر چه باشد تفاوتی در اصل ماجرا ایجاد نمی‌کند؛ فناوری پیش‌بینی با قدرت تمام به میدان بازگشته است!

این موج چنان پرشتاب به راه افتاده که مدل Jev فضای مجازی و محافل خوره فناوری را تسخیر کرده و هجوم آنی رقبا را به دنبال داشته است. تنها طی دو سه هفته گذشته، مدل‌های قضاوت و تصمیم‌گیری متعددی به بازار عرضه شده‌اند؛ از جمله ابزار‌هایی از سوی اوپن‌ای‌آی (OpenAI)، آمازون، انویدیا، دیتا‌بریکس (Databricks) و کلودفلر، و همچنین مدل‌های متن‌بازی نظیر Kev ،Nimble ،Laya (که حتی یک سال پیش از هیاهوی Jev عرضه شده بود) و گزینه‌های متنوع دیگر.

بازگشت ابزار‌های قدیمی در لباسی نو

با این حال، نگاهی به گفتگوهای این روز‌ها نشان می‌دهد جمعیت کثیری از کسانی که با ظهور مدل‌های زبانی وارد دنیای هوش مصنوعی شده‌اند، متوجه نیستند که تصمیم‌گیری بر پایه دسته‌بندی اصلاً پدیده جدیدی نیست، بلکه در حقیقت بازگشتی به همان هوش مصنوعی پیش‌بین اولیه است. این دقیقاً همان کاربردی از هوش مصنوعی است که دهه‌ها بر پیاده‌سازی‌های تجاری یادگیری ماشین حکومت می‌کرد؛ تا اینکه چند سال پیش چت‌جی‌پی‌تی (ChatGPT) آمد و غوغایی به پا کرد.

درست مانند ماجرای مریل استریپ در فیلم معروف It’s Complicated، فعالان حوزه هوش مصنوعی نیز بدون آنکه متوجه باشند، عشق فعلی خود را با عشق قدیمی‌شان تاخت زده‌اند!

البته باید اعتراف کرد که این عشق قدیمی این بار با ظاهری بسیار جذاب‌تر و پیشرفته‌تر برگشته است. مدل Jev و رقبای تازه‌نفسش با بهره‌گیری از فناوری‌های مدرن مدل‌های پایه، قابلیتی را ارائه می‌دهند که هوش مصنوعی پیش‌بین کلاسیک هرگز در خواب هم نمی‌دید: «پیش‌بینی صفر شات» (Zero-Shot Prediction). یعنی دیگر نیازی نیست یک مدل پیش‌بین سفارشی را از صفر آموزش دهید یا وقت و انرژی زیادی صرف جمع‌آوری و برچسب‌گذاری دیتاست‌های اختصاصی کنید. گرچه این زحمات در پروژه‌های خاص ممکن است مفید باشد، اما برای شروع کار کافی است مستقیماً به سراغ Jev یا رقبایش بروید و پیش‌بینی را بدون معطلی آغاز کنید. برداشتن این مانع ورودی تاریخی، تحول بزرگی است و نوید رنسانسی واقعی را در دنیای هوش مصنوعی پیش‌بین می‌دهد.

پیش‌بینی تقویت‌شده؛ اما چالشی که همچنان پابرجاست

اما حتی با این تحولات شگفت‌انگیز، ماهیت اصلی این ابزار‌ها همان ساختار قبلی است. اگر کاربران و کسب‌وکارها شیوه تعامل خود را با هوش مصنوعی پیش‌بین تغییر ندهند، این رابطه بازسازی‌شده دوباره به ناامیدی و شکست ختم خواهد شد؛ زیرا صنعت هنوز یاد نگرفته چگونه ارزش تجاری واقعی این فناوری را به شکل پایدار استخراج کند.

بررسی‌ها نشان می‌دهد اغلب پروژه‌های هوش مصنوعی پیش‌بین در مرحله عملیاتی‌سازی و استقرار با شکست مواجه می‌شوند. اما دلیل این ناکامی چیست؟ واقعیت این است که مدیران کسب‌وکار سازوکار ماشین‌های پیش‌بینی تیم فنی خود را درک نمی‌کنند. آن‌ها در فرآیند کار حضور فعال ندارند و شناختی نسبی از آنچه پیش‌بینی می‌شود به دست نمی‌آورند؛ اینکه این احتمالات پیش‌بینانه چگونه تصمیم‌های کلیدی و پرریسک را بهبود می‌بخشند، و مهم‌تر از همه، یک پیش‌بینی با خطای طبیعی خود چطور می‌تواند در قالب معیارهای ملموسی مثل سودآوری و کاهش هزینه‌ها ارزش اقتصادی خلق کند.

اگرچه کاربردهای پیش‌بینانه هوش مصنوعی دوباره داغ شده و از نظر فنی در دسترس‌تر از همیشه‌اند، چالش‌های بنیادین آن دست‌نخورده باقی مانده‌اند. پروژه‌های هوش مصنوعی پیش‌بین تا به امروز به‌ندرت ضرورت‌های زیر را رعایت کرده‌اند:

1. پر کردن شکاف عمیق میان بخش فنی و تجاری: این مسأله نیازمند درک این نکته است که ارتقای عملیات کسب‌وکار با استفاده از احتمالات دقیقاً چه معنایی دارد. مدیریت عدم‌قطعیت در مقیاس بزرگ علم پیچیده و غیرقابل‌فهمی نیست، اما تصمیم‌گیرندگانی که باید مجوز استقرار نهایی این سامانه‌ها را صادر کنند هنوز درک درستی از آن ندارند.
2. سنجش مدل‌ها بر اساس ارزش تجاری به جای معیارهای صرفاً فنی: نباید مدل‌ها را فقط با معیارهای استاندارد و محبوب دانشمندان داده مانند Precision ،Recall ،AUC ،F-score یا نرخ مثبت کاذب ارزیابی کرد؛ حتی دقت (Accuracy) هم صرفاً یک شاخص فنی است که در بهترین حالت، نمودی ضعیف از ارزش واقعی کسب‌وکار به حساب می‌آید.
3. داده‌های ارزیابی برچسب‌گذاری‌شده: پیش‌بینی صفر شات به این معناست که دیگر نیازی به کوهی از داده‌های آموزشی ندارید، اما به گفته شیرین خسروی جم، مهندس هوش مصنوعی: «نکته کلیدی اینجاست که برای سنجش درستی خروجی‌های مدل Jev همچنان به داده نیاز دارید.» تنها با در دست داشتن تعداد مناسبی نمونه برچسب‌خورده و داده‌های واقعی (Ground Truth) است که می‌توان عملکرد سیستم را به‌درستی محک زد.

این بار پیش‌بینی را درست پیاده کنیم

با این موج جدید، فرصتی تازه پیش روی ما قرار گرفته است. هوش مصنوعی پیش‌بین بسیار قدیمی‌تر از هوش مصنوعی مولد است، اما به هیچ وجه منسوخ نشده و بخش عمده ارزش بالقوه آن دست‌نخورده باقی مانده است. پیش از تسلط هوش مصنوعی مولد، سیستم‌های پیش‌بین هرگز به سطح بلوغ و حرفه‌ای‌گری لازم نرسیدند تا پروژه‌ها به جای درجا زدن، با موفقیت مستقر شوند. تاکنون انگیزه و انرژی کافی برای دگرگونی راهبردهای تجاری مورد نیاز این پروژه‌ها وجود نداشته است.

در کتاب The AI Playbook، راهکاری جامع و استاندارد برای هدایت پروژه‌های هوش مصنوعی پیش‌بین به سمت استقرار موفق ارائه شده که یک چارچوب عملیاتی شش‌مرحله‌ای به نام bizML است. (برای مرور کلی bizML می‌توانید این مقاله تفصیلی را بخوانید؛ همچنین با پیش‌خرید نسخه چاپی این کتاب، امکان دسترسی رایگان به نسخه صوتی کتاب فراهم شده است).

هسته اصلی رویکرد bizML، هنر عبور از شاخص‌های فنی صرف و تمرکز بر تعیین، بهینه‌سازی و اثبات ارزش تجاری حاصل از استقرار مدل است. این موضوع حیاتی در مقالات متعددی مورد بررسی قرار گرفته که از جمله آن‌ها می‌توان به موارد زیر اشاره کرد:

• چگونه مانع اصلی نابودی اعتماد در پروژه‌های پیش‌بینی را مهار کنیم؟
• راهکار نجات هوش مصنوعی پیش‌بین با اتکا به شاخص‌های کسب‌وکار
• چگونه بر شکست‌های رایج در پروژه‌های پیش‌بینی غلبه کنیم؟
• ارزش‌گذاری هوش مصنوعی پیش‌بین؛ ضرورتی حیاتی که کم‌تر به آن پرداخته می‌شود