هشدار مهم مایکروسافت به کسب‌وکارها: هوش مصنوعی ماشین صعود شماست، اما اسیر یک مدل خاص نشوید!

هوش مصنوعی در استخراج و ارائه الگوها و بینش‌های ارزشمند فوق‌العاده عمل می‌کند، اما دستاورد واقعی دقیقاً از جایی شروع می‌شود که شرکت‌ها با این بینش‌ها چه کار می‌کنند؛ و این همان نقطه‌ای است که تمام کسب‌وکارها باید روی آن متمرکز شوند.

این پیام کلیدی صحبت‌های رایان وِیت (Ryan Waite)، مدیر توسعه اکوسیستم‌های متن‌باز در مایکروسافت بود که در سخنرانی اصلی خود با عنوان «از متن‌باز تا سیستم‌های ایجنتی: ساخت عصر بومی هوش مصنوعی» در اجلاس متن‌باز (Open Source Summit) مطرح کرد.

او تعامل میان هوش مصنوعی و تخصص انسانی را یک «حلقه یادگیری» توصیف کرد؛ سازوکاری شبیه به یک «ماشین تپه‌نوردی» (Hill-climbing Machine) که به کسب‌وکارها کمک می‌کند مدام بهتر شوند، پله‌پله بالا بروند و این روند پیشرفت را حفظ کنند.

دانش خلق‌شده متعلق به خود کسب‌وکار است

مدل‌های هوش مصنوعی حجم سرسام‌آوری از اطلاعات را با سرعتی باورنکردنی پردازش می‌کنند و بینش‌هایی تولید می‌کنند که در توان هیچ انسانی نیست؛ اما در این میان، انسان‌ها ویژگی بسیار مهم‌تری را به میدان می‌آورند: درک زمینه (کانتکست) و قدرت قضاوت.

وقتی کارکنان این بینش‌ها را در بستر واقعیت‌های شرکت بررسی می‌کنند و به نتیجه‌گیری می‌رسند، اطلاعات خام تبدیل به «دانش» می‌شود؛ دانشی که بعداً جزئی از تجربه و تخصص جمعی سازمان خواهد شد. در هر مرحله از این چرخه، این سرمایه دانشی عمیق‌تر می‌شود و به شرکت کمک می‌کند قله‌های بلندتری را فتح کند.

بحث حاکمیت داده و استقلال فناوری تم اصلی بیش‌تر سخنرانی‌های این رویداد بود و صحبت‌های ویت هم حول همین محور می‌چرخید. حالا که هوش مصنوعی بینش خلق می‌کند و انسان‌ها آن را به دانش تبدیل می‌کنند، محافظت از این دانش و نگه‌داشتن آن زیر چتر مدیریتی خود سازمان، اهمیتی حیاتی پیدا کرده است.

ویت در این‌باره تأکید کرد: «این دانش حاصل داده‌های شما و دسترنج نیروهای انسانی شماست؛ نباید آن را دودستی تقدیم یک مدل هوش مصنوعی بیرونی کرد. به همین دلیل معتقدیم شرکت‌ها برای ساخت ماشین‌های تپه‌نوردی و گروه‌های یادگیری اختصاصی خودشان، باید این چرخه‌ها را در کنترل داشته باشند و وابسته و اسیر یک تأمین‌کننده خاص نشوند.»

واقعیت این است که خروجی هوش مصنوعی بر اساس اطلاعات اختصاصی و محرمانه شرکت‌ها شکل می‌گیرد و تصمیم‌گیری‌های نهایی هم به شناخت کارکنان از کسب‌وکار بستگی دارد. بنابراین، شرکت‌ها باید مراقب باشند مالکیت دانشی که از دل این تعاملات حاصل می‌شود، به ارائه‌دهندگان بیرونی واگذار نشود؛ چالشی که با وابستگی روزافزون به ابزار‌های هوش مصنوعی، روزبه‌روز جدی‌تر و حساس‌تر خواهد شد.

اگر حواستان نباشد، دانشی که به دست می‌آورید ممکن است به یک مدل یا شرکتی خاص گره بخورد. حال اگر فردا فناوری بهتری وارد بازار شد، چه بلایی سر کسب‌وکار شما می‌آید؟ برای بیمه کردن آینده فرایندها، ویت پیشنهاد می‌کند شرکت‌ها حلقه‌های یادگیری اختصاصی بسازند و افسار داده‌ها، فرایندها و فناوری‌های خود را محکم در دست بگیرند.

انتخاب مدل هوش مصنوعی مناسب

یکی از بهترین راه‌ها برای حفظ استقلال این است که شرکت‌ها خودشان را به یک مدل واحد محدود نکنند. ویت توضیح می‌دهد که خیلی از کسب‌وکارها ماجراجویی هوش مصنوعی خود را با مدل‌های پیشرو و تجاری گران‌قیمت شروع می‌کنند، چون در ابتدا ابعاد مسئله را دقیق نمی‌دانند. اما وقتی تسلط پیدا کردند و جزئیات کار برایشان روشن شد، دیگر نیازی به آن غول‌های پرهزینه ندارند و می‌توانند به سراغ مدل‌های تخصصی‌تر، سبک‌تر و ارزان‌تر بروند؛ حتی می‌توانند از مدل‌های با وزن باز (Open-weight) استفاده کنند و آن‌ها را روی زیرساخت خودشان اجرا نمایند.

او در جمع‌بندی صحبت‌هایش گفت: «توانایی جابه‌جایی و مهاجرت بین مدل‌های مختلف نقشی کلیدی دارد؛ به‌ویژه وقتی پای الگوریتم‌های اختصاصی در میان است. قرار نیست به خاطر اینکه دانشتان درون یک مدل ذخیره شده، تا ابد در تله آن مدل گیر بیفتید.»

بنابراین نکته حیاتی، حفظ انعطاف‌پذیری و آزادی عمل برای تغییر مسیر در طول زمان است. این موضوع یعنی شرکت‌ها باید کنترل محل اجرای بارهای کاری هوش مصنوعی خود را هم به دست بگیرند؛ چه روی زیرساخت‌های بومی و مطابق با قوانین محلی باشد، چه روی سرور‌های داخلی (On-premise)، و چه در محیط‌های ابری عمومی برای بهره‌مندی از مقیاس‌پذیری بالا و هزینه‌های کم‌تر.

به گفته ویت، این فناوری‌های متن‌باز هستند که زیربنای اصلی چنین آزادی و انعطاف‌پذیری بی‌نظیری را فراهم می‌کنند.