زرق‌وبرق هوش مصنوعی مولد نباید ما را از پتانسیل‌های هوش مصنوعی پیش‌بینانه غافل کند

به نظر می‌رسد دو نوع مختلف از هوش مصنوعی در یک رقابت تمام‌عیار قرار گرفته‌اند، اما مهم‌ترین کشمکش در این صنعت، در لایه‌های پنهان جریان دارد.

در یک سوی این رقابت، هوش مصنوعی مولد (Generative AI) قرار دارد که با متون روان، تولید فوری کد و مکالمات طبیعی خود، همه را شگفت‌زده کرده است. در سوی دیگر، هوش مصنوعی پیش‌بینانه (Predictive AI) ایستاده است؛ ابزاری که سال‌هاست به دور از هیاهو مشخص می‌کند چه کسی وام دریافت کند، کدام دستگاه در آستانه خرابی است و کدام مشتری قصد ترک سیستم را دارد. اگرچه هوش مصنوعی مولد اکنون در کانون توجه است، اما نباید این حضور پررنگ را با ارزش واقعی و نهایی اشتباه گرفت. وقتی صحبت از ایجاد ارزش عملیاتی در سازمان‌ها می‌شود، هوش مصنوعی پیش‌بینانه نه‌تنها عرصه را واگذار نکرده، بلکه جایگاه خود را محکم‌تر کرده است.

دو وظیفه متفاوت در یک میدان مشترک

وظیفه هوش مصنوعی مولد خلق کردن است؛ از متن و تصویر گرفته تا کد و مکالمه. در مقابل، هوش مصنوعی پیش‌بینانه بر اساس احتمالات کار می‌کند: این فناوری با یادگیری از داده‌های تاریخی، پیامدهای مربوط به هر مشتری، بیمار، تراکنش یا تجهیزات را تخمین می‌زند. این دو، وظایف کاملاً متفاوتی دارند. همان‌طور که یک دوربین و یک تلفن برای انجام یک کار یکسان رقابت نمی‌کنند، این دو نوع هوش مصنوعی نیز نباید در مقابل یکدیگر قرار گیرند. در واقع، سازمان‌های پیشرو در حال یادگیری ترکیب این دو فناوری هستند تا هر کدام، دیگری را تقویت کند.

با این حال، هوش مصنوعی پیش‌بینانه و مولد برای دریافت بودجه، نیروی انسانی و توجه مدیران با یکدیگر رقابت می‌کنند. در این رقابت، جذابیت‌های هوش مصنوعی مولد برتری چشمگیری به آن داده است. این فناوری بیش از هر چیز دیگری به هوش‌های مصنوعی علمی-تخیلی شباهت دارد و به همین دلیل، دلارهای تحقیقاتی و سرمایه‌های خطرپذیر را با سرعتی جذب می‌کند که هوش مصنوعی پیش‌بینانه هرگز تجربه نکرده بود. حتی کلمه «هوش مصنوعی» در درک عمومی به معنای هوش مصنوعی مولد محدود شده است. این تغییر زاویه دید اگرچه قابل درک است، اما یک اشتباه محاسباتی محسوب می‌شود. به شرکت‌ها توصیه می‌شود که حداقل به همان اندازه که در هوش مصنوعی مولد سرمایه‌گذاری می‌کنند، برای هوش مصنوعی پیش‌بینانه نیز بودجه اختصاص دهند. هرچند ممکن است این حرف در هیاهوی کنونی عجیب به نظر برسد، اما هوش مصنوعی پیش‌بینانه اغلب فرصت‌های دست‌یافتنی‌تر و استفاده‌نشده‌ای را ارائه می‌دهد. بهترین راه برای بهره‌برداری از این پتانسیل، استفاده از هوش مصنوعی پیش‌بینانه برای بهبود عملیات‌های گسترده و موجود است.

آنچه واقعاً در درون صنعت می‌گذرد

رسانه‌ها تصویر نامتوازنی ارائه می‌دهند، اما نگاهی به درون تیم‌های علوم داده سازمانی، داستان متفاوتی را روایت می‌کند. در بررسی‌های انجام‌شده در کنفرانس‌های صنعتی، نسبت پروژه‌های هوش مصنوعی پیش‌بینانه به پروژه‌های هوش مصنوعی مولد تقریباً ۵۰-۵۰ است و آن‌طور که از تیتر خبرها به نظر می‌رسد، کفه ترازو کاملاً به یک سمت سنگینی نمی‌کند. علاوه بر این، گستره وسیع کاربردهای هوش مصنوعی پیش‌بینانه نیز محدود نشده است: از پیش‌بینی خرابی شبکه‌های برق و کشف ادعاهای بیمه جعلی گرفته تا شناسایی فسخ احتمالی قراردادهای اجاره، تشخیص پنل‌های خورشیدی کثیف قبل از افت کارایی، پیش‌بینی عدم حضور بیماران در نوبت‌های پزشکی و شناسایی خریدارانی که در حال رها کردن سبد خرید خود هستند.

متخصصان این حوزه نیز نظرات مشابهی دارند. تیم‌های علوم داده اغلب از سوی مدیران تحت فشار قرار می‌گیرند تا به دنبال انقلاب وعده‌داده‌شده هوش مصنوعی مولد در تمام بخش‌ها باشند؛ اما در محافل تخصصی اذعان می‌کنند که این پروژه‌های هوش مصنوعی پیش‌بینانه هستند که معمولاً تغییرات واقعی و ملموسی ایجاد می‌کنند.

تقاضای بالا برای منابع آموزشی و کتاب‌های مرتبط با استقرار هوش مصنوعی پیش‌بینانه، مانند کتاب The AI Playbook، نیز نشان‌دهنده اهمیت پایدار این فناوری است. این منابع با استقبال گسترده مدیران ارشد و دانشگاه‌های معتبر روبه‌رو شده و به عنوان راهنماهای ضروری برای پیاده‌سازی این سیستم‌ها در دوره‌های آکادمیک مورد استفاده قرار می‌گیرند.

هوش مصنوعی پیش‌بینانه به این زودی‌ها جایی نمی‌رود

هوش مصنوعی پیش‌بینانه ماندگار است، زیرا عدم قطعیت همواره بخشی از کسب‌وکارهاست. شرکت‌ها همیشه به شرط‌بندی‌های بهتر در مقیاس‌های بزرگ نیاز دارند: کدام متقاضی وام نکول می‌کند، کدام مشتری ریزش می‌کند و کدام قطعه زودتر خراب می‌شود. این یک بازی با اعداد است که در مقیاس وسیع انجام می‌شود و دقیقاً همان مشکلی است که هوش مصنوعی پیش‌بینانه آن را حل می‌کند. در حالی که هوش مصنوعی مولد با استفاده از یادگیری ماشین ساخته شده است، اما ذاتاً برای هدف اصلی یادگیری ماشین، یعنی پیش‌بینی، طراحی نشده است. حتی زمانی که یک پروژه از مدل‌های زبانی بزرگ برای بهبود پیش‌بینی‌های خود استفاده می‌کند، باز هم در اصل یک پروژه هوش مصنوعی پیش‌بینانه محسوب می‌شود.

نکته جالب‌تر این است که موفقیت هوش مصنوعی مولد در آینده، به هوش مصنوعی پیش‌بینانه بستگی دارد. مدل‌های زبانی بزرگ دچار توهم می‌شوند و رفتار غیرقابل پیش‌بینی دارند؛ موضوعی که استقرار جاه‌طلبانه آن‌ها را به عنوان ایجنت‌های پشتیبانی مشتری، تحلیلگر، معلم و دستیار مجازی با چالش مواجه می‌کند. هوش مصنوعی پیش‌بینانه به سرعت در حال تبدیل شدن به یک راه‌حل برای این مشکل است. این فناوری به عنوان یک لایه قابلیت اطمینان عمل می‌کند که تعاملات پرخطر مدل‌های زبانی را شناسایی کرده و آن‌ها را برای بررسی به انسان‌ها ارجاع می‌دهد. بسیاری از سازمان‌ها در حال پذیرش این الگوی ترکیبی هستند و انتظار می‌رود این روند به موتور محرک اصلی رشد هوش مصنوعی پیش‌بینانه تبدیل شود. با توجه به فشار بی‌سابقه برای عملیاتی کردن پروژه‌های مبتنی بر ایجنت‌ها، این قابلیت یک دستاورد فوق‌العاده محسوب می‌شود. در آینده نزدیک، اکثر استقرارهای هوش مصنوعی مولد برای حفظ نظارت انسانی و استفاده بهینه از نیروی کار، به عنوان یک گاردریل (حفاظ) اطمینان به هوش مصنوعی پیش‌بینانه متکی خواهند بود.

مانع اصلی هوش مصنوعی پیش‌بینانه، هیاهو نیست؛ بلکه استقرار است

اگر هوش مصنوعی پیش‌بینانه یک نقطه ضعف واقعی داشته باشد، عدم کاربردپذیری آن نیست، بلکه اجرای پروژه‌هاست. با وجود دهه‌ها استفاده از این فناوری، بخش قابل‌توجهی از طرح‌های هوش مصنوعی پیش‌بینانه هرگز به مرحله تولید و عملیات نمی‌رسند. معمولاً مدل‌سازی فنی بخش دشوار ماجرا نیست؛ بلکه جلب رضایت سازمان برای عملیاتی کردن آن چالش‌برانگیز است. استقرار به معنای تغییر نحوه عملکرد یک کسب‌وکار بر اساس احتمالات به جای قطعیت‌هاست و پذیرش این موضوع برای مدیرانی که باید آن را تایید کنند، همچنان دشوار است.

در حال حاضر، پر کردن این شکاف درک و شناخت، بیشترین اهمیت را دارد. مسئله اصلی رقابت بین دو نوع پروژه هوش مصنوعی نیست، بلکه چالش عملی خارج کردن مدل‌های پیش‌بینی از آزمایشگاه و وارد کردن آن‌ها به عملیات روزمره است. منابع آموزشی تخصصی تلاش می‌کنند این شکاف را پر کنند و دانش فنی لازم برای همکاری در این پروژه‌ها را به زبان ساده‌تر برای مدیران کسب‌وکار توضیح دهند.

هوش مصنوعی مولد به درستی در کانون توجه قرار گرفته است، اما هوش مصنوعی پیش‌بینانه همچنان وظیفه بهبود عملکرد سازمان‌ها را از طریق پیش‌بینی‌های دقیق بر عهده دارد. به جای تسلیم شدن در برابر هیاهو و زرق‌وبرق رسانه‌ای، سازمان‌ها باید تصمیمات آگاهانه و عملی اتخاذ کنند تا مشخص شود کدام پروژه‌های هوش مصنوعی می‌توانند بهترین دستاوردها را به همراه داشته باشند. در بیشتر مواقع، پاسخ این سوال، فارغ از تیترهای پرسرصدای امروز، همان هوش مصنوعی پیش‌بینانه است.