چرا هر کاری نیازمند گران‌ترین مدل هوش مصنوعی نیست؟ راهکار Snowflake برای مدیریت هزینه‌های سازمانی

با تبدیل هوش مصنوعی به بخشی جدایی‌ناپذیر از امور روزمره کسب‌وکارهای بزرگ، اکنون توجه مدیران از مرحله پذیرش اولیه به دریافت بیشترین بازدهی از سرمایه‌گذاری‌های انجام‌شده معطوف شده است.

شرکت Snowflake که یکی از پیشگامان ارائه زیرساخت‌های داده به‌شمار می‌رود، قابلیت‌های تازه‌ای را برای انتخاب خودکار بهینه‌ترین مدل بر اساس کیفیت، سرعت و اولویت‌های کاری معرفی کرده است تا امکان مدیریت دقیق‌تر هزینه‌ها را در شرایطی که بودجه شرکت‌ها محدودتر از همیشه است فراهم سازد.

گریس ادامسون (Grace Adamson)، مدیر بازاریابی محصولات هوش مصنوعی در شرکت Snowflake، در این گفتگو ابعاد این رویکرد نوین و راهکارهای تبدیل هزینه‌های هوش مصنوعی به ارزش تجاری پایدار را تشریح کرده است.

در دو سال گذشته، بخش عمده گفتگوها بر یافتن قدرتمندترین مدل هوش مصنوعی متمرکز بود؛ آیا مرحله بعدی هوش مصنوعی سازمانی انتخاب مدل مناسب برای هر وظیفه با برقراری تعادل میان کیفیت، تأخیر، هزینه و ارزش تجاری است؟

در موج نخست هوش مصنوعی مولد، تمرکز بازیگران این حوزه به‌شدت بر توان پردازشی و هوشمندی خام مدل‌ها قرار داشت. رقابت هوش مصنوعی بیشتر جنبه آزمایشی داشت و هدف اصلی، دستیابی به بالاترین کیفیت خروجی یا حل پیچیده‌ترین مسائل ممکن بود.

اما اکنون شرایط تغییر کرده و سازمان‌ها در حال گذار از فاز آزمایشی به سوی ایجاد نتایج واقعی و ملموس در کسب‌وکار خود هستند. بر همین اساس، بنگاه‌های اقتصادی اکنون به دنبال آن هستند که بدانند چگونه می‌توان از هر تعامل با هوش مصنوعی، بیشترین بازدهی اقتصادی را به دست آورد.

واقعیت این است که همه وظایف به پیشرفته‌ترین یا گران‌ترین مدل‌های موجود در بازار نیاز ندارند. در حالی که برخی از بارهای کاری نیازمند استدلال عمیق و چندمرحله‌ای هستند، بسیاری از پردازش‌ها شامل کارهای تکراری مانند دسته‌بندی داده‌ها، خلاصه‌سازی متون یا استخراج اطلاعات از اسناد است. چنین وظایفی را می‌توان با هزینه‌ای بسیار کمتر و کیفیتی کاملاً مشابه، به مدل‌های سبک‌تر و کارآمدتر از جمله نسل جدید مدل‌های متن‌باز سپرد.

ما این الگوی تازه را «بهره‌وری هوشمندی» (Intelligence Efficiency) می‌نامیم؛ مفهومی که نشان می‌دهد یک سازمان با چه کیفیتی داده‌ها، مدل‌ها و منابع پردازشی خود را به نتایج و ارزش‌های ملموس تبدیل می‌کند. دستیابی به این هدف از طریق مسیریابی پویای مدل‌ها، اعمال حکمرانی بومی و پیوند مستقیم هوش مصنوعی با داده‌های امن سازمان محقق می‌شود تا سامانه زمینه تجاری هر درخواست را درک کند. این فرایند به سازمان‌ها اجازه می‌دهد بارهای کاری خود را روی مناسب‌ترین مدل اجرا کرده و هزینه‌های هوش مصنوعی را به شکلی مطلوب مدیریت نمایند.

شرکت Snowflake از قابلیت «مسیریابی پویای مدل‌ها» برای تطبیق خودکار بار کاری با مدل‌های مختلف یاد کرده است؛ این قابلیت در عمل چه مشکلی را حل می‌کند و چگونه پروژه‌های آزمایشی را به تأثیرات تجاری تبدیل می‌سازد؟ آیا شرکت‌ها واقعاً می‌توانند دغدغه انتخاب مدل را کنار بگذارند و بر نتایج تمرکز کنند؟

یکی از بزرگ‌ترین چالش‌های امروز سازمان‌ها، کمبود مدل‌های هوش مصنوعی نیست؛ بلکه تعدد بیش از حد آن‌هاست. هر هفته مدل‌های متعددی با نقاط قوت، تعرفه‌های قیمتی و ویژگی‌های عملکردی متفاوت معرفی می‌شوند و تصمیم‌گیری درباره اینکه چه وظیفه‌ای به چه مدلی واگذار شود، به باری سنگین برای تیم‌های عملیاتی تبدیل شده است.

قابلیت مسیریابی پویا در درگاه هوش مصنوعی Cortex AI Gateway دقیقاً برای حل این مسئله طراحی شده است. این ابزار به‌صورت خودکار هر بار کاری را به مدلی هدایت می‌کند که بهترین توازن را میان کیفیت، سرعت و هزینه برای آن سناریوی خاص برقرار می‌سازد. به‌عنوان نمونه، یک درخواست ساده پردازشی به مدلی متن‌باز و بسیار بهینه هدایت می‌شود، در حالی که درخواستی پیچیده و نیازمند تحلیل عمیق‌تر، در اختیار یک مدل پیشرو قرار می‌گیرد. این امر واقعیت نوین اقتصاد هوش مصنوعی است؛ زیرا سازمان‌ها بدون تحمیل هزینه‌های سنگین به ازای هر تعامل، به سطح عملکرد مورد نیاز خود دست می‌یابند.

تمام این مراحل باید درون چارچوب حکمرانی امن سازمان اتفاق بیفتد. سیاست‌های امنیتی و کنترلی یکپارچه، از جمله محافظت و تفکیک داده‌ها، روی تمامی مدل‌های متصل به سامانه اعم از متن‌باز یا اختصاصی اعمال می‌شود؛ بنابراین استفاده از یک مدل بهینه‌تر هرگز به معنای چشم‌پوشی از امنیت نخواهد بود.

افزون بر این، سازمان‌ها کنترل کاملی بر مدل‌ها و ارائه‌دهندگان در دسترس کاربران خود دارند؛ موضوعی که برای شرکت‌های بین‌المللی با الزامات قانونی منطقه‌ای نقشی حیاتی دارد. برای کاربران نهایی، انتخاب مدل باید کاملاً نامرئی و بی‌دردسر باشد، در حالی که مدیران سیستم نیز باید بتوانند فرایندها را به‌سادگی پیکربندی و مدیریت کنند.

امروزه موفقیت رهبران تجاری بر این اساس سنجیده می‌شود که برنامه‌های کاربردی هوش مصنوعی تا چه میزان به بهبود بهره‌وری یا تسریع تصمیم‌گیری کمک کرده‌اند. با اینکه انتخاب مدل همواره در لایه مدیریتی اهمیت دارد، نباید به دغدغه روزمره کارمندان یا کاربران نهایی تبدیل شود.

پیشروترین کسب‌وکارها از هم‌اکنون الگوهای استفاده از مدل‌های خود را بر پایه عملکرد، هزینه و دستیابی به نتایج تجاری مطلوب بهینه‌سازی کرده‌اند.

بسیاری از سازمان‌ها پی برده‌اند که لزوماً قدرتمندترین مدل، اقتصادی‌ترین گزینه نیست؛ کسب‌وکارها در استقرار گسترده هوش مصنوعی، چگونه باید توازن میان هوشمندی، سرعت و هزینه را بسنجند؟

اشتباه رایج بسیاری از مدیران این است که گمان می‌کنند توانمندترین مدل موجود باید برای تمامی وظایف به کار گرفته شود. واقعیت این است که حجم زیادی از پردازش‌های سازمانی به استدلال پیچیده و در سطح مدل‌های پیشرو نیازی ندارند. چنانچه در حال بررسی و پردازش حجم عظیمی از اسناد مانند استخراج بندهای قراردادها باشید، یک مدل اقتصادی و سبک می‌تواند خروجی‌هایی تقریباً یکسان با یک مدل پیشرو، اما با کسری کوچک از هزینه آن، ارائه دهد.

وقتی در مقیاس‌های کلان صحبت می‌کنیم، این صرفه‌جویی به ارقام شگفت‌انگیزی می‌رسد. در آزمایش‌های داخلی ما، ایجنت‌هایی که از شیوه مسیریابی پویا بهره می‌بردند موفق شدند یک خط انتقال داده dbt را با بهره‌وری توکن تا ۳ برابر بهتر نسبت به رویکرد متکی بر مدل‌های پیشرو پیاده‌سازی کنند، در حالی که کیفیت نهایی کاملاً یکسان باقی ماند.

حتی تفاوت‌های اندک در مصرف توکن یا هزینه‌های استنتاج، زمانی که یک سازمان ماهانه میلیون‌ها درخواست را پردازش می‌کند، به‌سرعت ابعاد بزرگی پیدا می‌کند. به همین دلیل سازمان‌های پیشرو سامانه‌های هوش مصنوعی را بیشتر بر اساس اقتصاد کسب‌وکار ارزیابی می‌کنند تا نمرات بنچمارک‌ها. بهترین تصمیم‌ها زمانی گرفته می‌شوند که قابلیت‌های مدل، سرعت و هزینه همگی در کنار یکدیگر سنجیده شوند، نه به‌صورت مجزا.

پلتفرم Snowflake چگونه به مشتریان در تشخیص زمان استفاده از مدل‌های ارزان در برابر مدل‌های پیشرو کمک می‌کند؟ آیا خطر پرداخت هزینه‌های مازاد به‌دلیل استفاده از یک مدل برای تمامی سناریوها وجود دارد؟

یکسان‌سازی تمام فرایندها با تکیه بر یک مدل مشخص، خطر واقعی پرداخت هزینه‌های سنگین و غیرضروری را به‌همراه دارد. این کار درست شبیه استفاده از یک خودروی فرمول یک برای تمام ترددها است؛ چه بخواهید در پیست مسابقه رقابت کنید و چه قصد رفتن به فروشگاه محله را داشته باشید! عملکرد چنین خودرویی متناسب با نیاز نیست و هزینه‌های نگهداری آن نیز با هدف سفر همخوانی ندارد.

پلتفرم Snowflake به مشتریان کمک می‌کند تا سیاست‌های روشنی پیرامون کیفیت، سرعت و هزینه تعیین کنند و سپس با بهره‌گیری از مسیریابی پویا، تصمیم‌گیری‌های هوشمندانه را درون این چارچوب انجام می‌دهد. بدین ترتیب دیگر نیازی نیست تیم‌های فنی با ورود هر مدل جدید به بازار به ارزیابی دستی آن بپردازند یا برنامه‌های خود را بازنویسی کنند. سازمان‌ها بر تعریف اهداف تجاری تمرکز می‌کنند و پلتفرم به‌طور خودکار گزینش مدل‌ها را در پشت صحنه مدیریت می‌نماید.

این قابلیت با توجه به کاهش پیوسته شکاف عملکردی میان مدل‌های پیشرو و مدل‌های متن‌باز در وظایف رایج سازمانی، اهمیت مضاعفی پیدا کرده است. مدل‌های متن‌باز به‌سرعت در حال ارتقا هستند و برای بسیاری از امور معین، توجیه اقتصادی بسیار بیشتری دارند. با این حال، کارآمدترین استراتژی هوش مصنوعی بر پایه حفظ انعطاف‌پذیری شکل می‌گیرد؛ همان‌طور که Snowflake همواره از استقلال در برابر ارائه‌دهندگان ابری حمایت کرده، همین اصل را در قبال مدل‌های زبانی نیز پیاده کرده است تا سازمان‌ها با دسترسی به دامنه وسیعی از گزینه‌ها، مناسب‌ترین مدل را انتخاب کنند.

یکی از بزرگ‌ترین دغدغه‌های مدیران ارشد، غیرقابل پیش‌بینی بودن هزینه‌های هوش مصنوعی است؛ قابلیت مشاهده‌پذیری و پایش معیارهایی چون مصرف، تأخیر و عملکرد، تا چه حد در مدیریت این سرمایه‌گذاری مؤثر است؟

مشاهده‌پذیری و پایش‌پذیری (Observability) نقشی بنیادین دارد. رهبران کسب‌وکار مشکلی با سرمایه‌گذاری در هوش مصنوعی ندارند، اما از هزینه‌کرد در حوزه‌هایی که توانایی نظارت بر آن‌ها را نداشته باشند هراس دارند.

امروزه مشاهده‌پذیری باید فراتر از مانیتورینگ صرفاً فنی برود و روشن کند که آیا پیاده‌سازی هوش مصنوعی در تمامی سطوح سازمان اثر‌بخش بوده است یا خیر. شرکت‌ها نیازمند شفافیت در الگوهای مصرف، عملکرد مدل، میزان تأخیر، مصرف توکن‌ها و نحوه تخصیص هزینه‌ها هستند تا مشخص شود کدام تیم‌ها در حال خلق ارزش واقعی هستند و آیا نتایج به دست آمده هزینه‌ها را توجیه می‌کند یا خیر.

به همین سبب، ما ابزارهای پایش و مدیریت هزینه را مستقیماً درون پلتفرم گنجانده‌ایم تا مصرف توکن و هزینه‌های برنامه‌ها و ایجنت‌های هوش مصنوعی (از جمله ابزارهای متصل از طریق Cortex AI Gateway) در یک داشبورد متمرکز گردآوری شوند. سازمان‌ها هم‌چنین می‌توانند سقف مصرف و سهمیه‌های معین تعیین کنند و هزینه‌ها را به تیم‌های خاصی تخصیص دهند.

این مسئله به‌ویژه با حرکت شرکت‌ها به سمت سیستم‌های ایجنتی و جریان‌های کاری خودکار اهمیتی دوچندان می‌یابد. هر اندازه این سامانه‌ها استقلال و خودمختاری بیشتری پیدا کنند، ضرورت وجود سازوکارهای نظارتی و کنترل‌های اقتصادی افزایش خواهد یافت.

هوش مصنوعی معمولاً ابزاری برای ارتقای بهره‌وری معرفی می‌شود، اما هیئت‌مدیره‌ها به دنبال شواهد روشنی از بازگشت سرمایه هستند؛ شرکت‌ها باید از چه سنجه‌هایی برای سنجش اثرگذاری تجاری هوش مصنوعی استفاده کنند؟

نخستین توصیه من این است که میزان استفاده کارکنان را به‌عنوان بازگشت سرمایه (ROI) در نظر نگیرید. سازمان‌ها اغلب آمار بالای استفاده روزانه را با نتایج ملموس کسب‌وکار اشتباه می‌گیرند.

شرکت‌ها باید کار را با تعیین دقیق هدف هر پروژه هوش مصنوعی آغاز کنند و سپس میزان تأثیرگذاری را در مقایسه با همان هدف بسنجند.

برای سنجش بازگشت سرمایه، می‌توان معیارها را در دو دسته طبقه‌بندی کرد: دسته نخست دستاوردهای عمومی بهره‌وری هستند که اندازه‌گیری مستقیم آن‌ها دشوارتر است و معمولاً با شاخص‌هایی چون کاهش زمان تکمیل پروژه‌ها یا رضایت کارکنان ارزیابی می‌شوند. دسته دوم سناریوهای مشخص تجاری هستند؛ مانند شناسایی تقلب، کاهش ریسک یا افزایش فروش مکمل، که مستقیماً با ارقام مالی اثبات می‌شوند.

سنجه‌های مالی در این میان نقشی تعیین‌کننده دارند. اعضای هیئت‌مدیره به دنبال آن هستند که بدانند آیا هوش مصنوعی فرصت‌های درآمدزایی جدید پدید آورده و حاشیه سود را افزایش داده است یا خیر. این شاخص‌ها معمولاً از سنجه‌های فنی تأثیرگذارترند، زیرا مستقیماً به عملکرد مالی پیوند خورده‌اند.

در نهایت، شاخص بهره‌وری هوشمندی معیاری حیاتی است که نشان می‌دهد سازمان منابع پردازشی هوش مصنوعی را با چه بازدهی به ارزش کسب‌وکار تبدیل کرده است. در این شیوه، نتایج به دست آمده در مقایسه با هزینه‌های صرف‌شده سنجیده می‌شوند؛ چراکه راهکاری که نتیجه‌ای مشابه را با نصف هزینه ارائه دهد، در واقع ارزش بسیار بیشتری خلق کرده است.

آیا سازمان‌ها در حال گذار از استراتژی «مدل‌محور» به سمت استراتژی «وظیفه‌محور» هستند؛ به این معنا که ابتدا وظیفه تجاری مشخص شود و سپس مدل مناسب در پس‌زمینه برگزیده شود؟

سازمان‌ها حرکت به این سو را آغاز کرده‌اند و این دگرگونی، نشانه‌ای از بلوغ بازار به‌شمار می‌آید. ما شاهد توجه فزاینده به رویکردهای وظیفه‌محور هستیم؛ جایی که شرکت‌ها ابتدا نتایج دلخواه را تعریف می‌کنند، محدودیت‌های هزینه و الزامات حکمرانی را برمی‌شمارند و سپس به پلتفرم اجازه می‌دهند تا بار کاری را به بهترین مدل موجود اختصاص دهد. این روند در حقیقت گذار هوش مصنوعی سازمانی از مرحله آزمون‌وخطا به مرحله بهینه‌سازی است.

بخشی از این تحول به‌دلیل فشارهای ناشی از افزایش هزینه‌های مدل‌ها و تمایل سازمان‌ها برای دستیابی به همان دستاوردها با راهکارهای هوشمندانه‌تر رخ می‌دهد. توجه ویژه به حداقل رساندن مصرف توکن‌ها نشان می‌دهد شرکت‌ها به مدیریت بودجه آگاه‌تر شده‌اند. اطمینان دارم با گسترش سامانه‌های ایجنتی، سازمان‌ها بیش از پیش گفتگوهای خود را بر مبنای رویکرد وظیفه‌محور سامان خواهند داد تا کار با تعیین اهداف آغاز شود و بهترین مسیر عملیاتی بر پایه آن شکل بگیرد.

رویکرد Snowflake نشان می‌دهد زیرساخت هوش مصنوعی باید برای کاربران نهایی نامرئی باشد؛ آیا هدف بلندمدت این است که کارمندان تنها پرسش خود را مطرح کنند و پلتفرم خودکار انتخاب مدل، حکمرانی و بهینه‌سازی هزینه را مدیریت نماید؟

این چشم‌انداز هم‌اکنون به واقعیت پیوسته است. شرکت‌ها به دنبال نتایج هستند و پلتفرم‌های موفق، پیچیدگی‌های فنی زیربنایی را در سکوت مدیریت می‌کنند. دلیل این رویکرد روشن است؛ اکثر سازمان‌ها تمایلی ندارند به متخصصان زیرساخت هوش مصنوعی بدل شوند. آن‌ها نمی‌خواهند وقت خود را صرف مقایسه بنچمارک‌ها، بررسی قیمت توکن‌ها یا تصمیم‌گیری برای انتخاب مدل‌ها کنند. کارکنان ابزارهایی قابل اعتماد و دقیق می‌خواهند تا وظایف کاری‌شان را بهتر پیش ببرند و این دقیقاً همان چیزی است که باید دریافت کنند.

بزرگ‌ترین مانع امروز بیشتر سازمان‌ها، کمبود توانایی فنی نیست. هنوز هم شرکت‌هایی دیده می‌شوند که موفقیت را صرفاً بر اساس تعداد کاربران می‌سنجند، نه دستاوردهای ملموس. البته این نگاه سنتی به‌سرعت در حال کمرنگ شدن است، با این حال همچنان مانعی مهم در مسیر اثبات ارزش واقعی به حساب می‌آید.

نکته مهم این است که نامرئی بودن زیرساخت نباید به معنای رها شدن کنترل‌ها باشد. با ادغام عمیق‌تر هوش مصنوعی در ساختار شرکت‌ها، اهمیت حکمرانی و پایش‌پذیری افزایش می‌یابد. هنگامی که مدل‌های باز و اختصاصی دوشادوش یکدیگر روی یک بستر امن قرار گیرند، قوانین امنیتی یکسانی اعمال می‌شود، داده‌ها درون محیط امن سازمان باقی می‌مانند و تیم‌ها می‌توانند بدون نیاز به عقد قراردادهای جدید یا بررسی‌های دوباره امنیتی، مدل‌های خود را تعویض کنند.

اگر بخواهید به یک مدیرعامل برای تبدیل سرمایه‌گذاری هوش مصنوعی به ارزش تجاری پایدار توصیه کنید، اولویت‌های اصلی شما چه خواهد بود؟

نخستین پیشنهاد من این است که مدیران از وسوسه شروع پروژه‌ها با ابزارهای فنی پرهیز کنند و در عوض، مسیر را با نتایج و خروجی‌های مطلوب آغاز نمایند.

برندگان رقابت هوش مصنوعی، تصویر کاملاً روشنی از مسائلی که قصد حل آن‌ها را دارند در دست دارند و زیرساخت‌های خود را بر مبنای این دستاوردها بنا می‌کنند. در عمل، این شیوه به معنای همکاری تنگاتنگ مدیران بخش‌های تجاری با تیم‌های داده و هوش مصنوعی است. در همان حال، طراحی معماری باید انعطاف‌پذیر و مستقل از سامانه‌های اختصاصی باشد تا در صورت تحولات دنیای فناوری، پلتفرم با کمترین هزینه سازگار شود.

در مرحله بعد، استقرار حکمرانی داده‌ها و سازوکارهای نظارت بر هزینه‌ها اولویتی کلیدی است. مدیران باید اطمینان داشته باشند که ابزارهای هوش مصنوعی با چه کیفیتی مصرف می‌شوند، چه هزینه‌ای در پی دارند و به کدام بخش از داده‌ها دسترسی خواهند داشت. این پایه اعتمادساز، پذیرش اصولی ابزارها را در کل بدنه سازمان تقویت می‌کند. در گام بعدی، توصیه می‌کنم شمار اندکی از سناریوهای کاربردی پرارزش را اجرا کنند تا تأثیر ملموس آن‌ها به‌سرعت دیده شود؛ موفقیت در این پروژه‌های پایلوت، انگیزه و پشتوانه لازم برای گسترش سرمایه‌گذاری را فراهم می‌آورد.

سرانجام، توجه به تحول نیروی انسانی و فرایندهای سازمانی اهمیتی برابر با جنبه‌های فنی دارد. هوش مصنوعی مستلزم بازنگری کامل در روش‌های انجام کار است و بدون همراهی کارکنان و به‌روزرسانی فرایندها، دستیابی به ارزش حداکثری امکان‌پذیر نخواهد بود.