رویکرد به مدل های هوش مصنوعی باید تخصصی باشد
هوش مصنوعی در سال 2023 در همه جا بیداد می کند. آنلاین، در کنفرانس ها، در مقالاتی مانند این، نمی توانید از موضوع دور شوید. اما هوش مصنوعی مدتی است که وجود داشته است. بنابراین، فراتر از تبلیغات و سرفصل ها، چه چیزی پشت ظهور ناگهانی هوش مصنوعی به عنوان یک نگرانی برای مشاغل در سراسر جهان وجود دارد؟
ما به توده بحرانی اتصال جهانی رسیدهایم و قدرت محاسباتی موجود در حال حاضر شاهد افزایش مجموعههای داده عظیم است. با قدرت محاسباتی بسیار زیاد، شبکههای شدید و مجموعه دادههای بزرگ (مانند مواردی که برای آموزش مدلهای زبان بزرگ (LLM) استفاده میشود، هوش مصنوعی رایج شده است. اکنون هم در دسترستر و هم ضروریتر است، به همین دلیل است که سر و صدای زیادی در اطراف وجود دارد. .
و به نظر می رسد که وقتی یک فناوری جدید به صحنه می آید، این غوغا فراتر از هیاهوی معمول است. به نظر می رسد هوش مصنوعی تمام جنبه های آینده را شکل خواهد داد. نه تنها معنای کسب و کار، بلکه به این پرسش که انسان بودن به چه معناست.
اینها سؤالات باطنی بزرگ پشت هوش مصنوعی هستند. اما همه اینها در عمل، به صورت روزانه چه معنایی دارد؟
همانطور که گفتم، هوش مصنوعی بر حجم زیادی از داده ها متکی است. و امروزه، مدیریت این رگبار دائمی داده ها به یکی از بزرگترین چالش های اطلاعاتی که مشاغل با آن روبرو هستند تبدیل شده است. و در حالی که تعامل با هوش مصنوعی ممکن است از دیدگاه کاربر ساده به نظر برسد، اما شامل بسیاری از فناوریهای پیچیده است که در پشت صحنه با هم کار میکنند: دادههای بزرگ، پردازش زبان طبیعی (NLP)، یادگیری ماشینی (ML) و حتی بیشتر. اما ادغام این مؤلفه ها – از نظر اخلاقی و مؤثر – به تخصص، استراتژی و بینش نیاز دارد.
مدیر ارشد، بازاریابی محصول، متن باز.
تخصصی یا عمومی: بیشترین بهره را از هوش مصنوعی ببرید
برجسته ترین ابزارهای هوش مصنوعی، مانند ChatGPT یا Bard، نمونه هایی از هوش مصنوعی تعمیم یافته هستند. اینها با مصرف مجموعه دادهها از منابع در دسترس عموم – یعنی کل اینترنت – و پردازش آن دادهها برای تبدیل آنها به نتایجی که برای انسان قابل قبول به نظر میرسند، کار میکنند.
اما مشکل استفاده از مدلهای هوش مصنوعی تعمیمیافته در تجارت این است که آنها در معرض همان نادرستیها و سوگیریهایی هستند که ما به طور کلی با اینترنت به آن عادت کردهایم.
به همین دلیل است که برای حداکثر تأثیر، کسبوکارها نباید از مدلهای هوش مصنوعی عمومی استفاده کنند. در عوض، استفاده از مدلهای تخصصی هوش مصنوعی مؤثرترین راه برای مدیریت سیل دادههای همراه با هوش مصنوعی است. ابزارهای تخصصی هوش مصنوعی مانند ابزارهای تعمیم یافته هستند زیرا LLM نیز هستند. اما تفاوت بزرگ این است که آنها بر روی داده های تخصصی آموزش دیده اند که قبل از وارد شدن به LLM توسط کارشناسان موضوع تأیید می شود.
بنابراین الگوریتم های تخصصی هوش مصنوعی می توانند محتوا را با دقت قابل اعتماد تجزیه و تحلیل، درک و تولید کنند. این نوع قابلیت برای اجتناب از انواع تلههایی که تاکنون در هوش مصنوعی عمومی دیدهایم، مانند وکلا از جمله اطلاعات نادرست ارائهشده توسط ChatGPT در اسناد قانونی، بسیار مهم است. اما سوال باقی میماند: وقتی کسبوکارها رویکردی تخصصی به هوش مصنوعی دارند، چگونه میتوانند حجم عظیمی از دادههای ایجاد شده را به بهترین نحو مدیریت کنند؟
مدیریت سیل داده ها با مدل های تخصصی هوش مصنوعی
هر رویکرد موفق مستلزم جمعآوری، ذخیرهسازی، پردازش و استراتژیهای تجزیه و تحلیل دادهها است. مانند هر پروژه فناوری دیگری، تعیین اهداف و سیاست های حاکمیتی واضح ضروری است. اما کیفیت دادهها مسلماً مهمتر است. ضرب المثل قدیمی “زباله داخل، زباله بیرون” در اینجا صدق می کند. موفقیت هر مدل تخصصی هوش مصنوعی به کیفیت داده ها بستگی دارد، بنابراین شرکت ها باید فرآیندهای اعتبارسنجی و تمیز کردن داده ها را اجرا کنند.
زیرساخت های ذخیره سازی داده ها، مدیریت چرخه حیات، یکپارچه سازی بین سیستم ها و کنترل نسخه نیز باید قبل از استقرار یک مدل تخصصی هوش مصنوعی در نظر گرفته و برنامه ریزی شود. اطمینان از برقراری همه این موارد به کسب و کارها کمک می کند حجم زیادی از داده های تولید شده در سمت دیگر را بهتر مدیریت کنند و همچنین نظارت مستمر برای ارزیابی عملکرد مدل مورد نیاز است.
اما کسبوکارها باید اخلاق هوش مصنوعی را نیز در نظر بگیرند، درست مانند هوش مصنوعی عمومی. مدلهای تخصصی هوش مصنوعی ممکن است در معرض سوگیریهای خاص دامنه باشند، در حالی که آنچه در یک بخش اخلاقی تلقی میشود ممکن است در بخش دیگر نباشد، که مستلزم استفاده عاقلانه از هر نتیجه تخصصی هوش مصنوعی است. علاوه بر این، LLM های متخصص ممکن است برای درک جنبه های ظریف یا متن خاص زبان دچار مشکل شوند. این می تواند منجر به تفسیر نادرست ورودی ها و ایجاد نتایج نامناسب یا نادرست شود.
البته این پیچیدگی مستلزم آن است که دخالت انسان و نظارت مستمر ضروری است. اما همچنین اهمیت همکاری بین بخشها و صنعت را تقویت میکند تا اطمینان حاصل شود که هرگونه استفاده از هوش مصنوعی اخلاقی و مؤثر است. به اشتراک گذاری داده ها و دانش می تواند گامی کلیدی در بهبود کیفیت داده های اساسی باشد و اگر به خوبی انجام شود، می تواند به حفظ امنیت آن داده ها نیز کمک کند.
در نهایت، همانطور که هوش مصنوعی به طور فزاینده ای در کار و زندگی روزمره ما ادغام می شود، ما باید فرآیندهایی را برای مدیریت نتایج آن به شیوه ای مقیاس پذیر و اخلاقی توسعه دهیم. مشارکت و همکاری در قلب این امر قرار دارد، به خصوص با فناوری که به طور همزمان بر بسیاری از ما تأثیر می گذارد.
ما بهترین ابزار تجسم داده را معرفی کرده ایم.
این مقاله به عنوان بخشی از کانال Expert Insights TechRadarPro تهیه شده است که در آن بهترین و باهوش ترین ذهن ها در صنعت فناوری امروز را معرفی می کنیم. نظرات بیان شده در اینجا نظرات نویسنده است و لزوماً نظرات TechRadarPro یا Future plc نیست. اگر مایل به مشارکت هستید، در اینجا اطلاعات بیشتری کسب کنید: https://www.techradar.com/news/submit-your-story-to-techradar-pro