پنج روند مهم هوش مصنوعی در سال ۲۰۱۹

۹ تیر ۱۳۹۸  ·   زمان مطالعه 8 دقیقه


تحولات فوق العاده ای در یادگیری ماشین و هوش مصنوعی (AI) به صورت ماهانه و حتی هفتگی در حال رخ دادن است. فناوری یادگیری ماشین در حال تبدیل شدن به یکی از برجسته ترین نیروهای پیشران در هر دو زمینه کسب و کار و جامعه می باشد. بنابراین در این نوشته قصد داریم مهمترین مسیر های پیشرفت هوش مصنوعی در سال ۲۰۱۹ و سال های پس از آن را بررسی کنیم.

بر اساس مطالعه اخیر انجام شده توسط Deloitte، حدود ۸۲ درصد از شرکت هایی که قبلا در AI سرمایه گذاری کرده بودند، تا الان بازده مالی خود را در زمینه هوش مصنوعی به دست آورده اند. برای برخی شرکت ها، بازگشت سرمایه فناوری های شناختی ۱۷ درصد بوده است. AI در زندگی روزمره و کسب و کار، در حال ایجاد تحول های بزرگی است که مانندش را در دوران انقلاب صنعتی دیده ایم. در مطالعه Deloitte، با توجه به ۴۴٪ از محصولات رایج به هوش مصنوعی مجهز شده اند، عملیات های داخلی (۴۲٪) و خارجی کسب و کارها (۳۱٪) بهینه سازی شده اند و تصمیم گیری های بهتری در کسب و کار (۳۵٪) انجام می شود.

با توجه به این موضوع، بهتر است این »روند» را به عنوان پیشرفتی بزرگتر و قابل توجه‌تر از یک فناوری خاص در نظر بگیریم. به همین دلیل است که ربات های چت (chatbots) و یا ماشین های خودران به صورت منحصر به فرد به عنوان روند هایی خاص در نظر گرفته نمی شوند، بلکه به عنوان شاخه های محتلف از درخت AI به حساب می آیند.

در اینجا به بررسی پنج مورد مهم و الهام بخش در روند پیشرفت هوش مصنوعی در سال ۲۰۱۹ می پردازیم.

۱. چت بات ها و دستیار های مجازی

پردازش زبان طبیعی به طور گسترده به عنوان یک مشخصه از هوشمندی شناخته می شود. آلن تورینگ در سال ۱۹۵۰ تست معروف خود را برای تعیین اینکه آیا یک کامپیوتر به هوشمندی رسیده است یا نه پیشنهاد داد. برای اولین بار این تست معروف در سال ۱۹۶۶ توسط نرم افزار ELIZA با موفقیت انجام شد. هرچند که ELIZA از پردازش زبان طبیعی (NLP) استفاده نکرده  بود. این ربات فقط یک کد هوشمند بود که به نظر می رسید متن را درک می کند.

امروزه NLP و راه حل های تشخیص گفتار به اندازه ای پیشرفت کرده اند که نه تنها درک کردن را شبیه سازی می کنند، بلکه می توانند اطلاعات قابل استفاده ای را نیز تولید کرده و ارزش کسب و کاری ایجاد کنند. NLP هنوز به کمال خود نرسیده است اما در بین کسب و کارهایی که از چت روم استفاده می کنند، اعتبار زیادی کسب کرده اند.

PwC معتقد است که مشتریان ترجیح می دهند با شرکت ها رو در رو صحبت کنند. چت بات ها، با اختلاف کمی پس از ایمیل، جایگاه دوم را کسب کرده است. با در دسترس بودن آنها در ۲۴ ساعت شبانه روز، چت بات ها برای واکنش اضطراری (بر أساس آمار حدود ۴۶%)، ارسال مکالمات به کارمندان مرتبط (۴۰٪) و ثبت ساده سفارش ها (۳۳٪) بکار گرفته می شوند. این تحقیقات پیش بینی می کنند که چت باتها تا سال ۲۰۲۲، برای شرکت ها تا سالانه مبلغ ۸ میلیارد دلار صرفه جویی خواهند کرد.

NLP در زمینه دستیاران مجازی که یکی دیگر از روندها و گرایشات پیشرفت هوش مصنوعی حساب می شود نیز به کار رفته است. به گفته Deloitte، حدود ۶۴٪ از صاحبان تلفن های هوشمند می گویند که آنها از دستیار مجازی خود (Apple Siri، Google Assistant) استفاده می کنند که این تعداد در سال ۲۰۱۷ حدود ۵۳% بوده است.

بر اساس آمار Gartner تا سال ۲۰۲۰ تا ۲۵٪ از شرکت ها، یک دستیار مجازی برای مشتری یا یک چت بات را به خدمات ارتباط با مشتریان خود اضافه خواهند کرد. این میزان در سال ۲۰۱۷ کمتر از ۲ درصد بود.

۲. کاهش زمان مورد نیاز برای یادگیری مدل ها

مقالات و پژوهش های علمی در زمینه AI اغلب بر روی کاهش زمان و قدرت محاسبات مورد نیاز برای آموزش یک مدل موثر متمرکز است. این کار با هدف ایجاد فناوری های ارزان تر و قابل استفاده تر در کارهای روزانه انجام می کند. فناوری شبکه های عصبی مصنوعی مدتی است که وجود دارد (مدل های نظری در سال ۱۹۴۳ طراحی شده است)، اما تنها زمانی به خوبی کار خواهد کرد که هسته های پردازشی کافی برای محاسبه مدل های یادگیری ماشین وجود داشته باشد. یک راه برای اطمینان از وجود چنین هسته هایی این است که زیرساخت سخت افزاری قوی تری داشته باشیم، هرچند که این کار با محدودیت هایی همراه است. یک رویکرد دیگر این است که مدل های جدیدی را طراحی کنیم و بهبود ببخشیم که توان پردازشی کمتر و سبک تری را لازم داشته باشند.

یک راه دیگر برای کاهش زمان لازم برای آموزش مدل، بهینه سازی زیرساخت های سخت افزاری مورد نیاز است. پلتفرم ابری گوگل یک محیط مبتنی بر رایانش ابری را برای ساخت مدل های یادگیری ماشین بدون نیاز به سرمایه گذاری در زیرساخت های داخلی، ارائه کرده است. شرکت سازنده کارت گرافیک Nvidia نیز این مرزها را مدام به جلو می برد، زیرا پردازنده های گرافیکی یا GPU ها نسبت به CPUها در یادگیری ماشین بسیار موثرتر هستند.

با این وجود، مسیر دیگری برای اندازه گیری و طراحی مجدد معماری شبکه های عصبی برای استفاده از منابع موجود در موثر ترین روش ممکن است. با استفاده از زیرساخت GPipe که اخیرا توسعه یافته است، گوگل توانست عملکرد شبکه‌های مولد تخاصمی (Generative Adversarial Networks) را در زیرساخت های موجود به طور چشمگیری افزایش دهد.

۳. شتاب گرفتن خودران ها:

با توجه به برآورد PwC، حدود ۴۰٪ از مسافت های پیموده شده در اروپا تا سال ۲۰۳۰ می تواند توسط وسایل نقلیه خودران تحت پوشش قرار بگیرد. در حال حاضر اکثر شرکت ها در حال توسعه این فناوری می باشند. انگیزه اصلی برای این تلاش ها عمدتا مزایای بزرگ اجتماعی و اقتصادی است که اتوماسیون بسیاری از روند های رانندگی، بدست خواهد آمد.

بر اساس آمار وزارت حمل و نقل ایالات متحده، ۶۳.۳ درصد از ۱،۱۳۹ میلیارد دلار کالای حمل شده در سال ۲۰۱۷ از طریق جاده ها منتقل شده اند. اگر وسایل نقلیه خودران را برای انجام این حمل و نقل ها در اختیار بود، حمل و نقل می توانست به صورت کارآمد تری سازماندهی شود و نیاز به حضور انسان به شدت کاهش می یافت. ماشین های خودران می توانند بدون از دست دادن تمرکز، ساعت ها رانندگی کنند. افزون بر آن، حمل و نقل جاده ای، در سراسر جهان بزرگترین تولید کننده گازهای گلخانه ای است و بیش از ۷۰ درصد انرژی مورد استفاده برای حمل و نقل را مصرف می کند. هر بهینه سازی ایی که در مصرف سوخت و یا جاده ها انجام شود، مدیریت انرژی و زمان را بهبود می بخشد.

بر همین اساس شرکت ولو، اخیرا «ویرا» را معرفی کرده است، کامیونی که بدون نیاز به راننده و با هدف حمل و نقل کوتاه در مراکز حمل و نقل و بنادر ساخته شده است. این خودران ها قادر به ارائه جریان ثابت کالا با کمترین دخالت انسانی ایجاد کنند. همچنین شرکت Kroger به تازگی تست های خودروهای بدون سرنشین تحویل کالا را برای ارسال خریدهای روزانه آغاز کرده است. در حال حاضر شرکت هایی (از جمله Uber) خودروهای خودران خود را در جاده های شهرهای واقعی تست می کنند، و دیگر شرکت ها هم به تلاش برای ساخت خودران های خود مشغول هستند. پس از شرکت های Kroger، Uber و گوگل در این مسیر، دیگر شرکت ها نیز مطمئنا در پشت سر آنها قرار خواهند گرفت و یکی از مهمترین روندهای پیشرفت در هوش مصنوعی در ۲۰۱۹ را رقم خواهند زد.

۴. یادگیری ماشین و هوش مصنوعی فراگیر و قابل تولید می شود

فناوری یادگیری ماشینی بدون دانشمندان داده کاوی از بین خواهد رفت. اما آمار نشان می دهد تعداد کمی از آنها در دنیا مشغول به کار هستند. حداقل از نظر تنوع مهارتی. موقعیت های شغلی برای دانشمندان داده کاوی در بین سال های ۲۰۱۵ تا ۲۰۱۸ به اندازه ٪ ۷۵ افزایش یافته است و این در حالی است که جستجوی شغلی برای این موقعیت ۶۵٪ افزایش یافته است.  با توجه به محبوبیت داده های بزرگ، هوش مصنوعی و یادگیری ماشین، تقاضا برای متخصصین علوم داده همچنان افزایش می یابد. نه تنها شرکت های بزرگ، بلکه خود محققان علمی نیز به دنبال ارتقای مهارت های خود هستند که مطمئنا برای این حرفه اتفاق خوبی خواهد بود.

براساس آمار O’Reilly، حدود ۵۱٪ از سازمان های مورد بررسی در حال حاضر از تیم های علوم داده برای توسعه راه حل های AI برای اهداف داخلی خودشان استفاده می کنند. استفاده از ابزارهای هوش مصنوعی بدون شک یکی از مهمترین گرایش های هوش مصنوعی در سال ۲۰۱۹ خواهد بود، به ویژه که غول های تجاری و فناوری تنها سازمان هایی نیستند که در کارهای روزانه خود از هوش مصنوعی استفاده می کنند.

۵. مسئولیت پذیری و شفافیت در هوش مصنوعی

هرچه تأثیر یادگیری ماشین بر کسب و کارها بیشتر می شود، اثرگذاری اجتماعی و قانونی آن نیز بیشتر می شود. بعد از اولین حادثه ی مرگبار که توسط یک ماشین خودران اتفاق افتاد، سوال مهمتر بوجود امده این بود که چه کسی مسئول تصادف و جان ار دست رفته است؟

اولویت مهم در این موضوعات، تعصبات پنهان در مجموعه داده ها است و این یک مشکل برای هر شرکتی است که از AI استفاده می کند تا عملیات روزانه خود را مدیریت کند. این موضوع در شرکت آمازون اتفاق افتاد. این شرکت یک سامانه AI را بر اساس ده سال یادگیری از رزومه های مختلف ایجاد کرده است و آن را به عنوان مسئول پیش پردازش رزومه های استخدامی قرار داده است. آمازون متوجه شد که این سامانه به طور نا خواسته علیه زنانی که برای فرصت های شغلی فنی درخواست داده بودند، جبهه می گرفت.

با افزایش استفاده از مدل های یادگیری ماشین در صنایع مختلف، نیاز به شفافیت در هوش مصنوعی رو به افزایش است. مسئله مقابله با تعصب ناخودآگاه بوجود آمده در مجموعه داده ها و در مدل های یادگیری ماشین، به شدت و به طوری جدی توسط غول های فناوری مانند Salesforce مظرح شده است.

همانگونه که قبلا اشاره شد، پرسش های جدی درباره اینکه چه کسی مسئول اقدامات AI و مسائل مربوط به ماشین های خودران است، مطرح شده اند. اگر خودرو خودران در یک موقعیت تصادف قدرت انتخاب داشته باشد، آیا آن خودرو  تصادف با یک فرد سالخورده را انتخاب می کند یا با یک کودک را؟  آیا بر روی نجات راننده اش تمرکز می کند یا شخصی که در خیابان حال راه رفتن است؟ بر اساس یک مطالعه جهانی، پاسخ به این سوال ها به شدت به فرهنگی که پاسخ دهنده در آن بزرگ شده است، بستگی دارد. امروزه هنگامی که به وضعیتی خطرناک از یک تصادف اتومبیل روبرو می شویم، خود راننده مسئول تصمیماتی است که می گیرد. با این حال، زمانی که ماشین، مستقل است و توسط یک عامل مجازی کنترل می شود، تمام تصمیم ها توسط یک شبکه عصبی گرفته می شود که سوالاتی بسیار نگران کننده ای را مطرح می کند.

البته، چنین مسائلی محدود به قلمرو وسایل نقلیه خودران نمی شود. برنامه های کاربردی مبتنی بر یادگیری ماشین روزانه توجه بیشتری به عنوان یک ابزار برای کمک به درمان های پزشکی به خود جلب می کنند. با توجه به سطح بالایی از استاندارد سازی در بین داده های تشخیصی، اطلاعات پزشکی فرصت مناسبی برای استفاده در مدل های یادگیری ماشین دارد، که می تواند برای پشتیبانی فرآیند درمان مورد استفاده قرار گیرد.

AI و یادگیری ماشین دیگر یک فناوری های خاص نیستند؛ آنها در حال حاضر بر کل کسب و کارها و کل جامعه اثر می گذارند و در حال رقم زدن انقلابی بزرگ هستند.

نوبت شماست:

شما در مورد آینده نزدیک هوش مصنوعی و یادگیری ماشین و اثر آن ها بر کسب و کار و زندگی مان چه قکر می کنید؟ نظرتان را با ما و خوانندگان محترم خوشفکری در میان بگذارید.

 

شما هم نظرتان را بیان کنید:

آدرس ایمیل شما منتشر نخواهد شد. موارد الزامی با * نشانگذاری شده اند.

*

*