ساخت سيستمهاي هوش مصنوعي كارآمد هنوز هم دشوار است
هوش مصنوعي حتي با وجود چارچوبهايي مثل TensorFlow يا OpenAI، هنوز نيازمند دانش و فهم زيادي در مقايسه با سازندگان و توسعهدهندگان جريان وب است. اگر شما نمونهاي ساخته باشيد كه كار كند، به احتمال زياد يكي از باهوشترين افراد اين زمينه هستيد و با بايد به شما تبريك گفت؛ چراكه عضوي از يك مجموعهي بسيار انحصاري هستيد.
با استفاده از Kaggle حتي ميتوانيد پول زيادي با حل كردن پروژههاي دنياي واقعي به دست بياوريد. اين موقعيت در مجموع ، يك موقعيت عالي محسوب ميشود، اما سؤال اينجا است كه آيا اين موقعيت براي ساختن يك كسبوكار كافي است؟ بايد بدانيد كه نميتوانيد سازوكار بازار را تغيير دهيد. هوش مصنوعي از مانديشه متخصصين كسب و كار، راه و روشي ديگر براي اشكالات موجود است. اين پيادهسازي براي مشتريان اهميتي ندارد. تنها چيزي كه براي مشتريان اهميت دارد نتايج كار است. اين بدين معنا است كه تنها استفادهي صرف از هوش مصنوعي جوابگو نيست و بايد به مشتريها يك مورد باارزش ارائه دهيد. در طولانيمدت، تنها مشتريها هستند كه اهميت دارند.
گاهي اوقات ممكن است مشتريان اهميتي به هوش مصنوعي ندهند؛ ولي سرمايهگذاران و مطبوعات به اين موضوع اهميت ميدهند. اين تفاوت در توجه به هوش مصنوعي ميتواند يك محيط بسيار خطرناك براي استارتاپها بهوجود بياورد. اما اگر بخواهيم عاقلانه بگوييم: اگر شما هوش مصنوعي چندمنظوره جهاني خلق نكنيد، چيزي بهعنوان مجاني وجود ندارد و هزينههايي وجود خواهد داشت. حتي اگر نورچشمي سرمايهگذاران هم باشيد، بايد تمام تلاش خود را براي وارد كردن مشتريان به مرحلهي آخر محصول انجام دهيد. بنابراين بياييد خودمان را بهعنوان فرد همهكاره و مسئول فرض كنيم و ببينيم كه چگونه ميتوانيم براي سناريوهاي آينده آماده شويم.
يادگيري جريان اصلي هوش مصنوعي
هوش مصنوعي به انديشه متخصصين با بقيه گرايشات عظيم مثل بلاكچين، اينترنت اشياء، فناوري مالي (فينتك) و ... فرق دارد و مطمئنا آيندهي آن هم غير قابل پيشبيني است و البته اين موارد براي اكثر فناوريهاي جديد صدق ميكند. تقاوت در اين جا است كه به انديشه متخصصين ميرسد گزارهي ارزش خود ما بهعنوان انسان در خطر باشد و دغدغهي ما تنها مربوط به ساير كسبوكارها نيست. ارزش ما بهعنوان فرد تصميمگيرنده و خلاق مورد مطالعه است و يك واكنش احساسي را در پي دارد. ما نميدانيم چگونه بايد خودمان را در موقعيت قرار دهيم.
تعداد فناوريهاي اوليه و پايهاي بسيار محدود است و اكثر اين فناوريها نيز زير چتر اصطلاحي به نام يادگيري عميق هستند. اين يادگيري عميق تقريبا قالب و پايه و اساس همه متخصصدها را تشكيل ميدهد: شبكههاي عصبي مكرر و كانولوشن، حافظه طولاني كوتاهمدت (LSTM)، خودرمزنگارها، جنگلهاي تصادفي، افزايش گراديان و چندتاي ديگر.
شيوههاي ديگري نيز در هوش مصنوعي وجود دارند، ولي اين مكانيزمها، مكانيزمهايي هستند كه اخيرا كاملا موفق نشان دادهاند. اكثريت محققان معتقدند كه بهبود در اين فناوريها (نه اينكه با رويكردهاي كاملا متفاوت) باعث پيشرفت در هوش مصنوعي خواهد شد. بيايد نام اين پژوهش را پژوهش جريان اصلي هوش مصنوعي بگذاريم.
هر راه حلي در دنياي واقعي متشكل از اين الگوريتمهاي اصلي و يك پوستهي غير هوش مصنوعي است تا دادهها را آماده و پردازش كند (بهعنوان مثال آمادهسازي داده، مهندسي فيچر، مدلسازي دنيا). بهبودها در بخش هوش مصنوعي به سمت غير ضروري ساختن بخشهايي پيش ميروند كه هوش مصنوعي ندارند. اين كار در ماهيت هوش مصنوعي و تقريبا جزئي از تعريف آن است: منسوخ كردن تلاشهايي براي اشكالات. اما دقيقا همين بخشي كه هوش مصنوعي ندارد، اغلب اوقات گزارهي ارزش كمپانيهاي وابسته به هوش مصنوعي است و فرمول مخفي اين كمپانيها محسوب ميشود.
هر پيشرفتي در هوش مصنوعي به احتمال زياد باعث ميشود كه اين مزيت رقابتي در دسترس همه قرار بگيرد و بهعنوان منبع متن باز عمل كند و البته نتايج وحشتناكي به دنبال داشته باشد. طبق گفته فردريك جلينك:
هر بار كه من يك زبانشناس را اخراج ميكنم، عملكرد شناسايي گفتار بالاتر ميرود.
يادگيري ماشيني اساسا فاز بعدي كاهش كارآيي را معرفي كرده است: كد به داده تنزل پيدا ميكند. تقريبا همهي فناوريهاي تشخيص بر پايهي مدل، احتمال و قوانين توسط الگوريتمهاي يادگيري ماشيني در دهه ۲۰۱۰ كنار رفتند.
اكنون تخصص دامنه، مدلسازي فيچر و صدها هزار خط كد ميتوانند با تنها چندصد خط اسكريپت جايگذاري شوند (به علاوه مقدار مناسب داده). همانطور كه در بالا گفتيم: اين بدين معنا است كه وقتي كد اختصاصي تحت يادگيري هوش مصنوعي جريان اصلي قرار بگيرد، ديگر جزو داراييهاي قابل دفاع نيست.
مشاركتهاي چشمگير بسيار نادر هستند. پيشرفتهاي واقعي يا توسعههاي جديد و حتي تركيب جديدي از اجزاي اصلي، تنها براي تعداد محدودي از پژوهشها ممكن و شدني هستند. همانطور كه شايد به ذهن شما نيز خطور كرده باشد، اين حوزه و چرخه داخلي بسيار كوچكتر و سازندگان و توسعهدهندگان قطعا كمتر از ۱۰۰ نفر هستند.
اما علت چيست؟ شايد ريشه اين علت در الگوريتم اصلي باشد: Backpropagation (الگوريتم پسانتشار). تقريبا هر شبكه عصبي توسط اين روش يادگيري داده ميشود. سادهترين شكل پسانتشار را ميتوان در حساب ديفرانسيل ترم اول دانشگاه محاسبه و فرمولبندي كرد و اين كار اصلا كار سختي نيست (البته اين كار، كار دبيرستانيها نيست.) با وجود اين سادگي ( شايد بتوان گفت تنها دليل آن هم همين سادگي است) كه سابقهاي جالب و بيش از ۵۰ سال دارد، تنها افراد كمي پشت پرده آن را مطالعه كردند و ساختار اصلي آن را مورد سؤال قرار دادند.
اگر پسانتشار به همان اندازهاي كه اكنون مورد توجه و قابل ديدن است، قبلا هم بود، ما اكنون ۱۰ سال جلوتر بوديم؛ جداي از قدرت محاسباتي.
اقداماتي كه از شبكههاي عصبي ساده در دهه ۱۹۷۰ شروع شدند و سپس به شبكههاي مكرر رسيدند و اكنون به حافظه طولاني كوتاهمدت رسيدهاند، باعث تغييرات شگرفي در فضاي هوش مصنوعي شدند و هنوز نياز به چندين خط كد احساس ميشود. نسلهايي از دانشجويان و محققان وارد رياضيات آن شدند و با محاسبه گراديان كاهشي، درستي آن را اثبات كردند. اما در نهايت اكثر آنها سرشان را تكان دادند و براي قالبي از بهينهسازي كار خود را ادامه دادند. درك تحليلي كافي نيست. شما براي رقم زدن تفاوتها به برخي از قالبهاي شهود مخترع نياز داريد.
۹۹.۹ درصد تمامي كمپانيها به دليل اينكه فكر ميكنند احتمال رسيدن به نقطهي اوج پژوهش بسيار كم است، تنها نظارهگر ماجرا باقي ميمانند. فناوري اصلي توسط بازيكنان اصلي اين صنعت در چارچوبها و مجموعه ابزارهاي متن باز ارائه ميشود. رويكردهاي اختصاصي در جديدترين سطح، در طول زمان ناپديد مي شوند. به اين معني، اكثريت قريب به اتفاق همه شركتهاي هوش مصنوعي، مصرفكنندگان اين محصولات و فناوريها هستند.
به چه سمتي ميرويم؟
هوش مصنوعي (و دادهي مورد نياز) با موارد زيادي مقايسه شده است: برق، زغالسنگ و طلا. اين نشان ميدهد كه دنياي فناوري تا چه اندازه براي يافتن الگوها يا گرايشهاي مناسب براي آن اشتياق دارد. زيرا دانش فوق براي محافظت از كسبوكار و سرمايهگذاري در برابر يك حقيقت ساده است. اگر شما كسبوكار خود را در يادگيري مسير اصلي هوش مصنوعي قرار دهيد، هيچ چيز نميتواند شما را نجات دهد.
از آنجايي كه اين موتور در حال منحرف كردن كسبوكارها از مسير است، سناريوهايي وجود دارند كه بايد مورد مطالعه قرار بگيرند.
در ابتدا، پژوهش يادگيري هوش مصنوعي جريان اصلي در آينده كند خواهد شد يا اصلا متوقف شده است. اين بدين معنا است كه ديگر اشكالي وجود ندارد و ما از مسير يادگيري خارج شديم و بايد مشتريها را به شبكه وصل كنيم. اين كار يك شانس بزرگ براي استارتاپها خواهد بود؛ چراكه آنها اين فرصت را دارند تا با ساخت فناوريهاي اختصاصي، شانس ايجاد يك كسبوكار پايدار را بهدست بياورند.
سناريوي دوم اين است كه جريان هوش مصنوعي به پيشرفت خود ادامه دهد. اگر اينگونه باشد، خارج شدن از آن بسيار سخت خواهد شد. در سرعت بالا، دامنهي دانش رويكردهاي شخصي در خطر متن باز شدن توسط افراد قدرتمند قرار خواهد گرفت و تمام تلاشهاي گذشته بيهوده خواهد بود. در حال حاضر سيستمهايي مثل آلفاگولينك نيازمند درصد بسيار بالايي از فناوري اختصاصي جداي از عملكرد ساده ارائهشده توسط چارچوبهاي متن باز هستند. اگر اسكريپتهاي اساسي با همين قابليتها در آينده به وجود بيايند، جاي تعجب ندارد. اما ناشناختهي ناشناخته نوعي ديگر از اشكال است كه ميتوان آن را با موج بعدي حل كرد. خودرمزنگارها و سيستمهاي مراقبت و رسيدگي جزو نمونههايي هستند كه ميتوان روي آنها حساب كرد. هيچ كس نميتواند مشخص كند كه كدام يك از عموديها ميتوانند با اين حل شوند و آنها را به تصوير بكشد. احتمال: امكانپذير.
يادگيري پژوهش جريان اصلي هوش مصنوعي در آينده كند يا متوقف ميشود
در سناريوي بعدي يادگيري حتي سرعت بيشتري پيدا ميكند. در نهايت: به يك پديدهي واحد ميرسيم و آن پديدهي واحد در نزديك ما است. جزوه رايگانهايي در اين مورد نوشته شده است. افراد ميلياردر بر سر آن با يكديگر ميجنگند. بازي پاياني در اينجا مربوط به هوش عمومي مصنوعي است و اگر ما به آن دست يابيم ديگر پيشبيني اينكه چه اتفاقاتي قرار است بيفتد غير ممكن خواهد شد. در نهايت به سناريوي قوي سياه ميٰرسيم. فردي در گاراژي، نسل بعدي الگوريتمهايي را كشف ميكند كه با جريان اصلي متفاوتاند. اگر اين فرد بتواند از اين الگوريتم براي خودش استفاده كند به احتمال زياد شاهد اولين تريليونر خودساخته خواهيم بود. اما سؤال اينجا است كه اين اتفاق قرار است از كجا بيرون بيايد و منشأ آن كجا است؟ من بعيد ميدانم كه اين اتفاق از ناكجا بيرون بيايد و احتمالا تركيبي از تكنيكهاي جريان اصلي و الگوريتمهاي مدلي تركشده اين اتفاق را پديد خواهند آورد. در دهه ۲۰۱۰ رشد شبكههاي عصبي و برخي از رويكردهايي كه زماني مفيد بودند (رويكردهاي نمادين و غيره) قسمتهاي پايگاه تحقيقاتي خود را از دست دادند. اجراي مكرر هوش مصنوعي هم ساير زمينههاي پژوهشي مربوط را احيا كرد. يافتن يك تكنيك يا الگوريتم غيرمشهور كه تا به حال پژوهشگران به آن هجوم نبرده باشند كار سختي شده است. با اين حال احتمال دارد كه يك بيگانه و فرد خارجي رويكردي را پيدا يا احيا كند كه مسير بازي را تغيير دهد.
چه كسي بازي را ميبرد؟
بياييد تمام اين چيزها را در كنار هم قرار دهيم و اين سؤال بسيار مهم را كه كسي پيروز خواهد شد، بپرسيم. جواب به اين سؤال مهم نهتنها به سناريوهاي بالا وابسته است، بلكه در درجه نخست به اين بستگي دارد كه شما چه كسي هستيد. موقعيت و نقطه شروع يك كسبوكار در اين معادله بسيار حياتي است؛ چراكه منابع و داراييهاي موجود آن، نكته كليدي در استراتژيهايي هستند كه پياده ميكنند.
در ليگ قهرمانان هوش مصنوعي، كمپانيهاي كمي وجود دارند كه بسيار پولدار هستند و ميتوانند استعدادهاي حياتي و مهم را به سوي خود جذب كنند و از آنجايي كه اين روند گرماگير است (نيازمند انرژي است) شما به ساير منابع درآمد نياز داريد. اين امر بازيكنان را به كمپانيهايي مثل گوگل، فيسبوك، مايكروسافت و آيبيام منحصر و محدود ميكند. اين كمپانيها سيستمهاي اختصاصي بسيار عظيمي ساختهاند و خود را از وضعيت كنوني استكهاي متن باز جدا كردهاند تا به كلاسهاي مسائل جديدي برسند. شما بعد از سپري شدن زمان مشخصي خواهيد توانست اينها را به نسل بعدي چارچوبهاي متن باز وارد كنيد تا يك جامعه زنده و واضح بسازيد.
اين كمپانيها همچنين پلتفرمهايي دارند كه از آن براي يادگيري بهتر الگوريتمها استفاده ميكنند. هوش مصنوعي ممكن است يك مگاترند باشد؛ اما بهكارگيري آن در كسبوكارهاي روزانه كمپانيها نيز براي موفقيت آنها مهم است. اين پلتفرمها (آمازون، فيسبوك، گوگلاپس، نتفليكس و حتي كورا) از هوش مصنوعي براي دفاع و تقويت مدل كسبوكار اصلي خود استفاده ميكنند. آنها با استفاده از هوش مصنوعي راههايي براي خدمترساني بهتر به مشتريهايشان پيدا ميكنند، اما مراقب هستند تا كسبوكار اصلي خود را از آنچه به وسيله هوش مصنوعي (حداقل بهطور عمومي) انجام ميدهند، جدا كنند.
برخي از پلتفرمهاي در حال ظهور راههايي براي بهكارگيري اين استراتژي براي مجموعه ابزاري خود پيدا كردهاند. اين كمپانيها ادعا ميكنند كه هوش مصنوعي تنها در مرحله ابتدايي كسب درآمد ميكند. يك مثال براي اين امر، پلتفرم گرامرلي است كه گرامر را مطالعه ميكند.
شما در نگاه اول ممكن است به آن بهعنوان يك برافزاي خوبي نگاه كنيد كه وندورهاي موجود ميتوانند خودشان بهراحتي آن را بسازند، اما مسئله فراتر از اين حرفها است. آنها دو دارايي در اينجا به وجود ميآورند: مجموعه دادهي توليدشده توسط جامعه براي بهبود كيفيت بيشتر و يك بازار شخصي براي شركاي تبليغاتي.
سپس نوبت به سازندگان ابزار ميرسد. مارك تواين در گفتهاي قديمي ميگويد:
اجازه بدهيد كه ديگران بهدنبال طلا حفاري كنند و شما به آنها بيل بفروشيد.
اين گفته در گذشته متخصصد داشت و در اينجا نيز ممكن است متخصصد داشته باشد: ارائهي اطلاعات، ميزباني مسابقات، استعدادهاي تجاري، يادگيري مردم. طرح اين كار براي اين بود كه چيزهايي را بيابند كه هر شخص طالب هوش مصنوعي بدان نياز دارد (يا ميخواهد)، سپس هزينه آن را بپردازد.
پلتفرم يودمي (Udemy) دورههايي از هوش مصنوعي را يادگيري ميدهد و پلتفرم كگل (Kaggle) نيز رقابتهاي هوش مصنوعي را بنيانگذاري ميگذارد تا به ساير كمپانيها كمك كند و به دانشمندان داده اجازه بدهد مهارتهاي خودشان را بسازند. هيچكدام از اين دو پلتفرم به ساخت يك شايستگي اصلي در هوش مصنوعي نياز ندارند. كمپانيها همچنين به پتابايتها داده براي موفقيت نياز دارند. اكثر آنها از يادگيري نظارتي استفاده ميكنند، بنابراين به يك شخص ناظر براي اين نظارت نياز دارند.
در نهايت كمپانيهايي هم وجود دارند كه در هوش مصنوعي مشاوره ارائه ميدهند؛ چراكه حتي غولهاي چارچوب متن باز نيز كارهاي زيادي دارند كه بايد انجام دهند.
كمپانيهايي مثل هوش مصنوعي المنت قادر بودند اين كار اضافه را تبديل به محصولات و خدمات كنند. در واقع سرمايهگذاري ۱۰۲ ميليون دلاري اخير اين اطمينان را ايجاد كرد كه آنهايي كه پولدار هستند نياز به موفقيت در اين عرصه دارند.
كمپانيهايي ديگري هم هستند كه در حاشيهها در حال انتظارند؛ آن دسته از كمپانيهايي كه يك راه حل هوش مصنوعي هدفمند دارند و ميخواهند اين راه حل را جايگزين روند كسبوكاري موجود كنند. اما اين كمپانيها از دو جبهه با چالشهايي روبهرو هستند: پروژههاي متن باز ميتواند توسعه پيدا كند و همين اشكالات را حل كند؛ وندورهاي موجود هم در حال سرمايهگذاري عظيمي در راهحلهاي خودكارتر براي حل اين اشكالات هستند.
مهمترين عامل در اين صنعت، سرعت پژوهش هوش مصنوعي جريان اصلي است كه تنها در دست گروه بسيار كوچكي از پژوهشگران قرار دارد. اگر آنها كمي تأخير كنند، نتايج آنها بهصورت متن باز در چارچوبهاي توسعهيافته توسط بازيكنان قهرمان هوش مصنوعي درخواهد آمد. بقيه ما نيز مسافراني در راه هوش مصنوعي و يا موانعي سر راه آن خواهيم بود. كلام آخر اينكه موضعگيري و تثبيت موقعيت همه چيز است و كمپانيهاي كه موقعيت خودشان را با توجه به اين انديشه متخصصينات مشخص و تنظيم ميكنند، ميتوانند هنوز به مقصد مطلوب خود برسند.
هم انديشي ها