هوش مصنوعي و شغلهاي مرتبط با آن، دوران رو به رشدي تجربه ميكنند
دانشگاه استنفورد مؤسسهاي متمركز بر تحقيقات هوش مصنوعي دارد كه سالانه آماري از وضعيت فناوريهاي مرتبط منتشر ميكند. در گزارش امسال ميخوانيم شغلهاي مرتبط با هوش مصنوعي در مسير رشد قرار دارند و ظرفيت سيستمهاي مبتنيبر هوش مصنوعي نيز روند روبهرشدي تجربه ميكند. همچنين، سرعت پيادهسازي هوش مصنوعي در متخصصدهاي كسبوكاري وضعيت مقبولي دارد. امروزه ميتوان الگوريتم پردازش تصوير را در كمتر از يك دقيقه يادگيري داد؛ درحاليكه چند سال قبل براي اين كار به چندين ساعت زمان نياز داشتيم.
مؤسسهي هوش مصنوعي متمركز بر نيروي انساني (Human-Centered Artificial Intelligence Institute) در دانشگاه استنفورد با انتشار گزارش سالانه، وضعيت هوش مصنوعي و فناوريهاي مرتبط را مطالعه ميكند. گزارشهاي سالانه بهكمك مؤسسهي جهاني مككنزي منتشر ميشوند. شاخص AI Index يكي از بخشهاي اصلي گزارش سالانه است كه رشد هوش مصنوعي را با مطالعه متريكهاي متعدد محاسبه ميكند.
از ميان شاخصهاي گزارش مذكور ميتوان به تعداد مقالههاي منتشرشده در حوزهي هوش مصنوعي و تعداد پتنتهاي ثبتشده و نرخ استخدام متخصصان اين حوزه اشاره كرد. با مطالعهي گزارش ۲۹۰ صفحهاي مؤسسهي استنفورد، نكات مهمي بهدست ميآيد كه درادامه به آنها اشاره ميكنيم.
حضور در كنفرانسهاي مرتبط با هوش مصنوعي
يكي از متريكهاي مهم اندازهگيري رشد فناوري هوش مصنوعي، ميزان حضور در كنفرانسهاي هوش مصنوعي براي افراد تازهكار است. نرخ مذكور در سال گذشته روند صعودي طي كرد كه رشد ادامهدار را درمقايسهبا سالهاي گذشته نشان ميدهد. در سال ۲۰۱۹، بزرگترين كنفرانس هوش مصنوعي موسوم به NeurIPS، حدود ۱۳،۵۰۰ شركتكننده داشت كه درمقايسهبا سال ۲۰۱۸، رشد ۴۱ درصدي تجربه ميكرد. آمار مذكور رشد ۸۰۰ درصدي را درمقايسهبا سال ۲۰۱۲ نشان ميدهد. كنفرانسهايي همچون AAAI و CVPR نيز شاهد رشد ۳۰ درصدي شركتكنندگان بودند.
شغلهاي مرتبط با هوش مصنوعي
يكي از متريكهاي مهم ديگر در اندازهگيري نرخ رشد هوش مصنوعي، تعداد فرصتهاي شغلي است كه براي اين حوزه ظهور پيدا ميكنند. در شاخص امسال، اين متريك نيز وضعيت روبهرشدي را نشان ميدهد. آمار فرصتهاي استخدامي جديد از سال ۲۰۱۵ تا ۲۰۱۹ در آمريكا، رشد پنجبرابري را درمقايسهبا سال ۲۰۱۰ نشان ميدهد. فرصتهاي استخدامي هوش مصنوعي از ۰/۲۶ درصد نسبت به كل شغلها، به ۱/۳۲ درصد افزايش يافته است. آمار مذكور با وجود كمبودن درصد درمقايسهبا كل فرصتهاي شغلي، تنها نشاندهندهي فرصتهاي مستقيم بودهاند كه با توسعهي فناوري هوش مصنوعي مرتبط هستند. درواقع با درانديشه متخصصينگرفتن نرخ رشد شغلهايي كه از هوش مصنوعي بهره ميبرند، آمار فرصتها بيشتر هم ميشود.
يادگيري ماشين بيشترين فرصتهاي شغلي را به خود اختصاص ميدهد
در ميان دستهبنديهاي موجود در فرصتهاي شغلي مرتبط با هوش مصنوعي، يادگيري ماشين با آمار ۵۸ درصدي در صدر قرار دارد. در رتبههاي بعدي فرصتهاي شغلي، هوش مصنوعي (۲۴ درصد) و يادگيري عميق (۹ درصد) و پردازش زبان طبيعي (۸ درصد) قرار دارند. يادگيري عميق بيشترين سرعت نرخ رشد را بهخود اختصاص داد و از سال ۲۰۱۵ تا ۲۰۱۸، تعداد فرصتهاي شغلي آن ۱۲ برابر شد؛ درحاليكه هوش مصنوعي در همين دوره رشد پنجبرابري را تجربه كرد. آمار رشد فرصتهاي شغلي يادگيري ماشين و پردازش زبان طبيعي نيز بهترتيب پنج و دو برابر گزارش ميشود.
ظرفيت پردازش
شاخص گزارش هوش مصنوعي نشان ميدهد قانون مور در مباحثه پردازش مرتبط با هوش مصنوعي آنچنان موفق نيست و ظرفيت پردازشي كه در هوش مصنوعي استفاده ميشود، در سالهاي اخير پيشرفت چشمگيري تجربه كرد. تا پيش از سال ۲۰۱۲، قدرت پردازش در حوزهي هوش مصنوعي از قانون مور تبعيت ميكرد و هر دو سال، دوبرابر ميشد. از سال ۲۰۱۲ بهبعد، هر سهچهار ماه، شاهد دوبرابرشدن ظرفيت پردازشي بوديم كه رشد سرسامآور ۳۰۰ هزار برابري را براي اين سالها نشان ميدهد. درمقابل، ساختار قانون مور كه پيشرفت دوبرابري را در هر دو سال پيشبيني ميكرد، تنها هفتبرابر رشد را از ۲۰۱۲ تا ۲۰۱۹ نشان ميدهد.
زمان يادگيري
در سالهاي اخير، زمان موردنياز براي يادگيري الگوريتم هوش مصنوعي پيشرفت درخورتوجهي تجربه كرد. زمان يادگيري كنوني هر الگوريتم تشخيص تصوير در زيرساخت ابري درمقايسهبا دو سال گذشته به حدود يك صدوهشتادم رسيده است. دو سال پيش، يادگيري چنين سيستمهايي به سه ساعت زمان نياز داشت؛ درحاليكه آمار جولايي سال ۲۰۱۹، زمان ۸۸ ثانيه را نشان ميدهد.
ترجمهي ماشيني تجاري
يكي از شاخصهاي پيشرفت هوش مصنوعي را ميتوان در ترجمهي ماشيني تجاري مشاهده كرد. تعداد سيستمهاي موجود ماشيني كه مدلهاي يادگيريديده و API عمومي دارند، با سرعت فراواني رشد كرده است. در سال ۲۰۱۷، فقط هشت سيستم وجود داشت كه در سال ۲۰۱۹ به ۲۴ سيستم رسيد. سيستمهاي كنوني قابليتهاي بيشتري نيز دراختيار متخصصان قرار ميدهند. بهعنوان مثال، ميتوان به مدلهاي متخصصدي پيشيادگيريي ساختن مدلها و ماشينهاي اختصاصي با دادههاي شخصي و توسعهي پشتيبباني از ترمينولوژي اختصاصي اشاره كرد.
بينايي كامپيوتري
يكي ديگر از بنچماركهاي مهم پيشرفت هوش مصنوعي با محاسبهي دقت تشخيص تصوير مطالعه ميشود. شاخص گزارش اخير با مطالعه ImageNet و ديتاست عمومي شامل بيش از ۱۱۴ ميليون تصوير آمار چشمگيري منتشر كرد. ديتاست عمومي مذكور با هدف برطرفكردن اشكال كمبود دادههاي يادگيريي در مباحثه بينايي كامپيوتري توسعه يافت. در گزارش اخير، دقت شناسايي تصوير سيستمها ۸۵ درصد گزارش شد كه درمقايسهبا دقت ۶۲ درصدي در سال ۲۰۱۳، پيشرفت مهمي محسوب ميشود.
پردازش زبان طبيعي
سيستمهاي هوشمصنوعي روزبهروز هوشمندتر ميشوند. آنها امروز تا حدودي پاسخگويي سطح پايين انساني را در پردازش زبان طبيعي شكست ميدهند؛ درنتيجه، استانداردهاي قويتري نيز امروز براي بنچمارك سيستمهاي هوش مصنوعي وجود دارند. بهعنوان مثال، ميتوان به بنچمارك GLUE يا General Language Understanding Evaluation اشاره كرد كه در سال ۲۰۱۸ منتشر شد. اين بنچمارك توانايي هوش مصنوعي را در ظرفيتهاي پردازش متن مطالعه ميكند.
شاخص گزارش كنوني ادعا ميكند در ژوئن ۲۰۱۹، مرز بين سيستمهاي كامپيوتري در درك زبان طبيعي و نيروي انساني غيرمتخصص شكسته شد. درواقع، كارايي سيستمهاي هوش مصنوعي بهحدي افزايش يافت كه رهبران صنعت ملزم به ارائهي بنچماركهاي حرفهايتر شدند؛ درنتيجه، SuperGLUE منتشر شد كه پس از عبور توانايي سيستمهاي هوش مصنوعي از مطالعههاي GLUE، متخصصد پيدا كرد.
وضعيت كنوني هوش مصنوعي و مسير پيش روي آن نشان ميدهد آيندهي روشني در انتظار صنعت خواهد بود. پيادهسازي سيستمهاي هوشمند با سرعت سريعي پيش ميرود و شايد تنها نگراني اشغال فرصتهاي شغلي بهوسيلهي هوش مصنوعي باشد كه آن هم راهكاري جز يادگيري مهارتهاي اختصاصي انساني به نيروي انساني ندارد.
هم انديشي ها