ساخت سیستم‌های هوش مصنوعی کارآمد هنوز هم دشوار است

هوش مصنوعی حتی با وجود چارچوب‌هایی مثل TensorFlow یا OpenAI، هنوز نیازمند دانش و فهم زیادی در مقایسه با سازندگان و توسعه‌دهندگان جریان وب است. اگر شما نمونه‌ای ساخته باشید که کار کند، به احتمال زیاد یکی از باهوش‌ترین افراد این زمینه هستید و با باید به شما تبریک گفت؛ چراکه عضوی از یک مجموعه‌ی بسیار انحصاری هستید.

با استفاده از Kaggle حتی می‌توانید پول زیادی با حل کردن پروژه‌های دنیای واقعی به دست بیاورید. این موقعیت در مجموع ، یک موقعیت عالی محسوب می‌شود، اما سؤال اینجا است که آیا این موقعیت برای ساختن یک کسب‌وکار کافی است؟ باید بدانید که نمی‌توانید سازوکار بازار را تغییر دهید. هوش مصنوعی از منظر کسب و کار، راه و روشی دیگر برای مشکلات موجود است. این پیاده‌سازی برای مشتریان اهمیتی ندارد. تنها چیزی که برای مشتریان اهمیت دارد نتایج کار است. این بدین معنا است که تنها استفاده‌ی صرف از هوش مصنوعی جواب‌گو نیست و باید به مشتری‌ها یک مورد باارزش ارائه دهید. در طولانی‌مدت، تنها مشتری‌ها هستند که اهمیت دارند.

هوش مصنوعی به نظر با بقیه گرایشات عظیم مثل بلاک‌چین، اینترنت اشیاء، فناوری مالی (فین‌تک) و ... فرق دارد و مطمئنا آینده‌ی آن هم غیر قابل پیش‌بینی است و البته این موارد برای اکثر فناوری‌های‌ جدید صدق می‌کند. تقاوت در این جا است که به‌ نظر می‌رسد گزاره‌ی ارزش خود ما به‌عنوان انسان در خطر باشد و دغدغه‌ی ما تنها مربوط به سایر کسب‌و‌کارها نیست. ارزش ما به‌عنوان فرد تصمیم‌گیرنده و خلاق مورد بررسی است و یک واکنش احساسی را در پی دارد. ما نمی‌دانیم چگونه باید خودمان را در موقعیت قرار دهیم.

تعداد فناوری‌های اولیه و پایه‌ای بسیار محدود است و اکثر این فناوری‌ها نیز زیر چتر اصطلاحی به نام یادگیری عمیق هستند. این یادگیری عمیق تقریبا قالب و پایه و اساس همه کاربردها را تشکیل می‌دهد: شبکه‌های عصبی مکرر و کانولوشن، حافظه طولانی کوتاه‌مدت (LSTM)، خودرمزنگارها، جنگل‌های تصادفی، افزایش گرادیان و چندتای دیگر.

شیوه‌های دیگری نیز در هوش مصنوعی وجود دارند، ولی این مکانیزم‌ها، مکانیزم‌هایی هستند که اخیرا کاملا موفق نشان داده‌اند. اکثریت محققان معتقدند که بهبود در این فناوری‌ها (نه اینکه با رویکردهای کاملا متفاوت) باعث پیشرفت در هوش مصنوعی خواهد شد. بیاید نام این پژوهش را پژوهش جریان اصلی هوش مصنوعی بگذاریم.

هر راه حلی در دنیای واقعی متشکل از این الگوریتم‌های اصلی و یک پوسته‌ی غیر هوش‌ مصنوعی است تا داده‌ها را آماده و پردازش کند (به‌عنوان مثال آماده‌سازی داده، مهندسی فیچر، مدل‌سازی دنیا). بهبودها در بخش هوش مصنوعی به سمت غیر ضروری ساختن بخش‌هایی پیش می‌روند که هوش مصنوعی ندارند. این کار در ماهیت هوش مصنوعی و تقریبا جزئی از تعریف آن است: منسوخ کردن تلاش‌هایی برای مشکلات. اما دقیقا همین بخشی که هوش مصنوعی ندارد، اغلب اوقات گزاره‌ی ارزش کمپانی‌های وابسته به هوش مصنوعی است و فرمول مخفی این کمپانی‌ها محسوب می‌شود.

هر پیشرفتی در هوش مصنوعی به احتمال زیاد باعث می‌شود که این مزیت رقابتی در دسترس همه قرار بگیرد و به‌عنوان منبع متن‌ باز عمل کند و البته نتایج وحشتناکی به دنبال داشته باشد. طبق گفته فردریک جلینک:

هر بار که من یک زبان‌شناس را اخراج می‌کنم، عملکرد شناسایی گفتار بالاتر می‌رود.

یادگیری ماشینی اساسا فاز بعدی کاهش کارآیی را معرفی کرده است: کد به داده تنزل پیدا می‌کند. تقریبا همه‌ی فناوری‌های تشخیص بر پایه‌ی مدل، احتمال و قوانین توسط الگوریتم‌های یادگیری ماشینی در دهه ۲۰۱۰ کنار رفتند.

اکنون تخصص دامنه، مدل‌سازی فیچر و صدها هزار خط کد می‌توانند با تنها چندصد خط اسکریپت جایگذاری شوند (به علاوه مقدار مناسب داده). همان‌طور که در بالا گفتیم: این بدین معنا است که وقتی کد اختصاصی تحت آموزش هوش مصنوعی جریان اصلی قرار بگیرد، دیگر جزو دارایی‌های قابل دفاع نیست.

مشارکت‌های چشم‌گیر بسیار نادر هستند. پیشرفت‌های واقعی یا توسعه‌های جدید و حتی ترکیب جدیدی از اجزای اصلی، تنها برای تعداد محدودی از پژوهش‌ها ممکن و شدنی هستند. همان‌طور که شاید به ذهن شما نیز خطور کرده باشد، این حوزه و چرخه داخلی بسیار کوچک‌تر و سازندگان و توسعه‌دهندگان قطعا کمتر از ۱۰۰ نفر هستند.

اما علت چیست؟ شاید ریشه این علت در الگوریتم اصلی باشد: Backpropagation (الگوریتم پس‌انتشار). تقریبا هر شبکه عصبی توسط این روش آموزش داده می‌شود. ساده‌ترین شکل پس‌انتشار را می‌توان در حساب دیفرانسیل ترم اول دانشگاه محاسبه و فرمول‌بندی کرد و این کار اصلا کار سختی نیست (البته این کار، کار دبیرستانی‌ها نیست.) با وجود این سادگی ( شاید بتوان گفت تنها دلیل آن هم همین سادگی است) که سابقه‌ای جالب و بیش از ۵۰ سال دارد، تنها افراد کمی پشت پرده آن را بررسی کردند و ساختار اصلی آن را مورد سؤال قرار دادند.  

اگر پس‌انتشار به همان اندازه‌ای که اکنون مورد توجه و قابل دیدن است، قبلا هم بود، ما اکنون ۱۰ سال جلوتر بودیم؛ جدای از قدرت محاسباتی.

اقداماتی که از شبکه‌های عصبی ساده در دهه ۱۹۷۰ شروع شدند و سپس به شبکه‌های مکرر رسیدند و اکنون به حافظه طولانی کوتاه‌مدت رسیده‌اند، باعث تغییرات شگرفی در فضای هوش مصنوعی شدند و هنوز نیاز به چندین خط کد احساس می‌شود. نسل‌هایی از دانشجویان و محققان وارد ریاضیات آن شدند و با محاسبه گرادیان کاهشی، درستی آن را اثبات کردند. اما در نهایت اکثر آن‌ها سرشان را تکان دادند و برای قالبی از بهینه‌سازی کار خود را ادامه دادند. درک تحلیلی کافی نیست. شما برای رقم زدن تفاوت‌ها به برخی از قالب‌های شهود مخترع نیاز دارید.

۹۹.۹ درصد تمامی کمپانی‌ها به دلیل اینکه فکر می‌کنند احتمال رسیدن به نقطه‌ی اوج پژوهش بسیار کم است، تنها نظاره‌گر ماجرا باقی می‌مانند. فناوری اصلی توسط بازیکنان اصلی این صنعت در چارچوب‌ها و مجموعه ابزارهای متن‌ باز ارائه می‌شود. رویکردهای اختصاصی در جدیدترین سطح، در طول زمان ناپدید می شوند. به این معنی، اکثریت قریب به اتفاق همه شرکت‌های هوش مصنوعی، مصرف‌کنندگان این محصولات و فناوری‌ها هستند.

هوش مصنوعی (و داده‌ی مورد نیاز) با موارد زیادی مقایسه شده است: برق، زغال‌سنگ و طلا. این نشان می‌دهد که دنیای فناوری تا چه اندازه برای یافتن الگوها یا گرایش‌های مناسب برای آن اشتیاق دارد. زیرا دانش فوق برای محافظت از کسب‌و‌کار و سرمایه‌گذاری در برابر یک حقیقت ساده است. اگر شما کسب‌و‌کار خود را در آموزش مسیر اصلی هوش مصنوعی قرار دهید، هیچ چیز نمی‌تواند شما را نجات دهد.

از آنجایی که این موتور در حال منحرف کردن کسب‌و‌کارها از مسیر است، سناریوهایی وجود دارند که باید مورد بررسی قرار بگیرند.

در ابتدا، پژوهش یادگیری هوش مصنوعی جریان اصلی در آینده کند خواهد شد یا اصلا متوقف شده است. این بدین معنا است که دیگر مشکلی وجود ندارد و ما از مسیر آموزش خارج شدیم و باید مشتری‌ها را به شبکه وصل کنیم. این کار یک شانس بزرگ برای استارتاپ‌ها خواهد بود؛ چراکه آن‌ها این فرصت را دارند تا با ساخت فناوری‌های اختصاصی، شانس ایجاد یک کسب‌و‌کار پایدار را به‌دست بیاورند.

سناریوی دوم این است که جریان هوش مصنوعی به پیشرفت خود ادامه دهد. اگر اینگونه باشد، خارج شدن از آن بسیار سخت خواهد شد. در سرعت بالا، دامنه‌ی دانش رویکردهای شخصی در خطر متن‌ باز شدن توسط افراد قدرتمند قرار خواهد گرفت و تمام تلاش‌های گذشته بیهوده خواهد بود. در حال حاضر سیستم‌هایی مثل آلفاگولینک نیازمند درصد بسیار بالایی از فناوری اختصاصی جدای از عملکرد ساده ارائه‌شده توسط چارچوب‌های متن‌ باز هستند. اگر اسکریپت‌های اساسی با همین قابلیت‌ها در آینده به وجود بیایند، جای تعجب ندارد. اما ناشناخته‌ی‌ ناشناخته نوعی دیگر از مشکل است که می‌توان آن را با موج بعدی حل کرد. خودرمزنگارها و سیستم‌های مراقبت و رسیدگی جزو نمونه‌هایی هستند که می‌توان روی آن‌ها حساب کرد. هیچ کس نمی‌تواند مشخص کند که کدام یک از عمودی‌ها می‌توانند با این حل شوند و آن‌ها را به تصویر بکشد. احتمال: امکان‌پذیر.

بیایید تمام این چیزها را در کنار هم قرار دهیم و این سؤال بسیار مهم را که کسی پیروز خواهد شد، بپرسیم. جواب‌ به این سؤال مهم نه‌تنها به سناریوهای بالا وابسته است، بلکه در درجه نخست به این بستگی دارد که شما چه کسی هستید. موقعیت و نقطه شروع یک کسب‌و‌کار در این معادله بسیار حیاتی است؛ چراکه منابع و دارایی‌های موجود آن، نکته کلیدی در استراتژی‌هایی هستند که پیاده می‌کنند.  

در لیگ قهرمانان هوش مصنوعی، کمپانی‌های کمی وجود دارند که بسیار پولدار هستند و می‌توانند استعدادهای حیاتی و مهم را به سوی خود جذب کنند و از آنجایی که این روند گرماگیر است (نیازمند انرژی است) شما به سایر منابع درآمد نیاز دارید. این امر بازیکنان را به کمپانی‌هایی مثل گوگل، فیسبوک، مایکروسافت و آی‌بی‌ام منحصر و محدود می‌کند. این کمپانی‌ها سیستم‌های اختصاصی بسیار عظیمی ساخته‌اند و خود را از وضعیت کنونی استک‌های متن‌ باز جدا کرده‌اند تا به کلاس‌های مسائل جدیدی برسند. شما بعد از سپری شدن زمان مشخصی خواهید توانست این‌ها را به نسل بعدی چارچوب‌های متن‌ باز وارد کنید تا یک جامعه زنده و واضح بسازید. 

این کمپانی‌ها همچنین پلتفرم‌هایی دارند که از آن برای آموزش بهتر الگوریتم‌ها استفاده می‌کنند. هوش مصنوعی ممکن است یک مگاترند باشد؛ اما به‌کارگیری آن در کسب‌و‌کارهای روزانه‌ کمپانی‌ها نیز برای موفقیت آن‌ها مهم است. این پلتفرم‌ها (آمازون، فیسبوک، گوگل‌اپس، نت‌فلیکس و حتی کورا) از هوش مصنوعی برای دفاع و تقویت مدل کسب‌و‌کار اصلی خود استفاده می‌کنند. آن‌ها با استفاده از هوش مصنوعی راه‌هایی برای خدمت‌رسانی بهتر به مشتری‌هایشان پیدا می‌کنند، اما مراقب هستند تا کسب‌و‌کار اصلی خود را از آنچه به وسیله هوش مصنوعی (حداقل به‌طور عمومی) انجام می‌دهند، جدا کنند.

برخی از پلتفرم‌های در حال ظهور راه‌هایی برای به‌کارگیری این استراتژی برای مجموعه‌ ابزاری خود پیدا کرده‌اند. این کمپانی‌ها ادعا می‌کنند که هوش مصنوعی تنها در مرحله ابتدایی کسب درآمد می‌کند. یک مثال برای این امر، پلتفرم گرامرلی است که گرامر را بررسی می‌کند.

شما در نگاه اول ممکن است به آن به‌عنوان یک برافزای خوبی نگاه کنید که وندورهای موجود می‌توانند خودشان به‌راحتی آن را بسازند، اما مسئله فراتر از این حرف‌ها است. آن‌ها دو دارایی در اینجا به‌ وجود می‌آورند: مجموعه داده‌ی تولیدشده توسط جامعه برای بهبود کیفیت بیشتر و یک بازار شخصی برای شرکای تبلیغاتی.

سپس نوبت به سازندگان ابزار می‌رسد. مارک تواین در گفته‌ای قدیمی می‌گوید:

اجازه بدهید که دیگران به‌دنبال طلا حفاری کنند و شما به آن‌ها بیل بفروشید.

این گفته در گذشته کاربرد داشت و در اینجا نیز ممکن است کاربرد داشته باشد: ارائه‌ی اطلاعات، میزبانی مسابقات، استعدادهای تجاری، آموزش مردم. طرح این کار برای این بود که چیزهایی را بیابند که هر شخص طالب هوش مصنوعی بدان نیاز دارد (یا می‌خواهد)، سپس هزینه آن را بپردازد.

پلتفرم یودمی (Udemy) دوره‌هایی از هوش مصنوعی را آموزش می‌دهد و پلتفرم کگل (Kaggle) نیز رقابت‌های هوش مصنوعی را بنیان‌گذاری می‌گذارد تا به سایر کمپانی‌ها کمک کند و به دانشمندان داده اجازه بدهد مهارت‌های خودشان را بسازند. هیچ‌کدام از این دو پلتفرم به ساخت یک شایستگی اصلی در هوش مصنوعی نیاز ندارند. کمپانی‌ها همچنین به پتابایت‌ها داده برای موفقیت نیاز دارند. اکثر آن‌ها از یادگیری نظارتی استفاده می‌کنند، بنابراین به یک شخص ناظر برای این نظارت نیاز دارند.

در نهایت کمپانی‌هایی هم وجود دارند که در هوش مصنوعی مشاوره ارائه می‌دهند؛ چراکه حتی غول‌های چارچوب‌ متن‌ باز نیز کارهای زیادی دارند که باید انجام دهند.

کمپانی‌هایی مثل هوش‌ مصنوعی المنت قادر بودند این کار اضافه را تبدیل به محصولات و خدمات کنند. در واقع سرمایه‌گذاری ۱۰۲ میلیون دلاری اخیر این اطمینان را ایجاد کرد که آن‌هایی که پولدار هستند نیاز به موفقیت در این عرصه دارند.

کمپانی‌هایی دیگری هم هستند که در حاشیه‌ها در حال انتظارند؛ آن دسته از کمپانی‌هایی که یک راه حل هوش مصنوعی هدفمند دارند و می‌خواهند این راه‌ حل را جایگزین روند کسب‌و‌کاری موجود کنند. اما این کمپانی‌ها از دو جبهه با چالش‌هایی روبه‌رو هستند: پروژه‌های متن‌ باز می‌تواند توسعه پیدا کند و همین مشکلات را حل کند؛ وندورهای موجود هم در حال سرمایه‌گذاری عظیمی در راه‌حل‌های خودکارتر برای حل این مشکلات هستند.

مهم‌ترین عامل در این صنعت، سرعت پژوهش هوش مصنوعی جریان اصلی است که تنها در دست گروه بسیار کوچکی از پژوهشگران قرار دارد. اگر آن‌ها کمی تأخیر کنند، نتایج آن‌ها به‌صورت متن‌‌ باز در چارچوب‌های توسعه‌یافته توسط بازیکنان قهرمان هوش مصنوعی درخواهد آمد. بقیه ما نیز مسافرانی در راه هوش مصنوعی و یا موانعی سر راه آن خواهیم بود. کلام آخر اینکه موضع‌گیری و تثبیت موقعیت همه چیز است و کمپانی‌های که موقعیت خودشان را با توجه به این دیدگاه مشخص و تنظیم می‌کنند، می‌توانند هنوز به مقصد مطلوب خود برسند.