استفاده از هوش مصنوعی در 18 ماه گذشته به‌شدت افزایش یافته است. علاوه بر جو مک‌کندریک، که بخش اصلی را در HBR نوشت، متخصصانی که روی هوش مصنوعی کار می‌کنند به‌راحتی این گفته را تایید می‌کنند.

به نظر می‌رسد شواهد موجود نیز به همین جهت اشاره می‌کنند. مورد مثال: نظرسنجی AI Adoption in Enterprise 2021 توسط O’Reilly که در اوایل سال 2021 انجام شد، سه برابر بیشتر از سال 2020 پاسخ داده شد و فرهنگ شرکت دیگر مهم‌ترین مانع برای پذیرش هوش مصنوعی نیست.

به‌عبارت دیگر، افراد بیشتری با هوش مصنوعی کار می‌کنند، اکنون AI جدی گرفته می‌شود و در حال هرچه بالغ‌تر شدن است. این بدان معناست که هوش مصنوعی دیگر بازی‌ای نیست که محققان انجام می‌دهند – در حال کاربردی شدن است و برای شرکت‌هایی مانند مایکروسافت و آمازون و فراتر از آن در مرکز توجه قرار می‌گیرد.

در ادامه به بررسی ستون‌هایی می‌پردازیم که انتظار داریم هوش مصنوعی کاربردی در سال 2022 بر روی آن‌ها بنا شود.

تراشه‌‌های هوش مصنوعی

به‌طور معمول، هنگام بحث در مورد هوش مصنوعی، مردم به مدل‌ها و داده‌ها فکر می‌کنند – و دلیل خوبی هم دارد. این بخش‌هایی هستند که اکثر پزشکان احساس می‌کنند می‌توانند کنترلی روی آن‌ها اعمال کنند، در حالی که سخت‌افزار عمدتا دیده نمی‌شود و قابلیت‌های آن ثابت می‌ماند. اما آیا این‌طور است؟

تراشه‌‌های هوش مصنوعی، نسل جدیدی از سخت افزار طراحی‌شده برای اجرای بهینه‌ی بارهای کاری مرتبط با هوش مصنوعی، شاهد رشد و نوآوری انفجاری هستند. شرکت‌های اصلی ابری مانند گوگل و آمازون در حال ساخت تراشه‌های هوش مصنوعی جدید برای مراکز داده‌ی خود هستند – به ترتیب TPU و Trainium. انویدیا بر این بازار تسلط داشته و امپراطوری‌ای حول اکوسیستم سخت افزاری و نرم افزاری خود ساخته است.

اینتل هم از طریق خرید شرکت‌های دیگر و هم از طریق تحقیق و توسعه‌ی داخلی خود به‌دنبال رسیدن به بازار است. وضعیت Arm تا حدودی نامشخص است، زیرا خرید اعلام‌شده توسط انویدیا با بررسی نظارتی مواجه است. علاوه بر این، ما تعداد زیادی بازیکن جدید در مسیر داریم که برخی از آنها – مانند Graphcore و SambaNova – تا الان به وضعیت تک شاخ (unicorn) رسیده‌اند.

معنی این موضوع برای هوش مصنوعی کاربردی این است که انتخاب محل اجرای بارهای کاری هوش مصنوعی دیگر به معنای تصمیم‌گیری بین پردازنده‌های اینتل و پردازنده‌های گرافیکی انویدیا نیست. اکنون پارامترهای زیادی وجود دارد که باید در نظر گرفته‌شود، و توسعه نه‌تنها برای مهندسان یادگیری ماشین، بلکه برای متخصصان و کاربران هوش مصنوعی نیز مهم است. حجم کاری هوش مصنوعی به طور اقتصادی و موثرتر به این معنی است که منابع بیشتری برای استفاده در جاهای دیگر با زمان سریع‌تر برای بازاریابی وجود خواهد داشت.

MLO ها و داده محوری

انتخاب سخت افزار برای اجرای بارهای کاری هوش مصنوعی را می‌توان به‌عنوان بخشی از فرآیند توسعه و استقرار مدل هوش مصنوعی به نام MLOps در نظر گرفت – هنر و علم تولید یادگیری ماشینی. برای ایجاد ارتباط با تراشه‌های هوش مصنوعی، استانداردها و پروژه‌هایی مانند ONNX و Apache TVM می‌توانند به پر کردن شکاف و کاهش روند خسته‌کننده‌ی استقرار مدل یادگیری ماشین بر روی اهداف مختلف کمک کنند.

در سال 2021، با درس‌هایی که از عملیاتی‌سازی هوش مصنوعی آموخته‌ایم، اکنون تاکید از مدل‌های جدید براق به جنبه‌های شاید ساده‌تر، اما کاربردی‌تر، مانند کیفیت داده و مدیریت ورودی بزرگ داده‌ها، که همگی بخش‌های مهم MLO هستند، تغییر کرده است. مانند هر رشته‌ی دیگری، MLOps محصولات زیادی را در بازار می‌بیند که هر کدام بر جنبه‌‌های مختلف تمرکز دارند.

برخی از محصولات بیشتر بر روی داده‌‌ها متمرکز هستند، برخی دیگر روی خطوط ورودی داده، و برخی هر دو را پوشش می‌دهند. برخی از محصولات مواردی مانند ورودی و خروجی مدل‌ها، رانش، از دست دادن، دقیق بودن و دقت فراخوانی داده‌ها را نظارت و مشاهده می‌کنند. دیگران کارهای مشابه و در عین حال متفاوتی را در مورد خطوط لوله‌ی داده انجام می‌دهند.

محصولات داده‌محور، نیازهای دانشمندان داده، رهبران علوم داده، مهندسان یادگیری ماشین و تحلیلگران داده را برآورده می‌کنند. محصولات مبتنی بر خط لوله‌ی داده بیشتر به سمت مهندسان DataOps گرایش دارند.

در سال 2021، مردم سعی کردند پدیده‌های مختلف مربوط به MLOps را نام‌گذاری کنند، دامنه‌ی MLOps را برش دهند، کنترل نسخه‌ی داده‌ها و یادگیری ماشینی مداوم را اعمال کنند، و از جمله موارد دیگر، معادل توسعه‌ی مبتنی بر آزمایش را برای داده‌ها اجرا کنند.

با این حال، آن‌چه ما به عنوان عمیق‌ترین تغییر می‌بینیم، تاکید بر هوش مصنوعی داده محور است. رهبران و متخصصان برجسته‌ی هوش مصنوعی مانند Andrew Ng و Chris Re درباره‌ی این مفهوم بحث کرده‌اند که در هسته‌ی خود به‌طرز شگفت‌انگیزی ساده است.

اکنون به نقطه‌ای رسیده‌ایم که مدل‌های یادگیری ماشین به‌اندازه‌ی کافی توسعه یافته و در عمل به خوبی کار می‌کنند. در واقع آن‌قدر زیاد که تمرکز تلاش‌‌ها بر روی توسعه‌ی مدل‌‌های جدید از ابتدا یا تنظیم دقیق تا کمال فایده‌ای ندارد. طبق دیدگاه داده‌محور، آن‌چه متخصصان هوش مصنوعی باید در عوض انجام دهند، تمرکز بر داده‌هایشان است: پاکسازی، پالایش، اعتبارسنجی و غنی‌سازی داده‌ها می‌تواند راهی طولانی را در جهت بهبود نتایج پروژه هوش مصنوعی انجام دهد.

مدل‌های زبان بزرگ، مدل‌های چندوجهی و هوش مصنوعی ترکیبی

مدل‌های زبان بزرگ (LLM) ممکن است اولین چیزی نباشد که هنگام بحث هوش مصنوعی کاربردی به ذهن می‌رسد. با این حال، افراد آگاه بر این باورند که LLM ها می‌توانند اشکال اساسی زبان، خواه زیست‌شناسی، شیمی یا زبان انسانی را درونی کنند، و ما شاهد رشد کاربردهای غیرعادی LLM خواهیم بود.

برای حمایت از این ادعاها، شایان ذکر است که ما در حال حاضر شاهد یک نوع اکوسیستم در حال ساخت پیرامون LLM ها هستیم، که عمدتا API GPT-3 به‌صورت تجاری توسط OpenAI در ارتباط با مایکروسافت در دسترس است. این اکوسیستم بیشتر از شرکت‌هایی تشکیل شده است که خدمات کپی‌رایتینگ مانند بازاریابی، ایمیل و پیام‌های لینکدین را ارائه می‌دهند. آنها ممکن است هنوز بازار را به آتش نکشیده باشند، اما این تازه شروع کار است.

ما فکر می‌کنیم که LLM ها شاهد افزایش پذیرش خواهند بود و در سال 2022 به چندین روش به محصولات نوآورانه می‌رسند: از طریق گزینه‌‌های بیشتر برای سفارشی سازی LLM ها مانند GPT-3. از طریق گزینه‌‌های بیشتر برای ساختن LLM ها، مانند NeMo Megatron انویدیا؛ و از طریق پیشنهادات LLMs-as-a-service، مانند موردی از SambaNova.

همانطور که Kyle Wiggers از VentureBeat در یک قطعه‌ی اخیر اشاره کرد، مدل‌‌های چند وجهی به‌سرعت در حال تبدیل شدن به واقعیت هستند. امسال، OpenAI دو مدل چندوجهی DALL-E و CLIP را منتشر کرد که به ادعای آزمایشگاه‌های تحقیقاتی «گامی به سوی سیستم‌هایی با درک عمیق‌تر از جهان» هستند. اگر LLM قرار باشد چیزی شود، می‌توان انتظار داشت که در سال 2022 شاهد کاربردهای تجاری مدل‌های چندوجهی باشیم.

جهت مهم دیگر، هوش مصنوعی ترکیبی است که در مورد القای دانش در یادگیری ماشینی است. رهبرانی مانند گادی سینگر از اینتل، مایک دیلینگر از لینکدین و فرانک ون هارملن از مرکز اطلاعات ترکیبی، همگی به اهمیت سازمان‌دهی دانش در قالب نمودارهای دانش برای آینده‌ی هوش مصنوعی اشاره می‌کنند. اینکه آیا هوش مصنوعی ترکیبی در سال 2022 برنامه‌‌های کاربردی هوش مصنوعی تولید می‌کند یا خیر، باید دید.

هوش مصنوعی کاربردی در مراقبت‌‌های بهداشتی و تولید

بیایید با چیزهای اساسی‌تر پایان دهیم: دامنه‌‌های امیدوارکننده برای هوش مصنوعی کاربردی در سال 2022. پذیرش هوش مصنوعی O’Reilly در نظرسنجی Enterprise 2021 از فناوری و خدمات مالی به عنوان دو حوزه‌ی پیشرو در پذیرش هوش مصنوعی یاد می‌کند. با توجه به تمایل صنعت فناوری به «استفاده از تکنولوژی خود» و تمایل صنعت مالی برای به‌دست آوردن هر اینچ از مزیت رقابتی ممکن با استفاده از جیب‌‌های پرپول خود، چنین چیزی تعجب‌آور نیست.

اما فراتر از این دو صنعت چه اتفاقی می‌افتد؟ نظرسنجی O’Reilly مراقبت‌‌های بهداشتی را به عنوان سومین حوزه در پذیرش هوش مصنوعی ذکر می‌کند و این با تجربه‌ی خود ما مطابقت دارد. همانطور که نویسندگان State of AI Nathan Benaich و Ian Hogarth در سال 2020 اشاره کردند، زیست‌شناسی و مراقبت‌‌های بهداشتی، لحظه‌لحظه هوش مصنوعی خود را مشاهده می‌کنند. این موج پذیرش از قبل در حال حرکت بود و ظهور COVID-19 آن را سرعت بخشید.

«داروسازی فعلی بسیار با داشتن یک فرضیه‌ی پیشین هدایت می‌شود، به عنوان مثال، من فکر می‌کنم این ژن مسئول این بیماری است، بیایید آن را تحت پیگرد قرار دهیم و بفهمیم که آیا این درست است.» افرادی که در عصر جدید داروسازی هستند، بیشتر به آزمایشات در مقیاس بزرگ نگاه می‌کنند و همزمان سوالات زیادی می‌پرسند. به روشی بی‌طرفانه، آنها به داده‌ها اجازه می‌دهند نقشه‌ای را که باید روی آن تمرکز کنند، ترسیم کند.

Benaich افزود، تنها راه برای تایید اینکه آیا رویکرد دارویی عصر جدید کار می‌کند یا خیر، این است که آن‌ها بتوانند داروهای کاندیدی تولید کنند که واقعا در کلینیک مفید باشند و در نهایت این داروها تاییدیه دریافت کنند. از میان آن شرکت‌های «داروسازی عصر جدید»، Recursion Pharmaceuticals IPO در آوریل 2021 و Exscientia در سپتامبر 2021 اعلام برای عرضه‌ی عمومی در بورس کرده‌اند. هر دو دارایی‌هایی دارند که از طریق رویکرد مبتنی بر یادگیری ماشینی خود ایجاد شده‌اند که در واقع به‌صورت بالینی استفاده می‌شوند.

در مورد تولید، چند دلیل وجود دارد که چرا ما آن را در میان دامنه‌‌های متعددی که در پذیرش هوش مصنوعی دنبال می‌شوند، برجسته می‌کنیم. 

اول، این صنعت از کمبود نیروی کار رنج می‌برد که هوش مصنوعی می‌تواند به آن کمک کند. بر اساس مطالعه‌ای که توسط Deloitte و The Manufacturing Institute منتشر شده است، تا سال 2030 ممکن است 2.1 میلیون شغل تولیدی خالی بماند. راه‌حل‌‌های هوش مصنوعی، که وظایفی مانند بازرسی خودکار محصولات فیزیکی را انجام می‌دهند، در این دسته قرار می‌گیرند.

دوم، ماهیت کاربردهای صنعتی، مستلزم ترکیب مجموعه‌ای از داده‌ها با دنیای فیزیکی به روش‌های بسیار دقیق است. برخی از مردم خاطرنشان کرده‌اند که این امر به‌خوبی به رویکردهای هوش مصنوعی ترکیبی کمک می‌کند.

و در آخر، داده‌‌های سخت. بر اساس یک نظرسنجی در سال 2021 توسط The Manufacturer، ۶۵ درصد از رهبران حوزه‌ی تولید روی آزمایش هوش مصنوعی کار می‌کنند. انتظار می‌رود که پیاده‌سازی در انبارها به‌تنهایی به نرخ رشد مرکب سالانه 57.2 درصدی طی پنج سال آینده برسد.

منبع: what will applied AI look like in 2022