انقلاب هوش مصنوعی برای همه: چگونه کسب‌وکارهای کوچک و افراد می‌توانند از قدرت AI بهره‌مند شوند
چکیده
در عصر کنونی، هوش مصنوعی (AI) به عنوان یکی از قدرتمندترین موتورهای خلق ثروت و نوآوری شناخته می‌شود. با این حال، دسترسی به این فناوری پیشرفته به طور نامتناسبی در اختیار شرکت‌های بزرگ فناوری قرار گرفته است، جایی که تیم‌های مهندسی خبره و سرمایه‌گذاری‌های چند میلیون دلاری امکان توسعه سیستم‌های AI مقیاس‌پذیر و “یک اندازه برای همه” را فراهم می‌آورند [۱]. این تمرکز، میلیون‌ها پروژه بالقوه هوش مصنوعی را در صنایع غیرفناوری، از رستوران‌های محلی گرفته تا کارخانه‌های تولید تی‌شرت، در وضعیت “دم بلند” رها کرده است؛ پروژه‌هایی که هرچند هر یک به تنهایی کوچک به نظر می‌رسند، اما در مجموع ارزش بسیار عظیمی دارند [۱، ۳]. چالش اصلی برای کسب‌وکارهای کوچک و افراد، نه کمبود داده، بلکه عدم توجیه اقتصادی برای استخدام تیم‌های گران‌قیمت AI است [۲]. این مقاله به بررسی این معضل می‌پردازد و سپس راهکارهای نوظهور را معرفی می‌کند که با تغییر رویکرد از کدنویسی پیچیده به فراهم آوردن داده‌های ساده، امکان توسعه سیستم‌های هوش مصنوعی سفارشی را برای متخصصان غیربرنامه‌نویس فراهم می‌آورند [۳، ۴]. این دموکراتیزه شدن دسترسی به هوش مصنوعی نه تنها به گسترش ثروت و فرصت‌ها در سراسر جامعه کمک می‌کند، بلکه آینده‌ای هیجان‌انگیز را ترسیم می‌کند که در آن هر فردی قادر به ساخت سیستم‌های AI متناسب با نیازهای منحصربه‌فرد خود خواهد بود [۵].
مقدمه
درک پتانسیل تحول‌آفرین یک فناوری، اغلب نیازمند نگاهی عمیق‌تر به تاریخ و مقایسه آن با انقلاب‌های پیشین است. چند صد سال پیش، با ظهور سواد، بسیاری بر این باور بودند که شاید همه نیازی به خواندن و نوشتن نداشته باشند [۱]. در آن دوران، اکثر مردم مشغول کارهایی نظیر کشاورزی یا چوپانی بودند، و به نظر می‌رسید که نیاز به ارتباطات نوشتاری کمتر است [۱]. تصور بر این بود که شاید تنها کاهنان اعظم، راهبان و راهبه‌ها نیاز به خواندن کتاب مقدس داشته باشند و بقیه مردم می‌توانند برای گوش دادن به قرائت آن‌ها به معابد یا کلیساها بروند [۱]. خوشبختانه، بعدها مشخص شد که می‌توانیم با گسترش سواد و توانمندسازی افراد برای خواندن و نوشتن، جامعه‌ای به مراتب غنی‌تر بسازیم [۱].
امروز، ما در آستانه یک تحول مشابه با هوش مصنوعی قرار داریم. در حال حاضر، هوش مصنوعی تا حد زیادی در دستان “کاهنان اعظم” این حوزه قرار دارد [۱]. این‌ها همان مهندسان هوش مصنوعی بسیار ماهر هستند که بسیاری از آن‌ها در شرکت‌های بزرگ فناوری مشغول به کارند و اغلب مردم تنها به سیستم‌های هوش مصنوعی که توسط این شرکت‌ها ساخته شده‌اند، دسترسی دارند [۱]. این وضعیت، اگرچه نتایج چشمگیری در حوزه فناوری داشته است، اما پتانسیل عظیم هوش مصنوعی را برای بخش‌های وسیع‌تری از جامعه، به ویژه کسب‌وکارهای کوچک و افراد، محدود کرده است. اما دقیقاً چرا هوش مصنوعی عمدتاً در شرکت‌های بزرگ فناوری متمرکز شده است؟ و چگونه می‌توانیم این پارادایم را تغییر دهیم تا قدرت هوش مصنوعی در دسترس همگان قرار گیرد و هر کسی بتواند در “نوشتن آینده” نقش داشته باشد [۱]؟ این مقاله به تشریح این سؤالات می‌پردازد و مسیری را برای دموکراتیزه شدن هوش مصنوعی ترسیم می‌کند که می‌تواند به جامعه‌ای به مراتب ثروتمندتر و فراگیرتر منجر شود.
چالش کنونی: چرا هوش مصنوعی در انحصار شرکت‌های بزرگ است؟
تمرکز هوش مصنوعی در شرکت‌های بزرگ فناوری تصادفی نیست؛ بلکه نتیجه منطقی مدل‌های سرمایه‌گذاری و توسعه‌ای است که این شرکت‌ها به کار گرفته‌اند [۱]. برای درک چالش کنونی، لازم است ابتدا به ماهیت پروژه‌های هوش مصنوعی و رویکرد شرکت‌های پیشرو در این زمینه بپردازیم.
سرمایه‌گذاری‌های عظیم و مقیاس‌پذیری “یک اندازه برای همه”
ساخت یک سیستم هوش مصنوعی غالباً نیازمند سرمایه‌گذاری‌های هنگفت و تخصص‌های بسیار بالایی است [۱]. بسیاری از پروژه‌های هوش مصنوعی هزینه‌بر هستند، به طوری که ممکن است به ده‌ها مهندس بسیار ماهر نیاز داشته باشند و هزینه ساخت یک سیستم هوش مصنوعی می‌تواند به میلیون‌ها یا حتی ده‌ها میلیون دلار برسد [۱]. این ارقام، برای شرکت‌های کوچک و متوسط یا افراد، کاملاً غیرقابل دسترس است.
شرکت‌های بزرگ فناوری، به ویژه آن‌هایی که صدها میلیون یا حتی میلیاردها کاربر دارند، بهتر از هر کس دیگری توانسته‌اند این سرمایه‌گذاری‌های سنگین را به سود تبدیل کنند [۱]. دلیل این امر ساده است: یک سیستم هوش مصنوعی “یک اندازه برای همه” که می‌تواند برای تعداد بسیار زیادی از کاربران به کار رود، قادر به تولید درآمدی عظیم است [۱]. به عنوان مثال، سیستمی که جستجوی وب را بهبود می‌بخشد، یا سیستمی که محصولات بهتری را برای خرید آنلاین توصیه می‌کند، می‌تواند برای میلیاردها کاربر در سراسر جهان به کار رود [۱]. بهبودهای جزئی در این سیستم‌ها، که هر یک می‌تواند به افزایش اندکی در نرخ کلیک یا فروش منجر شود، در مقیاس وسیع تعداد کاربران، به درآمدی کلان برای این شرکت‌ها تبدیل می‌شود [۱]. این مدل، یک مدل تجاری بسیار قدرتمند است که به شرکت‌های بزرگ فناوری اجازه می‌دهد تا به سرمایه‌گذاری‌های عظیمی در تحقیق و توسعه هوش مصنوعی ادامه دهند و در نتیجه، پیشرفت‌های چشمگیری را در این زمینه رقم بزنند.
این رویکرد “یک اندازه برای همه” و مقیاس‌پذیری عظیم، در واقع یکی از ستون‌های اصلی موفقیت هوش مصنوعی در بخش فناوری و اینترنت بوده است. سیستم‌های توصیه‌گر، موتورهای جستجو، فیلترهای هرزنامه، و دستیارهای صوتی تنها چند نمونه از کاربردهای هوش مصنوعی هستند که به دلیل توانایی‌شان در خدمت‌رسانی به جمعیت وسیعی از کاربران، از نظر اقتصادی توجیه‌پذیر بوده‌اند. این سیستم‌ها برای حل مشکلات عمومی و گسترده‌ای طراحی شده‌اند که برای تقریباً هر کاربر اینترنت و فناوری مفید هستند، و به همین دلیل، بازدهی سرمایه (ROI) در آن‌ها بسیار بالا است. این تمرکز بر روی مشکلات با مقیاس بالا و عمومی، به این شرکت‌ها این امکان را می‌دهد که حجم عظیمی از داده‌های کاربری را جمع‌آوری کرده و از آن‌ها برای آموزش و بهبود مداوم مدل‌های هوش مصنوعی خود استفاده کنند، که به نوبه خود منجر به چرخه بازخورد مثبت و بهبود مستمر عملکرد می‌شود. این چرخه فضیلت‌مند، به طور طبیعی، هوش مصنوعی پیشرفته را در اکوسیستم‌های بسته این شرکت‌های بزرگ متمرکز می‌کند.
معضل “دم بلند” هوش مصنوعی: نیازهای منحصربه‌فرد کسب‌وکارهای کوچک
مشکل اصلی اینجاست که “دستور پخت” موفقیت هوش مصنوعی در شرکت‌های بزرگ فناوری، به محض اینکه از بخش فناوری و اینترنت خارج می‌شوید، کار نمی‌کند [۱]. در سایر حوزه‌ها و صنایع، به ندرت پروژه‌هایی یافت می‌شوند که به ۱۰۰ میلیون نفر اعمال شوند یا اقتصاد مشابهی ایجاد کنند [۱]. اینجاست که با “معضل دم بلند” هوش مصنوعی مواجه می‌شویم [۳].
برای روشن شدن این موضوع، مثالی از یک پیتزا فروشی محلی را در نظر بگیرید [۱]. صاحب یک پیتزا فروشی، پیتزاهای عالی می‌فروشد، اما همیشه تعداد زیادی پیتزای سرد و آماده دارد و هر آخر هفته، طعم‌های مختلفی از پیتزاها نایاب می‌شوند [۱]. او در حال تولید داده است، داده‌هایی که می‌تواند با هوش مصنوعی مورد بهره‌برداری قرار گیرد [۲]. سیستم‌های هوش مصنوعی در شناسایی الگوها بسیار خوب عمل می‌کنند، به شرطی که به داده‌های مناسب دسترسی داشته باشند [۲]. برای مثال، یک سیستم هوش مصنوعی می‌تواند تشخیص دهد که آیا پیتزاهای مدیترانه‌ای در شب‌های جمعه به خوبی فروخته می‌شوند یا خیر، و شاید به او پیشنهاد کند که عصر جمعه بیشتری از آن بسازد [۲].
اکنون، ممکن است بگویید که “این یک پیتزا فروشی کوچک است، چه اهمیتی دارد؟” اما برای صاحب این پیتزا فروشی، چیزی که بتواند به او کمک کند تا چند هزار دلار در سال درآمد خود را افزایش دهد، یک “معامله بزرگ” خواهد بود [۲]. برخلاف تبلیغات و هیاهوی زیاد پیرامون نیاز هوش مصنوعی به مجموعه‌های داده عظیم، هوش مصنوعی اغلب می‌تواند حتی با مقادیر متوسط داده، مانند داده‌های تولید شده توسط یک پیتزا فروشی واحد، به خوبی کار کند [۲]. پس، مشکل واقعی این نیست که داده کافی از پیتزا فروشی وجود ندارد؛ مشکل واقعی این است که این پیتزا فروشی کوچک هرگز نمی‌تواند مشتریان کافی را برای توجیه هزینه استخدام یک تیم هوش مصنوعی خدمات‌رسانی کند [۲].
در ایالات متحده، حدود نیم میلیون رستوران مستقل وجود دارد که مجموعاً به ده‌ها میلیون مشتری خدمات می‌دهند [۲]. اما هر رستورانی متفاوت است، با منوی متفاوت، مشتریان متفاوت، و روش‌های مختلف ثبت فروش، به طوری که هیچ هوش مصنوعی “یک اندازه برای همه” برای همه آن‌ها کار نخواهد کرد [۲]. همین منطق برای بسیاری از کسب‌وکارهای کوچک دیگر نیز صادق است.
تصور کنید یک شرکت تولید کننده و فروشنده تی‌شرت [۲]. چقدر خوب بود اگر حسابدار این شرکت می‌توانست از هوش مصنوعی برای پیش‌بینی تقاضا استفاده کند؛ مثلاً با بررسی آنچه در شبکه‌های اجتماعی ترند می‌شود، تشخیص دهد که چه میم‌های خنده‌داری روی تی‌شرت‌ها چاپ شوند تا فروش را افزایش دهند [۲]. یا برای جایگذاری محصول در فروشگاه، چرا یک مدیر فروشگاه نتواند از فروشگاه عکس بگیرد و آن را به هوش مصنوعی نشان دهد تا AI مکان‌های مناسب برای قرار دادن محصولات را برای بهبود فروش توصیه کند؟ [۲]. در بخش زنجیره تامین، آیا هوش مصنوعی می‌تواند به یک خریدار توصیه کند که آیا باید ۲۰ دلار در هر یارد برای یک پارچه بپردازد یا باید به جستجو ادامه دهد زیرا ممکن است بتواند آن را ارزان‌تر پیدا کند؟ [۲]. یا در کنترل کیفیت، یک بازرس کیفیت باید بتواند از هوش مصنوعی برای اسکن خودکار تصاویر پارچه‌ای که برای ساخت تی‌شرت استفاده می‌شود، استفاده کند تا هرگونه پارگی یا تغییر رنگ در پارچه را بررسی کند [۳].
امروزه، شرکت‌های بزرگ فناوری به طور معمول از هوش مصنوعی برای حل مشکلاتی از این دست و ایجاد تأثیرات قابل توجه استفاده می‌کنند [۳]. اما یک شرکت تولید تی‌شرت معمولی، یا یک مکانیک خودرو معمولی، یا یک خرده‌فروش، یا یک مدرسه، یا یک مزرعه محلی، امروزه از هوش مصنوعی برای هیچ یک از این کاربردها استفاده نمی‌کند [۳]. هر تولیدکننده تی‌شرت به اندازه کافی با سایر تولیدکنندگان تی‌شرت متفاوت است که هیچ هوش مصنوعی “یک اندازه برای همه” برای همه آن‌ها کار نخواهد کرد [۳]. و در واقع، حتی وقتی از اینترنت و بخش فناوری خارج می‌شویم و به سایر صنایع می‌رویم، حتی شرکت‌های بزرگ مانند شرکت‌های داروسازی، خودروسازان، بیمارستان‌ها نیز با این مشکل دست و پنجه نرم می‌کنند [۳].
این همان “مشکل دم بلند هوش مصنوعی” است [۳]. اگر تمام پروژه‌های فعلی و بالقوه هوش مصنوعی را بر اساس ارزش کاهشی مرتب کنیم و نمودار آن را رسم کنیم، نموداری شبیه یک دم بلند به دست می‌آوریم [۳]. شاید با ارزش‌ترین سیستم هوش مصنوعی چیزی باشد که تصمیم می‌گیرد چه تبلیغاتی را به افراد در اینترنت نشان دهد. شاید دومین با ارزش‌ترین، یک موتور جستجوی وب باشد. شاید سومین با ارزش‌ترین، یک سیستم توصیه محصول برای خرید آنلاین باشد [۳]. اما وقتی به سمت راست این منحنی می‌روید، به پروژه‌هایی مانند جایگذاری محصولات تی‌شرت یا پیش‌بینی تقاضای تی‌شرت یا پیش‌بینی تقاضای پیتزا فروشی می‌رسید [۳]. هر یک از این‌ها یک پروژه منحصربه‌فرد است که نیاز به ساخت سفارشی دارد [۳]. حتی پیش‌بینی تقاضای تی‌شرت، اگر به میم‌های پرطرفدار در شبکه‌های اجتماعی بستگی داشته باشد، یک پروژه بسیار متفاوت از پیش‌بینی تقاضای پیتزا فروشی است که به داده‌های فروش پیتزا فروشی بستگی دارد [۳].
امروزه، میلیون‌ها پروژه در “دم” این توزیع وجود دارد که هیچ کس روی آن‌ها کار نمی‌کند، اما ارزش تجمیعی آن‌ها بسیار زیاد است [۳]. این پروژه‌ها، که هر یک به تنهایی ممکن است کوچک به نظر برسند، پتانسیل عظیمی برای بهبود بهره‌وری، کاهش هزینه‌ها، افزایش درآمد و ارتقای کیفیت زندگی در بخش‌های مختلف جامعه دارند. نادیده گرفتن این “دم بلند” به معنای از دست دادن فرصت‌های بی‌شماری برای نوآوری و رشد اقتصادی است که می‌تواند فراتر از حباب فناوری گسترش یابد.
به عنوان مثال‌های بیشتر از این “دم بلند”، می‌توان به موارد زیر اشاره کرد:
- کشاورزی محلی: یک مزرعه ارگانیک کوچک ممکن است نیاز به سیستمی داشته باشد که بر اساس الگوهای آب و هوایی محلی، نوع خاک و تقاضای بازار، زمان بهینه کاشت و برداشت محصولات خاص را پیش‌بینی کند [۴]. چنین سیستمی، بسیار متفاوت از سیستم‌های پیش‌بینی تقاضا برای محصولات صنعتی در مقیاس بزرگ است و نیاز به داده‌های بسیار خاص و محلی دارد.
- کارگاه صنایع دستی: یک هنرمند یا صنعتگر که محصولات دست‌ساز منحصر به فرد تولید می‌کند، می‌تواند از هوش مصنوعی برای تحلیل عکس‌های محصولات خود استفاده کند تا بهترین زاویه برای عکاسی تبلیغاتی را پیدا کند یا بر اساس بازخورد مشتریان آنلاین، ویژگی‌های محبوب محصولات را شناسایی کند.
- کلینیک‌های درمانی کوچک: یک کلینیک پزشکی محلی ممکن است به سیستمی نیاز داشته باشد که بر اساس سوابق بیماران و الگوهای بیماری فصلی، تعداد بیماران ورودی را در ساعات اوج شلوغی پیش‌بینی کند تا منابع انسانی و فضای پذیرش را بهینه‌سازی کند.
- دفاتر حقوقی کوچک: یک دفتر حقوقی مستقل می‌تواند از هوش مصنوعی برای دسته‌بندی و خلاصه‌سازی حجم زیادی از اسناد حقوقی یا جستجو در پایگاه‌های داده قانونی برای یافتن پرونده‌های مشابه استفاده کند. این کار به وکلای آن‌ها اجازه می‌دهد تا زمان بیشتری را به مشاوره با مشتریان و استراتژی پرونده‌ها اختصاص دهند.
- نانوایی‌های محلی: یک نانوایی کوچک می‌تواند از هوش مصنوعی برای پیش‌بینی نیاز به مواد اولیه خاص بر اساس الگوهای فروش گذشته و رویدادهای محلی (مثل تعطیلات یا جشنواره‌ها) استفاده کند تا از ضایعات جلوگیری کرده و همیشه نان تازه و محبوب را در دسترس داشته باشد [۴].
این مثال‌ها نشان می‌دهند که چگونه هوش مصنوعی می‌تواند به طور عمیقی در عملیات روزمره کسب‌وکارهای کوچک و زندگی افراد ادغام شود و بهبودهای قابل توجهی ایجاد کند، اما برای هر یک از این موارد، یک راه‌حل سفارشی و متناسب با داده‌ها و فرآیندهای خاص آن کسب‌وکار لازم است. این نیاز به سفارشی‌سازی، همان چیزی است که مدل “یک اندازه برای همه” شرکت‌های بزرگ را نامناسب می‌سازد و مانع اصلی دسترسی هوش مصنوعی به این “دم بلند” است.
گامی به سوی دموکراتیزه کردن هوش مصنوعی: پلتفرم‌های توسعه نوین
سوال اساسی این است: چگونه می‌توانیم کسب‌وکارهای کوچک و افراد را قادر سازیم تا سیستم‌های هوش مصنوعی را بسازند که برای آن‌ها اهمیت دارد؟ [۳]. برای اکثر چند دهه گذشته، اگر می‌خواستید یک سیستم هوش مصنوعی بسازید، باید صفحه‌ها و صفحه‌ها کد می‌نوشتید [۳]. در حالی که یادگیری کدنویسی یک مهارت ارزشمند است و آموزش‌های آنلاین و آفلاین به افراد بیشتری نسبت به گذشته کمک می‌کنند تا کدنویسی را یاد بگیرند، متأسفانه همه وقت کافی برای انجام این کار را ندارند [۳]. اما خبر خوب این است که یک روش جدید و نوظهور برای ساخت سیستم‌های هوش مصنوعی در حال ظهور است که به افراد بیشتری اجازه مشارکت می‌دهد [۳].
تغییر پارادایم: از کدنویسی به ارائه داده
همانطور که قلم و کاغذ — که فناوری به مراتب برتری نسبت به لوح سنگی و اسکنه بودند — برای گسترش سواد ابزاری اساسی بودند، پلتفرم‌های توسعه جدید هوش مصنوعی نیز در حال ظهور هستند که تمرکز را از کدنویسی زیاد به ارائه داده تغییر می‌دهند [۴]. این تغییر، به نظر می‌رسد که برای بسیاری از افراد بسیار آسان‌تر باشد [۴]. امروز، چندین شرکت در حال کار بر روی پلتفرم‌هایی از این دست هستند.
این پلتفرم‌ها به جای اینکه از کاربر بخواهند دانش برنامه‌نویسی عمیقی داشته باشد، او را به عنوان “مربی” هوش مصنوعی در نظر می‌گیرند. کاربر به جای نوشتن الگوریتم‌ها، داده‌های مرتبط را به هوش مصنوعی ارائه می‌دهد و به آن “آموزش” می‌دهد که چگونه الگوها را تشخیص دهد یا وظایف خاصی را انجام دهد. این رویکرد، در واقع هوش مصنوعی را از یک رشته مهندسی صرف به یک ابزار قابل استفاده برای هر متخصص در حوزه خودش تبدیل می‌کند. این “زبانی” جدید برای تعامل با کامپیوترهاست، زبانی که در آن داده‌ها دستورالعمل‌ها را تشکیل می‌دهند.
برای درک بهتر این تغییر پارادایم، می‌توانیم آن را با آموزش یک شاگرد مقایسه کنیم. به جای اینکه به شاگرد دستورات پیچیده کدنویسی بدهیم، ما به او مثال‌های عملی نشان می‌دهیم و بازخورد می‌دهیم. این همان کاری است که پلتفرم‌های جدید انجام می‌دهند. آن‌ها واسطه‌ای بصری و شهودی فراهم می‌کنند که در آن کاربران می‌توانند داده‌های خود را آپلود کنند و سپس به هوش مصنوعی “بگویند” که در این داده‌ها چه چیزی را باید جستجو کند یا چگونه باید عمل کند. این یک جهش بزرگ در دسترسی‌پذیری است، زیرا دیگر نیازی نیست که یک مهندس هوش مصنوعی باشید تا از پتانسیل این فناوری بهره‌مند شوید. کافی است متخصص حوزه خود باشید و داده‌هایی داشته باشید که بتوانند به هوش مصنوعی آموزش دهند.
هوش مصنوعی دست‌ساز: نمونه‌هایی از کاربرد در دنیای واقعی
بیایید مثالی را که توسط “اندرو نگ” در سخنرانی‌اش مطرح شد، بررسی کنیم [۴]. فرض کنید یک بازرس می‌خواهد هوش مصنوعی به او در تشخیص عیوب در پارچه کمک کند [۴]. بازرس می‌تواند از پارچه عکس بگیرد و آن‌ها را در پلتفرمی مانند این آپلود کند [۴]. سپس می‌تواند به هوش مصنوعی نشان دهد که پارگی‌ها در پارچه چگونه به نظر می‌رسند، با کشیدن مستطیل‌هایی دور آن‌ها [۴]. همچنین می‌تواند به هوش مصنوعی نشان دهد که تغییر رنگ‌ها در پارچه چگونه به نظر می‌رسند، باز هم با کشیدن مستطیل‌هایی دور آن‌ها [۴]. این تصاویر، همراه با مستطیل‌های سبز و صورتی که بازرس کشیده است، داده‌هایی هستند که توسط بازرس برای توضیح نحوه یافتن پارگی و تغییر رنگ به هوش مصنوعی ایجاد شده‌اند [۴].
پس از اینکه هوش مصنوعی این داده‌ها را بررسی می‌کند، ممکن است متوجه شویم که به اندازه کافی عکس از پارگی‌ها دیده است، اما هنوز عکس کافی از تغییر رنگ‌ها ندیده است [۴]. این شبیه به یک بازرس تازه کار است که یاد گرفته است پارگی‌ها را تشخیص دهد اما هنوز نیاز به تقویت قضاوت خود در مورد تغییر رنگ‌ها دارد [۴]. بنابراین، بازرس می‌تواند برگردد و عکس‌های بیشتری از تغییر رنگ‌ها بگیرد تا به هوش مصنوعی نشان دهد و به آن کمک کند تا درک خود را عمیق‌تر کند [۴]. با تنظیم داده‌هایی که به هوش مصنوعی می‌دهید، می‌توانید به هوش مصنوعی کمک کنید تا هوشمندتر شود [۴].
یک بازرس با استفاده از چنین پلتفرم قابل دسترسی، می‌تواند در عرض چند ساعت تا چند روز، و با تهیه یک مجموعه دوربین مناسب، یک سیستم هوش مصنوعی سفارشی برای تشخیص عیوب، پارگی‌ها و تغییر رنگ‌ها در تمام پارچه‌های مورد استفاده برای ساخت تی‌شرت در سراسر کارخانه بسازد [۴]. ممکن است دوباره بپرسید که “این یک کارخانه است، چه اهمیتی دارد؟” اما این برای آن بازرس که زندگی‌اش آسان‌تر شده، یک “معامله بزرگ” است [۴].
این نوع فناوری می‌تواند به یک نانوا قدرت دهد تا از هوش مصنوعی برای بررسی کیفیت کیک‌هایی که می‌پزد استفاده کند [۴]. به یک کشاورز ارگانیک کمک کند تا کیفیت سبزیجات را بررسی کند [۴]. یا به یک سازنده مبلمان امکان دهد تا کیفیت چوبی را که استفاده می‌کند بررسی کند [۴].
این پلتفرم‌ها هنوز به چند سال دیگر زمان نیاز دارند تا به قدری آسان شوند که هر صاحب پیتزا فروشی بتواند از آن‌ها استفاده کند [۵]. اما بسیاری از این پلتفرم‌ها در حال توسعه هستند و برخی از آن‌ها برای افراد آگاه به فناوری (tech-savvy) امروزه، با کمی آموزش، بسیار مفید شده‌اند [۵].
بیایید این مثال‌ها را بیشتر بسط دهیم تا عمق پتانسیل این پلتفرم‌ها را نشان دهیم:
- بازرس پارچه: فرض کنید یک کارخانه تولیدی لباس هزاران متر پارچه را روزانه پردازش می‌کند. بازرسان انسانی ممکن است خسته شوند، دقتشان کاهش یابد، و یا به دلیل نور نامناسب یا سرعت بالا، برخی عیوب را نادیده بگیرند. با سیستم هوش مصنوعی سفارشی، بازرس تنها باید تصاویر را به پلتفرم وارد کند. هوش مصنوعی به سرعت و با دقت بالا تمام پارچه‌ها را اسکن کرده و هرگونه پارگی یا تغییر رنگ را شناسایی می‌کند. این نه تنها باعث بهبود کیفیت محصول نهایی می‌شود، بلکه از هدر رفت مواد اولیه نیز جلوگیری می‌کند و زمان بازرس را برای کارهای پیچیده‌تر و تصمیم‌گیری‌های استراتژیک‌تر آزاد می‌کند. پلتفرم می‌تواند گزارش‌های دقیقی از نوع و فراوانی عیوب ارائه دهد، که این داده‌ها می‌توانند برای بهبود فرآیندهای تولید در منبع مورد استفاده قرار گیرند.
- نانوا: یک نانوا حرفه‌ای می‌تواند از این سیستم برای بررسی کیفیت خمیر، پخت نهایی کیک‌ها یا حتی تزئینات استفاده کند. برای مثال، با گرفتن عکس از کیک‌ها قبل از پخت، هوش مصنوعی می‌تواند ناهنجاری‌ها در خمیر را شناسایی کند که ممکن است منجر به پخت نامناسب شود. پس از پخت، می‌تواند رنگ، بافت، و شکل نهایی را برای مطابقت با استانداردهای کیفیت بررسی کند. این کار به نانوا کمک می‌کند تا محصولاتی با کیفیت ثابت ارائه دهد و رضایت مشتری را افزایش دهد. این پلتفرم می‌تواند حتی در زمان انتخاب مواد اولیه، با بررسی کیفیت میوه‌ها یا آجیل‌ها از طریق تصویر، به نانوا کمک کند.
- کشاورز ارگانیک: کشاورز می‌تواند از دوربین‌های نصب شده در مزرعه یا تصاویر هوایی (در صورت موجود بودن) برای پایش سلامت گیاهان استفاده کند. هوش مصنوعی می‌تواند علائم اولیه بیماری، کمبود مواد مغذی یا آفت‌زدگی را تشخیص دهد، حتی قبل از اینکه برای چشم انسان قابل مشاهده باشند. این امکان به کشاورز می‌دهد تا به سرعت اقدام کند و از گسترش مشکلات جلوگیری کند، که برای کشاورزی ارگانیک که از مواد شیمیایی کمتری استفاده می‌کند، حیاتی است. همچنین می‌تواند کیفیت محصول برداشت شده را از نظر اندازه، رنگ و عدم وجود لکه‌ها ارزیابی کند.
- سازنده مبلمان: این سیستم می‌تواند برای بررسی کیفیت چوب قبل از برش یا مونتاژ استفاده شود. هوش مصنوعی می‌تواند گره‌ها، ترک‌ها، یا سایر نقص‌ها را در الوارها شناسایی کند که ممکن است بر دوام یا زیبایی مبلمان نهایی تأثیر بگذارد. این امر به سازنده کمک می‌کند تا مواد اولیه معیوب را قبل از صرف زمان و هزینه برای پردازش آن‌ها، کنار بگذارد. همچنین می‌تواند دقت برش‌ها یا اتصالات را پس از مونتاژ بررسی کند.
این پلتفرم‌ها با فراهم کردن یک رابط بصری و فرآیند تکراری آموزش بر پایه داده، قدرت هوش مصنوعی را به دست کاربران غیرمتخصص می‌رسانند. دیگر نیازی به نوشتن خطوط پیچیده کد نیست؛ در عوض، کاربر با ارائه مثال‌ها و بازخوردها، هوش مصنوعی را “تربیت” می‌کند تا وظایف خاصی را انجام دهد. این امر به طور فزاینده‌ای هوش مصنوعی را از یک حوزه دانشگاهی و مهندسی تخصصی به یک ابزار عملی و روزمره برای هر کسی با دسترسی به داده‌های مرتبط تبدیل می‌کند. این “زبانی” جدید برای تعامل با کامپیوترهاست، زبانی که در آن داده‌ها دستورالعمل‌ها را تشکیل می‌دهند.
یکی از جنبه‌های کلیدی این پلتفرم‌ها، قابلیت تطبیق آن‌هاست. هرچند هوش مصنوعی “یک اندازه برای همه” برای “دم بلند” مناسب نیست [۲، ۳]، اما این پلتفرم‌ها به کاربران امکان می‌دهند هوش مصنوعی کاملاً سفارشی برای نیازهای دقیق خود بسازند. این سفارشی‌سازی نه تنها به کارایی بالاتر منجر می‌شود، بلکه حس مالکیت و توانمندی را در کاربران ایجاد می‌کند. آن‌ها دیگر مصرف‌کنندگان منفعل فناوری نیستند، بلکه فعالانه در شکل‌دهی و بهبود ابزارهایی که برای کسب‌وکار و زندگی‌شان حیاتی هستند، مشارکت دارند. این فرآیند توسعه می‌تواند به طور قابل توجهی سریع باشد؛ ساخت یک سیستم سفارشی در عرض چند ساعت تا چند روز، در مقایسه با هفته‌ها یا ماه‌ها که ممکن است برای توسعه سنتی هوش مصنوعی طول بکشد، یک پیشرفت عظیم است [۴].
یکی دیگر از مزایای این پلتفرم‌ها، مقیاس‌پذیری در دسترس‌پذیری است. در حالی که شرکت‌های بزرگ برای توجیه هزینه‌های هوش مصنوعی به صدها میلیون کاربر نیاز دارند [۱]، این پلتفرم‌ها به هر فرد یا کسب‌وکاری اجازه می‌دهند تا هوش مصنوعی را برای نیازهای خود، حتی اگر تنها به ده‌ها یا صدها کاربر در یک محیط محلی خدمت کنند، توسعه دهد [۴]. این امر باعث می‌شود که هوش مصنوعی برای نیم میلیون رستوران مستقل در ایالات متحده، یا هزاران کارگاه صنایع دستی، یا میلیون‌ها کسب‌وکار کوچک دیگر در سراسر جهان، قابل دسترس و توجیه‌پذیر شود [۲]. این یعنی ده‌ها میلیون فرصت اقتصادی جدید که پیش از این به دلیل عدم توجیه اقتصادی نادیده گرفته شده بودند، اکنون می‌توانند مورد بهره‌برداری قرار گیرند [۲، ۳].
توانمندسازی نیروی کار موجود: متخصصان به جای برنامه‌نویسان
اما این به چه معناست؟ به جای تکیه بر “کاهنان اعظم” برای ساخت سیستم‌های هوش مصنوعی مناسب برای همه، می‌توانیم شروع به توانمندسازی هر حسابدار، هر مدیر فروشگاه، هر خریدار، و هر بازرس کیفیت برای ساخت سیستم‌های هوش مصنوعی خودشان کنیم [۵]. این یک تغییر بنیادین در نیروی کار و ماهیت کار است. هوش مصنوعی دیگر یک حوزه تخصصی و جداگانه نیست که تنها توسط گروه کوچکی از متخصصان قابل دسترسی باشد، بلکه ابزاری می‌شود که توسط افرادی با دانش عمیق در حوزه‌های خاص خودشان مورد استفاده قرار می‌گیرد.
به عنوان مثال:
- حسابداران: می‌توانند سیستم‌های هوش مصنوعی بسازند که الگوهای مشکوک در تراکنش‌های مالی را برای تشخیص کلاهبرداری شناسایی کنند، یا به طور خودکار فاکتورها را دسته‌بندی و مغایرت‌ها را پیدا کنند.
- مدیران فروشگاه: می‌توانند AI را برای بهینه‌سازی چیدمان محصولات بر اساس رفتار خرید مشتریان، یا برای مدیریت موجودی و پیش‌بینی اقلام محبوب در فصول مختلف آموزش دهند.
- خریداران: می‌توانند از هوش مصنوعی برای تحلیل داده‌های بازار و پیش‌بینی تغییرات قیمت مواد اولیه استفاده کنند، که به آن‌ها امکان می‌دهد بهترین زمان و قیمت برای خرید را تشخیص دهند [۲].
- بازرسان کیفیت: همانطور که ذکر شد، می‌توانند هوش مصنوعی را برای تشخیص عیوب در محصولات یا مواد اولیه آموزش دهند، که دقت و سرعت بازرسی را به طور چشمگیری افزایش می‌دهد [۳، ۴].
این بدان معناست که دیگر نیازی نیست برای هر کاربرد هوش مصنوعی یک تیم از مهندسان نرم‌افزار و متخصصان داده استخدام شود. در عوض، نیروی کار موجود که دارای دانش و تجربه عملی در حوزه کاری خود هستند، می‌توانند با استفاده از این پلتفرم‌های کاربرپسند، ابزارهای هوش مصنوعی را برای خود و نیازهای خاص سازمانشان توسعه دهند. این امر نه تنها هزینه‌ها را به شدت کاهش می‌دهد، بلکه اطمینان می‌دهد که سیستم‌های هوش مصنوعی ساخته شده، به طور دقیق با نیازهای عملیاتی مطابقت دارند، زیرا توسط کسانی ساخته می‌شوند که مشکلات را از نزدیک می‌شناسند. این تحول، هوش مصنوعی را از یک “مهارت تخصصی” به یک “ابزار روزمره” برای هر فرد در هر موقعیت شغلی تبدیل می‌کند. این رویکرد، یک دموکراتیزه شدن واقعی است که هوش مصنوعی را از برجی عاج در دسترس نخبگان به ابزاری قدرتمند در دستان همه تبدیل می‌کند.
چشم‌انداز آینده: جامعه‌ای ثروتمندتر با هوش مصنوعی فراگیر
آینده‌ای که با دموکراتیزه شدن هوش مصنوعی ترسیم می‌شود، آینده‌ای است که در آن ثروت و فرصت‌ها نه تنها در بخش فناوری، بلکه در تمامی بخش‌های جامعه به طور گسترده‌تری توزیع می‌شوند [۵]. این تحول، می‌تواند تأثیری به مراتب فراتر از آنچه امروز تصور می‌کنیم، داشته باشد.
از بین بردن شکاف ثروت و فرصت‌ها
هوش مصنوعی در حال ایجاد ثروت عظیمی است و به خلق ثروت عظیم ادامه خواهد داد [۵]. اما تنها با دموکراتیزه کردن دسترسی به هوش مصنوعی است که می‌توانیم اطمینان حاصل کنیم که این ثروت در سراسر جامعه به طور گسترده‌ای توزیع می‌شود [۵]. اگر هوش مصنوعی تنها در اختیار شرکت‌های بزرگ و متخصصان محدود باقی بماند، شکاف اقتصادی موجود را تشدید خواهد کرد و تنها به عده‌ای خاص سود خواهد رساند. اما با توانمندسازی کسب‌وکارهای کوچک و افراد برای بهره‌برداری از هوش مصنوعی، می‌توانیم به رشد اقتصادی از پایین به بالا کمک کنیم و هزاران کسب‌وکار را قادر سازیم تا کارآمدتر، سودآورتر و رقابتی‌تر شوند. این رشد جمعی، به نوبه خود، به اشتغال‌زایی، بهبود خدمات و افزایش رفاه عمومی منجر خواهد شد.
تاریخ نشان داده است که هرگاه یک فناوری کلیدی دموکراتیزه شده است، تأثیرات آن بر جامعه بسیار عمیق‌تر و گسترده‌تر از پیش‌بینی‌های اولیه بوده است [۵]. چند صد سال پیش، به سختی کسی تأثیر گسترش سواد را درک می‌کرد [۵]. سواد، تنها به معنای توانایی خواندن و نوشتن نبود، بلکه دریچه‌ای به دانش، اطلاعات، و ارتباطات بود که به میلیون‌ها نفر اجازه داد تا در حوزه‌های جدیدی مشارکت کنند و جامعه‌ای مدرن را شکل دهند. امروز، به سختی کسی تأثیر دموکراتیزه شدن دسترسی به هوش مصنوعی را درک می‌کند [۵]. همانطور که سواد به هر فرد امکان داد تا اطلاعات را پردازش کند و دانش جدیدی را کسب کند، هوش مصنوعی نیز به هر فرد امکان می‌دهد تا داده‌ها را پردازش کند و بینش‌های جدیدی را استخراج کند. این توانایی جدید، پتانسیل تحول در هر صنعتی، هر کسب‌وکاری و حتی زندگی روزمره هر فرد را دارد.
وقتی کسب‌وکارهای کوچک و متوسط (SMEs) که ستون فقرات اقتصاد هر کشوری هستند، به ابزارهای هوش مصنوعی دسترسی پیدا می‌کنند، می‌توانند بهره‌وری خود را به میزان قابل توجهی افزایش دهند. این شامل بهینه‌سازی عملیات، کاهش ضایعات، پیش‌بینی دقیق‌تر تقاضا، بهبود خدمات مشتری، و نوآوری در محصولات و خدمات است. این بهبودها نه تنها به خود این کسب‌وکارها کمک می‌کند، بلکه منجر به رقابتی‌تر شدن اقتصاد کلی کشور، ایجاد فرصت‌های شغلی جدید و افزایش درآمد خانوارها می‌شود. به این ترتیب، هوش مصنوعی به جای اینکه یک منبع ثروت متمرکز باشد، به یک کاتالیزور برای رشد اقتصادی فراگیر تبدیل می‌شود. این دموکراتیزاسیون به معنای توزیع عادلانه فرصت‌ها و قابلیت‌هاست، به طوری که هر فردی در هر سطحی از جامعه، امکان استفاده از این فناوری قدرتمند را برای بهبود زندگی و کسب‌وکار خود داشته باشد.
هوش مصنوعی به عنوان ابزاری برای خلاقیت و نوآوری فردی
ساخت سیستم‌های هوش مصنوعی تا پیش از این برای اکثر مردم دور از دسترس بود [۵]. اما این دیگر نباید اینگونه باشد [۵]. در عصر آینده هوش مصنوعی، هر کسی قادر به ساخت سیستم‌های هوش مصنوعی برای خودش خواهد بود [۵]. این یک آینده فوق‌العاده هیجان‌انگیز خواهد بود [۵].
تصور کنید که هر فرد، بدون نیاز به داشتن مدرک مهندسی کامپیوتر یا تخصص در علوم داده، بتواند ابزارهای هوش مصنوعی را برای حل مشکلات شخصی یا حرفه‌ای خود بسازد. این می‌تواند از یک سیستم ساده برای مدیریت بهتر فهرست کارهای خانه بر اساس عادات روزانه، تا یک ابزار پیچیده‌تر برای تحلیل داده‌های سلامت شخصی و ارائه توصیه‌های سفارشی برای سبک زندگی، متغیر باشد. این رویکرد، هوش مصنوعی را به ابزاری برای توانمندسازی فردی تبدیل می‌کند و فرصت‌های بی‌شماری را برای خلاقیت و نوآوری در مقیاس خرد ایجاد می‌کند.
این پلتفرم‌ها به افراد اجازه می‌دهند که ایده‌های خلاقانه خود را، بدون موانع فنی بالا، به واقعیت تبدیل کنند. یک هنرمند می‌تواند از هوش مصنوعی برای تولید الگوهای جدید الهام‌بخش استفاده کند؛ یک محقق می‌تواند ابزارهایی برای تحلیل سریع‌تر مقالات علمی بسازد؛ یک دانش‌آموز می‌تواند هوش مصنوعی را برای کمک به یادگیری دروس خاص آموزش دهد. این امر به معنای آزاد کردن پتانسیل انسانی است که تاکنون به دلیل پیچیدگی‌های فنی هوش مصنوعی محدود شده بود. هرچه افراد بیشتری بتوانند با هوش مصنوعی تعامل داشته باشند و آن را برای نیازهای خود شکل دهند، جامعه خلاق‌تر و نوآورتر خواهد شد.
البته، باید اذعان داشت که پلتفرم‌های کنونی هنوز در حال بلوغ هستند و ممکن است چند سال دیگر طول بکشد تا به قدری آسان شوند که هر صاحب پیتزا فروشی بتواند بدون هیچ آموزش خاصی از آن‌ها استفاده کند [۵]. اما روند پیشرفت سریع است و حتی امروز، این پلتفرم‌ها برای افرادی که کمی آگاهی فنی دارند، بسیار مفید هستند [۵]. این مسیر، آینده‌ای را نوید می‌دهد که در آن هوش مصنوعی نه تنها به ابزاری برای شرکت‌های بزرگ، بلکه به یک قدرت توانمندساز برای هر کسب‌وکار کوچک و هر فرد در جامعه تبدیل می‌شود. این رویکرد نه تنها منجر به رشد اقتصادی گسترده‌تر می‌شود، بلکه نوآوری را در سراسر طیف صنایع و خدمات گسترش می‌دهد و به افراد اجازه می‌دهد تا راه حل‌های منحصر به فردی برای مشکلات منحصر به فرد خود ایجاد کنند.
این انقلاب به معنای آن است که هوش مصنوعی از “دانش مخفی” به “مهارت همگانی” تبدیل می‌شود. این دموکراتیزه شدن فراتر از دسترسی به ابزار است؛ به معنای توانایی درک، استفاده و بهبود هوش مصنوعی در یک زمینه خاص، حتی بدون دانش عمیق کدنویسی یا ریاضیات پنهان در پس آن است. این پلتفرم‌ها در حال ساخت یک لایه انتزاعی هستند که پیچیدگی‌های فنی را پنهان می‌کند و به کاربران اجازه می‌دهد تا بر روی “داده” و “مشکل” تمرکز کنند. این تغییر پارادایم، یک گام بزرگ به سوی آینده‌ای است که در آن هوش مصنوعی واقعاً “برای همه” خواهد بود.
نتیجه‌گیری
هوش مصنوعی، با پتانسیل عظیم خود برای تحول اقتصادی و اجتماعی، تا به امروز عمدتاً در دسترس شرکت‌های بزرگ فناوری بوده است [۱]. این تمرکز، که ناشی از نیاز به سرمایه‌گذاری‌های سنگین و مقیاس‌پذیری جهانی برای توجیه اقتصادی است، میلیون‌ها پروژه ارزشمند را در “دم بلند” صنایع غیرفناوری نادیده گرفته است؛ پروژه‌هایی که هرچند هر یک به تنهایی کوچک به نظر می‌رسند، اما در مجموع ارزشی کلان برای جامعه دارند [۱، ۳]. چالش اصلی برای کسب‌وکارهای کوچک و افراد، نه کمبود داده، بلکه موانع اقتصادی و فنی برای توسعه سیستم‌های هوش مصنوعی سفارشی بوده است [۲، ۳].
اما خبر خوش این است که عصر جدیدی در حال فرا رسیدن است. با ظهور پلتفرم‌های توسعه هوش مصنوعی که تمرکز را از کدنویسی به ارائه و تنظیم داده‌ها تغییر می‌دهند، قدرت هوش مصنوعی در حال دموکراتیزه شدن است [۴]. این پلتفرم‌ها به افراد و کسب‌وکارهای کوچک، حتی آن‌هایی که فاقد تخصص فنی عمیق هستند، امکان می‌دهند تا سیستم‌های هوش مصنوعی سفارشی‌سازی شده را برای نیازهای منحصربه‌فرد خود بسازند [۴، ۵]. این بدان معناست که هر حسابدار، مدیر فروشگاه، خریدار، یا بازرس کیفیت می‌تواند به توسعه‌دهنده هوش مصنوعی خود تبدیل شود، و مشکلات خاص حوزه خود را با کمک این فناوری حل کند [۵].
همانطور که گسترش سواد در چند قرن پیش جامعه‌ای غنی‌تر را بنا نهاد [۱]، دموکراتیزه شدن دسترسی به هوش مصنوعی نیز پتانسیل عظیمی برای گسترش ثروت و فرصت‌ها در سراسر جامعه دارد [۵]. این نه تنها به رشد اقتصادی از پایین به بالا کمک می‌کند، بلکه به افراد قدرت می‌دهد تا خلاقیت و نوآوری را در جنبه‌های مختلف زندگی و کسب‌وکار خود به کار گیرند. آینده‌ای که در آن هوش مصنوعی به یک ابزار همگانی تبدیل می‌شود و هر فردی قادر به ساخت سیستم‌های هوش مصنوعی برای خود است، نه تنها هیجان‌انگیز است، بلکه نویدبخش جامعه‌ای فراگیرتر، کارآمدتر و ثروتمندتر برای همگان خواهد بود [۵]. این تحول، هوش مصنوعی را از انحصار نخبگان خارج کرده و آن را به یک نیروی دگرگون‌کننده در دستان هر شهروند و هر کسب‌وکار، فارغ از اندازه و صنعت، تبدیل خواهد کرد.
متا دیتا (Description): کشف کنید چگونه هوش مصنوعی می‌تواند برای کسب‌وکارهای کوچک و افراد در دسترس قرار گیرد. این مقاله به چالش “دم بلند” هوش مصنوعی و راهکارهای نوظهور پلتفرم‌های توسعه هوش مصنوعی می‌پردازد که با تغییر تمرکز از کدنویسی به ارائه داده، دموکراتیزه شدن AI را امکان‌پذیر می‌سازند. با مثال‌های واقعی از بهبود پیش‌بینی تقاضا، کنترل کیفیت و بهره‌وری کسب‌وکار، این مقاله نشان می‌دهد که چگونه AI می‌تواند ثروت و فرصت‌ها را در سراسر جامعه گسترش دهد و آینده‌ای هیجان‌انگیز برای همه بسازد.
برچسب‌های کلیدی: هوش مصنوعی, AI, کسب‌وکارهای کوچک, دموکراتیزه کردن هوش مصنوعی, پلتفرم‌های هوش مصنوعی, هوش مصنوعی برای همه, تحول دیجیتال, کسب‌وکارهای محلی, صنایع غیر فناوری, هزینه هوش مصنوعی, داده‌های هوش مصنوعی, یادگیری ماشین, سفارشی‌سازی هوش مصنوعی, انقلاب هوش مصنوعی, بهره‌وری کسب‌وکار, اتوماسیون, پیش‌بینی تقاضا, کنترل کیفیت, مدیریت موجودی, زنجیره تامین, SME, نوآوری, آینده هوش مصنوعی, اندرو نگ, مشکلات AI, دسترسی به AI.
بدون نظر