استفاده از شبکه های مولد تخاصمی برای تولید آثار هنری و فراتر از آن

شبکه های مولد تخاصمی (GAN) به طرز قابل ملاحظه‌ای پیشرفت کرده‌ است؛ از جمله قابلیت‌های پیشرفتۀ آن می‌توان به ترکیب و شبیه­ سازی فوق‌العاده دقیق چهره انسان، بازیابی رنگ و کیفیت ویدئوهای قدیمی و ساخت ویدئوهای دیپ فیک واقع‌گرایانه اشاره کرد. شبکه های‌ مولد تخاصمی عمدتاً بر تولید نمونه تمرکز دارد. پیکرۀ اصلیِ شبکه‌ مولد تخاصمی از تولید کننده و تفکیک کننده تشکیل یافته است. تولید­کننده به ساخت نمونه‌هایی می‌پردازد که معمولاً از داده‌های آموزشی نشات می‌گیرند، اما تفکیک­ کننده به قضاوت درباره نمونه‌هایِ ساخته شده می‌پردازد تا واقعی یا جعلی بودن آنها مشخص شود. مثال: فرد جاعلی که در تلاش است پولی چاپ کند که قابل تشخیص از پول اصلی باشد، اما پلیس در تلاش است تا پول جعلی را تشخیص دهد. اگرچه GAN عمدتاً در زمینه ترکیب و شبیه­سازی عکس به موفقیت‌های چشمگیری دست یافته است، اما آیا امکانِ استفاده از GAN در حوزه‌های دیگر نیز وجود دارد؟

تبدیل عکس به عکس

ترجمه ماشین این قابلیت را دارد که با یادگیری نگاشت‌های جفت جمله یا عبارت، از زبان مبداء به زبان مقصد ترجمه کند؛ به همین ترتیب، ترجمه عکس به عکس نیز به یادگیریِ نگاشت میان عکس ورودی و جفت عکس خروجی می‌پردازد.

بر اساس مطالعه‌ای که در دانشگاه برکلی انجام شد، الگوریتمی ارائه شد که یاد می‌گیرد از عکسی به عکس دیگر ترجمه کند. مثلاً از گورخر به اسب، یا از تابستان به زمستان. محققانِ این دانشگاه در مطالعه خود روشی برای یادگیری در صورت نبودِ مثال‌های جفتی ارائه کردند. این روش که از زبان تخاصمی استفاده می‌کند، می‌تواند مرزهای یادگیری بدون نظارت را جابجا کند. شما می‌توانید با مراجعه وب‌سایتِ ما با کاربردهایِ خلاقانۀ این روش آشنا شوید.

تولید متن

ماهیتِ متن، کار را برای GAN در تولید زنجیره‌هایی از توکن‌های گسسته دشوار می‌کند. خروجی‌های گسسته، انتقالِ آپدیت گرادیان از مدل تفکیک­ کننده به مدل تولید­کننده را به امری سخت و دشوار بدل کرده است. با این حال، آقای «یو» و همکارانش، SeqGAN را برای سرودن شعر چینی پیشنهاد دادند. SeqGAN با استفاده از ابزار BLEU score که در ارزیابی کیفیت متن کاربرد دارد، به سرودن اشعاری می‌پردازد که با نمونه‌های سروده شده توسط انسان توان رقابت دارد. افزون بر این، محققان اشعار چینیِ اصیل و تولید شده با این ابزار را ادغام نموده و از کارشناسان چینی در حوزه شعر دعوت به عمل آوردند تا دیدگاه خود را درباره اشعار اصیل و اشعار سروده شده توسط ماشین را اعلام کنند. در کمال تعجب، این کارشناسان نتوانستند اشعار اصیل را از اشعار ماشینی تشخیص دهند!

تولید گراف شبکه

قابلیت تولید گراف‌های ترکیبی اما واقع‌گرایانه از اهمیت بسزایی در تشخیص نابهنجاری برخوردار است؛ به طوری که تفکیک میان شبکه‌های غیرعادی و شبکه‌های عادی به آسانی صورت می‌گیرد. بوچفسکی و همکارانش، NetGAN را پیشنهاد دادند. NetGAN گراف‌هایی تولید می‌کند که الگوهای مشهور شبکه را با استفاده از Wasserstein GAN نمایش می‌دهد. تولید­کننده NetGAN یاد می‌گیرد که گام‌های تصادفی در گراف واقعی ایجاد کند، اما تفکیک­ کننده این گراف را از گراف‌های اصلی تمییز می‌دهد.

ترکیب یا سنتز صدا

سنتز صدا در طراحیِ خلاقانۀ صدا در موسیقی و فیلم به کار برده شده است. این کلیپ‌های صوتی در پایگاه‌های داده بزرگی از افکت‌های صوتی ذخیره می‌شوند، اما شاید افکت صوتی ایده‌آلی در کتابخانه وجود نداشته باشد. آیا این امکان وجود دارد که با تنظیم چند پارامتر ورودی، افکت‌های صوتیِ مربوط به حرکت روی مسیرهای سنگریزه‌دار یا مسیرهای شِنی را تولید کنیم؟ محققان دانشگاه کالیفرنیا به ارائۀ WaveGAN پرداختند. این ابزار یاد می‌گیرد تا صدا را برای تولید افکت‌های صوتی سنتز یا ترکیب کند. این ابزار در تولید افکت‌های صوتیِ نواخته شدن طبل عملکرد خوبی داشته است. WaveGAN می‌تواند صدای انواع گوناگونی از پرندگان را نیز تولید کند. این ابزار برای تولید صداهای پیانو از طیف وسیعی از الگوهای ریتمیک استفاده می‌کند. نمونه صداهای مربوط به آزمایش در این لینک گنجانده شده است.

یو و همکارانش از SeqGAN با آموزش مجموعه‌ای قطعات موسیقی محلی به تولید آثار موسیقیایی پرداختند. این محققان در کارهای تحقیقاتی‌شان، فایل‌های midi را به زنجیره‌ای از اعداد (۱ تا ۸۸) تبدیل کردند تا ۸۸ صدای مختلف کلیدهای پیانو را پوشش دهند. روش آنان عملکردی بهتر از الگوریتم‌های موجود داشت، اما کارشناسان در خصوص قطعات موسیقیِ تولید شده اظهار نظر نکرده‌اند.

منبع: hooshio.com

راز موفقیت استارتاپ های هوش مصنوعی چیست؟

راز موفقیت استارتاپ های هوش مصنوعی چیست و چه کسانی از هوش مصنوعی درآمد کسب می‌کنند؟

از سیلیکون ولی گرفته تا لندن و شانگهای، استارتاپ های هوش مصنوعی در همه‌جا به وفور یافت می‌شوند. اما همان‌طور که در زمان بالا گرفتن تب طلا و یورش کارگران به سمت معادن، تنها عده‌ای توانستند به طلا دست پیدا کنند و سایرین دست خالی و ناامید به خانه برگشتند، از میان تمام استار‌تاپ‌های هوش مصنوعی نیز تنها شمار معدودی به موفقیت دست پیدا می‌کنند. یک استارتاپ هوش مصنوعی برای کسب موفقیت باید از شکافی که میان دنیای فناوری و سازمان‌ها وجود دارد بگذرد و یاد بگیرد که به جای اقدامات عجولانه، در مواجهه با فناوری‌های هوش مصنوعی  متعهد و مسئولیت‌پذیر باشند.

دوران بالا گرفتن تب استارتاپ های هوش مصنوعی

تب هوش مصنوعی به بالاترین درجه ممکن رسیده است. هر روز و هر هفته شاهد این هستیم که شرکت‌های مبتنی بر هوش مصنوعی سرمایه‌های‌ هنگفتی جذب می‌کنند؛ گویا سرمایه تمام دنیا به سمت این فناوری جدید سرازیر شده است. تأمین سرمایه خطرپذیر در حوزه هوش مصنوعی در ایالات متحده آمریکا سالانه ۷۲% رشد داشته و در سال ۲۰۱۸ به مبلغ ۹.۳ میلیارد دلار رسید.

کدام استارت‌آپ هوش مصنوعی به موفقیت خواهد رسید؟

برای مثال، دیتاماینرکه یک شرکت استارتاپ های هوش مصنوعی و یادگیری ماشینی است و در نیویورک واقع شده، توانست در سال ۲۰۱۸ سرمایه‌ای معادل ۳۹۲ میلیون دلار جذب کند. شرکت‌های CrowdStrike، Team Tanium و Cylance شرکت‌های مبتنی بر هوش مصنوعی هستند که در سیلیکون ولی واقع شده‌اند و در حوزه‌های امنیت سایبری و مدیریت فعالیت می‌کنند. هر یک از این شرکت‌ها در سال گذشته توانستند ۱۰۰ میلیون دلار سرمایه جذب کنند. همچنین، شرکت Pony.ai توانست برای طراحی آخرین نسخه سیستم‌های خودران خود ۱۰۲ میلیون دلار کمک مالی جمع‌آوری کند.

این پیشتازان غرب وحشی، خود را به شرق نیز رسانده‌اند. برای مثال، شرکت چینی SenseTime را درنظر بگیرید. این شرکت که بر روی الگوریتم‌های مبتکرانه بینایی رایانه‌ای و یادگیری عمیق کار می‌کند، در سال ۲۰۱۸ دو کمک مالی ۶۰۰ میلیون دلاری دریافت کرد و گفته می‌شود که درحال‌حاضر این استارت‌آپ ارزشمندترین استارت‌آپ مبتنی بر هوش مصنوعی در دنیاست. همچنین، شرکت UBTECH که خود را به عنوان یک شرکت سازنده ربات‌های انسان‌نما و مبتنی بر هوش مصنوعی معرفی می‌کند، در سال ۲۰۱۸ سرمایه‌ای به میزان ۸۲۰ میلیون دلار جذب کرد. شرکت Face++ نیز که در حوزه تشخیص چهره پیشرو است، توانست ۶۰۰ میلون دلار سرمایه جذب کند و درحال‌حاضر نیز منتظر یک کمک مالی ۵۰۰ میلیون دلاری دیگر است. شرکت iFlytek که ادعا کرده ۷۰% از بازار تشخیص صدا در چین را در اختیار دارد نیز به‌زودی سرمایه‌ای ۵۶۵ دلاری به دست خواهد آورد. این‌ها رقم‌های درشتی هستند، اما باید انتظار مبالغ هنگفت‌تری را نیز داشت.

طبق جدیدترین گزارشی که توسط شهرداری لندن در حوزه هوش مصنوعی تهیه شده، شمار شرکت‌های محلی هوش مصنوعی در لندن ۶۵۰ شرکت برآورد شده است. این رقم دو برابر مجموع شرکت‌های هوش مصنوعی است که در برلین و پاریس فعالیت می‌کنند. بسیاری از این شرکت‌ها، استارت‌آپ‌های نوظهوری هستند که هر یک بر حوزه‌های مهمی چون بیمه و بخش‌های مالی و یا قانونی متمرکز شده‌اند. سرمایه مردم به سمت این شرکت‌های نوظهور و پر زرق ‌و برق روان شده است، اما عمده کمک‌های مالی دریافتی توسط این شرکت‌های انگلیسی برخلاف شرکت‌های چینی و آمریکایی (که توانستند ده‌ها و صدها میلیون دلار سرمایه جذب کنند) در رقم‌های میلیونی کوچک خلاصه می‌شود.

مراقب کلاه‌برداران باشید

مشابه هر تب و تاب دیگری، با بالا گرفتن تب هوش مصنوعی، بسیاری از افراد ادعاهای بلندپروازانه و واهی دارند. وارد هر رویداد استارت‌آپی و جلسه هوش مصنوعی که بشوید، یک استارت‌آپ را مشاهده خواهید کرد که ادعا می‌کند دست‌آوردهایش بر پایه آخرین و پیشرفته‌ترین الگوریتم‌های یادگیری عمیق است. اما اگر این استارت‌آپ را کمی عمیق‌تر بررسی کنید، متوجه خواهید شد که همه آن حرف‌ها تنها ادعاهایی توخالی و پوشالی بوده‌اند. طبق آخرین گزارش London MMC Ventures از ۲۸۳۰ استارت‌آپ اروپایی که ادعا می‌کنند مبتنی بر هوش مصنوعی هستند، بیش از ۴۰% آن‌ها اصلاً از هوش مصنوعی استفاده نمی‌کنند.

برخی حتی ادعا کرده‌اند که شرکت‌های بزرگ فناوری همچون مایکروسافتو گوگلنیز همیشه در خصوص میزان اتکا به نیروی کار انسانی در حوزه هوش مصنوعی، با ما صادق نیستند. شرکت استرالیایی Appen تیمی متشکل از ۱.۰۰۰.۰۰۰ کارمند پاره‌وقت دارد که بر روی اعتبارسنجی نتایج جست‌وجو فعالیت می‌کنند. این افراد به معنای واقعی یک لشگر هستند که هر روز و هرشب به‌صورت دستی، نتایج جست‌وجو را بررسی می‌کنند. این چیزی نیست که ما از یکی از بزرگترین رهبران دنیای هوش مصنوعی که همواره حرف از اتوماسیون فرآیندها می‌زند، انتظار داریم. آقای لَنس اِن‌جیدر این زمینه چنین گفته است:

«شرکت‌ها از طرز فکر و باور ما منفعت کسب می‌کنند. وقتی ما باور کنیم که شرکتی توانسته سیستمی پیچیده، خودکار و مبتنی بر هوش مصنوعی بسازد که کار سیستم‌های قدیمی که متکی به نیروی انسانی بودند را انجام دهد، این قطعاً به نفع آن شرکت خواهد بود.»

بنابراین، ما استارت‌آپی را متکی بر هوش مصنوعی درنظر می‌گیریم که ۱. اگر فناوری‌های مدرن هوش مصنوعی مثل شبکه‌های عصبی عمیق وجود نداشتند، به وجود نمی‌آمد و ۲. ارائه‌دهنده زیرساخت‌ها و ابزارهای هوش مصنوعی از قبیل سخت‌افزارهای تخصصی هوش مصنوعی، سرویس‌های ابری برای نرم‌افزارهای هوش مصنوعی و یا ابزارهایی برای تسریع فرآیند به‌کارگیری هوش مصنوعی باشند.

زنجیره ارزش هوش مصنوعی : استارت‌آپ‌های هوش مصنوعی کجای این زنجیره قرار گرفته‌اند؟

دنیای هوش مصنوعی بسیار وسیع است و از سازندگان هوش مصنوعی (ارائه‌دهندگان و طراحان فناوری‌های مبتنی بر هوش مصنوعی) و کاربران هوش مصنوعی (کسانی که فناوری‌های هوش مصنوعی را به‌کار گرفته و به کمک آن تولید ارزش می‌کنند) تشکیل شده است. در مقاله پیشین زنجیره ارزش ۷ حلقه‌ای معرفی کردم که نشان‌دهنده بخش‌هایی از جامعه بود که از هوش مصنوعی درآمد کسب می‌کنند.

زنجیره ارزش هوش مصنوعی. چه کسی از طریق هوش مصنوعی درآمد کسب می‌کند؟ شرکت‌هایی که در این فهرست ذکر شده‌اند، بزرگ‌ترین بازیگران در آن حوزه کاری هستند، اما این فهرست کامل نیست.

این زنجیره شامل ۷ حلقه است: ۱. سازندگان تراشه‌ها و سخت‌افزارهای هوش مصنوعی که هدف‌شان تقویت برنامه‌های هوش مصنوعی است که در سازمان‌های کوچک و بزرگ در سرتاسر جهان به کار گرفته می‌شوند، ۲. طراحان زیرساخت و سامانه‌های ابری که برای سرورهای هوش مصنوعی خدمات میزبانی فراهم می‌کنند، ۳. سازندگان هوش مصنوعی الگوریتمی‌ و اجزای اصلی سرویس‌های شناختی که مدل‌های پیش‌بینی‌کننده یادگیری ماشینی عمیق و یادگیری گفتار را طراحی می‌کنند، ۴. ارائه‌دهندگان راهکارهای سازمانی که نرم‌افزارهای طراحی‌شده توسط آن‌ها در حوزه‌های مدیریت دارایی، ارتباط با مشتریان و منابع انسانی به‌کار گرفته می‌شود، ۵. ارائه‌دهندگان راه‌کارهای تخصصی و شخصی‌سازی‌شده برای یک صنعت که در تلاشند تا با استفاده از هوش مصنوعی به شرکت‌های فعال در بخش‌های مختلف کمک کنند، ۶. شرکت‌های استفاده‌کننده از هوش مصنوعی که به دنبال افزایش سود، بهره‌وری و آگاهی خود هستند و در آخر، ۷. ملت‌ها که هدف‌شان به‌کار گیری هوش مصنوعی در راهبردهای ملی و تبدیل‌شدن به یک کشور مبتنی بر هوش مصنوعی است.

شرکت‌های بزرگ فناوری پیروز این میدان هستند

استارتاپ های هوش مصنوعی همواره در تلاشند تا تراشه‌ها، سرویس‌های ابری و الگوریتم‌های جدیدی در این حوزه ارائه دهند، اما در حقیقت، شرکت‌های بزرگ و ثروتمند فناوری محور همچون گوگل، مایکروسافت و آمازون، این بخش از زنجیره ارزش هوش مصنوعی را کاملاً تحت سلطه خود گرفته‌اند و برندگان این بازی هستند. شرکت‌های جدید هوش مصنوعی هرچقدر تلاش کنند و زحمت بکشند، بی‌فایده است. زیرا این غول‌های فناوری در آخر اطمینان حاصل می‌کنند که سخت‌افزارها، سرویس‌ها و الگوریتم‌های خودشان در سازمان‌ها به‌کار گرفته شود.

طراحی، تولید و توزیع تراشه‌های سخت افزاری هوش مصنوعی نیازمند توان مالی بالایی است، به همین دلیل تنها تعداد محدودی استارت‌آپ‌ می‌توانند در این حوزه فعالیت کنند. شرکت بریتانیایی Graphcore بیش از ۱۱۰ میلیون دلار کمک مالی جلب کرد تا بتواند تراشه‌هایی که برای یادگیری ماشینی بهینه‌سازی شده‌اند را تولید کند. اما این شرکت در بازاری رقابتی فعالیت می‌کند، بازاری که شرکت‌های گوگل، مایکروسافت و فیس‌بوکنیز تراشه بهینه‌سازی‌ شده خود را در آن عرضه می‌کنند. برای مثال بخش گوگل کلادیک واحد پردازشی تنسور و ابری
 که پشتیبانی از سرویس ابری گوگل را برعهده دارد را به بازار معرفی کرد. همچنین پیشگامان حوزه ساخت تراشه از جمله شرکت‌های آی‌بی‌اِمو اینتِلهنوز نتوانستند در دنیای تراشه‌های بهینه‌شده برای هوش مصنوعی جایگاهی برای خود پیدا کنند. درحالی‌که، تراشه‌های مبتنی بر هوش مصنوعی که توسط یک شرکت چینی به نام Cambrian ساخته شده‌اند، در میلیون‌ها گوشی هوشمند از برند هواویتعبیه شده‌اند.

شرکت‌های بزرگ فناوری نیز بی صبرانه منتظرند تا سرویس‌های ابری‌شان به چنین محبوبیت و کاربرد وسیعی برسند. استارت‌آپ‌های شرکت آمازون، گوگل کلاد، سرویس ابری مایکروسافت آزوریا شرکت چینی علی‌بابا؟ کدام‌یک پیروز رقابت ارائه بهترین سرویس ابری خواهد بود؟ تخمین‌زده می‌شود که ارزش بازار سرویس‌های ابری در سال ۲۰۲۰ به ۴۰۰ میلیارد دلار برسد. بنابراین، این شرکت‌ها قطعاً مبازره دشواری بر سر طراحی سرویس ابری مبتنی بر هوش مصنوعی در پیش خواهد داشت.

غول‌های فناوری برای ارائه بهترین الگوریتم‌ هوش مصنوعی و سرویس‌ شناختی با یک‌دیگر به رقابت خواهند پرداخت تا بتوانند بازار آتی هوش مصنوعی را تسخیر کنند. الگوریتم‌ها و سرویس‌های مذکور به عنوان سنگ بنای دنیای هوش مصنوعی، راه رسیدن این شرکت‌ها به هدف‌شان، یعنی تبدیل‌شدن به تک ستاره دنیای سرویس‌های ابری مبتنی بر هوش مصنوعی را برای آن‌ها هموار خواهد ساخت. امروزه برنامه‌نویسان به لطف رابط‌های برنامه‌نویسی کاربردی یا همان APIها، می‌توانند با نوشتن تنها چند خط کد، یک سرویس هوش مصنوعی قدرتمند را طراحی کنند. شرکت‌های گوگل، آمازون، مایکروسافت و آی‌بی‌اِم درحال عرضه سرویس‌های شناختی و یادگیری ماشینی در فضای ابری هستند. این حوزه جدید که هوش مصنوعی در قالب سرویس (نام گرفته است، منجر به توسعه ربات‌های سخن‌گو و سایر برنامه‌های گفت‌وگویی، فرآیندهای پردازش معنایی، پردازش گفتار و زبان طبیعی، بینایی ماشینی و الگوریتم‌های تقویت‌شده هستهخواهد شد. دنیای الگوریتم‌های به شدت رقابتی شده است، اما هنوز هم استارتاپ‌هایی هستند که جایی برای خود در این میان پیدا ‌کنند و موفق شوند. برای مثال، Affectiva استارت‌‌آپی است که نرم‌افزاری برای تشخیص احساسات طراحی کرده و توانسته برای این کار سرمایه‌ای ۵۰ میلیون دلاری جذب کند. همچنین، Clarifai استارت‌آپی است که توانست طی سه سال گذشته با ارائه سیستم‌های پیشرفته تشخیص تصویر برای همانندیابی و جست‌وجوی تصویری، سرمایه‌ای ۴۰ میلیون دلاری به دست آورد. تخمین زده می‌شود که ارزش بازار الگوریتم‌ها و سرویس‌های بینایی ماشین آپی تا سال ۲۰۲۵ به ۸ میلیارد دلار برسد.

هوش مصنوعی در میان صنایع و سازمان‌ها

شرکت‌های بزرگی چون Salesforce، آی‌بی‌ام، اوراکل و SAP بازار نرم‌افزارهای سازمانی را تحت سلطه خود گرفته‌اند. این شرکت‌ها نرم‌افزارهایی در حوزه‌های مختلف از قبیل منابع انسانی (HRS)، مدیریت روابط مشتریان (CRM) و برنامه‌ریزی منابع سازمانی (ERP) و برای بخش‌های مختلف یک سازمان مثل امور مالی یا بخش تولیدی طراحی می‌کنند. اما در این میان بسیاری از استارت‌آپ‌ها توانسته‌اند با ارائه نسل جدیدی از نرم‌افزارهای سازمانی و پر کردن شکاف‌های موجود، خود را مطرح کنند. برخی استارت‌آپ‌ها حتی ادعا می‌کنند راه‌کارهای سازمانی که شرکت‌های بزرگ ارائه می‌دهند گران، پیچیده و دست‌وپاگیر هستند تا وجهه این شرکت‌ها را تخریب کنند. امروزه بیش از ۲۰۰ شرکت مبتنی بر هوش مصنوعی در بازار کار حضور دارند که بسیاری از آن‌ها استارت‌آپ می‎باشند. یکی از رهبران حوزه امنیت سایبری یعنی شرکت DarkTrace و یکی از پیشگامان حوزه اتوماسیون فرآیندهای رباتی یعنی شرکت UiPath صدها میلیون دلار کمک مالی دریافت کرده‌اند. اما غول‌های فناوری می‌خواهند تنها نام آن‌ها در مرکز توجه باشد و به همین‌خاطر در استارت‌آپ‌هایی که در مسیر تقویت محصولات و خدمات به آن‌ها کمک کنند، سرمایه‌گذاری می‌کنند. برای مثال شرکت Salesforce در استارت‌آپ DigitalGenius که راه‌کارهایی برای مدیریت مشتریان ارائه می‌داد و همچنین استارت‌آپ Unbabel که خدمات ترجمه به سازمان‌های ارائه می‌دهد، سرمایه‌گذاری کرده است. Salesforce اخیراً نیز شرکت بازاریابی Datorama  را که مبتنی بر هوش مصنوعی است، به قیمت ۸۰۰ میلیون دلار خریداری کرد. به همین ترتیب، شرکت SAP اخیرا شرکت Recast.AI را خریداری کرد تا بتواند ظرفیت‌های سیستم پردازش زبان طبیعی خود را برای فناوری‌های گفت‌وگویی ارتقا دهد.

استارتاپ‌هایی که در حوزه تولید ابزار فعالیت دارند نیز اخیراً توانسته‌اند سرمایه زیادی جذب کنند. برای مثال، شرکت Petuum, Inc. که در پیتسبورگ آمریکا واقع شده و تولید کننده ابزار است، از سال ۲۰۱۶ تاکنون ۱۰۰ میلیون دلار سرمایه به دست آورده است. هدف این شرکت ارتقاء و بهینه‌سازی فرآیند راه‌اندازی مدل‌های یادگیری ماشینی است.

همان‌طور که مشاهده می‌کنید هر استارپ‌ هوش مصنوعی راه‌کارهایی برای یک صنعت خاص ارائه می‌دهد. امروزه به هر سو که می‌نگریم، می‌بینیم که کمک‌های مالی هنگفتی به سوی استارت‌آپ‌هایی که به دنبال حل مشکلات حوزه‌های مختلف از سلامت گرفته تا امور مالی، کشاورزی، وسایل نقلیه و حتی مسائل حقوقی هستند، سرازیر شده است.

عامل موفقیت یک استارتاپ هوش مصنوعی چیست؟

نیروی محرکه این شرکت‌ها چیست و چه چیزی باعث می‌شود که بتوانند چنین سرمایه‌هایی جذب کنند؟ قطعاً راه‌کارهای سازمانی که استارتاپ های هوش مصنوعی ارائه می‌دهند، بسیار ارزشمند است و این استارت‌آپ‌ها با ۱. دسترسی داشتن به دیتاست‌های اختصاصی برای آموزش الگوریتم‌ها، ۲. داشتن دانش مرتبط با هر حوزه که به آن‌ها دیدی عمیق نسبت به مسائل و فرصت‌ها داده است و ۳. دسترسی داشتن به مجموعه‌‌ای از افراد بااستعداد در حوزه هوش مصنوعی، روز به روز موفقیت‌های بیشتری کسب می‌کنند.

1. دسترسی به اطلاعات و داده‌ها: اغلب استارتاپ های هوش مصنوعی مدل‌های یادگیری ماشینی می‌سازند که می‌تواند براساس داده‌های ورودی که به آن داده می‌شود، خروجی‌های را دسته‌بندی یا پیش‌بینی کند. داده‌ها سوخت اصلی این مدل‌های هستند و هر چه مقدار آن‌ها بیشتر باشد، قطعاً برای مدل بهتر است. برای مثال، وجود داده‌های دارای برچسب برای یادگیری با نظارت که در آن، ماشین با دیدن نمونه‌هایی از اشیاء از جمله تصاویر سگ‌ها و گربه‌ها، دسته‌بندی یا پیش‌بینی را یاد می‌گیرد، ضروری است. به همین دلیل است که شرکت‌ها برای جمع‌آوری داده با یک‌دیگر همکاری می‌کنند. شرکت دیپ‌مایند گوگل با ده‌ها بیمارستان‌ عضو سازمان ملی سلامت بریتانیا قراردادی پنج ساله امضا کرده که طبق مفاد آن، این شرکت می‌تواند به اطلاعات ۱.۶ میلیون بیمار این بیمارستان‌ها دسترسی داشته و آن‌ها را پردازش کند. Tractable نیز یک شرکت مبتنی بر هوش مصنوعی است که تصادفات جاده‌ای را تحلیل و هزینه تعمیرات را پیش‌بینی می‌کند. این شرکت توانسته به مجموعه‌ای حاوی بیش از ۱۳۰ میلیون عکس از خودروهای تصادفی دسترسی پیدا کند. تمامی عکس‌های موجود در این مجموعه حاوی توضیحاتی درخصوص نقاط آسیب‌دیده خودرو هستند. این داده‌های برچسب دار سوخت شبکه‌های عصبی عمیق برای حرکت در مسیر یادگیری هستند. تلاش‌های بسیاری برای کاهش حجم داده‌های موردنیاز برای طراحی و ساخت یک فرآیند تصمیم‌گیری دقیق انجام گرفته است، اما درمجموع همه به این نتیجه رسیدند که هر چه کیفیت داده‌ها بالاتر باشد، نتیجه بهتری خواهند گرفت. هرچند داشتن حجم زیادی از داده‌ها لزوماً به این معنا نیست که نتیجه خوبی خواهیم گرفت. اما کای فو لیکه یکی از اندیشمندان و سرمایه‌گذاران برتر دنیاست نیز بر این باور است که دلیل این‌که چین در حوزه هوش مصنوعی به موفقیت‌های زیادی دست خواهد یافت، دیتاست‌های بزرگی است که در دست دارد. وی همچنین افزود: «شمار کاربران تلفن‌های همراه در چین ۳ برابر آمریکا و حجم پرداخت‌های اینترنتی ۵۰ برابر آمریکاست.»
2. دسترسی به افراد مستعد: وقتی حقوق مهندسانی که در شرکت دیپ‌مایند کار می‌کنند ۲۸۰.۰۰۰ پوند (۳۶۳.۰۰۰ دلار) است، جذب و استخدام محققان و مهندسان هوش مصنوعی برتر و متخصص برای سایر شرکت‌ها کار دشواری خواهد بود. بسیاری از استارتاپ های هوش مصنوعی از دل دانشگاه‌ها بیرون می‌آیند و مؤسسان آن‌ها پیش‌زمینه‌های پژوهشی متفاوتی دارند. شرکت بریتانیایی ai که فارغ‌التحصیلان مقطع دکترای هوش مصنوعی دانشگاه کمبریج لندن را دور هم جمع کرده، توانسته برای تعبیه نرم‌افزارهای هوش مصنوعی ارتباطی در مراکز ارتباط با مشتری، ۱۲ میلیون دلار سرمایه جذب کند. حضور افراد مستعد در یک شرکت همچون آهنربایی عمل می‌کند و سایر افراد متخصص و مستعد را به سوی آن شرکت جذب می‌کند.
3. داشتن دانش کافی درخصوص بازار هدف: ایده‌هایی که منجر به نوآوری‌ها و پیشرفت‌های علمی چشمگیر می‌شوند، اغلب متعلق به تیم‌هایی هستند که از افرادی با تخصص‌های گوناگون تشکیل شده‌اند. به این ترتیب، هر فرد می‌تواند فرصت‌های موجود در حوزه تخصصی خود را شناسایی کند. برای مثال، اگر یک متخصص یادگیری ماشینی با یک متخصص امور بیمه همکاری کند، می‌تواند با کمک این فرد مسائل و مشکلات موجود در حوزه بیمه را بهتر درک کرده و راهکار بهتری برای حل آن‌ها طراحی کند.

هوش مصنوعی فناوری برای توانمندسازی سازمان‌هاست (درست همانند پایگاه‌های داده‌ای SQL در سال ۱۹۸۰)

استارتاپ‌های موفق در حوزه هوش مصنوعی؛ ذات واقعی این فناوری را شناخته‌اند و می‌دانند چگونه می‌توان از آن استفاده کرد. هوش مصنوعی یک فناوری توانمندساز است. در دهه ۱۹۸۰ با معرفی پایگاه‌های داده‌ای SQL امکان ذخیره‌سازی داده‌های ساختاریافته در قالب جدول فراهم شد. بدین ترتیب، ارائه میلیون‌ها برنامه‌های کاربردی مبتنی بر این پایگاه‌های داده برای بخش‌های مختلف سازمان‌ها از جمله برنامه ریزی منابع سازمانی و مدیریت روابط مشتریان، میلیاردها دلار سود برای این صنعت به همراه داشت. هوش مصنوعی نیز کاربردهای جدیدی به دنیا معرفی کرد. برای مثال، الگوریتم‌های بینایی را می‌توان تقریباً در هر صنعتی از تشخیص نقص‌های فرآیند تولید کارخانه‌ای گرفته تا تشخیص دزدها در فروشگاه‌ها و کمک به سیستم‌های خودران برای هدایت اتومبیل در خیابان‌ها، به‌کار گرفت. از الگوریتم‌های پردازش زبان طبیعی نیز می‌توان در حوزه‌های مختلف از بررسی احساسات مشتریان در شبکه‌های اجتماعی گرفته تا بررسی تمامیت قراردادها و ارزیابی رزومه‌های مختلف، استفاده کرد. فناوری تبدیل گفتار به نوشتار نیز در الگوریتم‌های رونویسی در حوزه پزشکی مورد استفاده قرار می‌گیرد.

هوش مصنوعی با حل کردن مسائل مختلف در شرکت‌ها و سازمان‌ها، آن‌ها را توانمند می‌سازد. بنابراین، می‌توان گفت که استارت‌آپ‌های هوش مصنوعی کسب‌وکارهای بنگاه به بنگاه هستند و بر سازمان‌ها متمرکزند. ما در شرکت Best Practice AI بیش از ۶۰۰ کاربرد رایج هوش مصنوعی را شناسایی کرده‌ایم. برای به‌کارگیری و ادغام هوشمصنوعی با فرآیندهای کاری که امروزه در سازمان‌ها وجود دارد، روش‌های بسیاری وجود دارد.

شرکت Best Practice AI بیش از ۶۰۰ کاربرد رایج فناوری‌های هوش مصنوعی را در حوزه‌های تولید، بخش پذیرش شرکت‌ها، تحقیق و توسعه و بخش اصلی شرکت‌ها شناسایی کرده‌ است. هرچه رنگ خانه‌های جدول بالا تیره‌تر باشد، به این معناست که کاربردهای هوش مصنوعی در آن زمینه بیشتر است.

همچنین توانستیم بیش از ۳۰۰۰ استارت‌آپ را در سرتاسر جهان شناسایی کنیم که اغلب سعی دارند وارد دنیای سازمان‌ها شوند.

البته تعجبی نیست که استارتاپ‌ها تمرکز خود را بر روی سازمان‌ها گذاشته‌اند. شرکت تحقیقاتی  اخیراً پیش‌بینی کرده که ارزش تولید شده درنتیجه به‌کارگیری هوش مصنوعی در سازمان‌ها تا سال ۲۰۲۲ به رقم قابل‌توجه ۳.۹ تریلیون دلار خواهد رسید. پس

شرکت تحقیقاتی GARTNER پیش‌بینی کرده که تا سال ۲۰۲۲ ارزشی که توسط هوش مصنوعی در سازمان‌ها ایجاد می‌شود، از ۱.۲ تیلیون دلار در سال ۲۰۱۸، به ۴ تیلیون دلار خواهد رسید.

توجه ویژه استارتاپ های هوش مصنوعی به سازمان‌ها جای تعجب ندارد. هدف این استارت‌آپ‌ها طراحی راهکارهای تخصصی برای هر صنعت و یا ارائه یک راهکار افقی (همچون بخش منابع انسانی مبتنی بر هوش مصنوعی) که در سطح تمامی صنایع به کار گرفته شود، است.

عبور از شکاف تجاری و ورود به دنیای سازمان‌ها

عموماً استارتاپ‌هایی که ذات فناوری هوش مصنوعی و فرصت‌های موجود در دنیای شرکت‌ها را شناخته‌اند، عملکرد خوبی داشتند. اما در این میان، استارت‌آپ‌هایی توانسته‌اند گسترش پیدا کنند و راهکارهایی تعمیم‌پذیر ارائه بدهند که از شکاف تجاری عبور کرده‌اند و از دنیای فناوری به دنیای سازمان‌ها و شرکت‌ها قدم گذاشته‌اند. این استارت‌آپ‌ها در مسیر خود چندین درس مهم آموخته‌اند:

1. سریع حرکت نکن و چارچوب‌ها را نشکن

این فرهنگ که توسط سیلیکون ولی به شهرت رسید، در دنیای تجارت بنگاه به مشتری (B2C) نتیجه خوبی داشت و توانست پیامدهای رخ دادن خطا در نرم‌افزارها را به‌نسبت محدود سازد. توسعه‌دهندگان نرم‌افزار در سرتاسر دنیا از استارت‌آپ‌های کوچک و متدولوژی‌های چابک استقبال می‌کنند. نرم‌افزارها ممکن است گاهی با خطا مواجه شده و متوقف شوند؛ اما چنین چیزی در دنیای سازمان‌ها قابل‌قبول نیست.

این مسئله به‌ویژه در سازمان‌های قاعده‌مند همچون سرویس‌های مالی، کشاورزی یا دارویی منجر به مشکلات زیادی خواهد شد و پذیرفته نیست. فناوری به خودی خود موجب تعریف قوانین و مقررات جدید در دنیا شده است. برای مثال اتحادیه اروپا قانون GDPRرا در سال ۲۰۱۸ وضع کرد که براساس آن، افراد درخصوص داده‌های شخصی خود که در سازمان‌ها مورد استفاده قرار می‌گیرد، حق دارند و شرکت‌هایی که از داده‌های مشتریان خود سواستفاده کنند، جریمه خواهند شد. گفتن جمله «متاسفانه این نرم‌افزار از دسترس خارج شده است» در دنیای مالی و زمانی که با داده‌ها و تراکنش‌های مالی سروکار دارید، به هیچ‌وجه قابل‌قبول نیست. Revolut، بانک تازه تأسیس و چالش‌برانگیز بریتانیایی که بر مبنای هوش مصنوعی بنا شده، با قانون‌گذاران به مشکل خورده است. در دنیایی که نتیجه فرآیند تصمیم‌گیری خودکار توسط الگوریتم‌ها (برای مثال، تصادف اتومبیل‌های خودران یا تشخیص بیماری‌های خاص) می‌تواند زندگی افراد را تحت‌تأثیر قرار دهد، باید ابتدا و پیش از عرضه راهکارها، از دقت و قابل‌اطمینان بودن الگوریتم‌ها تصمیم‌گیرنده مطمئن شد.

شرکت‌ها سعی دارند از خطراتی که ممکن است در اثر به‌کارگیری هوش مصنوعی، شهرت آن‌ها را تهدید کند، اجتناب کنند. برای مثال، اگر دیتاستی که برای آموزش الگوریتم‌های هوش مصنوعی دارای اریبی باشد، ممکن است برنامه هوش مصنوعی این شرکت به عنوان یک برنامه تبعیض‌آمیز شناخته شود و در نتیجه آن، وجهه شرکت آسیب ببیند. همه ما اخیراً در تیترهای خبری مشاهده کرده‌ایم که برخی الگوریتم‌های توانسته‌اند در تشخیص جنسیت مردان سفید پوست بهتر از تشخیص سایر نژادها عمل کنند. یا برای مثال، سیستم استخدامی شرکت آمازون را درنظر بگیرید که به دلیل آموزش دیدن با داده‌های دارای اریبی، بیشتر مردان جوان و سفیدپوست را برای استخدام انتخاب می‌کرد.

بنابراین، استارت‌آپ‌های هوش مصنوعی باید بتوانند اعتماد سازمان‌ها را به راهکارهای خود جلب کنند. آیا تصمیماتی که به صورت کاملاً خودکار و توسط فناوری هوش مصنوعی شما گرفته می‌شوند، قابل توضیح و توجیح هستند؟ برای مثال، اگر فناوری شما مسئول تصمیم‌گیری در خصوص استخدام افراد است، باید بتوانید نحوه کار الگوریتم را در چارچوب قانون GDPR توضیح دهید. باید بتوانید اثبات کنید که تصمیم‌گیری‌های این الگوریتم دارای سوگیری و متعصبانه نیست و براساس جنسیت، سن، موقعیت اجتماعی یا مشکلات سلامتی فرد تصمیم‌گیری نمی‌کند. سازمان اطلاعات بریتانیا به‌تازگی مقاله‌ای منتشر کرده که در آن به ۸ ریسکی که هوش مصنوعی برای سازمان‌ها دربردارد، اشاره می‌کند. این ریسک‌ها عموماً در حوزه‌های زیر می‌باشند.

• رعایت عدالت و شفافیت در پرونده‌سازی به ویژه در مواردی که امکان جهت‌گیری و تبعیض وجود دارد.
• دقت مدل‌های هوش مصنوعی
• میزان خودکار بودن فرآیند تصمیم گیری: کاملاً خودکار یا نیمه خودکار
• ریسک‌های موجود در حوزه‌های امنیت و سایبری
• موازنه میان دقت، حریم خصوصی و قابلیت توضیح و توجیح

استارت‌آپ‌ها و شرکت‌ها باید در این حوزه که به آن «کاربرد متعهدانه هوش مصنوعی» گفته می‌شود و به این معناست که آهسته و پیوسته حرکت کنید و چارچوب‌ها را نشکنید تا خود را به دردسر نیاندازید.

2. به‌دنبال یافتن کاربردهای ارزشمند باش و به هر چیزی اکتفا نکن

در سال‌های اخیر شاهد موجی از نرم‌افزارهای مختلف بودیم که هر یک نیازهای متفاوت مصرف‌کنندگان را هدف گرفته بودند. می‌توان تنها در یک هفته، یک نرم‌افزار ساخت و عرضه کرد و با تبلیغ کردن در گوگل و فیس‌بوک، برای آن مخاطب جذب کرد. اما این رویکرد درخصوص سازمان‌ها کارایی ندارد. در این حوزه با یک بازی مجموع صفر روبه‌رو هستیم که در آن مدیر ارشد فناوری اطلاعات و سایر مقامات اجرایی شرکت استقبال چندانی از راهکارهای فناوری‌محور جدید نمی‌کنند. همه ما سردرگمی ناشی از استفاده از جدیدترین نسخه نرم‌افزارهای مربوط به منابع انسانی، امور مالی، فروش و بازاریابی را تجربه کرده‌ایم. ما همیشه برای به‌یادآوردن رمزعبور خود دچار مشکل می‌شویم. کارکرد نرم‌افزارهای جدید هیچ شباهتی به نرم‌افزارهای قدیمی ندارد. ما معمولاً نمی‌توانیم به‌خاطر بیاوریم که فایل‌های موردنیاز را در پوشه پروژه‌ها ذخیره کرده‌ایم یا در فضای ابری. به همین دلیل، تلاش‌های پیشگامان حوزه فناوری برای به‌روزرسانی پایگاه‌های داده و سامانه‌های قدیمی و فرسوده به‌طور مداوم با شکست مواجه می‌شود.

راهکار شما باید یک مشکل واقعی را هدف گرفته باشد تا بتوانید توجه مدیران ارشد سازمان مدنظر را جلب کنید. یک مشکل واقعی مشکلی است که مدیران را نگران می‌کند و با سوددهی شرکت گره خورده است. راهکارهایی که بود و نبودشان تأثیر چندانی بر فرآیندهای کاری ندارد، به درد سازمان‌ها نمی‌خورند.

یک مثال خوب برای یک راهکار ارزشمند، محصولی است که شرکت HireVue ارائه داده است. این شرکت توانسته با همکاری شرکت Unilever، بیش از ۵۰.۰۰۰ ساعت از زمانی که برای مصاحبه با متقاضیان کار لازم بوده، بکاهد و بیش از ۱ میلیون پوند در هزینه‌های شرکت صرفه‌جویی کند. همچنین به کمک تحلیل مصاحبه‌های ویدیویی به وسیله ماشین‌ها تنوع متقاضیان افزایش پیدا کرد. استارت‌آپ بریتانیایی Reinfer نیز با استفاده از الگوریتم‌های پیشرفته پردزاش زبان طبیعی (NLP) می‌تواند با وارسی میلیاردها ایمیل و پیامی که افراد برای یک‌دیگر می‌فرستند، موضوع اصلی بحث میان مردم را پیدا کند. نرم‌افزار این استارت‌آپ اخیراً فاز آزمایشی خود را در یک بانک بین‌المللی به اتمام رسانده است. نرم‌افزار مذکور در این دوره آزمایشی توانست به کمک یادگیری ماشینی و با تحلیل و وارسی صندوق‌های پستی، مسائل و مشکلات عمده‌ای که در فرایندهای پس از معامله به‌وجود می‌آید را شناسایی کند. این کاربرد، قطعاً یک کاربرد خاص و ویژه به‌شمار می‌آید.

3. اصول تجارت بنگاه به بنگاه و صبور بودن

استارتاپ‌ها باید اصول فروش سازمانی را بیاموزند. این مهارت‌ها برای عرضه‌کنندگان هوش مصنوعی یک مزیت به حساب می‌آیند. یکی از بهترین دوره‌های آموزشی که خود من در آن شرکت کردم، دوره روش‌شناسی فروش SPIN است (در این‌جا حرف S نماد Situattion به معنای موقعیت، P معادل Problem به معنای مشکل و مسئله، I معادل Implication به معنای وجود داشتن و N نماد Need به معنای نیاز است). برای فروش یک محصول ابتدا باید سهام‌داران را شناسایی کرد، یک جلسه با این سهام‌داران برگزار کرد، موقعیت فعلی کسب‌وکار را سنجید، برای شناسایی مشکلات اصلی پرس‌وجو کرد، وجود این مشکلات در بخش‌های مختلف شرکت را بررسی کرد و در راستای این نیاز یک توافق جمعی ایجاد کرد. حتی در این حالت نیز هیچ ضمانتی وجود ندارد که راهکار شما برای حل این مشکل، مورد توجه شرکت قرار گیرد تا بخشی از بودجه خود را به آن اختصاص دهد.

مدیر یک شرکت معمولی همواره لیستی بلندبالا از کارهایی که باید انجام دهد، دارد. استارت‌آپی که می‌خواهد برای یک نیاز اساسی و مهم راهکار ارائه دهد نیز باید به جای حدس و گمان، چنین لیستی از کارهای خود تهیه کند.

باتوجه به این‌که یک چرخه فروش ممکن است ۱۲ تا ۱۸ ماه به‌طول بیانجامد، داشتن صبر ویژگی مهم اما کمیابی است. بسیاری از استارت‌آپ‌های هوش مصنوعی سرمایه خود را از دست می‌دهند یا منابع با ارزش خود را به فرصت‌های فروشی اختصاص می‌دهند که مناسب نیستند. اگر فکر می‌کنید یک پروژه درنهایت به جایی نخواهد رسید، همان ابتدا آن را کنار بگذارید. استارت‌آپ Reinfer  می‌دانست که چرخه فروش بسیار طولانی است، اما آن‌ها به دلیل شناسایی یک کاربرد ارزشمند در این حوزه، وارد بازی شدند و توانستند فاز آزمایشی را با موفقیت به پایان برسانند.

4. هوش مصنوعی را به زبان تجاری ترجمه کن

یک استارتاپ باید بتواند اهمیت و ارزش الگوریتم، فناوری، محصول یا راهکار منحصربه‌فرد خود را به زبانی توضیح دهد که برای مخاطبینش قابل فهم باشد. افراد استارت‌آپی باید دوزبانه باشند! از آن‌جا که اغلب استارت‌آپ‌ها توسط افراد جوان، به‌شدت باهوش و دارای ذهن‌های تخصصی و فنی پایه‌گذاری می‌شوند، یک شکاف ارتباطی بین آن‌ها و تاجران وجود دارد. ما همواره مشاهده می‌کنیم که در زمان معرفی و توضیح جزئیات یک فناوری انقلابی چشمان مدیران اجرایی خسته و خواب‌آلود می‌شود. اما اگر بتوانید تنها در یک سخنرانی کوتاه به آن‌ها توضیح دهید که این فناوری چگونه می‌تواند با افزایش عایدی‌، بهره‌وری و بهبود خدمات مشتریان، کسب‌وکار آن‌ها را یک قدم جلوتر از بقیه ببرد، مدیران از خود بیخود خواهند شد و به سرعت شما را می‌پذیرند. بنابراین، استارت‌آپ‌ها باید بتوانند هم به زبان دنیای فناوری و هم به زبان دنیای کسب‌وکار صحبت کنند و باید زبان تخصصی و فنی خود را به زبان تجاری ترجمه کنند.

5. فرآیند فاز آزمایشی را تسهیل کن

به‌کارگیری نسخه آزمایشی محصول استارتاپ‌ها باید تا حد امکان آسان شود. در دنیای هوش مصنوعی عموماً به زمان و داده‌های زیادی برای آموزش مدل‌های یادگیری ماشینی نیاز است. همچنین، برای آن‌که یک فناوری‌ هوش مصنوعی به خوبی کار کند، فناوری سمت سرور آن باید توسط مهندسان متخصص تعبیه و اداره شود. جمع‌آوری، بررسی و سروکله‌زدن با داده‌ها ممکن است ماه‌ها به طول بیانجامد. به‌علاوه، استفاده از این داده‌ها برای آموزش مدل نیز چندین ماه زمان می‌برد. اما سازمان‌ها پرمشغله‌تر از آن هستند که علاقه‌ای به استفاده از نسخه‌های آزمایشی داشته باشند که نصب آن تا این حد زمان‌بر باشد. آن‌ها تنها راهکاری می‌خواند که به‌سرعت به نتیجه برسد. استارت‌آپ DigitalGenius در این زمینه عملکرد خوبی از خود نشان داد. فناوری که آن‌ها برای بخش خدمات مشتریان ارائه داده‌اند، می‌تواند روی سامانه کنونی هر سازمانی اجرا شود. آن‌ها همچنین توانسته‌اند مدت زمان لازم برای آموزش این سیستم را به حداقل برسانند. به‌علاوه، این استارت‌آپ با فراهم کردن امکان دخالت انسان در فرآیند تصمیم‌گیری، پیاده‌سازی این سیستم را تسهیل کرده است. شرکت هواپیمایی KLM ادعا کرده که ربات سخنگوی شرکت DigitalGenius توانسته پاسخگوی بیش از ۵۰% از سوالات مطرح شده مشتریان این شرکت در فضای مجازی باشد.

6. مهندسین فنی پایه‌گذار شرکت باید افراد متخصص دنیای تجارت را استخدام کنند

استارتاپ‌ها باید بتوانند از شکاف تجاری عبور کرده و از دنیای فناوری قدم به دنیای سازمان‌‌ها بگذارند. در مقاله‌ای که اخیراً در مجله کسب‌وکار هاروارد منتشر شد، گزارش شده که استارت‌آپ‌هایی شانس موفقیت بالاتری داشته‌اند که مهندسان متخصصی که آن‌ها را پایه‌گذاری کرده‌اند، سریعاً افراد متخصص در حوزه کسب‌وکار را استخدام کرده‌اند. دلیل این‌که چرا داشتن مهارت‌های فنی و تخصصی برای مؤسسان استارتاپ‌آپ‌ها مهم‌تر است، این است که معمولاً مهارت مهندسان مهارت‌های در حوزه کسب‌وکار بهتر از مهارت متخصصین کسب‌وکار در حوزه‌های فنی است. اما ترکیب مهندسان با تاجران با چالش‌های زیادی روبه‌روست. من بارها دیده‌ام که استارت‌آپ‌ها برای کنار آمدن با این چالش فرهنگی، چه چیزهایی از سر گذرانده‌اند. معمول‌ترین اشتباهی که مهندسان دچار آن می‌شوند، استخدام فروشندگان «کشاورز» به جای فروشندگان «شکارچی» است. زیرا فروشندگان کشاورز نمی‌دانند چطور باید کسب‌وکارهایی که به استارت‌آپ شما نیاز دارند را شکار کنند.

سرمایه‌گذاران هوشمند و صبور را جذب کنید

ساخت محصولات و فناوری‌های مبتنی بر هوش مصنوعی نسبت به تهیه نمونه اولیه یک نرم‌افزار موبایلی ساده، به زمان خیلی بیشتری احتیاج دارد. ممکن است عرضه یک فناوری هوش مصنوعی به بازار حتی بیشتر از یک سال طول بکشد. بنابراین، باید مطمئن شوید که سرمایه‌گذاران مدت‌زمان لازم برای تحویل پروژه را درک می‌کنند. همچنین، نباید بگذارید استارت‌آپ شما در بین مرحله کشت ایده و مرحله اولیه درون شکاف تأمین مالی سقوط نکند. در صحبت اخیری که با یک سرمایه‌گذاران بریتانیایی داشتم به من گفتند که:

آن‌ها همیشه شرکتی که در آن سرمایه‌گذاری کرده‌اند را تشویق می‌کنند که سرمایه بیشتری جذب کند تا همواره راهی برای طراحی محصولات جدید و فروش داشته باشند.

همچنین، برای جذب کمک مالی باید دوزبانه باشید. امروزه بسیاری از سرمایه‌گذاران از علم سر در نمی‌آورند و نمی‌توانند به‌راحتی آن را ارزیابی کنند. اما اگر استارت‌آپی بتواند با سرمایه‌گذاران به زبان دنیای کسب‌وکار، یعنی به کمک مفاهیم فرصت‌های بازار، کاربردها، گزاره ارزش و استراتژی ارائه به بازار، صحبت کند، آن‌ها قطعاً به سرمایه‌گذاری ترغیب خواهند شد.

من اغلب دیده‌ام که مشکلات مربوط به زبان و برقراری ارتباط پس از جذب سرمایه بروز پیدا می‌کند. بسیاری از استارتاپ‌ها توسط محققان دانشگاهی پایه‌گذاری می‌شوند. تیم تحقیقاتی این استارت‌آپ‌ها شبانه‌روز کار می‌کنند تا بتوانند نسخه اولیه محصول خود را ارائه کنند. این محصول اولیه به راحتی نظر سایر متخصصین این حوزه را به خود جلب می‌کند، اما وقتی پای یک سرمایه‌گذار یا متخصص کسب‌وکار به میان می‌آید، موضوع کاملاً برعکس می‌شود. زیرا این قبیل افراد نمی‌توانند با دیدن محصول، چیزی متوجه شوند. وقتی هم که می‌خواهند امتحانش کنند، با مشکل روبه‌رو می‌شود و به همین سادگی، بدون داشتن درک درست از فناوری و ایده پشت آن، این محصول شگفت‌انگیز نادیده گرفته می‌شود. درمجموع، بدون داشتن درک درست از یک مسئله و توانایی انتقال این دانش، جمع‌آوری کمک مالی کار دشواری خواهد بود.

گنج استارت‌آپ‌ها و شتاب‌دهنده سازمان‌ها

رقابت در دنیای هوش مصنوعی برسر مقیاس‌پذیری است. هرچه حجم داده‌ها بیشتر و کیفیت آن‌ها بالاتر باشد، الگوریتم‌های هوش مصنوعی نیز عملکرد بهتری خواهند داشت که خود منجر به بهره‌وری بیشتر، محصولات و خدمات بهتر و ارائه خدمات بهتر به مشتریان می‌شود. این مسائل نیز باعث افزایش شمار مشتریان سازمان و جمع‌آوری داده‌های بیشتر می‌شود که موجب تعمیق نگرش‌ ما به مسئله خواهد شد. این چرخه به همین ترتیب ادامه خواهد داشت و به نیروی محرکه سازمان‌ها بدل خواهد شد. استارت‌آپ‌های موفق در حوزه هوش مصنوعی این نکته را دریافته‌اند و بدین ترتیب، توانسته‌اند در این رقابت پیش بروند.

درمجموع همه این‌ها به چه معناست؟

برندگان رقابت هوش مصنوعی، برد خود را مدیون مقیاس‌پذیری فناوری هستند که ارائه داده‌اند. شرکت‌های بزرگ فناوری همچون گوگل، مایکروسافت یا علی‌بابا به همین دلیل از سایرین پیشی گرفته‌اند. این شرکت‌ها با به‌کارگرفتن بااستعدادترین مهندسین و محققین و دسترسی داشتن به دیتاست‌های بزرگ که حاوی اطلاعات میلیاردها کاربر آن‌هاست، بهترین و پیشرفته‌ترین فناوری‌های هوش مصنوعی را ارائه می‌دهند. همچنین کشورهایی مثل آمریکا و چین که به داده‌های فراوان و فرصت‌های استفاده ار هوش مصنوعی دسترسی دارند، رهبران دنیای فناوری شده‌اند.

استارت‌آپ‌ها برای رشد کردن در این بازار رقابتی باید محققان پیشرو و متخصصان هر حوزه را به سمت خود جلب کنند و دیتاست‌های منحصربه‌فرد و باکیفیتی در دسترس داشته باشند. اما مهم‌تر از همه این‌ها، استارت‌آپ‌های هوش مصنوعی باید بتوانند از شکاف تجاری عبور کرده و از دنیای فناوری به دنیای سازمانی بروند. استارت‌آپ‌های موفق می‌دانند که باید نکات زیر را رعایت کنند:

1. سریع حرکت نکن و چارچوب‌ها را نشکن
2. به‌دنبال یافتن کاربردهای ارزشمند باش و به کاربرد مناسب اکتفا نکن
3. اصول تجارت بنگاه به بنگاه و صبور بودن
4. هوش مصنوعی را به زبان تجاری ترجمه کن
5. فرآیند فاز آزمایشی را تسهیل کن
6. مهندسین فنی پایه‌گذار شرکت باید افراد متخصص دنیای تجارت را استخدام کنند

استارتاپ‌ها همچنین باید نظر سرمایه‌گذارن صبور و هوشمند را جلب کنند.

بسیاری از استارتاپ‌ها راه به جایی نمی‌برند، اما آن‌هایی که می‌توانند رشد کنند، به سرعت تبدیل به شرکت‌های بین‌المللی می‌شوند یا توسط شرکت‌های بزرگ خریداری می‌شوند.

حتی اگر استارتاپی نتواند به مرحله تجاری‌سازی برسد، درصورتی که تیم قدرتمند و بااستعدادی پشت آن باشد، شرکت‌های دیگر ممکن است ایده آن‌ها را خریداری کنند. من در سال گذشته شاهد چنین اتفاقی بودم. شرکت فیس‌بوک استارتاپ BloomsburyAI را که یکی از مشتریان ما بود، خریداری کرد.

منبع: hooshio.com

فناوری هوش مصنوعی و چالش‌های جهانی

هر کشوری که پیشرفته‌ترین فناوری هوش مصنوعی را در اختیار داشته باشد می‌تواند بر دنیا حکومت کند. هوش مصنوعی مهم‌ترین فناوری قرن بیست و یکم به شمار می‌رود به همین دلیل باید از برنامه‌ها و فعالیت‌های سایر کشورها در حوزه هوش مصنوعی آگاه باشیم.

در مقاله پیش رو جایگاه فناوری هوش مصنوعی را در سطح جهانی بررسی می‌کنیم و به دنبال آن مسائلی همچون مباحثات سیاسی، داده‌ها، مسائل اقتصادی، کسب‌وکارهای نوپا، تأمین مالی، تحقیق و پژوهش و زیرساخت را مورد مطالعه و بررسی قرار می‌دهیم. در این مقاله مروری اجمالی خواهیم داشت بر ابرقدرت‌های کنونی این حوزه یعنی چین و ایالات متحده و در آینده در مقالاتی جداگانه جایگاه و موقعیت فن‌آوری هوش مصنوعی را در این دو کشور توضیح خواهیم داد. سؤالی که در نهات مطرح می‌شود این است که بشر چگونه با چالش‌های جهانی هوش مصنوعی مقابله خواهد کرد.

سیاست‌مداران باید توجه بیشتری به فناوری هوش مصنوعی نشان دهند

اولین موج دیجیتالی کردن در حالی بسط و گسترش پیدا کرد که دولت‌ها دخالت و تأثیر چندانی در شکل‌گیری آن نداشتند. اگرچه طرح‌هایی در دست اقدام است تا انحصار گوگل شکسته شود ( ایالات متحده و اروپا)، برای مثال کشورهای اروپایی شرکت‌های گوگل و فیسبوک را به پرداخت جریمه‌های نقدی محکوم می‌کنند، اما سیاست‌مداران بیش از یک دهه است که از این بازار غافل بوده‌اند.

برای اولین بار در تاریخ و با در نظر گرفتن اهمیت فن‌آوری هوش مصنوعی متوجه شدم که دولت‌های بسیاری اقدامات، طرح‌های ابتکاری و استراتژی‌های متعددی در حوزه هوش مصنوعی تدوین کرده‌اند و این در حالی است ‌که هر کدام از این دولت‌ها اهداف گوناگونی را دنبال می‌کنند و رویکردهای متفاوتی در این راستا اتخاذ کرده‌اند.

فناوری هوش مصنوعی مسئله‌ای است که سیاست‌مداران و دولت‌ها ناگزیر با آن مواجه هستند و خواهند بود. فناوری‌های هوش مصنوعی می‌توانند در پیش‌گیری از تغییرات آب‌و‌هوایی و سیاست‌های اقتصادی مؤثر واقع شوند. علاوه بر این هوش مصنوعی مدیریت و حاکمیت صنایع داخلی، امنیت و حریم خصوصی شهروندان را تحت تأثیر قرار می‌دهد.

از این روی ضروری است دولت‌ها استراتژی بلند مدتی برای پایه‌ریزی  و توسعه فناوری هوش مصنوعی تدوین کنند. اما تدوین چنین استراتژی‌ای هزینه‌بر خواهد بود. برای مثال اروپا در تدوین استراتژی‌های بلند مدت و استراتژی‌های سرمایه‌گذاری با مشکلاتی مواجه است.

در مقابل کشور چین برنامه مشخصی برای کنترل و نظارت بر فناوری هوش مصنوعی دارد. چین معتقد است فناوری هوش مصنوعی ابزار مهمی برای سیاست‌های خارجی قوی، سلطه نظامی، پیشرفت اقتصادی و هم‌چنین کنترل و نظارت بر جمعیت یک کشور است.

ایالات متحده تحقیقات و پژوهش‌های بی‌شماری در حوزه هوش مصنوعی انجام می‌دهد و از وجود شرکت‌های بزرگی همچون گوگل، مایکروسافت، فیسبوک و آمازون بهره‌مند است و این در حالی است که هر کدام از این شرکت‌ها در زمینه توسعه فناوری هوش مصنوعی پیشگام هستند.

هرچند دونالد ترامپ تاکنون اقدمات ویژه‌ای در زمینه هوش مصنوعی انجام نداده اما دولت ایالات متحده دهه‌ها است که از طریق وزارت‌خانه‌ها و سرویس‌های مخفی خود به تحقیق و پژوهش در زمینه هوش مصنوعی مشغول است و فن‌آوری‌های هوش مصنوعی را در حوزه‌های گوناگون پیاده‌سازی و اجرا می‌کند.

دو کشور کانادا و فلسطین اشغالی از اهمیت یکسانی برخوردار هستند اما نسبت به سایر کشورهایی که بر سر هوش مصنوعی با یکدیگر به رقابت می‌پردازند، پیشرفت‌های کمتری دارند.

فلسطین اشغالی در حوزه فناوری پیشتاز است و تعداد شرکت‌های هوش مصنوعی این کشور نسبت به مجموع شرکت‌های هوش مصنوعی آلمان و فرانسه بیشتر است ( برای کسب اطلاعات بیشتر به چشم‌انداز جهانی هوش مصنوعی رجوع کنید). دانشگاه‌های متعددی در فلسطین اشغالی وجود دارد و علاوه بر این، این کشور به بازارهای سرمایه آسیا و آمریکا دسترسی دارد و با دولت و صنایع نظامی همکاری‌های نزدیکی دارد. Intel یکی از شرکت‌های این کشور موسوم به Mobileye را به قیمت ۱۵ میلیارد دلار خریداری کرد و  این تنها نمونه کوچکی از فضای پویای هوش مصنوعی در فلسطین اشغالی است.

طی ۷ سال گذشته کشور کانادا تا حد زیادی از مزایای فن‌آوری یادگیری عمیق بهره‌مند شده است. جفری هینتون، یان لوگن، یوشیا بنگیومشهورترین پژوهش‌گران این حوزه هستند. هر سه پژوهش‌گر مذکور در دوره‌های مختلف در مؤسسه تحقیقات پیشرفته کانادا مشغول به تحقیق و پژوهش بوده‌اند. این سه پژوهش‌گر توانستند از آخرین «زمستان هوش مصنوعی» عبور کنند و از آن زمان به بعد در حال شکل‎‌دهی بازار هستند.

کشور کانادا استراتژی مشخصی برای هوش مصنوعی در اختیار دارد و  سال‌ها است که به تحقیق و پژوهش، سرمایه‌گذاری و پیاده‌سازی و اجرای فن‌آوری‌های هوش مصنوعی مشغول است.

علاوه بر این سه کشور ژاپن، کره و هند نیز پیش‌نیازهای لازم برای آن‌که طی سال‌های آتی نقش مؤثری در حوزه هوش مصنوعی ایفا کنند را در اختیار دارند.

برای کسب اطلاعات بیشتر در این زمینه می‌توانید گزارش استراتژی‌های ملی هوش مصنوعی که توسط Konrad Adenauer Foundation تدوین شده را مطالعه کنید (بخش اول و بخش دوم).

قدرت اقتصادی و فناوری هوش مصنوعی

هرچند وظیفه تدوین و تنظیم ضوابط و مقررات لازم برای تحقیق و پژوهش، تأمین منابع مالی، آموزش، داده و ارتقاء بر عهده دولت‌ها است اما در نهایت این شرکت‌ها هستند که باید فناوری هوش مصنوعی را توسعه دهند و آن را به بازار عرضه کنند.

پیش از هر چیز باید منافع ملی را در نظر گرفت. به بیانی دیگر شرکت‌های سراسر دنیا باید در طرح‌ها، تحقیقات و محصولات هوش مصنوعی خود منافع ملی را در نظر بگیرند. به عقیده من گوگل (Alphabet)، آمازون، مایکروسافت رهبری هوش مصنوعی در جهان را در دست دارند. بزرگ‌ترین شرکت‌های اینترنتی کشور چین موسوم به Alibaba، Baidu و Tencent نیز در این حوزه پیشتاز هستند.

دو نوع شرکت در حوزه هوش مصنوعی فعالیت دارند: شرکت‌هایی که هوش مصنوعی را توسعه می‌دهند و آن را به عنوان محصولی بنیادی به فروش می‌رسانند و شرکت‌هایی که از هوش مصنوعی در راستای تکمیل زنجیره ارزشی خود استفاده می‌کنند.

در هر حال هر شرکتی که امروزه مشغول به فعالیت است ناگزیر به استفاده از فناوری هوش مصنوعی است. از یک سو هوش مصنوعی می‌تواند جایگزین مدل‌های کسب‌و‌کار موجود شود و از سوی دیگر می‌توان از این فن‌آوری در فرایندهای بی‌شمار شرکت‌ها  از جمله حسابداری، اداره کردن، تولید، بازاریابی، فروش، امور اداری، مدیریت پرسنل و استخدام بهره جست.

در هر حال یکی از اصلی‌ترین انگیزه‌های استفاده از هوش مصنوعی کاهش هزینه‌ها و به حداکثر رساندن سود است. البته کنترل این فناوری هم مهم است. هوش مصنوعی جایگزین مشاغلی می‌شود که پیش از این انسان‌ها انجام می‌دادند. اغلب مواقع پس از آن‌که هوش مصنوعی برای مدتی آموزش دید سریع‌تر، کارآمدتر از انسان‌ها عمل می‌کند و هزینه‌های استفاده از آن نیز در مقایسه با انسان‌ها کمتر خواهد بود. انسان‌ها مریض می‌شوند، به تعطیلات، غذا و خواب نیاز دارند. انسان‌ها نیاز به سرگرمی دارند و استعفا می‌دهند و یا بازنشسته می‌شوند. فن‌آوری هوش مصنوعی می‌تواند به صورت تمام وقت کار می‌کند و این در حالی است که نیازی نیست حقوق آن‌ را افزایش داد. هرچه شرکت‌ها بیشتری از فن‌آوری هوش مصنوعی استفاده کنند، کمتر به نیروهای کار (انسان) نیاز خواهند داشت.

داده یک مزیت رقابتی است

پایه و اساس تمامی فناوری‌های هوش مصنوعی داده است. از این روی در بخش‌های مختلفی به داده نیاز خواهیم داشت. پیش از هر چیز برای آموزش و تحقیق و پژوهش در زمینه هوش مصنوعی محدودبه داده نیاز داریم. هر چه سطح دیجیتالی بودن مدل کسب‌و‌کار شما بیشتر باشد، داده‌های بیشتری خواهید داشت. به همین دلیل پیشتازان بازاریابی (گوگل، فیسبوک)، شرکت‌های نرم‌افزاری ( Salesforce، Microsoft) و خرده‌فروش‌های الکترونیک (Zalando، Amazon) سال‌ها است که در حوزه فن‌آوری هوش مصنوعی فعالیت می‌کنند.

تعدادی از بانک‌ها نیز سریعاً متوجه اهمیت هوش مصنوعی شدند. از این روی گلدمن ساکسو جی پی مورگانکارمندان زیادی استخدام کردند که همگی در زمینه یادگیری ماشین و علوم داده تخصص دارند و فعالیت می‌کنند. شرکت‌هایی که خودشان داده دارند بر سایر شرکت‌ها برتری دارند و می‌توانند به مزیت رقابتی بزرگی دست پیدا کنند. شرکت‌هایی که داده‌ ندارند باید داده‌ها را جمع‌آوری، ذخیره و ارزیابی کنند.

مسائل مربوط به داده موجب شده کشورها قوانین مختلفی در زمینه عدم افشای اطلاعات وضع کنند و به همین دلیل اروپا در شرایط نابسامان و نابرابری قرار گرفته است. هدف از تنظیم قانون عمومی عدم افشای اطلاعاتایجاد بازار داخلی داده در اروپا بوده اما در حال حاضر نقطعه ضعف بزرگی برای اروپا است.

ترس از قانون و مقررات تمامی صنایع را فلج می‌کند. با گفت‌و‌گو با درمان‌گاه‌ها و پزشکان متوجه شدم که صنعت بهداشت و درمان دیگر داده‌های خود را با دیگران به اشتراک نمی‌گذارد. عدم به اشتراک‌گذاری داده‌های پزشکی و درمانی با دیگران به قیمت جان دیگران تمام می‌شود، چرا که این داده‌ها برای پژوهش در زمینه سلامتی و الگوریتم‌های افزایش طول عمر اهمیتی حیاتی دارند.

عدم قطعیت راجع به داده‌ها در حال فلج کردن صنعت اروپا است. ترس از مجازات و جریمه موجب شده ‌کسی داده‌ها را جمع‌آوری نکند. در عصری که داده‌ها نقاط قوت ما هستند، کاری کرده‌ایم که داده‌ها باعت ترس و وحشت دیگران شده‌اند.

اروپا مهم‌ترین بازار داده در دنیا است اما ما در حال هدر دادن توا‌نمندی‌های خود هستیم. از سوی دیگر چین نقطه مقابل اروپا است. دولت چین به طور فعالانه به تبادل و متمرکز‌سازی داده‌ها کمک می‌کند ( در بخشی که به کشور چین اختصاص داده‌ام بیشتری راجع به آن توضیح خواهم داد). علاوه بر این شهروندان آزادنه داده‌های خود را به اشتراک می‌گذارند و نگرانی کمتری راجع به این موضوع دارند. در واقع در قرن بیست و یک حریم خصوصی معنایی ندارد. تمامی فعالیت‌های دیجیتالی محاسبه و ذخیره می‌شوند. با این وجود اروپا کماکان راه قدیمی در پیش گرفته است.

کسب‌و‌کارهای نوپای هوش مصنوعی غول‌های هوش مصنوعی فردا هستند

کسب‌وکارهای نوپا اهمیت زیادی برای اقتصاد یک کشور دارند چرا که دو عملیات اساسی و ضروری یک زیست‌بوم را بر عهده دارند. کسب‌و‌کارهای نوپا عامل نوآوری و خلاقیت هستند. این شرکت‌های جوان معمولاً نسبت به شرکت‌های قدیمی‌تر شجاعت، سرعت و انعطاف‌پذیری بیشتری در تولید و توسعه محصولات جدید دارند. از آن‌جایی‌که معمولاً کسب‌و‌کارهای نوپا توسط منابع مالی صندوق‌های خطرپذیر و فرشتگان کسب‌و‌کارها پشتیبانی و حمایت می‌شوند، ریسک‌پذیری بیشتری دارند و انتظار دارند به موفقیت‌های بزرگ‌تر و چشمگیری نائل شوند.

هرچند ۹۵ درصد از کسب‌و‌کارهای نوپا همان پنج سال اول از بازار خارج می‌شوند و نمی‌توانند به فعالیت خود ادامه دهند اما زیست‌بوم از مزایای آن‌ها بهره‌مند می‌شود.

شرکت‌ها می‌توانند شرکت‌های دیگر را به تملک خود درآورند و از این طریق محصولات و نوآوری‌ها و ابتکارات جدیدی به دست آورند. کارفرمایان سابق نیز شغل‌های جدیدی پیدا می‌کنند و دانش خود را منتقل می‌کنند. از سوی دیگر سرمایه‌گذاران و بنیان‌گذاران هم دانش خود را در پروژه‌های جدید به کار می‌بندند و در همان حال می‌توانند دانش جدید کسب می‌کنند.

چنان‌چه شرکت‌های جوان بتوانند پنج‌سال اول را تاب بیاورند منابع مالی آن‌ها ( از سرمایه‌گذاری‌های بذر و عرضه عمومی اولیه) تأمین می‌شود، استعدادها و نخبگان به سوی آن‌ها جذب می‌شوند، رشد می‌کنند و محصولاتی توسعه می‌دهند که مصرف‌کنندگان حاضرند هزینه استفاده از آن را پرداخت کنند و در نهایت به یک شرکت تبدیل می‌شوند. فیسبوک، گوگل، اَپل، آمازون و Uber کار خود را به عنوان کسب‌و‌کارهایی نوپا آغاز کردند و امروزه کنترل و رهبری بازار را در دست دارند.

چارلز ادوارد بویمدیر عامل Ronald Berger در کنفرانس ۲۰۱۸ ظهور هوش مصنوعی
 اظهار داشت موج بعدی شرکت‌های تریلیون دلاری شرکت‌هایی خواهند بود که در زمینه هوش مصنوعی فعالیت دارند. تحقق این هدف بدون وجود کسب‌و‌کارهای نوپا عملی نخواهد شد. به همین دلیل باید افراد و گروه‌‌ها را به تأسیس کسب‌و‌کارهای نوپا تشویق کنیم.

تحقیق و پژوهش اهمیتی بیش از پیش دارد

کشف مجدد یادگیری عمیق آغاز راه بود. این حوزه با بهره‌گیری از رویکردهای جدید CNN و GAN و الگوریتم‌های پیشرفته تکامل پیدا کرد ( سخنرانی علمی پروفسور دامیان بروث در کنفرانس ۲۰۱۷ ظهور هوش مصنوعی مقدمه مناسبی بر یادگیری عمیق است). زبان‌شناسی محاسباتی پیرامون پردازش زبان طبیعیو تولید زبان طبیعینیز پیشرفت‌های چشمگیری را تجربه کرده است.

امروزه و پس از آن‌که در سال ۲۰۱۲ توان محاسباتی لازم را کسب کردیم و امکان دسترسی به داده‌ها برای ما فراهم شد تعداد کثیری از برنامه‌های کاربردی هوش مصنوعی محدودحاصل نتایج تحقیقات و پژوهش‌های سی سال گذشته هستند.

سرمنشأ تحقیقات و پژوهش‌های هوش مصنوعی کجاست؟

از یک سو می‌توان گفت که سر منشأ این پژوهش‌ها دانشگاه‌ها هستند. دانشگاه اِم آی تی، استنفورد، دانشگاه کارنگی ملونو برکلیپیشتازان تحقیق و پژوهش در زمینه هوش مصنوعی هستند  ( برای کسب اطلاعات بیشتر به گزارش AI index که توسط دانشگاه استنفورد گردآوری شده رجوع کنید).

دانشگاه MIT به تنهایی تا سال ۲۰۲۰، ۱ میلیارد دلار در زمینه آموزش برنامه‌های مدارج جدید هوش مصنوعی سرمایه‌گذاری خواهد کرد. از سوی دیگر شرکت‌ها نیز به یکی از پیشگامان تحقیق و پژوهش در زمینه هوش مصنوعی تبدیل شده‌اند. حتماً اسم DeepMind شرکت گوگل به گوش شما خورده است. شرکت مایکروسافت بیش از ۸۰۰۰ پژوهش‌گر هوش مصنوعی دارد. افراد نخبه با در اختیار داشتن داده‌ها و منابع مالی بیشتر تحقیقات و پژوهش‌هایی برای شرکت‌ها انجام می‌دهند: ریچارد سوچر
 (Salesforce، یان لوکن (فیسبوک)، اندور اِن جی(تا سال ۲۰۱۷ در Baidu) یا دمیس هسابیس
(گوگل).

در مقابل شرکت‌ها و دانشگاه‌های اروپایی از پیشگامان تحقیق و پژوهش در زمینه هوش مصنوعی نیستند. البته اروپا از وجود افرادی همچون پروفسور یورگن اِشمیتد، پروفسور فرانچسکا روسی و پروفسور هانس اوسکوغیتبهره‌مند است.
علاوه بر این در مؤسسه فناوری کارلسروهه، دانشگاه صنعتی مونیخ، دانشگاه صنعتی برلین، دانشگاه استابروک( علوم شناختی)، آکسفورد و دانشگاه کمبریج دوره‌هایی با محوریت هوش مصنوعی برگزار می‌شود. اما درجه اهمیت تمامی مواردی که به آن‌ها اشاره شد  متوسط است و در سطح بین‌المللی به عنوان پژوهش‌هایی با کیفیت بالا شناخته نمی‌‍شوند.

در مقابل نمؤسسه تحقیقاتی هوش مصنوعی آلما، چندین مؤسسه ماکس پلانکمؤسسه ماکس پلانکو مؤسسه فرونوفردر آلمان تحقیقات و پژوهش‌های کاربردی انجام می‌دهند. با این وجود حتی این مؤسسات نمی‌توانند در رقابت بر سر جذب نخبگان، سرمایه و داده موفقیت چندانی کسب کنند. اما در دهه‌های آتی و در زمان طرح این سؤال که چه کسی اولین هوش مصنوعی عمومی را توسعه خواهد داد، تحقیقات و پژوهش‌ها عامل تعیین‌کننده‌ای خواهند بود.

پیشنهاد ویدئو: سخنرانی علمی پروفسور هانس اوسکوغیت با موضوع ابرهوش در کنفرانس ۲۰۱۷ ظهور هوش مصنوعی

بدون وجود زیرساخت هوش مصنوعی هم وجود نخواهد داشت

در این‌جا منظور از زیرساخت صرفاً امکان دسترسی به داده‌ها نیست. در این مقاله واژه زیرساخت توان محاسباتی و عملیاتی را نیز در بر می‌گیرد. پیش از این NVIDIA  به خاطر تولید کارت‌ گرافیک‌ شناخته می‌شد. در حال حاضر NVIDIA یکی از تولیدکنندگان پیشگام GPUها است که به طور فزاینده‌ای در پیاده‌سازی و اجرای برنامه‌های کاربردی هوش مصنوعی مورد استفاده قرار می‌گیرد. گوگل و Intel و شرکت‌های زیاد دیگری به توسعه انواع و اقسام گوناگون تراشه‌های هوش مصنوعیمشغول هستند. در همین زمان شرکت‌های مایکروسافت، AWS، گوگل، IBM نیز ظرفیت سرویس‌های ابری خود را در سراسر جهان افزایش می‌دهند تا بتوانند پاسخ‌گوی تقاضا‌ی رو به افزایش برای این فن‌آوری باشند. کشور چین تا حد زیادی بر توسعه  ۵G تمرکز کرده اما اروپا در این حوزه نیز فعالیت چندانی ندارد؛ فن‌آوری ۵G برای برنامه‌های کاربردی لحظه‌ای هوش مصنوعیو صنعت شبکهاهمیتی حیاتی دارد.

ضرورت تأمین منابع مالی هوش مصنوعی

توسعه فن‌آوری هوش مصنوعی هزینه‌بر است. تعداد پژوهشگران برتر هوش مصنوعی اندک است و سالانه حقوقی تا ۳۰۰.۰۰۰ یورو دریافت می‌کنند. داده‌ها را باید جمع‌آوری، ذخیره و برچسب‌گذاری کرد. برای توسعه مدل‌های هوش مصنوعی باید زمان زیادی صرف آزمایش، خطاها و روش‌های جدید کرد.

فن‌آوری‌های هوش مصنوعی به داده نیاز دارند و باید آن‌ها را آموزش دارد. شرکت‌ها، کسب‌و‌کارهای نوپا، سرمایه‌گذاران و دولت‌ها هزینه‌های توسعه فن‌آوری‌های هوش مصنوعی را پرداخت می‌کنند. کشور چین با آگاهی به این موضوع در حال سرمایه‌گذاری بیش از ۱۳۰ میلیارد یورو در بازار هوش مصنوعی چین است. استان‌هایی از جمله پکن، شانگهای و تیانجیندر حال سرمایه‌گذاری میلیاردها یورو در صنعت هوش مصنوعی بومی خود هستند. در ایالات متحده نیز شرکت‌های گوگل، IBM، مایکروسافت، آمازون، فیسبوک و اَپل تا سال ۲۰۱۵ بیش از ۵۵ میلیارد دلار در این حوزه سرمایه‌گذاری کرده‌اند. بدون پول هوش مصنوعی هم وجود نخواهد داشت. و اروپا در این زمینه نیز از سایر کشورها عقب مانده و مبالغ کمی در این حوزه سرمایه‌گذاری می‌کند.

در سال ۲۰۱۸ پارلمان فدرال آلمان، بوندستاگ، منابع مالی فن‌آوری هوش مصنوعی را تا سقف ۵۰۰.۰۰۰ یورو تأمین کرد. قرار است بوندستاگ ۵۰۰ یک سرمایه‌گذاری میلیون یورویی دیگر در این حوزه انجام دهد اما هنوز این سرمایه‌گذاری را انجام نداده است. با سرمایه‌گذاری این مبالغ ناچیز نمی‌توان به موفقیت چندانی دست یافت.

در همین زمان چین منابع مالی ۴۰۰ کُرسی جدید برای هوش مصنوعی را تأمین کرده است. اما تا به امروز  ۱۰۰ کُرسی استادی جدیدی که در استراتژی هوش مصنوعی آلمان به آن اشاره شده اقدام و فعالیت خاصی انجام نداده‌اند. اما بریتانیای کبیر ، علی‌رغم برگزیت، رویکرد متفاوتی با سایر بخش‌های اروپا در پیش گرفته است.  در بریتانای کبیر سرمایه‌گذاری‌های بیشتری در کسب‌و‌کارهای نوپا و دانشگاه‌های فعال در زمینه هوش مصنوعی انجام می‌شود.

برای کسب اطلاعات بیشتر در زمینه جایگاه و موقعیت کنونی هوش مصنوعی می‌توانید گزارش ۲۰۱۹ جایگاه هوش مصنوعی را مطالعه کنید و ویدئوی سخنرانی‌ من در کنفرانس ظهور هوش مصنوعی را تماشا کنید.

جایگاه اروپا در مسابقه تسلیحات هوش مصنوعی

همان‌گونه که پیش از این نیز گفتیم، در حال حاضر اروپا در حوزه هوش مصنوعی از کشورهای دیگر عقب مانده است. درحالی‌که اروپا هنوز به این فکر می‌کند که آیا وارد این رقابت شود یا خیر، چین و ایالات متحده، فلسطین اشغالی، بریتانیا، کانادا بر سر داده، بازارها و نخبگان با یکدیگر به رقابت می‌پردازند. مشکلاتی که در اروپا با آن مواجه هستیم را خودمان به وجود آورده‌ایم، این مشکلات در نتیجه عدم جاه‌طلبی، بینش ناکافی ما شکل گرفته‌اند.

علاوه بر این در اروپا مبالغ کمی به آموزش اختصاص داده می‌شود. بودجه کافی به مدارس و دانشگاه‌ها و هم‌چنین دانش‌آموزان و دانشجویان تعلق نمی‌گیرد. به بیانی دیگر کودکان اروپایی به حد کافی در زمینه مهارت‌های دیجیتالی آموزش نمی‌بینند. دانش‌آموزان اروپایی به ندرت موضوعات و دروس مرتبط با هوش مصنوعی را انتخاب می‌کنند. علاوه بر تمامی مواردی که به آن‌ها اشاره شد امکان آموزش مجدد برای نیروی کار هم اندک است؛ در صورتی که نیرو‌های کار دوباره آموزش ببینند می‌توانند دانش و مهارت‌های لازم برای صنعت دیجیتالی را فرا بگیرند.

نتایج حاصل از تحقیقات و پژوهش‌ها به کندی به صنعت منتقل می‌شود. نتایج حاصل از تحقیقات و پژوهش‌ها یا نادیده گرفته می‌شوند و یا بروکراسی‌های مربوط به انتقال مالکیت فکری به ویژه برای شرکت‌های نوپا و شرکت‌های اسپین‌آففرایند دشواری است.

منابع مالی کسب‌و‌کارهای نوپای هوش مصنوعی در اروپا به اندازه کافی تأمین نمی‌شود. شرکت‌ها باید محصولاتی مانند دوچرخه و یا اسکوتر برقی بفروشند تا بتوانند سرمایه‌گذاری‌های سرمایه‌گذاران را جذب کنند اما اگر بخواهند در حوزه فن‌آوری فعالیت کنند شانس کمی برای جذب سرمایه‌گذاری‌ها دارند. به عبارت دیگر هر چه محصول پیچیده‌تر باشد ، امکان جذب سرمایه‌ هم کمتر است. از سوی دیگر هر چه مدل کسب‌و‌کار ساده‌تر باشد، سرمایه‌گذاران بیشتر به سوی آن جذب می‌شوند و سرمایه‌های خود را در آن سرمایه‌گذاری می‌کنند.

هرچند بسیاری از نخبگان آسیایی و آمریکایی تمایل دارند در اروپا مشغول به کار شوند اما به لحاظ بروکراسی عملی اشتغال آن‌ها کار دشواری است. از زمان هجوم موج‌های پناهندگان به اروپا ادارات دچار آشفتگی شده‌اند. تقریباً غیر ممکن است که بتوان توسعه‌دهندگان هوش مصنوعی ایرانی، روسی یا چینی را استخدام کرد. در حال حاضر امکان عدم پذیرش نخبگان در اروپا بیشتر از پذیرش آن‌ها است.

علاوه بر این اروپا فاقد استراتژی هوش مصنوعی است. کشورهایی همچون فنلاند، سوئد، هلند و یا فرانسه استراتژی‌های هوش مصنوعی خود را تدوین کرده‌اند و جاه‌طلبی لازم را هم دارند.

زمانی که در سال ۲۰۱۸ در کمیسیون اروپابودم یکی از پژوهشگران بلغاری گفت که خوش می‌شود اگر کشورش فقط یک طرح برای هوش مصنوعی داشته باشد. به گفته این پژوهشگر وضعیت تمامی بخش‌های اروپا بدتر از اروپای غربی است.

من نمی‌گویم که سیاست‌مداران باید تمامی مشکلات را حل کنند. شرکت‌های کماکان باید به ساخت محصولات ادامه دهند، بنیان‌گذاران باید کسب‌و‌کارهای نوپا تأسیس کنند، صندوق‌های سرمایه‌گذاری خطرپذیر باید منابع مالی کسب‌و‌کارهای نوپا را تأمین کنند و پژوهشگران هم باید وقت خود را صرف تحقیق و پژوهش کنند.

اما سیاست‌مداران می‌توانند یک استراتژی مشخص تدوین کنند و از این طریق از ما حمایت و پشتیبانی کنند. سیاست‌مداران به جای آنکه مانع چارچوب‌های قانونی و نظارتی شوند باید چارچوب‌های نظارتی و قانون تنظیم کنند. دولت باید در سرمایه‌گذاران انگیزه سرمایه‌گذاری ایجاد کند و الگوی آن‌ها باشد. علاوه بر این سیاست‌مداران باید از آموزش دانش‌آموزان، دانشجویان و تحصیلات باکیفیت حمایت و پشتیبانی کنند.

در مقالات راجع به مواردی که به آن‌ها اشاره شد بحث و گفت و گو شده (استراتژی هوش مصنوعی دولت فدرال آلمان) اما در عمل کاری از پیش نمی‌برند.

چالش‌های جهانی برای بشریت

اروپا بخشی از جهان را تشکیل می‌دهد و باید با مراتب قدرت جهان سازگار شود. از این روی صنعت رو به رشد هوش مصنوعی با چالش‌های زیادی مواجه می‌شود. اولین چالشی که هوش مصنوعی با آن مواجه است مسئله عدم افشا و حفاظت از اطلاعات است. چه استانداردهایی باید اجرا شود؟ در حال حاضر اروپا استانداردهای مشخصی تنظیم و تدوین کرده است که بر مبنای آن‌ها شرکت‌ها باید فن‌آوری‌های هوش مصنوعی را خارج از اتحادیه اروپا توسعه دهند.

آیا در آینده قانون عدم افشای اطلاعات را کنار می‌گذاریم و همچون چین رویکرد آزادنه‌ای نسبت به داده‌ها خواهیم داشت؟ یا اروپا رویکرد میانه ای در پیش خواهد گرفت؟

کنترل و نظارت بر فناوری هوش مصنوعی ضروری است

علاوه بر این تمامی دولت‌ها باید فناوری هوش مصنوعی را تحت کنترل و نظارت داشته باشند و قوانینی برای این حوزه وضع کنند. فن‌آوری هوش مصنوعی به طور فزاینده‌ای رسانه‌ها، صنایع، آموزش، امنیت، صنایع نظامی و بازارهای مالی را تحت تأثیر قرار می‌دهد. به همین دلیل لازم است قوانین و مقرراتی برای چگونگی کنترل و نظارت بر هوش مصنوعی ( و شرکت‌هایی که آن را طراحی می‌کنند ) وضع شود.

برای مثال یک شرکت چینی موسوم به Squirrel AI  به میلیون‌ها دانش‌آموز کمک کرد تا محتوای آموزشی فردی و شخصی تولید کنند که مطابق با مهارت‌ها و سرعت یادگیری آن‌ها است. اما در اروپا چه کسی فن‌آوری‌های هوش مصنوعی را به لحاظ محتوا و موضوع کنترل و نظارت می‌کند؟ به عقیده من وزارت‌های آموزش بومی در جایگاهی نیستند که بتوانند این کار را انجام دهند. به همین دلیل مقامات مسئل باید متخصصین لازم را استخدام کنند، مفاهیم را تدوین کنند و آن‌ها را به اجرا درآورند. این کار زمان‌بر است باید پیش از آن‌که دیر شود انجام شود.

لزوم تدوین چارچوب اخلاقی برای فناوری هوش مصنوعی

فناوری هوش مصنوعی به طور مداوم در حال تصمیم‌گیری است و تقریباً  در هر تصمیم‌گیری باید مسائل اخلاقی را در نظر گرفت. اخلاقیات و اصول و ضوابط اخلاقی هوش مصنوعی از اجزای جدایی ناپذیر تحقیقات و پژوهش‌ها و به‌کار گیری فن‌آوری هوش مصنوعی هستند.

فناوری هوش مصنوعی می‌تواند مانع و یا باعث تشدید تعصب، نژادپرستی، فساد و تبعیض جنسی شود. به همین دلیل لزوم تدوین و تنظیم یک چارچوب اخلاقی برای فن‌آوری هوش مصنوعی به شدت احساس می‌شود. در سطوح بالاتر، تمامی مناطق فرهنگی ناگزیر به استفاده از آن هستند. به چه نوع فناوری هوش مصنوعی نیاز داریم؟ این فناوری‌ها چه ارزش‌هایی باید برای ما به ارمغان می‌آورند؟

هر چه زودتر باید راجع به اصول و ضوابط اخلاقی هوش مصنوعی تصمیم‌گیری کنیم. در حال حاضر، فن‌آوری‌های هوش مصنوعی در حال توسعه داده می‌شوند که هیچ‌گونه نظارت اخلاقی بر آن‌ها صورت نمی‌گیرد. تصمیم‌گیری راجع به این‌که در آینده ماشین‌ها چگونه عمل کنند به توسعه‌دهندگان بستگی دارد. اما جامعه هم باید نسبت به درست و غلط بودن امور این‌چنین سخت‌گیری داشته باشد.

از این روی تمامی ملت‌ها، سیستم‌های دولتی و گروه‌های نژادی باید راجع به چارچوب‌های اخلاقی فن‌آوری‌های هوش مصنوعی خود به بحث و گفت‌و‌گو بنشینند.

شرکت‌ها ‌هم باید همین رویه را در پیش بگیرند. تمامی شرکت‌ها همان‌گونه که یک متخصص عدم افشا و حفاظت از اطلاعات و متخصص داده‌ دارند باید یک متخصص علم اخلاق هوش مصنوعی را هم به استخدام خود در آورند. وظیفه متخصص علوم اخلاقی هوش مصنوعی این است که از ‌شود که مطمئین شود داده‌ها عاری از هر گونه سوگیری هستند و تبعیض ایجاد نمی‌کنند.

ظهور  فناوری‌های پیشرفته هوش مصنوعی

علاوه بر این لازم است مسئله رشد و پرورش هوش و هم‌چنین تأثیر فناوری هوش مصنوعی را نیز مد نظر قرار دهیم. اخیراً مایکروسافت یک میلیارد دلار دیگر برای تحیقیق و پژوهش در زمینه هوش مصنوعی عمومی در اختیار OpenAI گذاشته است، علاوه بر این ایلان ماسکنیز یک میلیارد دلار دیگر به این طرح اختصاص داده است. ماسک، زاکربرگ، هاوکینگو گیتسراجع به هوش مصنوعی اخطار داده‌اند. در حال حاضر ممکن است سیریاحمق به نظر برسد اما تا ده سال آینده هوشمندی آن بیشتر از انسان‌ها خواهد بود.

هوش مصنوعی هر روز باهوش‌تر، سریع‌تر، تواناتر و داناتر می‌شود. برخلاف ماهیت زیست‌شناختی انسان‌ها، فن‌آوری‌های هوش مصنوعی هیچ محدودیتی ندارند. در نتیجه هر روز باید عمیقاً راجع به هوش مصنوعی عمومی، هوش مصنوعی قویو هوش مصنوعی سوپرفکر کنیم. علاوه بر این موضوعاتی همچون رابط های عصبی و سیستم عامل‌های انسانی را نیز باید مد نظر قرار دهیم.

پیشنهاد ویدئو: سخنرانی علمی دکتر لیندراجع به هوش مصنوعی قوی در کنفرانس ۲۰۱۹ ظهور هوش مصنوعی.

ماشین‌ها به انرژی نیاز دارند

یکی دیگر از چالش‌های جهانی فناوری هوش مصنوعی نیاز ماشین‌ها به انرژی است. ذهن انسان‌ها به اندازه یک لامپ به الکتریسیته نیاز دارد، اما نرم‌افزارهای کاربردی هوش مصنوعی انرژی بر هستند. در نتیجه اگر می‌خواهیم در زمینه فناوری رشد و پیشرفت کنیم، باید مشکلات کمبود انرژی را برطرف کنیم. در غیر این صورت همه مردم نمی‌توانند مدت زمان زیادی عمر کنند و زندگی سالمی داشته باشند.

جامعه‌ای بدون کار؟

علاوه بر این ما به عنوان یک جامعه باید راجع به تأثیرات فناوری‌های هوش مصنوعی بر مشاغل‌مان بحث و  گفت‌و‌گو کنیم. ما به ویژه آلمانی‌ها می‌ترسیم که هوش مصنوعی جایگزین شغل‌های‌ ما بشود.

من شخصاً خوشحال می‌شوم اگر هوش مصنوعی بتواند به جای من کار کند. اما هوش مصنوعی شغل‌های شما را از رده خارج نمی‌کند. طبق برآوردهای من و با توجه به این‌که ماشین‌ها سریع‌تر هستند و هزینه استفاده از آن‌ها ارزان‌تر است تا ۲ سال آینده ۵۰ درصد از مشاغل انسان‌ها را ماشین‌های انجام خواهند دارد.

در همان حال که توسعه و پیشرفت موضوع مثبت است چالش هم است. مشاغل جدید بسیاری به وجود خواهد آمد که امروزه حتی فکر کردن به چنین مشاغلی برای ما دشوار است. این مشاغل شامل مربی‌های مهدکودک هوش مصنوعی، تعلیم‌دهندگان هوش مصنوعی، متخصصین علوم اخلاق هوش مصنوعی و کنترل‌کنندگان هوش مصنوعی می‌شود.

از این روی باید راجع به چگونگی بازآموزی افرادی که امروز مشاغلی برعهده دارند و در آینده ماشین‌ها جایگزین مشاغل آن‌ها می‌شوند تعمق کنیم. این بازآموزی بزرگ‌ترین بازآموزی نیروهای کار در سراسر تاریخ انسان‌ها خواهد بود. برخی از افراد در مقابل بازآموزی مقاومت خواهند کرد، چه اتفاقی برای این افراد خواهد افتاد؟

برخی از آن‌ها آزادی در پیش می‌گیرند و زندگی‌های‌شان را مجدداً طراحی می‌کنند. امیدوارم در آینده زندگی به معنای کار کردن نباشد بلکه زندگی لذت بردن از زندگی باشد. امیداورم در آینده به مرحله ای برسیم که مردم برای این‌که که می‌خواهند کار کنند نه برای این‌که مجبور هستند. بگذارید ماشین‌های کارهایی را انجام دهند که کسی نمی‌خواهد سراغ آن‌ها برود. و در نهایت به افرادی که فعالیت‌های اجتماعی مهمی از جمله رشد و پرورش کودکان، آموزش دانش‌آموزان و پرستاری از سالمندان را انجام می‌دهند حقوق بیشتری پرداخت کنیم.

چگونگی توزیع ثروت

احتمالاً یکی از چالش‌هایی که با آن مواجه می‌شویم چگونگی توزیع ثروت است. اگر شرکت‌ها برای رسیدن به همان میزان بهره‌وری به نیروی کار کمتری نیاز داشته باشند سود ‌آن‌ها ‌ها افزایش پیدا می‌کند. اما معمولاً شرکت‌ها در مالکیت خانواده‌ها و صندوق‌های مشخصیی هستند. امروزه ۴۰ درصد از تمامی شرکت‌های سهامی عام ایالات متحده در مالکیت چهار صندوق بزرگ هستند. در نتیجه این روند افراد ثروتمند رو به روز ثروتمندتر می‌شوند. بخش کوچکی از این ثروت به بخش اداری و اجرایی ( وکلا، بانک‌دارها، کارآفرینان، سرمایه‌گذاران) می‌رسد و مقدار ناچیزی برای ۹۹ درصد باقی‌مانده جمعیت باقی می‌ماند.

پیشنهاد کتاب: «سرمایه در قرن بیست و یکم» اثر توماس پیکتی.

جنگ داخلی یا زندگی آرام و بی‌دغدغه؟

با روی کارآمدن فناوری هوش مصنوعی این روند تشدید می‌شود. این‌ فکر که تا ۳۰ سال آینده ۱۰۰ نفر کنترل جهان خواهند گرفت مرا نگران می‌کند. در این‌جا منظور از کنترل بر جهان فقط پول و ثروت نیست بلکه دسترسی به کدهای ماشین و در نتیجه کنترل بر اقتصاد جهانی، صنایع نظامی و اطلاعات است. اگر اکثر مردم اهمیت و کارایی کنونی‌شان را برای سیستم به ویژه در حوزه اشتغال و مصرف از دست بدهند، چه اتفاقی می‌افتاد؟ آیا ایده Club of Rome به حقیقت می‌پیوندد و تعدادمان را (علیرغم میل باطنی) به ۵۰۰ میلیون نفر کاهش می‌دهیم؟

فناوری هوش مصنوعی این کار را ممکن می‌سازد. در نتیجه برای جلوگیری از وقوع جنگ داخلی، باید ثروت را پیشاپیش توزیع کرد. در هر حال بخشی از این ثروت باعث می‌شود که دیگر کسی از فقر و گرسنگی و بی‌خانمانی رنج نبرد. رویکردها و ایده‌های زیادی وجود دارد. در آینده زمان بیشتری را صرف بحث و گفت‌و‌گو راجع به آن‌ها از جمله درآمد و نقدینگی می‌کنیم.

و باید مطمئن شویم در دنیایی زندگی می‌کنیم که هوش مصنوعی در خدمت تمامی انسان‌ها است.

منبع: hooshio.com

یک مدل یادگیری ماشین که می‌تواند کارهای روزمره ما را انجام دهد

محققان یک مدل یادگیری ماشین را آموزش می دهند تا بتواند عملکردی هم سطح انسان در شناخت مفاهیم انتزاعی موجود در فیلم ها داشته باشد.

توانایی استدلال انتزاعی درباره وقایع لحظه‌ای یکی از شاخص‌های تعیین‌کننده هوش انسانی است. ما به‌طور غریزی می‌دانیم که گریه‌ کردن و نوشتن، ابزارهایی برای برقراری ارتباط هستند و پاندایی که از روی درخت سقوط می‌کند و هواپیمایی که فرود می‌آید نشانگر کم شدن شاخص ارتفاع است. کامپیوترها از عهده دسته‌بندی جهان در طبقات انتزاعی بر نمی‌آیند اما در سال‌های اخیر محققان با آموزش مدل‌های یادگیری به این هدف نزدیک‌تر شده‌اند. این مدل‌ها در مورد کار روی کلمات و تصاویری که با اطلاعات دنیای پیرامونمان ترکیب‌ شده‌اند و چگونگی ارتباط اشیاء، حیوانات و کنش‌ها و رفتارهای ما است.

در یک مطالعه جدید که در کنفرانس اروپایی بینایی ماشین در ماه گذشته برگزار شد ، محققان از یک مدل ترکیبی از بینایی ماشین و پردازش زبان طبیعی رونمایی کردند که می‌تواند مجموعه‌ای از رویدادهای پویای ضبط‌ شده در فیلم را با هم مقایسه  کند یا تضاد بین آن‌ها را نشان دهد تا به مفاهیم سطح بالایی که آن‌ها را به هم متصل می‌کند، پی برد. مدل آن‌ها در دو نوع  استدلال بصری، یا به‌ خوبی انسان عمل کرده یا بهتر از انسان‌ها بوده است؛ انتخاب ویدئویی که به‌طور مفهومی به بهترین شکل مجموعه را کامل می‌کند و انتخاب ویدئویی که مناسب نیست.

به‌ عنوان ‌مثال فیلم‌هایی از پارس کردن یک سگ و زوزه کشیدن یک مرد در کنار سگ خود را به سیستم نشان دادند و مدل برای کامل کردن این مجموعه از تصاویر از بین ۵ کلیپ، ویدیوی مربوط به گریه کردن یک کودک را انتخاب کرد. محققان نتایج خود را در دو دیتاست برای آموزش سیستم‌های هوش مصنوعی در تشخیص عمل تکرار کردند: MIT’s Multi-Moments in Time و Deep Mind’s Kinetics.

آود اولیوا نویسنده ارشد این مقاله که دانشمند ارشد تحقیقات در MIT  است دراین‌باره می‌گوید: “ما نشان دادیم که شما می‌توانید توانایی درک مفاهیم انتزاعی را در سیستم‌های هوش مصنوعی ایجاد کنید تا بتوانند کارهای مربوط به استدلال بصری را در سطحی نزدیک به سطح انسان‌ها انجام دهند. مدیر آزمایشگاه هوش مصنوعی MIT-IBM Watson نیز می‌گوید “مدلی که بتواند وقایع و مفاهیم انتزاعی را تشخیص دهد پیش‌بینی‌های منطقی و دقیق‌تری را ارائه می‌دهد و برای تصمیم‌گیری مفیدتر است.”

هم‌زمان که شبکه‌های عصبی عمیق در تشخیص اشیاء و کنش‌های موجود در عکس‌ها و فیلم‌ها توانمندتر می‌شوند، محققان در حال کار روی نقطه عطف بعدی هستند؛ یعنی انتزاع و آموزش مدل‌ها برای آنکه بتوانند درباره آنچه می‌بینند استدلال کنند. در یک رویکرد، محققان قدرت تطبیق الگوهای شبکه‌های عمیق را با منطق برنامه‌های نمادین تلفیق کرده‌اند تا یک مدل آموزش دهند که بتواند روابط پیچیده اشیا را  در یک صحنه تفسیر کند. رویکرد دیگر این است که  محققان از روابط موجود در معنای کلمات بهره ببرند تا به مدل خود قدرت استدلال بصری دهند.

ماتیو مونفورت یکی از نویسندگان این مقاله که از محققان آزمایشگاه علوم رایانه‌ای و هوش مصنوعی MIT است می‌گوید: “بازنمایی‌های زبانی به ما امکان می‌دهد تا اطلاعات متنی آموخته‌شده از پایگاه داده‌های متنی را در مدل‌های تصویری خود ادغام کنیم. کلماتی مانند دویدن، بلندکردن و بوکس دارای برخی از ویژگی‌های مشترک هستند که باعث می‌شود آن‌ها را بیشتر به مفهوم ورزش نزدیک کند تا رانندگی.

محققان با استفاده از WordNet که یک پایگاه داده‌ای از معانی کلمات است، رابطه هربرچسب موجود در دو دیتاست Moments و Kinetics را با سایر برچسب‌های هر دو دیتاست ترسیم کردند. به‌عنوان‌مثال کلماتی مانند مجسمه‌سازی، کنده‌کاری و برش به مفاهیم سطح بالاتری همچون صنایع‌دستی، هنر و آشپزی مرتبط شدند. ازاین‌ پس هرگاه مدل فعالیتی مانند مجسمه‌سازی را تشخیص دهد، می‌تواند فعالیت‌های مشابه مفهومی را در دیتاست انتخاب کند.

این گراف وابستگی مربوط به طبقه‌های انتزاعی برای آموزش مدل به منظور انجام دو کار اساسی استفاده می‌شود. با توجه به مجموعه‌ای از ویدئوها، مدل به هر ویدیو عددی اختصاص می‌دهد که با همان کلماتی که بیانگر اقدامات نشان داده‌شده در ویدئو است همسو هستند. سپس یک ماژول انتزاعی با عدد اختصاص داده‌شده به  هر ویدئو در مجموعه ترکیب می‌شود تا شماره اختصاصی مجموعه جدید  ایجاد شود. به ‌این ترتیب از این می‌توان برای شناسایی دیگر مفاهیم انتزاعی به اشتراک گذاشته‌شده از طریق همه فیلم‌های مجموعه استفاده شود.

محققان برای سنجش نحوه عملکرد این مدل در مقایسه با انسان‌ها، از افراد خواستند که همان مجموعه وظایف استدلال بصری را که مدل انجام داده به‌صورت آنلاین انجام دهند. در کمال تعجب، این مدل در بسیاری از سناریوها عملکردی به‌خوبی برخی از انسان‌ها داشت و حتی گاهی اوقات نتایج غیرمنتظره بود. در یک سنجش دیگر، به مدل ویدیویی از فردی که در حال کادو کردن است نشان دادند سپس مدل ویدیویی را از فردی در ساحل نشان می‌دهد که در حال ریختن ماسه بر روی شخص دیگری است. کامیلو فوسکو، دانشجوی دکترای MIT که نویسنده اول این مقاله است می‌گوید: این مفهوم پوشاندن را به‌خوبی نشان می‌دهد.

تمایل به تأکید بیش ‌از حد روی برخی از ویژگی‌ها از معایب و محدودیت‌های این مدل است. به‌طور مثال در یک مورد مدل پیشنهاد داد مجموعه‌ای از فیلم‌های ورزشی را می‌توان با یک فیلم از یک کودک و یک توپ تکمیل کند که نشان می‌دهد مدل، توپ‌ها را همواره با ورزش و رقابت همراه می‌کند.

محققان می‌گویند یک مدل یادگیری عمیق که می‌تواند برای “فکر کردن” به‌صورت انتزاعی آموزش ببیند ممکن است بتواند با داده‌های کمتری نیز قابلیت یادگیری را داشته باشد.  به‌طورکلی انتزاع راه را برای استدلال‌های سطح بالاتر و انسانی‌تر باز می‌کند.

اولیوا می‌گوید: یکی از ویژگی‌های بارز شناخت انسان این است که می‌تواند چیزهای مختلف را در رابطه باهم توصیف و مقایسه کند یا تضاد بین آن‌ها را مشخص نماید.  این یک روش غنی و کارآمد برای یادگیری است که درنهایت می‌تواند به انواع مدل یادگیری ماشین آموزش داده شود تا قیاس‌ها را درک کنند و ازنظر هوشمندی بسیار به ما نزدیک‌تر هستند.

منبع: hooshio.com

مقدمه‌ای بر انواع الگوریتم‌های یادگیری تقویتی

یادگیری تقویتییکی از روش‌های یادگیری ماشینی است که در آن، عامل یادگیری پس از ارزیابی هر اقدام عامل ، پاداشی (همراه با تاخیر)به او داده می‌شود. درگذشته، این روش اغلب در بازی‌ها (از جمله بازی‌های آتاری و ماریو) به‌کار گرفته می‌شد و عملکرد آن در سطح انسان و حتی گاهی فراتر از توانایی ما بود. اما در سال‌های اخیر، این الگوریتم‌های یادگیری تقویتی درنتیجه ادغام با شبکه‌های عصبی تکامل پیدا کرده و حال قادر است اعمال پیچیده‌تری از جمله حل کردن مسائل را نیز انجام دهد.

الگوریتم‌های یادگیری تقویتی بسیار متنوع هستند، اما این الگوریتم‌ها هیچ‌گاه به‌طور جامع بررسی و مقایسه نشده‌اند. زمانی که قصد داشتم از این الگوریتم‌ها در پروژه خود استفاده کنم، همین مسئله موجب شد ندانم کدام الگوریتم را باید برای چه فرآیندی به‌کار بگیرم. در این مقاله سعی بر این است که به‌طور خلاصه سازوکار یادگیری تقویتی را بررسی کرده و تعدادی از محبوب‌ترین الگوریتم‌های این حوزه را معرفی نماییم.

۱. یادگیری تقویتی ۱۰۱

سازوکار یادگیری تقویتی متشکل از دو عنصر عامل تصمیم‌گیرنده و محیط است.

تصویری از الگوریتم یادگیری تقویتی(https://i.stack.imgur.com/eoeSq.png)

در این‌جا محیط، معرف شیء‌ای است که عامل تصمیم‌گیرنده عملی بر روی آن انجام می‌دهد (برای مثال، خود بازی در بازی آتاری یک محیط است). این عامل تصمیم‌گیرنده درواقع همان الگوریتم یادگیری تقویتی است. در ابتدا محیط یک وضعیت
 را برای عامل ایجاد می‎کند تا عامل براساس دانش خود نسبت به آن عکس‌العمل نشان دهد. سپس محیط، وضعیت‌ بعدی و پاداش اقدام قبلی را با هم برای عامل می‌فرستد. عامل تصمیم‌گیرنده نیز دانش خود را بر پایه پاداشی که در ازای اقدام پیشین خود دریافت کرده، به‌روزرسانی می‌کند. این چرخه ادامه پیدا می‌کند تا محیط وضعیت نهایی را برای عامل بفرستد و چرخه را خاتمه دهد.

اغلب الگوریتم‌های یادگیری تقویتی از این الگو پیروی می‌کنند. در قسمت بعدی، واژه‌ها و اصطلاحات پرکاربرد در حوزه یادگیری تقویتی را به‌طور خلاصه شرح می‌دهیم تا درک مباحث بعدی تسهیل شود.

تعاریف 

اقدام (Action|A): شامل تمامی واکنش‌های محتملی است که عامل تصمیم‌گیرنده ممکن است در مواجهه با وضعیت ایجاد شده، از خود نشان ‌دهد.

وضعیت (State|S): وضعیتی که عامل در هرلحظه با آن مواجه است و محیط آن را ایجاد کرده است.

پاداش (Reward|R): بازخورد فوری که پس از ارزیابی هر اقدام عامل تصمیم‌گیرنده، توسط محیط برای آن ارسال می‌شود.

سیاست (Policy|π): استراتژی است که عامل تصمیم‌گیرنده در پاسخ به وضعیت فعلی، برای اقدام بعدی خود درنظر می‌گیرد.

ارزش (Value|V): پاداش بلند مدت موردانتظار تنزیل‌شدهکه برخلاف با پاداش کوتاه‌مدت (R)، بلندمدت می‌باشد.  عبارت است از سود موردانتظار در بلندمدت که ناشی از وضعیت کنونی s تحت سیاست π است.

Q-value یا اقدام-ارزش (Q): مفهوم Q-value بسیار شبیه به مفهوم ارزش (V) است. اما در Q-value یک پارامتر بیشتر وجود دارد. این پارامتر اضافه همان اقدام a می‌باشد.  Q(s,a) عبارت است از سود بلندمدت ناشی از اقدام  a تحت سیاست
 π در وضعیت کنونی s.

الگوریتم‌های بدون مدلدر برابر الگوریتم‌های مبتنی بر مدل

مدل یک شبیه‌سازی از پویایی محیط است. یعنی اینکه مدل، تابع احتمال انتقال T(s1|(s0, a)) (یعنی احتمال انتقال وضعیت s1 درصورتی که در وضعیت قبلی یا s0، اقدام a انتخاب شده باشد.) را یاد می‌گیرد. اگر یادگیری تابع انتقال احتمال موفقیت‌آمیز باشد، عامل تصمیم‌گیرنده می‌تواند احتمال رخ دادن یک وضعیت مشخص را براساس وضعیت و اقدام فعلی محاسبه کند. اما با افزایش تعداد وضعیت‌ها و اقدام‌ها (S*S*A، در یک ساختار جدولی)، الگوریتم‌های مبتنی بر مدل کارآمدی خود را از دست می‌دهند.

از سوی دیگر، الگوریتم‌های بدون مدل درواقع مبتنی بر روش آزمون و خطاهستند و براساس نتیجه آن، دانش خود را به‌روزرسانی می‌کنند. درنتیجه، فضایی برای ذخیره ترکیبات احتمالی وضعیت‌ها و اقدام‌ها نیاز نخواهند داشت. الگوریتم‌هایی که در قسمت بعدی معرفی می‌شوند، همگی در این دسته قرار دارند.

روش On-policy و روش Off-policy

در روش On-policy، عامل تصمیم‌گیرنده ارزش را براساس اقدام a که ناشی از سیاست فعلی است، یاد می‌گیرد. اما در روش دیگر یعنی روش Off-policy فرایند یادگیری به این صورت است که عامل، ارزش را از اقدام a* (بهترین اقدام موجود) که نتیجه یک سیاست دیگر می‌باشد، می‌آموزد. این سیاست در الگوریتم یادگیری Q همان سیاست حریصانه است (درادامه این مقاله بیشتر درباره الگوریتم‌های یادگیری Q و SARSA صحبت خواهیم کرد).

۲. مروری بر چند الگوریتم‌

۱.۲. الگوریتم یادگیری Q

الگوریتم Q-Learning یا یادگیری Q یک الگوریتم یادگیری تقویتی از نوع بدون مدل و Off-policy است که برپایه معادله معروف بِلمَن تعریف می‌شود:

معادله بلمن (https://zhuanlan.zhihu.com/p/21378532?refer=intelligentunit)

در معادله بالا، E نماد انتظارات و λ ضریب تنزیلاست. میتوانیم معادله بالا را در فرم تابعی Q-Value به صورت زیر بنویسیم:

معادله بلمن در فرم تابعیQ-value ( (https://zhuanlan.zhihu.com/p/21378532?refer=intelligentuni

مقدار بهینهQ-value که با نماد  نمایش داده می‌شود را می‌توان از فرمول زیر به دست آورد:

مقدار بهینه Q-value (https://zhuanlan.zhihu.com/p/21378532?refer=intelligentunit)

هدف این معادله حداکثرسازی مقدار Q-value است. البته، پیش از پرداختن به روش‌های بهینه‌سازی مقدار Q-value، قصد دارم ۲ روش به‌روزرسانی ارزش را که رابطه نزدیکی با الگوریتم یادگیری Q دارند، معرفی کنم.

تکرار سیاست

در روش تکرار سیاست، یک حلقه بین ارزیابی سیاست و بهبود آن شکل می‌گیرد.

تکرار سیاست (http://blog.csdn.net/songrotek/article/details/51378582)

در ارزیابی سیاست، مقدار تابع V را برحسب سیاست حریصانه‌ای که درنتیجه‌ی بهبود سیاست قبلی به دست آمده، تخمین می‌زنیم. از سوی دیگر، در بهبود سیاست، سیاست فعلی را برحسب اقدامی که مقدار V را در هر وضعیت حداکثر ‌کند، به‌روزرسانی می‌کنیم. به‌روزرسانی معادلات برپایه معادله بلمن انجام می‌گیرد و تکرار حلقه تا زمانی که این معادلات همگرا
شوند، ادامه می‌یابد.

نمونه کد روش تکرار سیاست (http://blog.csdn.net/songrotek/article/details/51378582)

تکرار ارزش

معادله بهینه بلمن (http://blog.csdn.net/songrotek/article/details/51

روش تکرار ارزش تنها یک بخش دارد. در این روش، تابع ارزش براساس مقدار بهینه معادله بلمن به‌روزرسانی می‌شود.

نمونه کد روش تکرار ارزش (http://blog.csdn.net/songrotek/article/details/51378582)

وقتی تکرار به همگرایی برسد، یک سیاست بهینه برای همه وضعیت‌ها مستقیماً توسط تابع argument-max ارائه داده می‌شود.

به‌خاطر داشته باشید که برای استفاده از این دو روش باید احتمال انتقالp را بشناسید. بنابراین، می‌توان گفت که این روش‌ها، الگوریتم‌های مبتنی بر مدل هستند. اما همان‌طور که پیش‌تر نیز ذکر کردیم، الگوریتم‌های مبتنی بر مدل با مشکل مقیاس‌پذیری مواجه هستند. سوالی که در این‌جا پیش می‌آید این است که الگوریتم یادگیری Q چطور این مشکل را حل کرده است؟

معادله به‌روزشده یادگیری Q (https://www.quora.com/What-is-the-difference-between-Q-learning-and-SARSA-learning)

در این معادله، α نماد نرخ یادگیری(یعنی سرعت ما در حرکت به سوی هدف اصلی) است. ایده اصلی یادگیری Q به‌شدت به روش تکرار ارزش متکی است. اما معادله به‌روزشده با فرمول بالا جایگزین می‌شود و درنتیجه، دیگر نیاز نیست نگران احتمال انتقال باشیم.

نمونه کد یادگیری Q (https://martin-thoma.com/images/2016/07/q-learning.png)

بخاطر داشته باشید که اقدام بعدی یعنی ، با هدف حداکثر کردن وضعیت بعدی Q-value انتخاب شده است، نه براساس سیاست مربوطه. درنتیجه یادگیری Q در دسته روش‌های Off-policy قرار می‌گیرد.

 ۲.۲. الگوریتم «وضعیت-اقدام-پاداش-وضعیت-اقدام» یا SARSA

الگوریتم SARSA (که سرواژه عبارت State-Action-Reward-State-Action است) شباهت زیادی با الگوریتم یادگیری Q دارد. تفاوت کلیدی این دو الگوریتم در این است که SARSA برخلاف الگوریتم یادگیری Q، در دسته الگوریتم‌های On-Policy قرار می‌گیرد. بنابراین، الگوریتم SARSA مقدار Q-value را با توجه به اقدامی که ناشی از سیاست فعلی است محاسبه می‌کند نه اقدام ناشی از سیاست حریصانه.

معادله به‌روزرسانی الگوریتم SARSA (https://www.quora.com/What-is-the-difference-between-Q-learning-and-SARSA-learning)

اقدام  اقدامی است که در وضعیت بعدی یعنی  تحت سیاست فعلی انجام خواهد گرفت.

نمونه کد الگوریتم SARSA (https://martin-thoma.com/images/2016/07/sarsa-lambda.png)

ممکن است در نمونه کد بالا متوجه شده باشید که هر دو اقدام اجرا شده از سیاست فعلی پیروی می‌کنند. اما در الگوریتم یادگیری Q، تا زمانی که اقدام بعدی بتواند مقدار Q-value برای وضعیت بعدی را حداکثر سازد، هیچ قیدی برای آن تعریف نمی‌شود. بنابراین همان‌طور که گفته شد، الگوریتم SARSA از نوع الگوریتم‌های On-policy است.

۳.۲. شبکه عمیق Q یا DQN

الگوریتم‌ یادگیری Q الگوریتم قدرتمندی است، اما قابلیت تعمیم‌پذیریندارد و همین مسئله را می‌توان بزرگ‌ترین نقطه‌ضعف آن دانست. اگر الگوریتم یادگیری Q را به‌روزرسانی اعداد موجود در یک آرایه دو بعدی (شامل: فضای اقدام×فضای وضعیت) درنظر بگیرید، متوجه شباهت آن با برنامه‌نویسی پویاخواهید شد. این موضوع برای ما روشن می‌سازد که وقتی عامل تصمیم‌گیرنده در الگوریتم یادگیری Q با وضعیتی کاملاً جدید روبه‌رو شود، هیچ راهی برای شناسایی و انتخاب اقدام مناسب نخواهد داشت. به عبارت دیگر، عامل تصمیم‌گیرنده الگوریتم یادگیری Q توانایی تخمین ارزش وضعیت‌های ناشناخته را ندارد. برای حل این مشکل، شبکه DQN آرایه دو بعدی را حذف و شبکه عصبی را جایگزین آن می‌کند.

شبکه DQN به کمک یک شبکه عصبی، تابع Q-value را تخمین می‌زند. وضعیت فعلی به عنوان ورودی به این شبکه داده می‌شود، سپس مقدار Q-value متناظر با هر اقدام به عنوان خروجی از شبکه دریافت خواهد شد.

یک مثال از شبکه DQN در آتاری (https://zhuanlan.zhihu.com/p/25239682)

شرکت دیپ مایند در سال ۲۰۱۳، شبکه DQN را همان‌طور که در تصویر بالا ملاحظه می‌کنید، در بازی آتاری به‌کار گرفت. ورودی که به این شبکه داده می‌شد یک تصویر خام از وضعیت جاری بازی بود. این ورودی از چندین لایه مختلف از جمله لایه‌های پیچشی و تماماً متصل عبور می‌کند و خروجی نهایی شامل مقادیر Q-valueهای مربوط به تمام اقدامات احتمالی عامل تصمیم‌گیرنده است.

حال سؤال اصلی این است که: چطور می‌توان این شبکه را آموزش داد؟

پاسخ این است که ما شبکه را براساس معادله به‌روزرسانی الگوریتم یادگیری Q آموزش می‌دهیم. اگر بخاطر داشته باشید، مقدار Q-value هدف برای الگوریتم یادگیری Q از فرمول زیر به دست می‌آمد:

Q-value هدف (https://storage.googleapis.com/deepmind-media/dqn/DQNNaturePaper.pdf)

نماد ϕ معادل وضعیت s است. نماد

الگوریتم یادگیری ماشین هوش مصنوعی یادگیری تقویتی

ai-magazine چهارشنبه 5 آذر 1399 ساعت 15:08

• 8
• صفحه 1
• 2