چگونه یک تیم هوش مصنوعی فوق‌العاده بسازیم؟

رشد روزافزون هوش مصنوعی سوالات زیادی را برای مدیران ایجاد کرده است. از جمله نحوه مدیریت سیستم‌های محاسباتی‌ای که فراتر از درک بشر هستند و چگونگی اطمینان از رعایت استانداردهای اخلاقی در استفاده از این فناوری نوین و چالش برانگیز. اندرو ان‌جی علاوه بر این سوالات، موضوعات مهم‌تر دیگری را مطرح می‌کند؛ اینکه برای پیشرفت در هوش مصنوعی چه نوع سازمانی لازم است؟ چه مهارت‌هایی برای جذب افراد مورد نیاز است؟ چه ساختارهای سازمانی بهترین عملکرد را دارند؟ آیا شرکت‌ها به یک مدیر ارشد هوش مصنوعی که هم‌سطح دیگر مدیران عالی باشد نیاز دارند؟ در مصاحبه‌ی پیش رو اندرو ان‌جی به این سوالات پاسخ خواهد داد.

کمتر کسی را می توان یافت که همچون اندرو ان‌جی بر اوج قله هوش مصنوعی ایستاده باشد. ان‌جی بنیانگذار و مدیرعامل شرکت Landing AI است و از معدود افرادی‌ است که در هر دو زمینه‌ی فناوری و هوش مصنوعی سوابق پرباری دارد. او پیش از این هدایت آزمایشگاه هوش مصنوعی دانشگاه استنفورد و گروه تحقیقاتی هوش مصنوعی Google Brain را بر عهده داشته است و به عنوان دانشمند ارشد شرکت چینی Baidu برنامه‌های نوآورانه‌ ای برای تشخیص صدا و تصویر ایجاد کرده است. ان‌جی می‌گوید بسیاری از شرکت‌ها به اهمیت هوش مصنوعی و تاثیرات آن پی برده‌اند و در حال ساخت تیم‌ هوش مصنوعی داخل شرکت هستند. وی مصاحبه ای با مجله فوربس انجام داده است در مورد اینکه چگونه می‌توان یک تیم هوش مصنوعی همه‌فن حریف ساخت که بیشترین بهره‌برداری را از این فناوری نوین انجام دهد. اندرو ان‌جی در مصاحبه‌ای با فوربس به این سوالات پاسخ داده است.

در گذشته ضرورت هوش مصنوعی به اندازه امروز حس نمی‌شد. این مساله باعث شد تا مدیران اجرایی تجربه زیادی در ساختن تیم هوش مصنوعی نداشته باشند. اکنون شرکت‌ها چگونه باید اعضای تیم هوش مصنوعی را انتخاب کنند؟

پیش از هرچیز شرکت‌ها نیاز به افراد با استعدادی دارند که در زمینه شبیه‌سازی، دانش عمیقی داشته باشند. این افراد باید توانایی‌های یادگیری کامپیوتر را بشناسند. سپس این تیم متمرکز می‌تواند بطور متقابل با دیگر مدیران همکاری کند تا برنامه‌های خاص هوش مصنوعی را توسعه دهد. در نهایت این یک کار تیمی خواهد بود که برنامه را هدایت می‌کند.

بسیاری از شرکت‌ها از یک تیم هوش مصنوعی برای چندین پروژه استفاده می‌کنند. به عنوان مثال، هوش مصنوعی در حال کاهش کار اضافی در کشاورزی است. ده‌ها برنامه‌ی مختلف برای کنترل علف‌های هرز، تفسیر تصاویر ماهواره‌ای و بهینه‌سازی ماشین آلات کشاورزی توسعه یافته‌اند. طبیعی است که استخدام یک متخصص هوش مصنوعی که تمامی این برنامه‌های عمودی را بشناسد کار بسیار دشواری است. بنابراین بسیار مهم است که پیش از هرچیز، چند برنامه کاربردی را آزمایش کنید تا بدانید که هوش مصنوعی چه کاری را می‌تواند در یک حوزه خاص تجاری انجام دهد.

چه گروهی می‌تواند این کار را انجام دهد؟

یک تیم هوش مصنوعی کوچک و توانمند که به سرعت عمل کند و حتی شکست بخورد، می‌تواند ظرف شش تا ۱۲ ماه یک برنامه را آزمایش کند. به منظور شروع سریع‌تر کار بهتر است به طور جداگانه برای این گروه بودجه اختصاص داد تا اینکه آنها مجبور نباشند برای دریافت بودجه از واحدهای مالی بجنگند.

شما وقتی می‌خواهید یک تیم هوش مصنوعی بسازید برای انتخاب و استخدام بهترین افراد به چه مهارت‌ها و نقش‌هایی توجه می‌کنید ؟

سرپرست تیم هوش مصنوعی باید در مورد فناوری اطلاعات کافی داشته باشد تا بتواند کارهایی که باید انجام شود یا نباید انجام شود را تشخیص دهد. علاوه بر این آنها باید به طور متقابل با سرپرست‌های شرکت‌ها کار کنند تا بتوانند هرگونه ارزش افزوده‌ای را به مجموعه وارد کنند.
همچنین تیم هوش مصنوعی برای اجرای پروژه ‌ها نیاز به استعدادهای مهندسی دارد. با توجه به نوع پروژه، این می‌تواند شامل مهندسین یادگیری ماشین، دانشمندان داده، دانشمندان کاربردی، مهندسان داده یا سایر نقش‌ها باشد. برخی از تیم‌ها نیز به یک مدیر محصول نیاز دارند.

تعریف شما از یک مدیر ارشد هوش مصنوعی و نقش آن چیست؟

این افراد به طور معمول سمت بالایی در سازمان دارند. وظیفه‌ی آنها باید ایجاد توانایی‌های هوش مصنوعی برای کل سازمان باشد. به یاد داشته باشید که صدها سال پیش که تازه الکتریسته کشف شده بود شرکت‌ها در حال استخدام معاونان برق برای پشتیانی از کل شرکت بودند. آنها نحوه کار با این محصول نوظهور را آموزش می‌دادند.

امروزه هوش مصنوعی در مراحل ابتدایی توسعه‌ی خود قرار دارد. بنابراین شما به یک مدیر ارشد هوش مصنوعی نیاز دارید که با مدیرعامل همکاری نزدیکی داشته باشد تا به آنها این قدرت را بدهد که شرکت را به سمت تغییرات مثبت هدایت کنند.

هوش مصنوعی یک فناوری عمومی است و برای بسیاری از کارکردهای مختلف مفید است. به عبارت دیگر اگر فقط یک واحد تجاری از هوش مصنوعی استفاده کند ، تنها همان واحد متحول می‌شود. به عنوان مثال اگر ما در گوگل به مدیر آنجا در مورد فواید به کارگیری هوش مصنوعی در همه‌جا گزارش نمی‌دادیم، باعث می‌شد فقط عملکرد گفتار را تغییر بدهیم، اما با آن گزارش‌ها ما توانستیم کل شرکت را تغییر دهیم.

کارکردهای اصلی یک تیم متمرکز چیست؟ در دنیای امروز چه کسی این کار را به خوبی انجام می‌دهد؟

گوگل و بایدو این کار را به خوبی انجام می‌دهند. هردوی اینها دارای تیم‌ هوش مصنوعی ‌فوق‌العاده‌ای هستند و توانایی خود را در کار متقابل برای ایجاد ارزش هوش مصنوعی قابل لمس، از طریق جستجوی پیشرفته وب، تبلیغات، تشخیص گفتار، پیشنهادهای مربوط به محصول و بسیاری از پروژه‌های دیگر ثابت کرده‌اند.

یکی از چالش‌های اصلی این است که سال‌ها زمان می‌برد تا این تیم ساخته شود. ما در هوش مصنوعی Landing سرمایه-گذاری‌های گسترده‌ای انجام داده‌ایم تا روند پذیرش هوش مصنوعی در شرکت‌ها را سرعت دهیم. در این بین متوجه این نکته شده‌ایم که اگر این این ظرفیت‌ها را در دسترس شرکایمان قرار دهیم می‌تواند به طرز معناداری توانایی آنها را در شناسایی و تحقق ارزش کاربردی هوش مصنوعی را سرعت ببخشد.

چگونه این تیم اصلی باید با واحدهای دیگر ارتباط برقرار کند؟

تیم اصلی هوش مصنوعی می‌تواند بسترهای گسترده‌ای را بسازد. برای مثال در یکی از شرکت‌های قبلی من، تیم من به انبار داده کاربر تعلق داشت که به عنوان مخزن اصلی کلیه داده‌های مربوط به کاربر استفاده می‌شود. این تیم با واحدهای تجاری مختلف در ارتباط بود و داده‌ها را از همه‌ی آنها جمع آوری می‌کرد و سپس به آنها (با رعایت حریم خصوصی) باز می‌گرداند. هیچ واحد تجاری به تنهایی نمی‌توانست این کار را انجام دهد ، و منطقی بود که تیم AI بتواند برای انجام این کار یک بستر متمرکز برای کل شرکت باشد.

وظیفه مدیر ارشد هوش مصنوعی این است که تمامی جوانب شرکت را بسنجد و و بگوید چگونه می‌توان از هوش مصنوعی برای بهبود استفاده کرد. هنگامی که من در Baidu هوش مصنوعی را هدایت می‌کردم ، یک تیم مدیریت محصول داشتیم که وظیفه آن مراجعه به هر واحد تجاری بود و می‌خواستند بدانند که آنها چطور می‌توانند به بهبود حوزه‌هایی همچون کیفیت جستجوی وب، محتوای یک نقشه‌ی راه یا کارکرد یک فروشگاه آنلاین کمک کنند. درواقع کار آنها پیدا کردن فرصت‌ها بود.

و البته، ما همیشه کارهای بسیاری بیشتری می‌توانستیم انجام دهیم اگر ظرفیت بیشتر بود. به طور کلی این بخش ِ ناگزیر جهان ما است. بنابراین کار مهم‌تر این بود که رهبران و مدیران تجاری را قانع کنیم که آنها به شدت به هوش مصنوعی نیاز دارند. پس از آن -خوشبختانه یا متأسفانه- ما مجبور شدیم اولویت‌بندی کنیم. همیشه ایده‌های بیشتری از آنچه که ما می توانیم اجرا کنیم وجود داشت.

چه ساختاری این امکان را فراهم کرد؟ آیا به طور کلی ساختار بایدو را الگوی خوبی می دانید؟

ساختار بایدو نتایج بسیار خوبی را ارائه داد. عناصر بسیاری از جمله ایده‌ی داشتن یک تیم فناوری و فرایند سیستماتیک برای کاربردهای تجاری قابل لمس بسیار مفید هستند. اما ساختارهای سازمانی برای یک شرایط یکسان ایجاد نشده‌اند در نتیجه بسته به زمینه‌ی شغل ، یک شرکت ممکن است کم و بیش در بسترها یا مهندسی داده‌ها سرمایه گذاری کند یا ترجیح دهد به جای توسعه پیشرفته، تحقیقات پایه‌ای را در بخش‌های مختلف همچون بینایی کامپیوتر، پردازش زبان طبیعی، یادگیری کلی ماشین و غیره انجام دهد.

آیا در بایدو یک گروه اختصاصی وجود داشت که مسئولیت ساختن موارد استفاده تجاری برای هوش مصنوعی را بر عهده داشته باشد؟

من یک تیم از مدیران محصول داشتم که وظیفه ایجاد پل به واحدهای تجاری و شناسایی، اولویت بندی و پیگیری اجرای پروژه‌های هوش مصنوعی را داشتند. این مدیران محصول که برخی از آنها پیش از این مهندس بودند دارای درک کافی و مناسبی بودن تا تشخیص دهند چه کاری انجام شود و چه کاری انجام نشود. با این وجود آنها اغلب قبل از انجام یک پروژه با مهندسین ارشد هماهنگ می‌شدند تا با قطعیت بیشتری پروژه را شروع کنند. ما از هر ایده‌ای استقبال می‌کردیم. برای مثال بسیاری از ایده‌های خوب هوش مصنوعی از مدیران واحدهای تجاری و بقیه‌ی آنها از واحدهای فناوری بیرون آمدند. مهمترین مساله این بود که فرایندی وجود داشته باشد تا ایده‌های خوب را غربال کند .

در مورد شرکت های کوچک چطور؟ یک شرکت ۱۰۰ نفره قاعدتا نمی‌تواند یک تیم جدید هوش مصنوعی تشکیل دهد. آنها چگونه باید در مورد هوش مصنوعی برای تجارت خود فکر کنند؟

توصیه ای که به همه می‌کنم این است که به این فکر باشید چطور انجامش دهید. حتی اگر پروژه‌ی کوچک با یک برنامه‌نویس مبتدی دارید دل به دریا بزنید تا ببینید یک نرم افزار هوش مصنوعی چه کاری برای شما انجام می‌دهد. دروقع اگر شرکتی پیش از این با هوش مصنوعی سروکار نداشته است، احتمالا نمی‌تواند به درستی استراتژی را تعیین کند. در این صورت مدیران ممکن است استراتژی‌ها را از جاهای دیگر وام بگیرند، درحالی که این کار به ندرت جواب می‌هد. بنابراین می‌گویم یک زوج مهندس را استخدام کنید تا ببینند چه کاری می توانند انجام دهند و از آنجا به رشد خود ادامه دهید.

آیا هوش مصنوعی داخلی را حتی برای شرکت‌هایی که توان استخدام یک یا دو توسعه‌دهنده دارند را هم پیشنهاد می‌دهید؟

پاسخ این سوال به این بستگی دارد که آیا شما می‌توانید یک پیشنهاد قابل لمس برای ایجاد ارزش هوش مصنوعی داشته باشید یا نه و اینکه ساخت تیم هوش مصنوعی برای شما مناسب‌تر است یا خرید آن؟ اگر احتمال دارد یک برنامه به یک استاندارد صنعت تبدیل شود ، یک شرکت کوچک بهتر است آن را بخرد. اما اگر یک برنامه کاربردی برای یک تجارت ارزشمند است، و به اندازه کافی برای شرکت منحصر به فرد است که نخواهد آن را به شخص دیگری برونسپاری کند بهتر است تیم هوش مصنوعی را بسازد.

منبع: hooshio.com

معرفی یادگیری عصبی ساماندهی شده در کتابخانه تنسورفلو

مقاله حاضر بر آن است تا یادگیری عصبی ساماندهی شده در کتابخانه تنسورفلو را معرفی کرده و جزئیات آن را تشریح کند. «TensorFlow» یک چارچوب ساده است که افراد حرفه‌ای و تازه‌کار می‌توانند از آن برای آموزش
شبکه‌های عصبی با سیگنال‌های ساماندهی شده استفاده کنند. یادگیری عصبی ساماندهی شده (NSL) می‌تواند برای ایجاد مدل‌های دقیق و قوی در حوزه‌های بصری، درک زبانی و پیش‌بینی استفاده شود.
داده‌های ساماندهی شده کاربردهای مفیدی در خیلی از فعالیت‌های یادگیری ماشین دارند. این داده‌ها حاوی اطلاعات منطقی غنی در میان سایر نمونه‌ها هستند. برای مثال، مدل‌سازیِ شبکه‌های رونگاشت ، استنتاج گراف دانشو استدلال در خصوص ساختار زبانیِ جملات، و یادگیری اثرانگشت‌های مولکولی همگی مستلزم مدلی است که از خروجی‌های ساماندهی شده اقدام به یادگیری کند.این ساختارها می‌توانند به صورت صریح (به عنوان مثال بوسیله یک گراف) و یا به صورت ضمنی (به عنوان مثال بوسیله داده های متضاد) ارائه شوند. استفاده از سیگنال‌های ساماندهی شده در طول آموزش این فرصت را به طراحان و توسعه‌دهندگان می‌دهد که دقت مدل بالاتری داشته باشند؛ به ویژه زمانی که میزان داده‌های برچسب زده شده نسبتاً کم باشد. آموزش با سیگنال‌های ساماندهی شده باعث ایجاد مدل‌های مقاوم تر می‌شود. این شیوه‌ها کاربرد وسیعی در گوگل دارند و نقش بزرگی در بهبود عملکرد مدل ایفا می‌کنند؛ مثلیادگیری تعبیه شده معنایی تصاویر .
یادگیری عصبی ساماندهی شده (NSL) یک چارچوب منبع باز برای آموزش شبکه‌های عصبی عمیق با سیگنال‌های ساماندهی شده است. این چارچوب «یادگیری عصبی گرافی» را اجرا می‌کند. این نوع یادگیری به توسعه‌دهندگان امکانِ آموزش شبکه‌های عصبی با استفاده از گرافی را می‌دهد. این گراف‌ها می‌توانند از منابع مختلفی به دست بیایند؛ از جمله این گراف‌ها می‌توان به گراف‌های «Knowledge»، داده‌های آرشیو پزشکی، داده‌های ژنومی یا روابط چندوجهی اشاره کرد. همچنین NSL از یادگیری تخاصمی استفاده می‌کند که طی آن، ساختارِ میان نمونه‌های ورودی به صورت پویا و با استفاده از آشفتگی تخاصمی ساخته می‌شوند. NSL این فرصت را به کاربران «TensorFlow» می‌دهد تا به راحتی از سیگنال‌های ساماندهی شدۀ گوناگون برای آموزش شبکه‌های عصبی استفاده کنند. این نوع یادگیری در سناریوهای یادگیری مختلف قابل استفاده می‌باشد.

یادگیری عصبی ساماندهی شده (NSL) چگونه کار می‌کند؟

در یادگیری عصبی ساماندهی شده (NSL)، سیگنال‌های ساماندهی شده (که صراحتاً در قالب گراف تعریف می‌شوند یا به صورت ضمنی در قالب نمونه‌های تخاصمی استفاده می‌شوند) برای عادی‌سازیِ آموزش شبکه‌های عصبی به کار برده می‌شوند. لذا مدل تحت اجبار قرار می‌گیرد تا پیش‌بینی‌های دقیق را یاد بگیرد (بوسیله کمینه کردن supervised loss). در همین حین، شباهت میان ورودی‌های یک ساختار را نیز حفظ می‌کند (بوسیله کمینه کردن neighbor loss). این روش، یک روش متداول است و می‌تواند در معماری‌های هر شبکه عصبی دلخواه از قبیل شبکه‌های عصبی پیشرو ، شبکه‌های عصبی پیچشیو شبکه‌های عصبی بازگشتیبکار رود.

ساخت مدل با یادگیری عصبی ساماندهی شده (NSL)

ساخت مدل به کمک یادگیری عصبی ساماندهی شده (NSL) برای بهره‌مندی از سیگنال‌های ساماندهی شده به کار ساده‌ای تبدیل شده است. با توجه به گراف و نمونه‌های آموزش، NSL ابزاری برای پردازش و ادغام این نمونه‌ها در قالب «TFRecords» فراهم می‌کند. به مثال زیر توجه کنید:

۱ ۲ ۳ ۴ ۵

python pack_nbrs.py --max_nbrs=۵ \ labeled_data.tfr \ unlabeled_data.tfr \ graph.tsv \ merged_examples.tfr

در وهله بعد، چارچوب NSL از API برای مصرف نمونه‌های پردازش شده استفاده کرده و عادی‌سازیِ گراف را مقدور می‌سازد. بگذارید نگاهی به نمونه کُد داشته باشیم:

۱ ۲ ۳ ۴ ۵ ۶ ۷ ۸ ۹

import neural_structured_learning as nsl# Create a custom model — sequential, functional, or subclass. base_model = tf.keras.Sequential(…)# Wrap the custom model with graph regularization. graph_config = nsl.configs.GraphRegConfig( neighbor_config=nsl.configs.GraphNeighborConfig(max_neighbors=۱)) graph_model = nsl.keras.GraphRegularization(base_model, graph_config)# Compile, train, and evaluate. graph_model.compile(optimizer=’adam’, loss=tf.keras.losses.SparseCategoricalCrossentropy(), metrics=[‘accuracy’]) graph_model.fit(train_dataset, epochs=۵) graph_model.evaluate(test_dataset)

ما با کمتر از پنج خط اضافی (از جمله بخش کامنت) به یک مدل عصبی دست یافتیم که از سیگنال‌های گراف در طول آموزش استفاده می‌کند. از دید تجربی، استفاده از ساختار گرافی این امکان را به مدل‌ها می‌دهد تا بدون کاهش دقت و با داده‌های برچسب‌گذاری شده کمتری به آموزش بپردازند.

اگر ساختار صریحی در کار نباشد، چه باید کرد؟

اگر ساختارهای صریح (مثل گراف) وجود نداشته باشند، چه رویکردی باید در پیش گرفت؟ چارچوبِ NSL ابزارهایی را در اختیار توسعه‌دهندگان می‌گذارد تا گراف‌هایی را از داده‌های خام بسازند. در ضمن، چارچوب NSL با فراهم آوردنِ API زمینه را برای استنتاج نمونه‌های تخاصمی در قالب سیگنال‌های ساماندهی شدۀ ضمنی مهیا می‌کند. نمونه‌های تخاصمی به صورت تعامدی برای گیج کردن مدل ساخته می‌شوند؛ آموزش با چنین نمونه‌هایی معمولاً به مدل‌هایی ختم می‌شود که در مقابل آشفتگی‌های اندک ورودی، عملکرد قوی و خوبی از خود نشان می‌دهند. در نمونه کُد زیر می‌بینیم که NSL چگونه امکانِ آموزش با نمونه‌های تخاصمی را فراهم می‌کند:

۱ ۲ ۳ ۴ ۵ ۶ ۷ ۸

import neural_structured_learning as nsl# Create a base model — sequential, functional, or subclass. model = tf.keras.Sequential(…)# Wrap the model with adversarial regularization. adv_config = nsl.configs.make_adv_reg_config(multiplier=۰.۲, adv_step_size=۰.۰۵) adv_model = nsl.keras.AdversarialRegularization(model, adv_config=adv_config)# Compile, train, and evaluate. adv_model.compile(optimizer=’adam’, loss=’sparse_categorical_crossentropy’, metrics=[‘accuracy’]) adv_model.fit({‘feature’: x_train, ‘label’: y_train}, epochs=۵) adv_model.evaluate({‘feature’: x_test, ‘label’: y_test})

ما با کمتر از پنج خط اضافی (از جمله بخش کامنت) به یک مدل عصبی دست یافتیم که با نمونه‌های تخاصمی آموزش دیده و یک ساختار ضمنی ارائه می‌کند. از دید تجربی، مدل‌های آموزش داده شده بدون نمونه‌های تخاصمی دقت خیلی پایینی دارند.

منبع: hooshio.com

مسئولیت های هوش مصنوعی در دوران بیماری‌ های همه‌گیر

ویرجینیا دینیوم، استاد دانشگاه در حوزه هوش مصنوعی اخلاقی و اجتماعی از مسئولیت های هوش مصنوعی در زمان بیماری‌های همه‌گیر می‌گوید...

سوالات متعددی درباره مسئولیت ‌های هوش مصنوعی در تجزیه و تحلیل وضعیت در زمان بیماری‌های همه گیری چون کرونا و کمک آن به درک اثرات احتمالی سیاست‌های مختلفی که اتخاذ می‌شوند، پرسیده شده است. از جمله این سیاست‌ها می‌توان به تعطیلی در سطح محلی یا ملی، قرنطینه و فاصله‌گذاری اجتماعی اشاره کرد. چگونگی استفاده موثر از هوش مصنوعی هم مورد توجه عده کثیری قرار گرفته است و اینجاست که موضوع مسئولیت های هوش مصنوعی مطرح می‌شود.

همین ابتدا می‌خواهم به این مسئله تاکید کنم که تاکید بر مسئولیت های هوش مصنوعی، می‌تواند کمک کند تا درک بهتری از وضعیت فعلی بدست آوریم. آنچه در حال حاضر از متخصصان و محققان هوش مصنوعی انتظار می‌رود، این است که از دانش و مهارت خود برای تجزیه و تحلیل، درک علت شیوع ویروس کرونا، اثرات سیاست‌ها، تاثیر طولانی مدت این ویروس بر جامعه و اقتصاد، و پرسش‌هایی از این دست استفاده کنند.

با این حال، برای اینکه این اقدام با مسئولیت‌پذیری بالایی انجام شود، باید درک روشنی از قابلیت‌ها و محدودیت‌های هوش مصنوعی داشته باشیم. من اغلب روی این نکته تاکید می‌کنم که هوش مصنوعی نَه یک ابزار جادویی است، و نَه راه‌حلی برای همه مشکلات.

از جمله الزامات اصلی برای توسعه مسئولیت های هوش مصنوعی عبارت‌اند از: قدرتمند بودن، شفافیت، احترام به اصول و حقوق بشر. نکته اول این است که سیستم‌ها باید مقاوم باشند و در خصوص روش‌های استفاده شده دقت کافی به خرج دهیم. مهم‌تر از آن، استفاده از روش‌های داده‌محور برای پیش‌بینی شیوع ویروس کرونا، می‌تواند مشکلات زیادی به همراه داشته باشد. این روش‌ها با مرتبط کردن داده‌های گذشته، به یادگیری می‌پردازند و در حال حاضر داده‌های کافی درباره شرایط مشابه در اختیار نداریم.

نتایجِ بدست آمده در گذشته نمی‌توانند ضمانت مناسبی برای آینده باشند، به ویژه وقتی این ایده قوت بگیرد که آینده تفاوت‌های چشمگیری با گذشته خواهد داشت. به علاوه، آن داده‌های کمی هم که وجود دارند، ناقص و جهت‌دار هستند. برای مثال، همه به این مسئله واقف هستند که تعداد مبتلایان بسیار بیشتر از تعداد مبتلایانی است که بیماری‌شان تایید شده است و آمار دقیقی درباره بهبود‌یافتگان در دست نیست.

استفاده از داده‌های موجود در روش‌های یادگیری ماشین، می‌تواند ما را به دردسر بیندازد؛ به طوری که تخمین های مثبت کاذبو منفی کاذب افزایش پیدا کند. اکنون در وضعیتی قرار داریم که به نظر می‌رسد روش‌های مدل‌محور می‌توانند کارآیی بیشتری در مقایسه با روش‌های داده‌محور داشته باشند.

در حقیقت، در حال حاضر گروه‌های زیادی روی شبیه‌سازی‌ها فعالیت می‌کنند. با وجود این، انتخاب مدل‌ها باید بر پایۀ تحقیقات مستدل در حوزه‌های همه‌گیرشناسی، جامعه‌شناسی و روان‌شناسی باشد و نمایش‌ محاسباتی مناسبی هم به کار گرفته شوند. این نوع از مدل‌ها، حساسیت بالایی در فرض‌های طراحی پارامترهای اولیه دارند. قبل از پیشنهاد این سیستم‌ها به منظور حمایت از سیاست‌گذاران، باید آزمایش‌های تحلیل حساسیت انجام داد.

از دیدگاه تحقیقاتی، کار بر روی روش‌های ترکیبی که دو روش داده‌محور و مدل‌محور با هم ادغام می‌شود، اهمیت ویژه‌ای دارد و برای وضعیت فعلی مناسب است.شفافیت در روش‌های مدل‌محور یا داده‌محور از اهمیت بالایی برخوردار است. مثل اینکه چه مدل‌ها و دیتاست ‌هایی استفاده شده و دلیل استفاده از آن‌ها چه بوده است؟ با چه کارشناس‌هایی در این زمینه مشورت شده؟ سیستم، چگونه ارزیابی و آزمایش شده؟ بدون پاسخ شفاف و صریح به این قبیل از پرسش‌ها، نمی‌توان به نتایج اطمینان کرد.

در حال حاضر جهان در وضعیتی به سر می‌برد که تصمیماتِ بی‌اساس، می‌توانند تبعات سنگینی به همراه داشته باشد. اگر سیستم قادر به ارائه توضیح برای نتایج خود نباشد، باید قبل از استفاده از آن برای تحلیل یا پیش‌بینی وضعیت بیماری‌های همه‌گیر، تمام جوانب را در نظر بگیرید و خوب فکر کنید.

از جمله مسئولیت های هوش مصنوعی در این دوران، تشخیص اخبار کذب و کاهشِ گسترش این اخبار است. بسیاری از نرم‌افزارهایی که با هدف کنترل این بیماری همه‌گیر استفاده می‌شوند، برای جمع‌آوری اطلاعات درباره افراد، شرایط و حرکات آنان طراحی شده‌اند. اگرچه همه ما بر سر این مسئله توافق نظر داریم که چنین داده‌هایی برای تصمیم‌گیری توسط دولت‌ها و مقامات محلی ضروری هستند و ارزش بالایی در توسعه ابزارهای هوش مصنوعی دارند، اما نمی‌توان احترام به حقوق بشر، اصول اخلاقی و قوانین و مقررات موجود را نادیده گرفت.

حریم خصوصی افراد و احترام به عزت و شرافت انسان نیز به عنوان یکی دیگر از مسئولیت های هوش مصنوعی باید مورد توجه باشد. نرم‌افزارهایی که اطلاعات شخصی افراد را جمع می‌کنند، باید به موارد مذکور پایبند باشند. شاید امروزه اطمینان از مدیریت صحیح و ذخیره داده‌ها اهمیت بیشتری داشته باشد، چرا که مردم بسیاری از کشورها بخشی از آزادی خود را از دست داده‌اند.

البته این بدان معنا نیست که امکان ساخت، توسعه و استفاده از این نرم‎افزارها وجود ندارد؛ بلکه این اقدامات باید در راستای استانداردهای اخلاقی انجام شوند. جلب اعتماد شهروندان در بحران‌هایی از این دست باید در اولویت قرار گیرد. بنابراین احترام به الزاماتِ مربوط به برخورد مناسب با داده‌های شخصی، نیازمند توجه بالایی است.با این حال، با توجه به شرایط بغرنجی که در حال حاضر حاکم است، باید اخلاق را درمورد آن دسته از نرم‌افزارهایی که هدف‌شان کمک به کنترل این بیماری همه‌گیرِ جهانی است، در اولویت قرار داد و به‌کارگیری آن‌ها را سرعت بخشید.

در پایان، سیستم‌ها باید در دسترس همه باشند و تفاوت‌های اجتماعی و فرهنگی در کشورهای درگیر با این بیماری را هم مد نظر قرار دهند. اکنون، زمانِ دسترسی آزاد به منابع اطلاعاتی است. ما همه با هم در این درد شریک هستیم و باید مطمئن شویم که همه از منافع هوش مصنوعی بهره‌مند می‌شوند.

منبع: hooshio.com

هوش مصنوعی عمومی و رقابت؛ برنده کیست؟

هوش مصنوعی عمومی و رقابت؛ برنده کیست؟

هوش مصنوعی عمومی ، یقیناً باعث ایجاد اختلال در جامعه خواهد شد. این فن‌آوری در کل جهان گسترش یافته و همه صنایع را تحت تاثیر قرار می‌دهد، پس باید خود را برای چنین روزی آماده کنیم. هوش مصنوعی جهان را تحت سیطره خود در آورده است، اما نَه به این شکل که بخواهد در نقش ربات‌های قاتل ظاهر شود و همه چیز را به نابودی بکشاند.

هوش مصنوعی در قرن ۲۱ برای تقویت صنایع، کسب‌وکار، آموزش، ساخت‌وساز، مراقبت‌های پزشکی، حمل و نقل و… مورد استفاده قرار می‌گیرد. هوش مصنوعی برای نجات جان انسان‌ها، ساخت و توسعه فن‌آوری‌های نسل بعد و بهتر کردنِ زندگی انسان‌ها نیز استفاده می‌شود و به نظر می‌رسد هوش مصنوعی کاربردهای بی‌انتهایی داشته باشد.

شاید تصور کنید هوش مصنوعی نوعی فن‌آوری علمی – تخیلی آینده‎نگر است که خیلی فراتر از عصر حاضر است، اما این فن‌آوری اکنون نقش قابل‌توجهی در شخصی‌سازیِ تجربه‌های انسان در رسانه‌های اجتماعی یا خودکارسازیِ کارهای ملال‌آور ایفا می‌کند. اگر فکر می‌کنید این نقطه، اوج انقلاب هوش مصنوعی است، دوباره فکر کنید؛ زیرا این هوش مصنوعی که امروز می‌بینید، فقط نوک قله است.

هوش مصنوعی محدود و هوش مصنوعی قوی

پیش از آنکه به این موضوع بپردازیم، بیایید ببینیم چه تعریفی برای هوش مصنوعی ارائه شده است. هوش مصنوعی به قابلیت ماشین برای اندیشیدن و یادگیری اِطلاق می‌شود. هوش مصنوعیِ مورد استفاده در عصر حاضر «هوش مصنوعی محدود» نام دارد؛ منظور از محدود این است که فقط توان انجام یک کار مشخص را دارد؛ نَه هیچ چیز دیگر. سطح بعدی هوش مصنوعی را «هوش مصنوعی قوی» نامیده‌اند. البته از اصطلاح نوین «هوش مصنوعی عمومی » هم استفاده می‌شود.

هوش مصنوعی قوی به مغز فرضیِ ماشینی می‌گویند که قابلیت انجام کارها و درک گفتار در سطحِ شناختی را دارد. این نوع هوش می‌تواند همگام با قابلیت‌های مغز انسان به ایفای نقش بپردازد. به عبارتی، این ماشین پیشرفته رباتی است که می‌تواند مثل ما انسان‌ها همه چیز را احساس کند، عاشق شود و اساساً همان کارهایی را انجام دهد که انسان‌ها در طول روز انجام می‌دهند. سیستم هوش مصنوعی محدود هرگز نمی‌تواند به این سطح از توانایی برسد.

سرمایه‌گذاری در هوش مصنوعی عمومی (AGI)

هوش مصنوعی عمومی فرضی می‌تواند در اقدامی سرنوشت‌ساز تاریخ را دگرگون کند. به همین دلیل است که سرمایه‌گذاران، میلیون‌ها دلار در اختیار شرکت‌ها گذاشته‌اند تا تحقیقات خود را در این زمینه گسترش دهند. کارشناسان به سختی در تلاش‌اند تا به این فن‌آوری تخیلی رنگ واقعیت ببخشند. بر اساس گزارش «Mind Commerce»، پیش‌بینی می‌شود سرمایه‌گذاری در هوش مصنوعی عمومی تا سال ۲۰۲۳ به ۵۰ میلیارد دلار برسد. هم‌اکنون نیز چندین شرکت بزرگ فن‌آوری با برخورداری از گروهی از کارشناسان خبره، مشغول کار و تحقیق درباره این فن‌آوری هستند.

شرکت‌های بزرگ فن‌آوری از قبیل IBM و Baidu شاید به جهش‌های کوانتومی در هوش مصنوعی دست پیدا کنند. با این حال، چهار شرکت ریشه‌دار وجود دارند که گوی سبقت را از شرکت‌های رقیب ربوده‌اند و فاصله‌ چندانی با خط پایان هوش مصنوعی ندارند. جایزه‌ای که پس از پایان این رقابت داده می‌شود، مدال طلا نیست، بلکه بزرگ‌ترین دستاورد هوش مصنوعی تحت عنوان «ابَر هوش» است. اکنون بیایید هر یک از این شرکت‌ها را به طور مختصر بررسی کنیم.

چهار شرکت برتر هوش مصنوعی

۱. Open AI
سال تاسیس: ۲۰۱۵
مرکز: سان‌فرانسیسکو، کالیفرنیا
ماموریت: هوش مصنوعی عمومی، در راستای رفع نیازهای بشر به کار گرفته شود.
هدف: تبدیل شدن به نخستین هوش مصنوعی عمومی؛ نَه برای اینکه به سودآوری حداکثری برسد. هدف اصلی، بهره‌مندیِ برابر کل جهان از این فن‌آوری است.
بنیان‌گذاران: ایلان ماسک، سَم آلتمن و چند نفر دیگر
سرمایه‌گذاران: مایکروسافت – یک میلیارد دلار
آخرین دستاورد: ساخت Open AI Five، تیمی متشکل از ربات هوش مصنوعی که قهرمانان بازی Dota 2 را شکست دادند و رباتی که توانست مکعب روبیک را حل کند.
روشِ استفاده از هوش مصنوعی عمومی: مدل‌های بزرگتر شبکه عصبی

۲. Deepmind
سال تاسیس: ۲۰۱۰
مرکز: لندن
ماموریت: تحقیق و ساخت سیستم‌های هوش مصنوعی امن که توان حل مسائل را داشته باشند و اکتشافات علمی را پیش ببرند.
هدف: ادغام روش‎های نوین یادگیری ماشین و علوم عصبی برای ساخت الگوریتم‌های یادگیری قوی.
بنیان‌گذاران: دمیس هاسابیس
سرمایه‌گذاران: Founders Fund و Horizons Ventures
آخرین دستاورد: آلفاگو، این سیستم هوش مصنوعی توانست انسان را در بازی Go شکست دهد.
روشِ استفاده از هوش مصنوعی عمومی: علوم عصبی؛ نگاه عمیق به مغز انسان و الهام‌گیری از آن برای ساخت الگوریتم‌های پیچیده

۳. Google Brain
سال تاسیس: ۲۰۱۱
مرکز: مانتن ویو، کالیفرنیا
ماموریت: هوشمندتر کردن ماشین‌ها و بهبود زندگی انسان‌ها
هدف: ساخت هوش مصنوعی با هوش بچۀ انسان
بنیان‌گذاران: اندرو اِن‌جی و جف دین
سرمایه‌گذاران: شرکت مادر گوگل
آخرین دستاورد: ابداع Transformers و تنسورفلو
روشِ استفاده از هوش مصنوعی عمومی: یادگیری با نظارت و سایر ساختارهای شبکه عصبی

۴. Facebook A.I. Research
سال تاسیس: ۲۰۱۳
مرکز: –
ماموریت: عرضه پیشرفته‌ترین نسخه هوش مصنوعی
هدف: ساخت هوش مصنوعی انسان‌مانند
بنیان‌گذاران: یان لیکان، پیشگام در حوزه یادگیری عمیق
سرمایه‌گذاران: شرکت مادر فیس‌بوک
آخرین دستاورد: ابداع PyTorch زبان برنامه‌نویسی مشهور و Mask R-CNN الگوریتم بینایی رایانه
روشِ استفاده از هوش مصنوعی عمومی: یادگیری بدون نظارت و خودنظارتی

نگاهی به آینده

هوش مصنوعی عمومی، یقیناً باعث ایجاد اختلال در جامعه خواهد شد. این فن‌آوری در کل جهان گسترش یافته و همه صنایع را تحت تاثیر قرار می‌دهد، پس باید خود را برای چنین روزی آماده کنیم. اگرچه تصویری خطرناک و خشن از هوش مصنوعی عمومی در اذهان نقش بسته، اما خطر اصلی خود مائیم. ما انسان‌ها کامل نیستیم و به پیامدهای اعمال‌مان توجه نمی‌کنیم. برای مثال، ببینید چگونه با مشکل تغییر آب‌وهوا برخورد می‌کنیم. بخش‌های زیادی از جهان از این مشکل رنج می‌برند، اما انسان‌ها همچنان به این قضیه بی‌اعتنا هستند.

اگرچه هوش مصنوعی عمومی از قابلیتِ ریشه‌کن کردن‌ِ نسل بشر برخوردار است، اما می‌توانیم به کمک آن تحولی عظیم ایجاد کرده و قدرتی بی‌سابقه بدست آوریم. باید جانب احتیاط را در استفاده از این فن‌آوری رعایت کنیم. این فن‌آوری تهدیدات زیادی با خود به همراه دارد و می‌تواند نسل انسان را منقرض کند.

برای اینکه تضمین شود این فن‌آوری برای اهداف خوب و مسالمت‌آمیز استفاده می‌شود و به هیچ عنوان از آن سوءاستفاده نخواهد شد، باید قوانینی را تدوین کنیم و ایمنی سیستم‌های هوش مصنوعی عمومی تضمین شود. اگر متخصصان و محققانی که در ساخت و توسعه هوش مصنوعی عمومی دخالت دارند، قبول مسئولیت کرده و از خطرات این فن‌آوری به خوبی آگاه باشند، امکان ساخت سیستم‌های کارآمد و امنِ هوش مصنوعی عمومی وجود خواهد داشت.

برنامه اجرایی

حالا که به آگاهی خوبی از اثرات و پیامدهای هوش مصنوعی عمومی دست یافته‌اید، سعی کنید اطلاعات بیشتری درباره هوش مصنوعی یاد بگیرید و روش‌های به‌کارگیری این فن‌آوری را در زندگی‌تان بررسی کنید. داشتن مهارت و تواناییِ لازم برای به‌کارگیری هوش مصنوعی در جهان حقیقی، اهمیتی بنیادی دارد؛ فرقی هم نمی‌کند دانشجو باشید یا مدیر عامل یک شرکت بزرگ خرده‌فروشی. توصیه می‌کنیم هنگام یادگیری PyTorch (چارچوب مشهور برای یادگیری ماشین) از زبان برنامه‌نویسی پایتون استفاده کنید. همچنین می‌توانید از JavaScript برای TensorFlow (کتابخانه یادگیری ماشین) استفاده کنید.

اگر مدیر یک کسب‌وکار هستید و می‌خواهید هوش مصنوعی تغییر بزرگی در شرکت‌تان به وجود آورد، می‌توانید با استخدام مهندسان یادگیری ماشین یا متخصصان داده به سرمایه‌گذاری در هوش مصنوعی بپردازید. استفاده از هوش مصنوعی می‌تواند باعث افزایش میزان فروش، ارتقای تجارب مشتریان، خودکارسازیِ فرایندها و تجزیه و تحلیل پیش‌بینی‌گر، شناسایی بزه‌کاری و بسیاری دیگر از کارها شود.

اگر به عنوان یک جوان، رویای ایجاد تغییر در جهان را در سر می‌پرورانید یا هدف‌تان تبدیل شدن به یک کارآفرین برتر است، توصیه می‌کنیم کارتان را با هوش مصنوعی آغاز کنید. مسئله‌ای را که می‌خواهید حل کنید، در نظر گرفته و سپس عنصر هوش مصنوعی را به آن اضافه کنید. برای مثال، اگر خواهان طراحیِ یک برند پوشاک هستید، چرا از هوش مصنوعی برای انجام این کار کمک نمی‌گیرید؟ یا اگر می‌خواهید گام موثری برای درمان بیماری‌های مغزی یا سرطان بردارید، از هوش مصنوعی برای یافتن روش درمانی نوین استفاده کنید. هیچ‌گاه از آزمایش کردن نترسید و از هوش مصنوعی برای فتح غیرممکن‌ها استفاده کنید.

از شما به خاطر مطالعه این مقاله سپاسگزار هستیم و امیدوارم حالا به درک خوبی از هوش مصنوعی رسیده باشید. مطمئنیم اکنون می‌دانید که کدام شرکت‌ها پرچم‌دار این حوزه هستند و تبدیل آن به واقعیت گام‌های موثری برمی‌دارند. می‌خواهیم با نقل قولی از «الیزه یودکوفسکی» نویسنده و محقق هوش مصنوعی این مقاله را به پایان برسانیم: «هر چیزی که زمینه را برای ظهور چیزهایی باهوش‌تر از هوش انسان و در قالب هوش مصنوعی، رابط‌های میان مغز و رایانه یا ارتقای هوش انسان بر پایه علوم عصبی فراهم کند، بیشترین اهمیت را دارد و نمی‌توان از نقش بی‌بدیل‌شان در تغییر جهان چشم‌پوشی کرد.»

منبع: hooshio.com

فروش محصول هوش مصنوعی و بازاریابی برای راهکارهای این فناوری نوین

شما یک محصول و راه‌حل نرم‌افزاری درخشان و جدید مبتنی بر هوش مصنوعی ایجاد کرده‌اید. تبریک می‌گوییم. فقط یک سوال؛ آیا به بازاریابی و فروش محصول هوش مصنوعی خود فکر کرده‌اید؟ هیچ کسب‌ و کار نوپایی به راحتی نمی‌تواند به فهرست برترین‎ها راه یابد و بسیاری از آنان سال‌های زیادی را در راه رسیدن به شهرت و سودآوری صرف می‌کنند.کسب و کارهای مرتبط با هوش مصنوعی نیز نه تنها از این قاعده مستثنی نیستند، بلکه راه سخت‌تری را نسبت به دیگران در پیش دارند. همچون هوش مصنوعی، بازاریابی هوش مصنوعی نیز در ابتدای راه خود قرار دارد. محصولات هوش مصنوعی شگفت‌انگیز هستند و باعث می‌شود غافلگیر کننده، دور از ذهن و عجیب نیز به نظر برسند. این بزرگترین مانع بر سر راه بازاریابی برای محصولات مبتنی بر هوش مصنوعی است.

در بازاریابی برای هوش مصنوعی چه کاری را نباید انجام داد؟

آنچه در حال روی دادن است این موضوع است که هوش مصنوعی به کلمه ای کلیدی در گفتگوهای آنها تبدیل شده است، اما چنان مورد استفاده قرار گرفته است که بیشتر صاحبان مشاغل و تصمیم گیرندگان هنگام شنیدن ترجیح می‌دهند آن را نادیده بگیرند. به همین دلیل شما نیز احتمالا نمی‌خواهید تنها وجه تمایزتان با دیگران این باشد که هوش مصنوعی دارید!

اکنون ممکن است این سوال برای‌تان پیش آمده باشد که پس چگونه به توضیح فناوری‌های هوش مصنوعی به کار رفته در محصولات‌مان بپردازیم بدون اینکه بیش از حد پای هوش مصنوعی را وسط بکشیم؟ بهترین راه برای نشان دادن محصولات مبتنی بر هوش مصنوعی این است که بتوانید آن را برای افراد غیرمتخصص توضیح دهید. بگذارید یک مثال بزنیم.  اگر بخواهید اتومبیلی را به شخصی بفروشید آیا در مورد اینکه چگونه موتور احتراق داخلی آن  کار می‌کند حرف می‌زنید؟ یا در مورد اینکه موتور خودروی شما دارای حداکثر راندمان حرارتی است؟ احتمالا کمتر فروشنده‌ای از این موارد حرف بزند و متقابلا کمتر خریداری تمایلی به شنیدن این جزئیات داشته باشد. به جای آن افراد ترجیح می‌دهند از رنگ ماشین، ایمنی، سرعت، راحتی و اینگونه مزایای ‌قابل لمس صحبت کنند. همین مساله در مورد محصولات هوش مصنوعی صدق می‌کند.

هوش مصنوعی  یک ابزار و یک ویژگی است و بدترین کاری که می‌توان حین بازاریابی یک محصول هوش مصنوعی انجام داد  این است که درگیر ابزار و پیچیدگی‎های تخصصی شوید. آنچه واقعاً باید روی آن تمرکز کنید مزایای آن است.

درواقع چگونگی عملکرد محصول و راه‌حل شما در اولویت‌های بعدی قرار دارد.

در بازاریابی برای هوش مصنوعی چه کاری را باید انجام داد؟

اکنون که با کاری که نباید انجام دهید آشنا شدید به این موضوع بپردازیم که  چگونه یک برنامه مبتنی بر هوش مصنوعی را بفروشیم؟خود را به جای یک مدیر کسب و کار تصور کنیم. در مواجه با یک محصول جدید ممکن است این سوال‌ها را بپرسیم:

راه حل یا برنامه شما چیست؟ استفاده از این محصول مبتنی بر هوش مصنوعی چه ارزش افزوده ای برای مجموعه من به همراه دارد که تاکنون وجود نداشته است؟ آیا با به کارگیری این راه حل می توانم  قبل از وقوع مشکلات، از آنها باخبر شوم؟ آیا این محصول باعث می‌شود تجربه کاربری مشتریان من بهبود یابد؟ آیا من می‌توانم قیمت محصولات خود را  بهینه کنم؟ آیا با این راهکار می‌توانم مشتریان قدیمی که مدت‌هاست خریدی انجام نداده‌اند را شناسایی کنم؟

این همان کاری است که هوش مصنوعی انجام می دهد و این همان مساله‌ای است که هنگام فروش محصول هوش مصنوعی باید در مرکز توجه فروشنده قرار بگیرید. اگرچه هوش مصنوعی تغییر قابل توجهی در مواجهه شرکت‌ها با فناوری پدید آورده است، اما کماکان سردرگمی فراوانی در مورد مزایا و کاربردهای هوش مصنوعی وجود دارد. البته  این باعث نشده است که بازاریابان پیشرو دل‌سرد شوند، بلکه آن‌ها این شرایط را فرصتی یافته‌اند تا هوش مصنوعی را با استراتژی های بازاریابی تطابق دهند و آن را به  تصمیم‌گیران کسب و کارها توضیح دهند. رقابت برای کسب سهم بیشتر از بازار هوش مصنوعی با فراز و فرودهای بسیاری همراه بوده است. اگرچه بسیار از کسب و کارها به هوش مصنوعی روی خوش نشان داده‌اند، تعداد کمی از آنان استراتژی‌های بازاریابی را برای جلب توجه مشتریان بالقوه در نظر می‌گیرند. اکنون فرصت آن است تا برنامه های بازاریابی خود را  برای فروش محصول هوش مصنوعی اجرا و ییاده کنید. استراتژی‌های زیر می‌تواند در این راه کمک‌کننده باشد.

۱- استفاده‌ی شفاف، امن و مسئولانه از هوش مصنوعی را توضیح دهید.

با توجه به افسانه‌های زیادی که در مورد هوش مصنوعی وجود دارد، جامعه به دیده شک وتردید به این موضوع نگاه می‌کند. در یک پژوهش وقتی از افراد خواسته شد احساس خود نسبت به هوش مصنوعی را در قابل یک کلمه توضیح دهند کلمه “جذاب” و “مشکوک” بیشترین درصد را کسب کردند. این نتیجه نشان می‌دهد جامعه همان‌قدر که علاقه مند به موضوع هوش مصنوعی است و آن را جالب می پندارد، به همان اندازه نیز در مورد آن تردید دارد. آن ها می‌خواهند بدانند کسب و کارها مجاز به انجام چه کارهایی با استفاده از هوش مصنوعی هستند و آیا قانون، خطوط قرمزی برای کارهایی که نباید انجام بدهند مشخص کرده است یا نه؟

۲- شواهد روشن قابل اتکا و متقاعده کننده در مورد مزایای استفاده از هوش مصنوعی ارائه دهید.

کماکان تردیدهای بسیاری در تعریف هوش مصنوعی و فواید آن برای مردم و کسب و کارها وجود دارد . بنابراین نیاز به ارائه شواهد علمی و اثبات‌شده و یا ارائه گزارش از کسب و کارهایی که از هوش مصنوعی استفاده کرده‌ند می‌تواند بسیار کمک‌کننده باشد. در حقیقت با تکیه بر اصول بازاریابی باید بتوانید به جای فروش کرم نرم‌کننده، دست‌های نرم بفروشید.

۳- روی مشکل خاصی که هوش مصنوعی می تواند آن را حل کند تمرکز کنید.

هوش انسانی یک هدف اصلی دارد و آن حل مساله است. اگر هوش مصنوعی نتواند مشکلات انسانی را حل کند نه باهوش خواهد بود و نه برای دیگران جذاب. درواقع اگر مشکلات انسانی و تفکر در مورد راه‌حل آن وجود نداشته باشد هوش مصنوعی نیز بی‌فایده خواهد بود. این یک اصل ساده است.

۴- هوش مصنوعی برای تقویت هوش انسان‌هاست نه جایگزینی برای آن

بسیاری از فناوری‌های جدید در ابتدای راه خود از طرف دیگران  با سوتعبیر مواجه شده‌اند. درحال حاضر افکار عمومی نگران هشدارها در مورد شغل‌هایی هستند که قرار است توسط هوش مصنوعی نابود شود. در نتیجه افراد می‌ترسند که هوش مصنوعی آن ها را از کار بیکار کنند. باید بیش از پیش به این نکته تایید کرد که هوش مصنوعی قرار است به انسان‌ها کمک کند نه اینکه جایگزین آن ها شود. به عنوان مثال، بیشتر کاربردهای یادگیری رایانه باعث تقویت کار انسان می‌شود  نه جایگزین آن.

نمونه یک بازاریابی موفق برای محصولات هوش مصنوعی

در انتها بهتر است با شیوه‌ای که شرکت  Salesforce   برای فروش محصولات هوش مصنوعی به کار برده است آشنا شویم. این شرکت ۱۱۱ میلیارد دلار سرمایه در بازار دارند، پس منطقی است که به حرف‌شان گوش دهیم. آن‎‌ها در مورد یکی از محصولات خود به نام انیشتین می‌گویند:

با هوش مصنوعی که در Salesforce ساخته شده است، باهوش‌تر عمل کنید، با این محصول بیشتر کار کنید. تصمیمات را سریع‌تر بگیرید، بهره‌وری کارمندان را بالاتر ببرید و با استفاده از پیش‌بینی‌ها و توصیه‌های مبتنی بر هوش مصنوعی، مشتریان را خوشحال‌تر کنید.

خبری از توضیحات فنی و پیجیده، الگوریتم‌ها یا فناوری‌های به کار رفته نیست. فقط به کاری که این محصول برای شما انجام می دهد می‌پردازد. وقتی در حال بازاریابی و فروش محصول هوش مصنوعی برای مخاطبان B2B هستید ، باید به همین روش فکر کنید.

منبع: hooshio.com