مردمی‌سازی هوش مصنوعی، این فناوری را در اختیار کاربرانی قرار می‌دهد که هوش مصنوعی یا حتی دانش فنی ندارند و از این طریق این افراد را با مزایا و فرصت‌های این فناوری توانمند می‌سازد.
رهبران فناوری اطلاعات به طور فزاینده‌ای به دنبال راه‌هایی برای گسترش مزایای قابلیت‌های هوش مصنوعی در سراسر سازمان‌ها هستند.
هجوم ابزارهای جدید مبتنی بر هوش مصنوعی به انجام این کار کمک می‌کند. از برخی جهات، این مردمی‌سازی صرفا به گسترش ابزارهای کم‌تعداد و بدون کد مربوط می‌شود، که افراد غیربرنامه‌نویس را قادر می‌سازد نرم‌افزار بسازند و در هوش مصنوعی مستقر کنند.
اما این فرایند همچنین در مورد به اشتراک‌گذاری داده‌های بررسی شده و ایجاد سواد داده در سراسر سازمان است. این بدان معنی است که متخصصان کسب‌و‌کار قدرت هوش مصنوعی را درک می‌کنند، موارد استفاده درست را توسعه می‌دهند و یافته‌ها را برای دستیابی به نتایج و بینش‌های تجاری به کار می‌گیرند.
فعال کردن مردمی‌سازی هوش مصنوعی در شرکت، به لطف مدل‌های حکمرانی غیرمتمرکز و خدمات متمرکز بر هوش مصنوعی که وارد بازار می‌شوند، قابل انجام است. اما، مانند هر تلاشی که شامل فناوری جدید است، مردمی‌سازی هم مزایا و هم چالش‌هایی دارد.
راه‌های دسترسی به مردمی‌سازی هوش مصنوعی
هوش مصنوعی دیگر محدود به حلقه‌های کوچک توسعه‌دهندگان و علاقمندان نیست. سرویس‌های تجزیه‌و‌تحلیل داده و یادگیری ماشینی مانند Google Colab و مدل‌های مختلف سرویس Azure OpenAI مایکروسافت، با ایجاد امکان نوشتن و اشتراک‌گذاری کد برای پروژه‌ها، مشارکت دایره بزرگ‌تری از کارمندان را در توسعه هوش مصنوعی آسان‌تر از همیشه می‌کنند. شرکت‌ها باید به طور مناسب به کاربران تجاری آموزش دهند که هوش مصنوعی چیست و چگونه می‌توان در کارهای روزمره برای استفاده موثر از این فناوری اقدام کرد.
«آرپیت مهرا» مدیر اجرایی شرکت تحلیلی Everest Group، به شرکت‌ها توصیه می‌کند از مدل‌های حاکمیت غیرمتمرکز برای فعال کردن استراتژی‌های یادگیری داده‌ها و فناوری استفاده کنند. به عنوان مثال می توان به موارد زیر اشاره کرد:
- مردمی‌سازی داده‌ها: این امکان، دسترسی به داده‌ها را برای کاربران تجاری در سراسر سازمان فراهم می‌کند. این عمل به آن‌ها کمک می‌کند تا با ساختارهای داده و نحوه تفسیر و تجزیه‌و‌تحلیل داده‌ها آشنا شوند.
- ابتکارات سواد اطلاعاتی و هوش مصنوعی: این‌ها به کاربران تجاری کمک می‌کند تا درک کلی از هوش مصنوعی و پتانسیل آن و همچنین پیامدهای سیستم‌های هوش مصنوعی و نحوه تعامل با آن‌ها را ایجاد کنند.
- سلف‌سرویس ابزارهای کم‌کد/ فاقد کد و ابزارهای یادگیری ماشین خودکار: این‌ها الگوریتم‌های از پیش آموزش‌دیده و راهنمایی گام‌به‌گام ارائه می‌دهند که به کاربران تجاری کمک می‌کند تا مدل‌ها و سیستم های هوش مصنوعی بسازند، آموزش دهند و منتشر کنند.
«آرون چاندراسکاران» معاون و تحلیل‌گر برجسته در Gartner، همچنین توصیه کرده که شرکت‌ها سرمایه‌گذاری در برنامه‌های هوشمند تخصصی و ویژه دامنه را که بر آموزش در زمینه‌هایی مانند تعامل با مشتری، خدمات مشتری و جذب استعداد تمرکز دارند، در اولویت قرار دهند.
مزایا و چالش‌های بالقوه مردمی‌سازی هوش مصنوعی
در سطح بالا، مردمی‌سازی هوش مصنوعی قابلیت‌های هوش مصنوعی را در دستان بیشتر کارمندان قرار می‌دهد، موانع استفاده از هوش مصنوعی و هزینه‌ها را کاهش می‌دهد و از توسعه مدل‌های هوش مصنوعی بسیار دقیق پشتیبانی می‌کند.
مایکل شهاب، رهبر فناوری و نوآوری آزمایشگاه در غول خدمات حرفه‌ای PwC U.S، می‌گوید: «در دسترس‌تر کردن فناوری‌های هوش مصنوعی، امکانات کسب‌وکارها را افزایش می‌دهد.»
برای مثال، از آن‌جایی که مردمی‌سازی هوش مصنوعی به کسب‌وکارها این امکان را می‌دهد تا کارکنان خود را با مهارت‌های دیجیتال ارزشمند مجهز کنند، این رویکرد می‌تواند بهره‌وری کارمندان را افزایش دهد.
این کار می‌تواند به شرکت ها کمک کند تا کمبود استعدادهای فناوری اطلاعات را کاهش داده و در عین حال در هزینه ها نیز صرفه جویی کنند. مردمی‌سازی هوش مصنوعی به متخصصان کمک می‌کند تا هوشمندی را به برنامه‌های خود اضافه کنند، که به نوبه خود شناسایی خودکار روندها و الگوهای پنهان در مجموعه داده‌های بزرگ را آسان‌تر می‌کند.
موانع و چالش‌های مردمی‌سازی هوش مصنوعی می‌تواند این مزایا را از بین ببرد. استقرار این سیستم‌ها و قابلیت‌های جدید بدون راهنمایی مناسب، آن‌ها را مستعد سوگیری می‌کند. آموزش و اجرای ضعیف می‌تواند منجر به تصمیم‌گیری مدیران بر اساس داده‌های نادرست یا سوگیری‌ها شود.
رهبران کسب‌و‌کار باید به طور کامل درک کنند که چه کسی از ابزارهای مدل سازی و توسعه هوش مصنوعی برای ایجاد استانداردهای هوش مصنوعی ایمن و مسئولانه استفاده می‌کند.
«اد مورفی» معاون ارشد و رئیس علوم داده در 1010data، ارائه‌دهنده اطلاعات تحلیلی در بازارهای مالی، خرده‌فروشی و مصرف‌کننده، گفت: «خطر اشتباهات کشف‌نشده وجود دارد که در ظاهر محتمل به نظر می‌رسند اما تحت بررسی قرار نمی‌گیرند. تیم‌ها باید برنامه‌هایی را که توسعه می‌دهند به طور کامل آزمایش کنند تا از خطاهای خودکار جلوگیری کنند.»
برای به حداقل رساندن خطرات، کارمندان را به مهارت‌های جدید مجهز کرده و مهارت‌های قدیمی آن‌ها را به‌روز کنید. یک برنامه آموزشی تعریف شده را اجرا کنید تا تیم‌های تجاری غیر فنی بتوانند در مراحل کسب‌و‌کار برای اتخاذ، ساخت و استقرار راه حل‌های هوش مصنوعی شرکت کنند.
«مهرا» از گروه «اورست» می‌گوید: «فقدان تخصص مناسب می‌تواند سازمان‌ها را از ساخت و استقرار مدل‌های هوش مصنوعی باز دارد، در حالی‌که آموزش و درک ناکافی می‌تواند نرخ پذیرش را کاهش دهد. همچنین باید زیرساختی را برای ساده سازی توسعه، آموزش و استقرار هوش مصنوعی در نظر بگیرید.»
او توصیه می‌کند که تیم‌ها بررسی کنند که چگونه فناوری MLOps می‌تواند به دستیابی به نتایج سریع‌تر و موثرتر کمک کند.
مزایای مردمی کردن هوش مصنوعی زمانی به سراغ کسب‌وکارها خواهد رفت که متوجه شوند دیگر نباید دسترسی به هوش مصنوعی را به گروه کوچکی از متخصصان محدود کنند. هنگام بررسی روش‌های آموزش و پیاده‌سازی هوش مصنوعی، کسب‌وکارها نیز باید مراقب این هشدارها باشند تا از مزایای این تلاش‌ها بهره ببرند.
منبع : ترجمه اختصاصی زیگپ از مقاله: «جرج لاوتن»
