تکنولوژی هوش مصنوعی در سالهای اخیر و در حوزههای گوناگون پیشرفتهای زیادی داشته است،
اما هوش مصنوعی چگونه میتواند به کارگران دانش کمک کند؟
آیا شما در ۱۰ یا ۱۵ سال آینده، کار خود را انجام میدهید یا یک ربات جایگزین شما شده است؟
این سوالی است که کارگران دانش با گسترش قابلیتهای هوش مصنوعی و استفاده روزافزون از آن در حوزههای گوناگون،
از خود میپرسند. مایک کانن-بروکس، مدیرعامل و بنیانگذار اتلسین، معتقد است که تکنولوژی هوش مصنوعی نقشی
عمده در آینده بازدهی تیمها خواهد داشت. در زیر دلایل این تحول را بیان خواهیم کرد.
[highlight color=”gray”]رشد بیحد و حصر تکنولوژی هوش مصنوعی[/highlight]
بانک آمریکا و بانک مریل لینچ پیشبینی میکنند که هوش مصنوعی در دهه آینده اثر ۹ تریلیون دلاری بر کارگران دانش خواهد داشت.
موسسه McKinsey Global Institute معتقد است که اثر هوش مصنوعی بر دگرگونی جامعه ۳۰۰۰ برابر انقلاب صنعتی خواهد بود.
تحقیقات موسسه CB Insights نشان میدهد که سرمایهگذاری در شرکتهای هوش مصنوعی هر سال بیشتر میشود.
روندهای گسترده و نتایج واقعی بدان معنا است که دیگر نمیتوان هوش مصنوعی و باتها را به عنوان تبلیغات توخالی در نظر گرفت.
به جای ترس از هوش مصنوعی، فرصت ما این است تا پتانسیل آن برای یافتن راههایی برای اداره سازمان خودمان یافته دریابیم و دانش خود را به فعالیتهایی با ارزش بالا اعمال کنیم.
آموزشگاه تراشه شما را به مطالعه این قسمت دعوت میکند:هوش مصنوعی چگونه به کارگران کمک میکند
درک هوش مصنوعی در تجارت
دو راه برای درک دنیای تکنولوژی هوش مصنوعی وجود دارد؛ هوش مصنوعی عمومی و هوش مصنوعی محدود.
هوش مصنوعی محدود استفاده از ماشینها برای حل هوشمندانه مسائل خاص است و هوش مصنوعی عمومی ماشین
یا گروههایی از ماشین است که سعی دارند قابلیتهای شناختی انسان را کامل کنند.
برخلاف آنچه فیلمهای علمی-تخیلی نشان میدهند، هنوز راه طولانی تا هوش مصنوعی عمومی وجود دارد.
تکنولوژی هوش مصنوعی عمومی
مهمترین چالش پیش روی تکنولوژی هوش مصنوعی عمومی این است که ما هنوز نمیدانیم آگاهی چیست.
فیلسوفان تفکرشان را از سطح دکارت بالاتر برده و دریافتهاند که مغز انسان، منشا آگاهی است،
اما محققان علوم اعصاب و دیگران هنوز نمیدانند که آگاهی چیست، چه برسد به اینکه بخواهند آن را بازتولید کنند.
آموزشگاه تراشه شما را به مطالعه این قسمت دعوت میکند:
توانایی تبدیل نقاشی به عکس و تابستان به زمستان با کمک هوش مصنوعی
- ما هنوز سختافزار لازم را نداریم. بر اساس گفتههای ری کورزویل، آیندهشناس مشهور،
- ما تا بعد از سال ۲۰۲۰ سختافزار موردنیاز با قیمت مناسب را برای تقلید مغز انسان نخواهیم داشت.
- ما هنوز نرمافزار لازم را نداریم. گرچه برد در بازیهای پیچیدهای مثل گو یا درک بهتر صحبت نسبت به انسان، دستاوردهای بزرگی هستند، اما اینها قطعات کوچکی در پازل بزرگی هستند که نیاز به حلشدن دارد.
به عنوان مثال، پروژه openworm برای شبیهسازی موجودی به سادگی یک کرم آغاز شد.
بر خلاف درک زیادی که از Caenorhabditis elegans (کرمی که قرار بود شبیهسازی شود) وجود دارد،
هنوز سوالهای زیادی درباره چگونگی بازتولید این موجود با هوش محدود وجود دارد. بنابراین هنوز زمان زیادی وجود دارد
تا به تکینگی (نقطهای که هوش ماشینی از هوش انسان پیشی میگیرد) یا برای طرفداران ترمیناتور، مسئله اسکاینت،
فکر کنیم.
هوش مصنوعی محدود
از طرف دیگر، هوش مصنوعی محدود همین حالا نیز تاثیر دارد و به سرعت در حال گسترش به حوزههای دیگر است.
هوش مصنوعی محدود سالهاست که در زندگی ما تاثیر دارد، چه توصیه برای خرید سهام دریافت کنیم یا کتابی در آمازون به ما پیشنهاد شود.
هوش مصنوعی محدود با حل مسائلی که قوانین یا مشتریان مشخصی دارد با استفاده از دادههای بزرگ
و ساختار یافته، مدتها است که ارزش ایجاد میکند. هوش مصنوعی محدود حال از این حوزه نیز فراتر رفته است.
هوش مصنوعی، باتها، تیمها و مدیریت
فرصتها برای اینکه هوش مصنوعی و باتها به تیمها کمک کرده یا در آنها شرکت کنند، در حال ایجاد شدن است.
محرکهای اصلی در این باره عبارتند از:
- داده قابل دسترس است. کارها، مسائل، سورس کدها، نتایج آزمایشها و چیزهای دیگر که برای ساخت یک نرمافزار استفاده میکنید، جایی در سیستم قرار دارد.
- دسترسی به سیستمهایی که اطلاعات تیم را نگهداری میکند به دلیل APIها، پشتیبانی از add-onهاو ماهیت مبتنی بر پردازش ابری آنها، روز به روز آسانتر میشود.
- داده نابسامان است. دادههایی که تیمها استفاده میکنند، نابسامان است. این به دلیل خطای شخص خاصی نیست، بلکه ماهیت کار همین است. به دلیل محدودیت زمانی و فشار کاری، بسیار دشوار است زمانی که تیمها در حال فعالیت هستند، از آنها بخواهیم که مرتب باشند. اما به دلیل پیشرفتهایی که در زمینه دادههای بدون ساختار حاصل شده است، این موضوع الزاما مشکلی ایجاد نمیکند.
- اندازه مجموعه دادهها مشکلی ایجاد نمیکند. اندازه مجموعه داده تیمها در مقایسه با دادههایی که آمازون، فیسبوک و گوگل با آن سر و کار دارند، بسیار کوچک است. تیمها معمولا دهها یا صدها وظیفه دارند. حتی تیمهای بزرگتر با هزاران کار، از نظر آماری مجموعه داده کوچکی دارند. پیشرفتهای الگوریتمها برای مجموعه دادههای کوچک بدان معنا است که هوش مصنوعی محدود میتواند نتایج معنادار برای تیمها تولید کند.
- استانداردسازی پروسه تیم. بیشتر تیمها، در سازمانها و سراسر دنیا، از پروسهها و رهیافتها شبیه به هم برای انجام کار استفاده میکنند. فراگیربودن چابکی در تیمهای توسعه نرمافزار یک نمونه از این است. نتیجه برای هوش مصنوعی محدود این است که میتواند برای تعداد بیشتری از افراد مفید باشد. این همچنین بدان معنا است که میتوان دادهها را در سازمانهای مختلف ترکیب کرد و مجموعه دادههای بزرگتری ساخت.
- بهبود در بازدهی بر عدم دقت میچربد. گرچه الگوریتمها هر روز تکامل مییابند، اما هنوز هم بیدقتیهایی در آنها دیده میشود. اما منافعی که بدست میآید-کاهش هزینه، افزایش سرعت و بهبود بینش- بر اشکالات و بیدقتیهایی که در هوش مصنوعی محدود وجود دارد، برتری دارد.
