مجله هوش مصنوعی شهاب
در ادامه ی قسمت اول که به تعریف هوش مصنوعی، معرفی دست آورد ها و اهمیت استفاده از آن در صنایع پرداختیم، در این قسمت بررسی خواهیم کرد که چگونه می توان هوش مصنوعی را در صنایع مختلف به کار گرفت.
مقاله مرتبط :
چه کارهای می توان با هوش مصنوعی انجام داد؟
از آنجا که فناوری به سرعت تغییر می کند، آینده هوش مصنوعی ( AI ) به طور واضح مشخص نیست. تنش باعث می شود تا رهبران تجاری به سختی بتوانند آیندۀ این بازار نو ظهور و در حال رشد را پیش بینی کنند. بنابراین به جای تفکر محدود نسبت به این روند، بهتر است روی سؤالات زیر تمرکز کنید:
- آیا کاربرد هوش مصنوعی باعث افزایش اثربخشی و بهره وری تجارت شما می شود؟
- آیا هوش مصنوعی می تواند مشکلات تجاری شما را حل کند؟
- آیا هوش مصنوعی موجب افزایش سود دهی در تجارت شما می شود؟
البته ممکن است هوش مصنوعی هنوز هیچ جوابی برای تجارت شما نداشته باشد. اما احتمال حل بسیاری از مسائل تجاری بزرگ به وسیلۀ هوش مصنوعی روز به روز بیشتر می شود، چراکه این فناوری در حال رسیدن به تکامل است. برای رسیدن به موفقیت در کاربرد هوش مصنوعی ، می بایست آن را به روی اهداف تجاری متمرکز کرد، یعنی اهداف سازمانی باید نیروی محرک باشند.
برای رسیدن به درک واضح از کاربردهای تجاری هوش مصنوعی ، به این موضوع توجه کنید که چگونه کامپیوترهای فعلی می توانند به شیوه ای مؤثر تر و کارآمد تر در مقایسه با انسان، داده ها را مورد پردازش قرار داده و الگوهای داده ای را تشخیص دهند و سپس نتیجه گیری های بهتری را به دست آورند. این امر، ارزش بسیار زیادی برای تجارت ها دارد، چون بینش و نتیجه گیری های بهتر، ارز جدید در بین آن ها شمرده می شود.
سرویس های مبتنی بر هوش مصنوعی استاندارد و قابل دسترس فعلی، می توانند به سناریوهای ساده ای مثل شناسایی تصویر و تبدیل صوت به متن رسیدگی کنند، اما سناریوهای پیشرفته تری که به عملیات پیش بینی احتیاج داشته ( سناریوهای پیشگویانه ) و ارزش تجاری بیشتری را به وجود می آورند، بسته به الزامات عملیاتی و تجاری خاص، به راه حل های سفارشی و پیچیده تری نیازمند هستند.
برای مثال، سناریوهای پیشگویانه مبتنی بر هوش مصنوعی ، چیزی فراتر از تحویل داده ها و اضافه کردن پارامترها به سیستم، جهت رسیدن به نتایج پیشگویانه هستند. به منظور رسیدن به نتایج تجاری تأثرگذار، سازمان ها باید از روش های یادگیری ماشین جهت آموزش مدل ها و بهبود دقت و کیفیت خروجی (نتایج) استفاده کنند. از این رو، سازمان ها می بایست به روی راه حل های مبتنی بر هوش مصنوعی تمرکز کنند که برای آن ها، ارزشمند، قابل اجرا و قابل فهم باشند – مارک تروستر، معاون Strategy at Progress
من کمپانی های بسیاری را در تجارت های متعدد دیده ام که ده ها میلیون دلار را خرج یک روش خلاقانه کرده، و به نتایج عملی مطلوب یا تغییر محسوسی در مدل تجاری و بهره وری محصولات دست نیافته اند. این کمپانی ها سپس روش خلاقانۀ خود را کنار گذاشته، دلشکسته شده و در نهایت راه خود را ادامه می دهند – آرشاک نوروزیان، مسئول ارشد تکنولوژی، Sentient Technology
در نظر سنجی IQ دیجیتالی PwC سال ۲۰۱۷، مشخص شد که تنها ۲۰% از مدیران اجرایی، دارای پرسنل مجرب و آگاه به هوش مصنوعی در سازمان های خود هستند. بنابراین می توان گفت که هوش مصنوعی به طور عمده در اکثر سازمان ها و شرکت ها، غیر قابل دسترس است. با توجه به اینکه غول های سیلیکون ولی نظیر گوگل و فیسبوک دارای مجرب ترین افراد خبره در فناوری هوش مصنوعی هستند، پس باقی سازمان ها در چه جایگاهی از دنیای تجارت قرار می گیرند؟
استراتژی استخدام نیروی جدید یکی از گزینه های ممکن به شمار می آید. با این حال تجارت ها باید در نظر داشته باشند که آموزش نیروی کار فعلی داخلی، گزینۀ بهتری محسوب می شود، چون ریسک کارآیی یا عدم کارایی نیروی جدید را از بین می برد. تجارت هایی که ارزش خاصی برای هوش مصنوعی قائل هستند، باید این فناوری را به عنوان یک صلاحیت اصلی در نظر بگیرند. هوش مصنوعی، فراتر از ایجاد مرکزی برای اجرای آزمایش ها و تحقیقات پژوهشی است. تجارت هایی در کاربرد هوش مصنوعی به موفقیت خواهند رسید که سرمایه گذاری جدی روی این فناوری کرده و در عین حال، افراد مجرب و خبره ای را جذب و ترغیب به همکاری با خود کنند.
مهارت های هوش مصنوعی، بسیار تخصصی و البته پرطرفدار هستند. با این حال، تمام خبرگان و برنامه نویسان کامپیوتری، تجربۀ کافی در یادگیری ماشین ندارند. بعید به نظر می رسد که در حال حاضر، فردی خبره در حوزۀ هوش مصنوعی در شرکتی مشغول به کار باشد.
نکتۀ مهم، شناسایی نیازمندی ها در وهلۀ اول است. یافتن فرد مناسب احتمالاً به هزینه و زمان زیادی احتیاج دارد. دستمزد این متخصصان بر اساس سطح تحصیلات و تجارب آن ها تعیین می شود.
البته باید گفت که استخدام تنها نیمی از مسئله است. عملکرد خبرگان هوش مصنوعی، به پلتفرم هایی بستگی دارد که در آن ها آموزش یافته اند. بسته به پیچیدگی تجارت، شما باید از پلتفرمی استفاده کنید که قادر به شناسایی و حل مشکلات پیش رو باشد. با اینکه مشاورین و تولیدکنندگان می توانند در این تصمیم گیری به شما کمک کنند، اما باز هم به مطالعه و تحقیق کافی نیاز دارید.
در تجارت های مختلف، هوش مصنوعی نباید به عنوان یک حوزه انحصاری برای دانشمندان داده ای در نظر گرفته شود. در حقیقت تجارت ها باید از رویکرد جامع تری بهره بگیرند که تیم تحلیلی و تیم توسعه دهندۀ اپلیکیشن ها را از یکدیگر متمایز بداند. توسعه دهندگان اپلیکیشن ها باید از دانش بیشتری دربارۀ چرخۀ حیات علوم داده ها برخوردار شوند. طراحان اپلیکیشن ها نیز باید به بررسی تأثیر هوش مصنوعی و دانش پیشگویانه روی تجارب کاربردی بپردازند. با تضمین عملکرد یکپارچه و تعاونی تیم های متعلق به یک سازمان، می توان به گسترۀ وسیع تری از مهارت ها و استعدادهای متعدد و جدید دست پیدا کرد – مارک تروستر، معاون Strategy at Progress
هوش مصنوعی در خدمات مالی
خدمات مالی، یک حرفۀ وابسته به ارقام و داده ها است که به طور بدیهی، تجارت ها را وادار به کاربرد هوش مصنوعی می کند. تا کنون فعالیت های زیادی با استفاده از الگوریتم های یادگیری عمیق روی حجم عظیمی از داده های قدیمی، جهت اتوماسیون عملیات، جلوگیری از کلاهبرداری و ایجاد بینش و آگاهی به انجام رسیده اند.
صندوق پوشش ریسک
تجارت های مبتنی بر صندوق پوشش ریسک ( Hedge Fund ) در حال حاضر از روش های مختلف هوش مصنوعی نظیر معاملات کمّی استفاده می کنند، که به نوبۀ خود از الگوریتم ها و کامپیوترهای متفاوت جهت معاملۀ اموال مشتریان بهره می گیرد. به عنوان مثال، یادگیری ماشین به سیستم ها اجازه می دهد تا از طریق دستکاری میلیون ها نقطۀ داده ای به طور بلادرنگ، الگوهایی را تشخیص دهند که انسان متوجه آن ها نمی شود.
مدیریت ثروت
در حوزۀ مدیریت ثروت، شاهد رشد قابل ملاحظۀ تعداد مشاوران رباتیک بوده ایم. این مشاورها با استفاده از الگوریتم های ساده و مبتنی بر قانون ساخته شده اند. مشاوران رباتیک بر اساس داده های قبلی مثل پیشینه، میزان تحمل ریسک و درآمد، می توانند در مورد تبادل وجوه معامله تصمیم گیری کنند. نسل جدید مجهز به هوش مصنوعی می تواند قابلیت های بیشتری را فراهم آورد – توانایی برای یادگیری خودکار و ایجاد توصیه های جداگانه و انفرادی بهتر.
مدیریت مالی
صنعت بانکداری به طور گسترده از اتوماسیون فرایند رباتیک ( RPA ) بهره می گیرد. این روش جایگزین فعالیت های تحلیلی روزمره شده و با کمک به کاهش زمان پردازش تعاملات، موجب افزایش بهره وری و کاهش (حذف) خطاهای دستی می شود. در آینده نه چندان دور، اتوماسیون فرایند رباتیک با یادگیری ماشین ترکیب خواهد شد تا فعالیت هایی که نیازمند تعاملات انسانی هستند، را اتوماسیون کنند.
تشخیص کلاهبرداری
رشد دستگاه های متصل و ریسک کلاهبرداری و هک، باعث شده تا مؤسسات مالی به سمت روش های یادگیری ماشین برای مقابله با جرائم و تهدیدها، سوق پیدا کنند. روش های هوش مصنوعی به سازمان ها کمک می کنند تا برای ساخت تصویری از یک تراکنش، رفتار مشتریان را مورد بررسی قرار داده و داده ها را با شاخص های متفاوت مقایسه کنند.
هوش مصنوعی در تراکنش های مالی
از هوش مصنوعی برای پیگیری دنباله های دیجیتالی ساخته شده به وسیلۀ تراکنش های مالی استفاده می شود. به بیان بهتر، تیم های مالی دیگر در ردیابی پول های خارج شده از شرکت، دشواری نخواهند داشت.
برنامه های کاربردی هوش مصنوعی نظیر یادگیری ماشین، یادگیری عمیق و داده کاوی، موجب تحول در قابلیت رؤیت هزینه ها می شوند. این فناوری ها به متخصصین اجازه می دهند تا تصمیم گیری های استراتژیک تری را در خصوص یافتن منابع، بودجه بندی، توافقات و غیره انجام دهند. رؤیت کامل هزینه ها، به طور خاص در هنگامی حائز اهمیت می شود که شرکت قصد دارد تا مدل تجاری خود را تغییر دهد، با تغییر تقاضا و عملیات سازگار شود، و یا به دنبال اندوخته های بالقوۀ پنهانی در داخل سازمان باشد.
شرکت ها از فناوری های یادگیری ماشین برای گرفتن تصاویر فیزیکی و ثبت اسناد بدون ساختار (تراکنش های مالی ثبت شده روی کاغذ، ایمیل ها، فایل های PDF)، استخراج داده ها، و کاربرد آن ها در سطح شرکت برای هوشمندی هزینه ها استفاده می کنند. داده های مرتبط به تراکنش ها، پس از استخراج و تبدیل شدن به زبان ماشین، ابتدا به الگوریتم های یادگیری ماشین تحویل سپرده شده و سپس به ابزارهای داده های بزرگ، انبارهای داده ای ابری و سایر ابزارهای مجهز به توان محاسباتی بالا تحویل داده می شوند.
شرکت های مالی می توانند به استخراج، ترکیب، اعتبار سنجی و کلاس بندی داده های مربوط به مخارج خود پرداخته و آن ها را به وسیلۀ اطلاعات تجاری بهبود بخشند. تمام این کارها با کاربرد یادگیری ماشین در سراسر پروسه، امکان پذیر است. متخصصین امور مالی شرکت تنها باید به بررسی موضعی دقت مدل پرداخته و هر از گاهی به پرسش های مرتبط با تضمین عملکرد صحیح مدل پاسخ دهند. بدین ترتیب خطا های معمول و رایج، زمان پردازش زیاد و عدم دقت ناشی از عملکرد انسانی، از میان برداشته می شود – گرت سیلوست، یکی از بنیان گذاران Tradeshift
هوش مصنوعی در کارخانه ها
هوش مصنوعی در کارخانه ها
صنعت و تولید دیجیتالی با نوآوری هایی مثل تولید محصولات افزودنی/ چاپ سه بعدی، ربات های صنعتی، خودروهای بدون راننده، هواپیماهای بدون سرنشین، واقعیت افزوده/ مجازی و اینترنت اشیاء، غوغای بسیاری به پا کرده است. تمام این خلاقیت ها باعث افزایش سرعت، انعطاف پذیری و خصوصی سازی تولید می شوند. کارخانه جات هوشمند، مبتنی بر مجموعه ای از مفاهیم تولید هستند که شامل اتصال کامل، سرعت، مونتاژهای جزئی، حمل محصولات به وسیلۀ خودورهای خودکار خودراهنما ( AGV ) می شوند.
در کارخانه های امروزی، هوش مصنوعی به شکل روش های یادگیری ماشین در ابزارهای تحلیلی پیشگویانه به کار گرفته می شود. ابزارهای هوش مصنوعی عملکرد خوبی در شناسایی الگو داشته و می توانند بر اساس قوانین خاص، بهترین اقدامات آینده را پیشنهاد دهند. بدین ترتیب نیروی انسانی قادر به تمرکز روی فعالیت های استراتژیک با ارزش افزودۀ بیشتری است.
در آینده، فناوری های هوش مصنوعی نظیر شناسایی الگو یا تشخیص نقاط پرت، قادر خواهند بود تا با استفاده از داده های مربوط به تولید، کیفیت و موجودی، اطلاعات غافلگیر کننده ای را به دست آورند؛ اطلاعاتی که کاربر معمولی نرم افزارهای سازمانی به دنبال آن ها نمی گردد، متوجه آنها نمی شود و یا اصلاً انتظار آن ها را ندارد. چنین اطلاعاتی می توانند به عنوان ورودی به سیستم سازمانی ابری تحویل داده شده و با داده های مربوط به تولید، فرایند یا نیروی کار در سطح هوش تجاری ( BI ) ترکیب می شوند؛ یعنی در جایی که از فناوری های هوش مصنوعی برای رسیدن به دانش و آگاهی ارزشمند تر و توصیه های مؤثر تر استفاده می شود.
تعمیرات قابل پیش بینی
در این حوزه، الگوریتم های پیشرفتۀ شناسایی الگو و یادگیری ماشین به تولید کننده ها کمک می کنند تا هزینه های مربوط به تعمیرات را کاهش داده، و با اجرای به موقع کارها، سطح سرویس دهی برای مشتریان را بهبود بخشند. جریان های داده ای متعلق به سنسور ماشین به عنوان ورودی به نرم افزار مدل سازی پیشرفته داده می شوند و با داده های اجرایی در زمان واقعی مقایسه می شوند. سپس در صورت هرگونه تمایز با رفتار مورد انتظار، هشدارهایی به سوی پرسنل مربوطه صادر می شود. این روش، هشدار زودهنگام در خصوص هر گونه مشکل در تجهیزات را فراهم می آورد. بدین ترتیب اپراتورها می توانند از مشکلات آگاه شده و با حل آن ها، در هزینه صرفه جویی کنند.
با اعمال تعمیرات قابل پیش بینی در برنامه های کاربردی اینترنت اشیا ( IoT )، سنسورها می توانند به طور دائم به جمع آوری، پاکسازی، تحلیل و ذخیره سازی داده های اجرایی بپردازند. سپس الگوریتم های یادگیری ماشین و پیشگویانه سلامت مؤلفه ها و اجزای مهم را مورد نظارت قرار می دهند. اگر هوش مصنوعی نقص یا خرابی را پیش بینی کند، آنگاه یک درخواست تعمیرات را به همراه مدت زمان مورد انتظار برای تعمیر، به پرسنل مربوطه صادر می کند.
مفهوم تعمیرات قابل پیش بینی به نظارت روی محصولات فروخته شده در جانب مشتری نیز اتلاق می شود. دستگاه های حسگر اینترنت اشیا می توانند کارایی محصول و رفتار کاربران را مورد بررسی قرار داده و از طریق الگوریتم های هوش مصنوعی روندی پیشگویانه و واکنشی را در پیش بگیرند.
به عنوان مثال، هوش مصنوعی به تولید کننده ماشین لباس شویی کمک می کند تا از وجود هر گونه نقصی در محصول خود در جانب مشتری آگاه شود. معمولاً مشتری باید منتظر بماند تا یک تکنسین تعمیرات از راه رسیده و مشکل را تشخیص دهد. پس از شناسایی مشکل نیز زمان زیادی طول می کشد تا اجزای سفارش شده به مشتری تحویل داده شوند. در این حین مشتری به هیچ وجه نمی تواند از ماشین استفاده کند. از طرف دیگر با ورود هوش مصنوعی تولید کننده لوازم خانگی می تواند احتمال شکست و خرابی را پیش بینی کرده و قبل از بروز مشکل واقعی آن را حل کند.
توافق در سطح سرویس
با استفاده از قراردادهای موافقت نامه سطح خدمات ( SLA )، تولید کننده ها می توانند جریان های درآمدی خود را فرای فروش انفرادی هر محصول افزایش دهند. با رویه “محصول به عنوان یک سرویس”، می توان از کرایۀ محصولات کسب درآمد کرد. مثل فروش زمین به جای پردازش گر ها یا ساعت های کار یک موتور به جای فروش موتور.
بدین ترتیب گزاره ارزشی تولید کننده به وسیله سرویس هایی که فرای فروش ساده هستند، افزایش پیدا می کند. با به اشتراک گذاری داده های مربوط به محصولات و سرویس دهی، تولید کننده می تواند به اطلاعات مهمی دست پیدا کند.
برنامه ریزی مبتنی بر پیش بینی و تقاضا
یادگیری ماشین، امکان برنامه ریزی مبتنی بر پیش بینی و تقاضا را سهولت بخشیده و در این روند، از آیتم هایی با تقاضای نامنظم، آیتم های کاملاً جدید، تبلیغات و ادغام عواطف اجتماعی استفاده می کند. از ابزارهای تحلیلی پیشگویانه در نرم افزارهای برنامه ریزی منابع سازمانی ( ERP ) و مدیریت زنجیرۀ تأمین ( SCM )، می توان برای پیش بینی ریسک های تأمین خاص، مثل کاهش کیفیت، بدهی و سایر مسائل مربوط به تأمین کننده، استفاده کرد.
کاهش نرخ ضایعات
ابزارهای بازرسی بصری یادگیری عمیق در کنار الگوریتم های یادگیری ماشین، می توانند به تشخیص و پیش بینی مشکلات و الگوهای کیفیت در کنترل فرایند آماری ( SPC ) کمک کنند.
تولید کننده ها می توانند بر اساس تحلیل بنیادی مبتنی بر یادگیری ماشین، نرخ ضایعات را کاهش داده و هزینۀ آزمایش ها را با استفاده از روش های بهینه سازی هوش مصنوعی، کمتر کنند. کنترل کیفیت در حین فرایند و دسترس پذیری بخش ها و اجزای مختلف، نیز در سناریوهای مبتنی بر هوش مصنوعی امکان پذیر است، چرا که شامل مفاهیمی نظیر تهیۀ داده ها، زمینه سازی، تحلیل و قوانین جریان کاری می شوند.
مدیریت واحد فروش
الگوریتم های هوش مصنوعی در صورت پیاده سازی در مدیریت واحد فروش، می توانند مؤثرترین روش ممکن برای جابجایی مواد را توصیه کرده و در عین حال، مصرف انرژی و نیاز به بازرسی کیفیت را کاهش دهند. با تغییر پیکربندی محصول یا محیط واحد فروش، نرم افزار سازمانی می تواند بر اساس امکان پذیری، مکان بعدی یک ماشین تولید کننده، ایستگاه مونتاژ یا بازرسی را تغییر دهد. هوش مصنوعی همچنین می تواند برای پیش بینی ضایعات بخش ها در خط مونتاژ به کار رود. در این صورت، هدف اصلی، دور انداختن خودکار ضایعات در سریع ترین زمان ممکن است. بدین ترتیب، هزینۀ کارخانه با اجتناب از اجرای کارهای تکراری غیر ضروری، کاهش می یابد.
هوش مصنوعی در صنایع خودروسازی
روش های هوش مصنوعی به لطف پیشرفت در توان رایانشی و پردازش داده های بزرگ، روز به روز بیشتر در سخت افزارها و نرم افزاری های صنعتی به کار گرفته می شوند. در صنایع مختلف، از هوش مصنوعی برای اتوماسیون داشبورد خودروها، خط مونتاژهای کارخانه ای و طراحی وسایل نقلیه استفاده می شود. در بسیاری از خودروها، از سنسور های متفاوت جهت جمع آوری داده های بلادرنگ، و تحویل آن ها به یک سیستم مبتنی بر هوش مصنوعی استفاده می شود. این سیستم می تواند اطلاعات مختلفی را جهت حفظ ایمنی در اختیار راننده قرار دهد.
هوش مصنوعی در خودروهای خودمختار و بدون راننده مورد استفاده قرار می گیرد – گوگل، تسلا و اوبر، سه نام بزرگ در این حوزه به شمار می آیند. باید خاطر نشان کرد که کاربرد هوش مصنوعی در رانندگی خودکار، ظاهرا یک حوزۀ رو به رشد و در حال ترقی به شمار می آید، چرا که بر اساس IHS، تا سال ۲۰۳۵ احتمالاً شاهد بیش از ۲۱ میلیون خودروی بدون راننده خواهیم بود.
تجارت ها با بهره گیری از یادگیری عمیق، در حال ایجاد یک فناوری هستند که به خودرو ها اجازه می دهد تا از تجارب خود عبرت گرفته و بدون دخالت انسان، با شرایط بلادرنگ تطابق پیدا کنند. مهندسین نرم افزاری نمی توانند تمام متغیرهای پیش روی یک راننده رباتی را مد نظر قرار دهند. بنابراین هوش مصنوعی یادگیری عمیق، نقشی ضروری در تحقق یافتن رانندگی خودکار ایفا می کند.
یادگیری عمیق تنها در صورتی به نتایج مطلوب می رسد که داده های بسیار زیادی به الگوریتم ها داده شود. به همین خاطر، اتصال و شبکۀ خودروها، به یک ضرورت غیر قابل جایگزین تبدیل شده است. بسیاری از کمپانی های خودرو سازی، مسافتی بیش از چندین مایل را به وسیلۀ خودرو های خودمختار خود طی می کنند تا داده های مورد نیاز جهت استفاده در الگوریتم های مربوطه را جمع آوری کنند؛ الگوریتم هایی که امکان تطابق با هر شرایطی را برای خودروهای خودمختار مهیا می سازند.
با توجه به حجم عظیم داده های جمع آوری شده به وسیلۀ خودروهای متصل، و نیاز به فناوری مجهز به هوش مصنوعی جهت حفظ امنیت برای خودروهای خودمختار، بسیاری از تجارت های وابسته به خودروسازی به سوی محیط ابری تمایل پیدا کرده اند، چرا که محیط ابری، پیشرفته تر از ساختارهای IT قدیمی و معمولی بوده و داده ها و توان محاسباتی فوق العاده ای را فراهم می آورد. در آینده، انبوه سپاری این داده ها منجر به تحولی در نوآوری ها و خلاقیت های متعدد خواهد شد.
صنعت خودروسازی در ده سال آینده متفاوت خواهد بود. برندهای خودروسازی پیشرفته دائما در حال کار روی خلاقیت ها و ابتکاراتی نظیر کروز کنترل و ترمزهای انطباقی بوده و فعالیت های روز افزونی در زمینۀ بهبود قابلیت های پرواز خودکار صورت خواهد گرفت. نسل بعدی خودروها وظیفۀ رانندگی را به طور فعال بر عهده خواهند گرفت، حتی اگر باز هم انسان فرمان را در دست داشته باشد – آرشاک نوروزیان، مسئول ارشد تکنولوژی، Sentient Technology
تبادل اطلاعات در مورد هوش مصنوعی در تجارت ها
هوش مصنوعی، پتانسیل بالایی برای تجارت ها دارد – هوش مصنوعی می تواند بینش و آگاهی واقعی و برنامه های کاربردی حقیقی را فراهم آورد. به دلیل افزایش توان پردازشی و امکانات بی حد و مرز محیط ابری، هوش مصنوعی در جایگاهی قرار گرفته که می تواند پلتفرم های وب، اپلیکیشن های موبایل و دستگاه های شخصی را کنترل کند.
اثربخشی هوش مصنوعی در عملیات اتوماسیون و اتوماسیون محسوس تر است، یعنی جایی که بات ها مسئول انجام کارهایی هستند که احتمال خطای انسان در آن ها بیشتر است. در بعضی صنایع، امنیت بهتر به واسطۀ ماشین هایی فراهم می شود که مسئول اجرای فعالیت های خطرناک و تکراری هستند. هوش مصنوعی به طور بالقوه می تواند موجب افزایش بهره وری شود، بدون اینکه ایجاد هزینۀ اضافی کند.
تجارت ها باید به تبادل اطلاعات در مورد مزایای هوش مصنوعی و اثربخشی آن در حوزۀ اتوماسیون، سرویس دهی به مشتری یا پشتیبانی داخلی بپردازند. البته کاربرد هوش مصنوعی مستلزم رعایت احتیاط و مراقبت های صحیح است، به طوری که اطمینان کافی نسبت به این فناوری در افراد به وجود آید. تجارت ها با استفاده از روش های زیر می توانند آموزش داده شوند:
- هدایت و بهبود درک کارمندان نسبت به هوش مصنوعی با به اشتراک گذاری مطالعات موردی مثبت از طریق جلسات خصوصی، ایمیل یا اینترانت.
- تحویل اطلاعات در مورد هوش مصنوعی، آموزش، تمرین دادن و صدور گواهی برای افرادی که به طور مستقیم با این فناوری سروکار داشته و کسب تجربه کرده اند.
- تبادل اطلاعات جهت آزمودن هوش مصنوعی و یافتن مشکلات احتمالی در کارایی، حفظ کارهای انجام شده به وسیلۀ این فناوری.
- اطمینان یافتن از رعایت اخلاق در عملکرد هوش مصنوعی، تطبیق با درخواست تراکنش های نامتعارف.
- اطلاع رسانی به کاربران انسانی در مورد تعامل با هوش مصنوعی، توضیح ارزش هوش مصنوعی برای افراد جهت برقراری تعامل، و درک و شناخت نتایج متفاوت احتمالی.
تجارت ها باید در مورد تأثیر هوش مصنوعی به روی مشاغل، با کارمندان خود صادق و صریح بوده و مکالمات خود را به یک تبادل نظر مثبت تبدیل کنند. در صنایع آمیخته با هوش مصنوعی، کارمندان می بایست مهارت های لازم جهت همکاری با این فناوری را آموزش ببینند.
در عمل، صنایع مختلف باید متعهد به آموزش کارمندان فعلی بوده و آن ها را برای آیندۀ مبهم دنیای دیجیتالی و مشاغلی که به واسطۀ هوش مصنوعی ایجاد می شوند، آماده کنند.
ما باید به افراد یاد دهیم که سیستم های مبتنی بر هوش مصنوعی را آزمایش کرده و مکانیزم های ایمن و منصفانه ای را به وجود آورند. این کار، وظیفۀ فعلی ما به شمار می آید. می بایست پیش از کاربرد سیستم های هوش مصنوعی، الزاماتی را جهت اولویت بندی امنیت و منصفانگی لحاظ کنیم – کیت کرافورد، پروفسور دانشگاه نیویورک
مسئولیت شرکت ها
شرکت هایی که در حوزه هوش مصنوعی فعالیت دارند، از فرصت منحصر به فردی جهت کاربرد مؤثر هوش مصنوعی در رسیدن به مزایای عمومی برخوردار هستند. آن ها می توانند به جای پذیرش موقتی نتایج و پیامدها، رهبری انجمن های بین المللی در توسعۀ اخلاقی هوش مصنوعی را بر عهده بگیرند.
هوش مصنوعی، اساس بسیاری از شرکت ها، پژوهش های علمی و اکوسیستم های استارت آپ در سراسر جهان به شمار می آید. علیرغم نیاز به افزایش حوزه های مبتنی بر هوش مصنوعی، باید توجه داشت که اخلاقیات، مهم ترین الزام در توسعه و کاربرد هوش مصنوعی است.
هوش مصنوعی نیز همانند بسیاری از فناوری های دیگر، با خطرات و ریسک های متعددی همراه است. بنابراین می بایست اقداماتی را برای کاهش ریسک ها و خطرات در نظر گفت. یک رویکرد اخلاقی، اطمینان عمومی نسبت به این فناوری و همینطور مزایای استفاده از آن را تضمین می کند. از این گذشته، رویکرد اخلاقی مناسب می تواند توانایی مقابله با سوء استفاده از هوش مصنوعی را نیز فراهم آورد.
پنج اصل مهم که باید در هنگام توسعه و تولید هوش مصنوعی لحاظ شود:
۱- هوش مصنوعی باید تنوع کاربران خود را نشان دهد
هوش مصنوعی باید با ماهیتی متنوع ساخته شود. به عنوان یک مجموعۀ فناوری صنعتی، ما باید مکانیزم های مؤثر و کارآمدی را به وجود آوریم که هر گونه تعصب، انحراف و معنای منفی را از داده های آموزشی برای هوش مصنوعی حذف کرده و عدم کلیشه ای بودن آن را تضمین دهند.
۲- هوش مصنوعی و همینطور کاربران آن باید مسئولیت پذیر باشند
کاربران پس از اجرای چندین تراکنش هدف دار با هوش مصنوعی، اعتماد به این فناوری را آغاز کرده و با آن ارتباط برقرار می کنند. این اطمینان، مسئولیت پذیری را با خود به همراه خواهد داشت. هوش مصنوعی درست همانند انسان، باید پاسخگوی اقدامات و تصمیم گیری های خود باشد.
البته از طرف دیگر، ذکاوت هوش مصنوعی نباید به حدی برسد که مسئولیت های بیش از حدی را بر عهده بگیرد. چنین رفتاری حتی از سوی متخصصین انسانی نیز قابل قبول نیست، پس چرا باید برای یک فناوری استثناء قائل شد؟
۳- پاداش دهی به هوش مصنوعی در ازای نمایش عملکرد خود
هر سیستم هوش مصنوعی که بر اساس داده های نامناسب آموزش داده شود، در نهایت به یک سیستم نامناسب از لحاظ اجتماعی تبدیل خواهد شد. باید خاطر نشان کرد که عمدۀ هوش مصنوعی امروزی، هیچ شناختی در خصوص نتایج و گفته های خود ندارد. تنها راه حل ممکن، شنیدن و یادگیری از روی مجموعه داده های متنوع است.
یکی از روش های ایجاد شناخت در هوش مصنوعی، استفاده از یک مکانیزم پاداش در هنگام آموزش آن است. در تعیین معیارهای یادگیری تقویتی، نه تنها باید عملکرد هوش مصنوعی یا ربات ها برای رسیدن به نتایج را مد نظر قرار داد، بلکه نحوۀ سازگاری هوش مصنوعی و ربات ها با ارزش های انسانی جهت رسیدن به نتایج خاص نیز از اهمیت بسیاری برخوردار است.
۴- هوش مصنوعی باید مقیاس پذیر باشد
هوش مصنوعی، فرصت های جدیدی را جهت دسترسی همگانی به فناوری، فراهم می آورد که دلیل عمدۀ آن، برخورداری از قابلیت مقیاس پذیری است. برای مثال، فناوری صوتی و ربات های اجتماعی توانسته اند راه حل های قابل دسترس جدیدی را، خصوصاً برای افرادی با مشکلات بینایی، نارسانخوانی یا فاقد قدرت تحرک کافی، ارائه دهند.
انجمن فناوری تجاری ما باید سرعت ساخت و توسعۀ چنین فناوری هایی را به حدی برساند که با عرصۀ رقابت همتراز شود. ما باید مجموعه استعدادهای خود را هم از لحاظ حسابداری و هم از لحاظ متخصصین فناوری پرورش دهیم.
۵- هوش مصنوعی جایگزین می شود، اما باید سازنده نیز باشد
بهترین مورد کاربردی برای هوش مصنوعی، اتوماسیون و اتوماسیون است. پشتیبانی از مشتری، جریان های کاری و فرایند های مبتنی بر قانون، سناریوهای عالی برای به تصویر کشیدن قابلیت های هوش مصنوعی هستند. هوش مصنوعی می تواند سریع تر از انسان یاد بگیرد و عملیات تکراری و طاقت فرسا را به راحتی و با دقت انجام دهد. این فناوری در طولانی مدت، به هزینۀ کمتری نسبت به نیروی انسانی احتیاج دارد.
فرصت های متعددی از طریق اتوماسیون فعالیت ها پدید خواهد آمد که نیروی انسانی باید نسبت به آینده نگری این فرصت ها، آموزش داده شود. بدین ترتیب افراد می توانند به روی قابلیت های خود تمرکز کرده، روابط مؤثری را به وجود آورده و به مشتریان اهمیت دهند. باید توجه داشت که حس همدردی و دلسوزی، نباید در حرفه های اصلی نظیر اجرای قانون، پرستاری، مراقبت و تصمیم گیری های پیچیده، نادیده گرفته شود.
به طور کلی، تجارت هایی که در حال استفاده از هوش مصنوعی هستند، باید در خصوص موارد زیر، تفکر و تأمل کنند:
- پژوهش و دقت کافی، و درک بهترین راه حل ها و رویکردهای ممکن برای آن ها. سیاست ها و چارچوب های اخلاقی با محوریت فناوری، باید از همان ابتدا در استراتژی های سرمایه گذاری لحاظ شوند.
- شناخت ارزش افزوده و مزایای تکمیلی که هوش مصنوعی می تواند برای صنایع خاص، مشتریان و جوامع مختلف به ارمغان آورد.
- مسئولیت پذیری جهت تبادل فناوری هوش مصنوعی اخلاقی در سراسر جهان.
بیشتر بخوانید :
- پلاک خوان های شهر گرینزبوروی آمریکا فعلاً قرار نیست افزایش پیدا کنند
- فرماندار اوکلند از پلاک خوان ها حمایت می کند اما مخالفان در اثربخشی آن تردید دارند
- لبنان استفاده از پلاک خوان های خودکار را تایید کرد
- چالش های مدیریت کلاس با ابزار جدید تشخیص چهره هوش مصنوعی
- آیا می توان از دوربین های ترافیکی برای گرفتن رانندگان الکلی استفاده کرد؟
