مضاعفة الذكاء الاصطناعي: اتبع مسارًا واحدًا واضحًا واحذر من خطرين حاسمين
وفقًا لاستطلاع أجرته شركة NewVantage Partners لعام 2021، أفادت 77.8٪ من الشركات أن قدرات الذكاء الاصطناعي منتشرة على نطاق واسع أو محدودة الإنتاج، ارتفاعًا من 65.8٪ العام الماضي.
يساعد هذا النمو في خفض تكلفة الذكاء الاصطناعي (كما لاحظ معهد ستانفورد للذكاء الاصطناعي المرتكز على الإنسان) مع زيادة احتمالات استفادة المؤسسات من جميع الأحجام.
ومع ذلك، فإن مضاعفة الذكاء الاصطناعي يمكن أن يؤدي إلى مشاكل مضاعفة. على وجه الخصوص، هناك مشكلتان تؤديان إلى نوعين حاسمين من مخاطر الذكاء الاصطناعي:
1. مخاطر نقص المواهب التي تؤدي إلى توقف تحقيق القيمة.
إن محاولة الحصول على قيمة من الذكاء الاصطناعي من خلال فرق علوم البيانات الصغيرة المثقلة بالأعباء تشبه محاولة شرب غذاء حيوي من خلال قشة ضيقة للغاية.
لا يمكن للذكاء الاصطناعي أن يساعد في توسيع نطاق عمليات الأتمتة واتخاذ القرار إذا تم دعم تدريب النموذج وإدارته في قائمة انتظار مطولة باستمرار.
بدون تمكين الآخرين من خارج فريق علوم البيانات لديك للمساعدة في جلب المزيد من النماذج إلى الإنتاج بشكل أسرع، فإنك تخاطر بالفشل في اختبار قيادة الأعمال – ” ما مقدار القيمة التي نحققها من مشاريع الذكاء الاصطناعي هذه؟“
2. خطر قيام الذكاء الاصطناعي “الصندوق الأسود” بتأجيج القضايا القانونية والغرامات وفقدان السمعة.
قد يكون عدم معرفة ما هو موجود في أنظمة وعمليات الذكاء الاصطناعي لديك مكلفًا.
إن وجود سجل شفاف وقابل للتدقيق للبيانات والخوارزميات المستخدمة في أنظمة وعمليات الذكاء الاصطناعي الخاصة بك هو أمر مهم للبقاء متماشياً مع قوانين الامتثال التنظيمي الحالية والمخطط لها للذكاء الاصطناعي.
تدعم الشفافية أيضًا مبادرات ESG ويمكن أن تساعد في الحفاظ على سمعة شركتك.
إذا كنت تعتقد أنك لن تواجه أي مشاكل مع التحيز، ففكر مرة أخرى. وفقًا لتقرير معهد ستانفورد للذكاء الاصطناعي المتمركز حول الإنسان ” 2022 AI Index ”، تظهر البيانات مع زيادة قدرات الذكاء الاصطناعي، هناك زيادة مقابلة في الشدة المحتملة للتحيزات. وتتزايد قدرات الذكاء الاصطناعي على قدم وساق.
أحد الطرق لتجنب مشكلة الذكاء الاصطناعي المزدوجة: منصة ModelOps قوية
يمكن إطلاق العنان لقوة الذكاء الاصطناعي للتوسع، مع التخلص من المخاطر التي ينطوي عليها الذكاء الاصطناعي، من خلال ModelOps المحكومة والقابلة للتطوير – أو تشغيل نموذج الذكاء الاصطناعي – الذي يمكّن من إدارة العناصر الرئيسية للذكاء الاصطناعي ودورة حياة نموذج القرار.
نماذج الذكاء الاصطناعي هي خوارزميات للتعلم الآلي، مدربة على بيانات حقيقية أو تركيبية، تحاكي اتخاذ القرار المنطقي بناءً على البيانات المتاحة.
عادةً ما يتم تطوير النماذج بواسطة علماء البيانات للمساعدة في حل مشاكل تجارية أو عمليات محددة، بالشراكة مع فرق إدارة البيانات والتحليلات.
تمكن نظام الصحة بالجامعة الوطنية (NUHS) في سنغافورة من اشتقاق قيمة حقيقية للذكاء الاصطناعي من خلال ModelOps.
احتاجت NUHS إلى عرض 360 درجة لرحلة المريض لمعالجة العدد المتزايد من المرضى وشيخوخة السكان في البلاد.
للقيام بذلك، أنشأت NUHS منصة جديدة، تسمى ENDEAVOR AI، والتي تستخدم إدارة ModelOps.
من خلال نظامهم الأساسي الجديد، أصبح لدى أطباء NUHS الآن عرض كامل لسجلات المرضى مع معلومات تشخيصية في الوقت الفعلي، ويمكن للنظام إجراء تنبؤات تشخيصية.
لقد رأى NUHS قيمة كافية من الذكاء الاصطناعي لدرجة أنهم يخططون لتشغيل العديد من أدوات الذكاء الاصطناعي على ENDEAVOR AI.
تجمع ModelOps بين التقنيات والأشخاص والعمليات لإدارة بيئات تطوير النموذج والاختبار وإصدار الإصدارات ومخازن النماذج والتراجع عن النموذج.
في كثير من الأحيان، تتم إدارة النماذج من خلال مجموعة من الأدوات غير المتكاملة بشكل جيد. سيؤدي اتباع نهج موحد وقابل للتشغيل المتبادل في ModelOps إلى تبسيط التعاون المطلوب للمساعدة في توسيع نطاق ModelOps.
هناك تحديين رئيسيين يمكن أن تساعدهما ModelOps في التصدي لهما:
- تعقيد النموذج والتعتيم. يمكن أن تكون خوارزميات التعلم الآلي معقدة، اعتمادًا على عدد المعلمات التي تستخدمها وكيفية تفاعلها. مع التعقيد يأتي التعتيم – عدم قدرة الإنسان على تفسير كيف يتخذ النموذج قراراته. بدون القابلية للتفسير، من الصعب تحديد ما إذا كان النظام متحيزًا، وإذا كان الأمر كذلك، فما هي الأساليب التي يمكن أن تقلل أو تقضي على التحيز. من خلال الحوكمة والشفافية التي توفرها منصة ModelOps، يتم تقليل مخاطر التحيز والمخاطر التنظيمية.
- إنشاء نموذج على نطاق واسع. المقياس ليس مجرد عدد النماذج؛ يشير المقياس إلى مدى تكامل الذكاء الاصطناعي على نطاق واسع في عروض وعمليات المؤسسة. المزيد من التكامل يعني الحاجة إلى المزيد من النماذج، مما يعني في النهاية المزيد من الفوائد المحتملة من الذكاء الاصطناعي. ولكن إذا لم يكن هناك عدد كافٍ من علماء البيانات لدعم ذلك – وإذا كان النموذج ينجرف، أو معتمًا، أو كان النشر يمثل تحديًا – فقد تكون مبادرات الذكاء الاصطناعي الفاشلة هي النتيجة. من خلال دمقرطة ModelOps حتى تتمكن من التوسع، يمكن للمؤسسات الانتقال من الميزة الإضافية إلى ميزة الاختراق.
تقدم ModelOps القوية والقابلة للتطوير التكنولوجيا والعمليات اللازمة للإنشاء السريع لنماذج التعلم الآلي المحكومة جيدًا والتي يتم نشرها بسهولة أكبر.
يتيح ModelOps لعلماء البيانات التركيز على إنشاء النماذج وإضفاء الطابع الديمقراطي على الذكاء الاصطناعي من خلال تمكين مهندسي البيانات ومحللي البيانات من نشر المزيد من الذكاء الاصطناعي في جميع أنحاء المؤسسة.
كما أشار الدكتور نجيام كي يوان، كبير مسؤولي التكنولوجيا في NUHS، “تقدم منصة ENDEAVOR AI المتطورة رعاية صحية أكثر ذكاءً وأفضل وفعالية في سنغافورة.
نتوقع أن تعمل ModelOps على تسريع نشر العمليات الآمنة والفعالة المستندة إلى الذكاء الاصطناعي بطريقة قابلة للتطوير بشكل أكبر “.
لست بحاجة إلى السماح لنقص المواهب بإضفاء الاحتكاك على إدراك قيمة الذكاء الاصطناعي، أو مواجهة مخاطر السمعة والسمعة “الصندوق الأسود” للذكاء الاصطناعي.
من خلال منصة ModelOps القوية والقابلة للتطوير، يمكنك “التخلص من المخاطر مع الفوائد”، واكتساب القدرة على التكيف مع الذكاء الاصطناعي لتلبية الاحتياجات المتغيرة، وسرعة الحوكمة لبيئة تنظيمية دائمة التغير.
لوري ويتزل هي مديرة الأبحاث في تيبكو .
المصدر: venturebeat
شاهد ايضا:
