تطبيق الذكاء الاصطناعي لشركتك ليس مثاليًا – ولا بأس بذلك
أنا أحب الأشياء غير الكاملة. أنا أحب سترتي مع ثقوبها في المرفقين، تلك اللوحة الخاصة بي التي سار عليها قطتي أثناء تجفيفها، تلك الكود المصدري الذي أستخدمه للحصول على درجة الدكتوراه التي لا يبدو أنها تنفذ كما كنت أتوقعها.
أنا أحب ذلك بهذه الطريقة. النقص يجعل الأشياء أكثر إثارة للاهتمام.
عندما تتحدث عن الأعمال التجارية، هناك أموال يمكن جنيها – من المحتمل أن يكون هناك الكثير من المال. وعلى عكس الأجزاء الأخرى من الحياة، في عالم الأعمال، قد يؤدي النقص الصغير إلى خسائر بملايين الدولارات.
هذا مخيف. والأمر الأكثر ترويعًا هو عندما تحدث هذه الخسائر لأن المهندسين يرتكبون أخطاء أثناء محاولتهم تنفيذ تقنية جديدة وسريعة التطور والتي لا أحد يفهم مخاطرها بالكامل حتى الآن ويتم كتابة لوائحها للتو.
إذا كان قادة الأعمال مترددين بشأن حقل الألغام المحتمل هذا، فهذا يثبت أنهم بشر.
أنا أتحدث عن الذكاء الاصطناعي. على الرغم من أنه قد يكون مخيفًا، إلا أن العديد من الأشخاص، بما في ذلك العديد من قادة الأعمال، يظلون متحمسين بشكل لا يصدق للذكاء الاصطناعي.
الإيجابيات المحتملة هائلة لأن الذكاء الاصطناعي يمكنه إنهاء العمليات التي كانت تستغرق ساعات في ثوانٍ. هذا توفير الوقت هو تحسين لعدة أوامر من حيث الحجم.
بالنظر إلى هذه العوائد، فلا عجب أن تضخ الشركات مليارات الدولارات في الذكاء الاصطناعي كل عام.
على الرغم من هذا الاستثمار الضخم، لا يزال الإقبال على الذكاء الاصطناعي متقطعًا.
لا تأتي الصعوبة من عدم اليقين فيما يتعلق بالمخاطر واللوائح فحسب، بل تأتي أيضًا من حقيقة أن العديد من الشركات تفشل، على الأقل في البداية، في إجراء تقييم واقعي لأنواع التغييرات التي يمكن للذكاء الاصطناعي إحداثها ولا يمكن أن يحدثها.
عقلية الكل أو لا شيء
شارك لاري كلارك حكاية في Harvard Business Review تلخص المشكلة تمامًا.
تحدث مع مستشار كان عميله يقوم بتنبؤات صحيحة حول صناعته بنسبة 25 في المائة من الوقت. نصحهم المستشار أن حل الذكاء الاصطناعي يمكن أن يصل هذا الرقم إلى 50 بالمائة.
مع ذلك، رفض المدير التنفيذي للفريق تنفيذ حل كان “خاطئًا نصف الوقت”.
إن معدل الفشل البالغ 50 في المائة، بلا شك، هائل في معظم الحالات. لكنها كانت ستظل ضعف جودة الحل الحالي!
يشعر العديد من المديرين التنفيذيين بخيبة أمل عندما يرون أن الذكاء الاصطناعي لن يحدث ثورة في شركاتهم بين عشية وضحاها.
ولكن كما قال كيفن كيلي، المحرر المؤسس لـ Wired، “المستقبل يحدث ببطء شديد وبعد ذلك يحدث مرة واحدة.”
أعتقد أن هذه القاعدة تنطبق على العديد من المجالات في التكنولوجيا، وخاصة الذكاء الاصطناعي.
بالتأكيد، هناك تطورات جديدة رائعة تلوح في الأفق، لكن لا يمكنك توقع حدوثها غدًا. الأشياء الجيدة تحتاج إلى وقت لتطويرها. حتى في عالم التكنولوجيا سريع الخطى، فإن الصبر فضيلة.
لذلك، لا ينبغي أن يشعر القادة بالاستياء عندما لا يقوم الذكاء الاصطناعي فجأة بتحويل أعمالهم إلى شركة Google التالية.
في الواقع، إذا أتى حل الذكاء الاصطناعي الجديد بالعديد من التحسينات الصغيرة بمرور الوقت، فقد يكون ذلك أكثر قيمة على المدى الطويل على أي حال.
يميل الاضطراب الكبير إلى إضعاف العمليات التجارية الأخرى التي كانت معيارية حتى هذه المرحلة، ويمكن أن ينتهي هذا التغيير إلى كونه خطوة محفوفة بالمخاطر على الرغم من انتكاسات موجة كبيرة من الاضطراب.
الذكاء الاصطناعي ليس دائمًا الحل الأفضل. صورة المؤلف
ابقائها بسيطة
إذا كنت قد عملت مع الذكاء الاصطناعي من قبل، فلا شك أنك سمعت بمفاهيم تشمل الدقة، والدقة، والتذكر، ودرجة الفورمولا 1، وعدم الملائمة، والتركيب الزائد، والإيجابيات الكاذبة، والسلبيات الكاذبة.
لكن معظم قادة الأعمال سينظرون إليك وكأنك أجنبي إذا أتيت إليهم بلغة فنية كهذه. التنفيذيون يهتمون بالنتائج أكثر من التفاصيل الفنية.
أوضح رون جلوزمان، الذي أسس شركة تبني حلول الذكاء الاصطناعي لصناعة التأمين، هذه النقطة بالضبط.
ما يهم حقًا هو ما إذا كان حل الذكاء الاصطناعي يجعل الأمور أسهل للعاملين من البشر، أو يقلل التكاليف أو يزيد الهوامش.
سواء كنت تحصل على نتائج مذهلة على المستوى التقني أم لا، لا يهم كثيرًا طالما أن الحل الخاص بك يحسن الوضع الراهن في شركتك.
بالطبع، سيستمر علماء البيانات في صياغة أهدافهم بلغة فنية لأنها مفيدة لهم.
من أجل ترجمة هذه المصطلحات إلى مصطلحات تجارية، على الرغم من ذلك، يحتاج المديرون التنفيذيون إلى العمل عن كثب مع علماء البيانات، وإشراكهم في العمليات التجارية، وعدم التوقف عن سؤالهم أبدًا عن كيفية تأثير أداء المقاييس الفنية المختلفة على العمل ككل.
ما يعقد الأمور، مع ذلك، هو حقيقة أن علماء البيانات مطلوبة بشدة. لذلك تعاني العديد من الشركات من نقص في الموظفين في هذا المجال.
نتيجة لذلك، يحتاج العديد من علماء البيانات الذين لديهم عدد كبير جدًا من المشاريع على لوحاتهم إلى إعطاء الأولوية للتحليلات الصعبة ولا يجدون الوقت الكافي للتفكير كثيرًا في جزء الأعمال من وظيفتهم.
لتجنب هذا الموقف، قم بتعيين علماء البيانات قبل أن تحتاجهم بالفعل، وقم بتوفير التدريب الداخلي لأعضاء الفريق الجدد.
تتطلب إضافة التدريب داخل الشركة بعض الاستثمار المسبق بالطبع، ولكن هناك جانبان كبيران للقيام بذلك. أولاً، يعمل التدريب الداخلي على تعريف علماء البيانات بخصائص الشركة منذ اليوم الأول.
ثانيًا، هذا النوع من التدريب جذاب بشكل خاص للمرشحين للوظائف الأصغر سنًا الذين غالبًا ما يجلبون أفكارًا جديدة ولا يطلبون رواتب عالية مثل رواتب أقرانهم الكبار.
قد يستغرق إعداد نظام تدريب صارم داخلي بعض الوقت، لكنه سيؤتي ثماره على المدى الطويل.
الدقة ليست كل شيء
يجب أن تكون خوارزميات التعلم الآلي دقيقة قدر الإمكان، أليس كذلك؟ بعد كل شيء، لا نريد أن تصدر أجهزتنا أحكامًا خاطئة، وعلى سبيل المثال، تصنيف الورم السرطاني على أنه ورم حميد.
تبدو هذه الفكرة صحيحة، لكن الدقة ليست دائمًا الهدف. دعني أشرح.
بادئ ذي بدء، هناك خطر الإفراط في التدريب. يمكن لنموذج الذكاء الاصطناعي أن يتعلم مجموعة البيانات جيدًا لدرجة أنه يميز حتى التفاصيل الصغيرة التي لا صلة لها في الواقع بالنتيجة.
على سبيل المثال، ضع في اعتبارك حل الذكاء الاصطناعي الذي يصنف مجموعة بيانات بها الكثير من أنواع الحيوانات المختلفة.
لنتخيل كذلك أن مجموعة البيانات هذه تحتوي على نوع واحد فقط لكل من القطط والكلاب والزرافات. لكنها تحتوي أيضًا على نوعين من القرود: الأسود والبرتقالي.
ماذا يحدث إذا قمت بتدريب هذا النموذج جيدًا بحيث لا يتعرف على القرد من أجل القرد فحسب، بل يعرف أيضًا ما إذا كان قردًا أسود أم برتقاليًا؟ قد يبدو هذا حلوًا، لكنه يصبح مشكلة إذا اختبرت النموذج على صورة قرد رمادي.
كيف سيصنف النموذج ذلك الحيوان؟ قطة؟ كلب رمادي؟
في هذا المثال، نشأ خطر سوء تصنيف البيانات الجديدة لأن النموذج أصبح دقيقًا للغاية أثناء التدريب.
لتجنب هذه المشكلة، يحتاج علماء البيانات ورجال الأعمال إلى الاهتمام بدرجة أقل بالدقة أثناء التدريب والكثير من الاهتمام بالأداء أثناء الاختبار. الكمال ليس الهدف هنا.
في مثال الورم أعلاه، قد يعني هذا السماح للخوارزمية بتصنيف الأورام بشكل خاطئ أثناء التدريب.
يمكن أن تعني إعادة المعايرة هذه استهداف دقة 90 بالمائة بدلاً من 98. ثم، عندما يتم نشر الخوارزمية في الحياة الواقعية، ستكون أكثر استعدادًا لتصنيف الورم الذي لا يشبه أيًا من الورم الذي شاهدته في مرحلة التدريب. هذا أمر بالغ الأهمية لأن مواجهة نقطة بيانات على عكس أي نقطة أخرى تحدث كثيرًا. بالإضافة إلى ذلك، فإنك تمنح الخوارزمية فرصة لتحسين دقتها في الحياة الواقعية لأن كل نقطة بيانات جديدة يتم إعادة إدخالها في النظام وتساعد في إعادة تدريبها.
خذها خطوة بخطوة. صورة المؤلف
ابدأ بخطوات صغيرة
خطوة التدريب ليست المكان الوحيد الذي يحتاج فيه المدراء التنفيذيون إلى التهدئة من طموحاتهم. كما كتب Jon Reilly لـ Dataversity ، تميل الشركات إلى إلقاء الذكاء الاصطناعي في مشاكل ضخمة وتتوقع نتائج ذات مغزى.
لكن هذه ليست الطريقة التي يعمل بها الذكاء الاصطناعي حتى الآن. بدلاً من ذلك، يعمل بشكل أفضل في المهام الأصغر والمتخصصة للغاية والتي تحتاج إلى معالجة كمية كبيرة من البيانات بطريقة ما.
ابدأ في دمج الذكاء الاصطناعي في الوظائف التي ستصبح متكررة جدًا بالنسبة للبشر ثم قم ببنائها من هناك.
اعتبر هذا نهجًا تصاعديًا. من الصعب تثبيت الأساليب التنازلية مع الذكاء الاصطناعي اليوم. ما زلنا بعيدين تمامًا عن الذكاء الاصطناعي الذي يمكنه نقل المعرفة من مجال إلى آخر، وحتى أبعد من الذكاء العام.
في الوقت الحالي، يعد تعليم الآلة كيفية القيام بمهام مملة ومتكررة بسرعة الالتواء أسهل بكثير من جعلها تكمل مهمة معقدة، حتى لو كان هناك متسع من الوقت في متناول اليد. لكن هذا لا يمنع أن هذا الوضع قد يتغير في المستقبل.
إذا كان المدراء التنفيذيون يريدون حقًا تنفيذ الذكاء الاصطناعي حيثما كان ذلك ممكنًا، فعليهم أن يتذكروا قاعدة 80/20 الكلاسيكية، والتي تنص على أن 20 بالمائة من أدواتك ومواردك تؤدي إلى 80 بالمائة من مخرجاتك.
ركز على تلك الأدوات والموارد أولاً للتأكد من أن الحلول الخاصة بك لها أكبر تأثير ممكن.
هنا مرة أخرى، من الأفضل البدء بالأجزاء الأسهل بدلاً من إعادة تصميم الشركة بأكملها كخوارزمية ذكاء اصطناعي.
يجب أن تعطي الأولوية لدمج بعض الحلول المرقعة التي تعمل بالفعل بدلاً من حل كبير وشامل معقد للغاية بحيث لا يمكن نشره بشكل فعال.
ستخسر الشركات المترددة
كما هو الحال مع كل تقنية جديدة تصل إلى الاتجاه السائد، فإن المتبنين الأوائل هم الذين سيجمعون كل الأموال. الخبر السار هو أنه لم يفت الأوان بعد للانضمام إلى الذكاء الاصطناعي.
هذا ليس عذرًا لإتقان نموذج الذكاء الاصطناعي الخاص بك بدقة والعيش معه لمدة خمس سنوات على الرغم من ذلك.
على الرغم من كل العقبات التي ذكرتها (وهناك أخرى غير هذه)، فإن المزيد والمزيد من الشركات ترى الفوائد المحتملة للذكاء الاصطناعي وتبدأ به الآن، مهما كانت الأشياء صغيرة أو عربات التي تجرها الدواب في البداية.
وهذا هو النهج الصحيح. التكنولوجيا جديدة بما يكفي لدرجة أننا لم نختبر حتى الآن جميع المنافذ وحالات الحافة.
يجب عليك اختبار الحلول نصف المخبوزة ثم تكرارها. إذا لم تقم بدفع تحديثات الذكاء الاصطناعي الخاصة بك بانتظام وإتاحتها لجميع أصحاب المصلحة، فإنك تخاطر بفقدان الدروس الرئيسية.
حدثت هذه المشكلة بالضبط أثناء دراستي. كنت أعمل على إجراء لمعالجة كمية كبيرة من البيانات بطريقة أكثر كفاءة من ذي قبل.
كان الإجراء جزءًا من المشروع، لذلك اعتقدت أنني سأقوم بتطويره وإتقانه بمفردي بقدر ما أستطيع قبل مشاركته مع فريقي.
عندما شاركته أخيرًا بعد ثلاثة أشهر، أدركت من ملاحظات زملائي أنني كنت أفقد بعض الأفكار الرئيسية.
لقد تمكنت بنفسي من جعل الكود أكثر كفاءة بثلاث مرات من الإصدار القديم. بعد تنفيذ أفكار زملائي، لم يكن التحسين ثلاثة – بل خمسة أضعاف.
على الرغم من أن عملي كان مشروعًا بحثيًا عامًا وليس عملاً تجاريًا، وعلى الرغم من عدم وجود أموال تقريبًا على المحك، إلا أن فكرة إضاعة عدة أسابيع من خلال عدم التحدث إلى زملائي في وقت سابق لا تزال مؤلمة.
الشركات التي تهدف إلى الكمال في وقت مبكر جدًا أو لم تقرر بعد تطبيق الذكاء الاصطناعي ستتخلف عن الركب.
من المفارقات، أنك بحاجة إلى أن تكون قادرًا على رفض طموحاتك والجلوس مع حل غير كامل إذا كنت تريد أن ينتهي بك الأمر في الصدارة.
لا تقلق كثيرًا بشأن التعليمات البرمجية غير الكاملة. صورة المؤلف
السعي إلى الكمال سيتركك تنتظر إلى الأبد
الحلول غير المثالية غير مريحة لأنه لا يمكنك العودة إلى المنزل من العمل والتظاهر بأن وظيفتك قد اكتملت بالكامل. هناك دائمًا خطأ للعثور عليه، تعديل يجب إجراؤه، ميزة لإضافتها.
ستحتاج إلى تعلم حب هذه الحقيقة إذا كنت بحاجة إلى الذكاء الاصطناعي لعملك. هذه القاعدة لا تتعلق فقط بالعمل، بالطبع.
تعمل العديد من مواقف الحياة بشكل أفضل مع البراغماتية الخشنة والقذرة بدلاً من العمليات المنظمة تمامًا التي تفشل بمجرد تأخر الحافلة دقيقة واحدة، من الناحية المجازية.
هذا ليس عذراً لأن تكون كسولاً، أو تفعل فقط الحد الأدنى المطلق الضروري لمواكبة المنافسة. ابذل قصارى جهدك دائمًا. فقط تذكر أن الأفضل غالبًا ما يكون بعيدًا عن الكمال.
المصدر: thenextweb
قد يهمك:
