آیندهٔ هوش مصنوعی: بعد از ۲۰۲۶ چه می‌شود

پیش‌بینی دربارهٔ فناوری زود کهنه می‌شود. آنچه دیرتر کهنه می‌شود، شناخت محدودیت‌هایی است که در حال برداشته شدن‌اند؛ چون مسیر توسعه معمولاً از همان جایی می‌گذرد که مانعی تازه فرو ریخته است.

برای مدیری که امروز تصمیم سرمایه‌گذاری می‌گیرد، پرسش درست این نیست که سال آینده چه مدلی منتشر می‌شود. پرسش این است که کدام سرمایه‌گذاری امروز، در سه سناریوی متفاوت از آینده همچنان ارزشمند باقی می‌ماند.

سه روندی که مسیر را می‌سازند

• عمیق‌تر شدن عامل‌ها: حرکت از پاسخ تک‌مرحله‌ای به انجام زنجیره‌ای از کارها ادامه دارد؛ آنچه بیش از توان مدل اهمیت می‌یابد، کیفیت دسترسی‌ها و مرزهایی است که برای عامل تعریف می‌کنید.
• کوچک‌تر و ارزان‌تر شدن مدل‌ها: مدل‌های کم‌حجم‌تری که روی سخت‌افزار در دسترس اجرا می‌شوند، بسیاری از کاربردهای سازمانی را بدون وابستگی به سرویس بیرونی پوشش می‌دهند.
• سخت‌گیری بیشتر دربارهٔ داده: پرسش از منشأ داده، رضایت صاحب آن و محل نگهداری‌اش، از یک ملاحظهٔ حقوقی به شرط ورود در بسیاری از قراردادها تبدیل می‌شود.

آنچه احتمالاً تغییر نمی‌کند

در میان این جابه‌جایی‌ها چند چیز ثابت می‌ماند. کیفیت داده همچنان سقف نتیجه را تعیین می‌کند؛ هیچ نسل تازه‌ای از مدل، دادهٔ ناقص را جبران نمی‌کند. مسئولیت نهایی همچنان بر عهدهٔ انسان است، چه قانون آن را الزام کند و چه مشتری بخواهد. و ارزش همچنان از بازطراحی فرآیند بیرون می‌آید نه از خرید ابزار؛ سازمانی که فرآیندش را تغییر ندهد، با هر مدلی به نتیجهٔ مشابهی می‌رسد.

مزیت رقابتی از مدل به داده جابه‌جا می‌شود

وقتی توانایی مدل‌ها به یکدیگر نزدیک شود و دسترسی به آنها آسان‌تر گردد، برتری از انتخاب مدل به چیز دیگری منتقل می‌شود: دادهٔ اختصاصی که تنها شما دارید و فرآیندی که آن داده را به تصمیم تبدیل می‌کند. سوابق چندسالهٔ تعمیرات، تاریخچهٔ سفارش مشتریان یا آرشیو گزارش‌های کارشناسی، دارایی‌هایی هستند که رقیب نمی‌تواند بخرد. سازمان‌هایی که این دارایی را امروز مرتب و قابل استفاده می‌کنند، فردا در موقعیت متفاوتی خواهند بود.

معنای این مسیر برای کسب‌وکار ایرانی

دو ویژگی این روند برای شرایط ایران اهمیت ویژه دارد. نخست، کوچک‌تر شدن مدل‌ها یعنی بخش بزرگی از کاربردهای سازمانی را می‌توان روی زیرساخت داخلی اجرا کرد و وابستگی به سرویس‌هایی که دسترسی‌شان قابل اتکا نیست کاهش می‌یابد. دوم، پردازش زبان فارسی در مدل‌های عمومی همچنان از انگلیسی عقب‌تر است؛ همین فاصله فضای کار برای راهکارهای بومی می‌سازد، به شرط آنکه دادهٔ فارسی باکیفیت گردآوری شده باشد.

چه چیزی را امروز بسازیم که فردا کهنه نشود

• پایگاه دادهٔ مرتب و مستند: داده‌ای که منشأ، معنا و تاریخچه‌اش روشن است، مستقل از هر مدلی ارزش دارد.
• توان سنجش: توانایی اندازه‌گیری اثر یک تغییر بر یک شاخص کسب‌وکاری، که با هر نسل از فناوری به کار می‌آید.
• مهارت داخلی: افرادی که مسئله را به زبان داده صورت‌بندی می‌کنند؛ این مهارت با تغییر ابزار از میان نمی‌رود.
• معماری قابل تعویض: طراحی‌ای که در آن مدل یک جزء قابل جایگزینی است، نه ستونی که همه چیز به آن گره خورده باشد.

خطاهایی که آینده را گران می‌کند

• گره زدن کل معماری به یک تأمین‌کنندهٔ خاص، که تغییر مسیر را در آینده پرهزینه می‌کند.
• انتظار برای نسل بعدی به‌جای شروع با آنچه امروز در دسترس است؛ زمان از دست رفته در گردآوری داده جبران نمی‌شود.
• سرمایه‌گذاری سنگین روی ابزاری که سازمان هنوز فرآیند لازم برای استفاده از آن را ندارد.
• بی‌توجهی به الزامات حاکمیت داده، که ممکن است بعدها بازسازی کل راهکار را ضروری کند.

چگونه آمادگی را بسنجیم

سنجهٔ خوب، فهرست فناوری‌هایی نیست که آزموده‌اید. سه پرسش گویاتر است: اگر فردا بخواهید مدل زیرساختی خود را عوض کنید، چند هفته کار لازم است؟ چه بخشی از داده‌های تاریخی‌تان امروز قابل استفاده است؟ و آیا می‌توانید اثر یک تغییر را روی یک شاخص کسب‌وکاری اندازه بگیرید؟ پاسخ این سه پرسش، آمادگی واقعی شما را بهتر از هر پیش‌بینی نشان می‌دهد.

پرسش‌های پرتکرار

• آیا بهتر است منتظر بمانیم تا فناوری پایدارتر شود؟
  انتظار برای ابزار منطقی است، انتظار برای داده نه؛ دادهٔ امروز را اگر جمع نکنید، بعداً قابل بازسازی نیست.
• آیا مدل‌های کوچک جایگزین مدل‌های بزرگ می‌شوند؟
  نه به‌طور کامل، اما برای بخش بزرگی از کاربردهای مشخص سازمانی کافی‌اند و هزینه و وابستگی کمتری دارند.
• سرمایه‌گذاری امروز چقدر زود بی‌اعتبار می‌شود؟
  آنچه روی داده، فرآیند و مهارت گذاشته شود دیرپاست؛ آنچه بر یک ابزار خاص متمرکز باشد عمر کوتاه‌تری دارد.

جمع‌بندی

آیندهٔ پس از ۲۰۲۶ را نمی‌توان با دقت پیش‌بینی کرد، اما می‌توان برای آن آماده شد. سرمایه‌گذاری روی دادهٔ مرتب، فرآیند سنجش‌پذیر و مهارت داخلی در هر سناریویی ارزش خود را حفظ می‌کند؛ گره زدن سرنوشت سازمان به یک ابزار مشخص، در هیچ سناریویی.

واژه‌نامه

• هوش مصنوعی عامل‌محور: سامانه‌ای که به‌جای یک پاسخ، زنجیره‌ای از گام‌ها را تا رسیدن به هدف انجام می‌دهد.
• مدل زبانی بزرگ: موتوری که متن را می‌فهمد و متن تولید می‌کند و پایهٔ دستیارهای گفت‌وگومحور است.
• مدل کوچک تخصصی: مدلی با اندازهٔ محدود که برای یک کاربرد مشخص آموزش دیده و روی سخت‌افزار معمولی اجرا می‌شود.
• اجرا روی زیرساخت داخلی: راه‌اندازی مدل روی سرورهای خود سازمان به‌جای سرویس ابری بیرونی.
• حاکمیت داده: قواعدی که تعیین می‌کند چه داده‌ای، توسط چه کسی و با چه مجوزی استفاده شود.
• وابستگی به تأمین‌کننده: وضعیتی که در آن تغییر ارائه‌دهندهٔ فناوری، به دلیل پیوند عمیق سامانه‌ها، پرهزینه می‌شود.
• دادهٔ اختصاصی: داده‌ای که تنها در اختیار یک سازمان است و به‌سادگی از بیرون قابل تهیه نیست.