بزرگ‌ترین مانع استقرار هوش مصنوعی و راهکار عبور از آن

هوش مصنوعی آماده اجراست؛ داده های آشفته هنوز نه!

خیلی از شرکت ها برای استقرار هوش مصنوعی سراغ مدل های قدرتمند، پردازنده های گران و ابزارهای تازه می روند، اما پروژه درست قبل از ورود به محیط واقعی گیر می کند. مقصر اصلی معمولا خود هوش مصنوعی نیست؛ مشکل از کیفیت داده، زیرساخت داده پراکنده، دسترسی محدود و نبود نظارت درست می آید.

ساختن یک نمونه آزمایشی جذاب چندان سخت نیست. چالش واقعی زمانی شروع می شود که قرار است مدل هر روز برای هزاران کاربر کار کند، به اطلاعات معتبر دسترسی داشته باشد و خروجی قابل اعتماد تحویل دهد. همین فاصله میان نسخه نمایشی و هوش مصنوعی در محیط عملیاتی، خیلی از تیم ها را حسابی کلافه کرده است.

مطالعه مقاله قبلی در دسته بندی خانه هوشمند با عنوان پنل خورشیدی خانگی چقدر در هزینه برق صرفه جویی می کند.

از نسخه نمایشی جذاب تا محصولی که واقعا کار می کند

نمونه های اولیه معمولا در شرایط کنترل شده ساخته می شوند. داده ها تمیز هستند، تعداد کاربران کم است و تیم توسعه هم بالای سر پروژه ایستاده تا هر خطایی را فوری برطرف کند. خب، معلوم است که در چنین محیطی همه چیز عالی به نظر می رسد.

اما محیط واقعی این قدر مهربان نیست. داده ناقص وارد می شود، سرویس ها از دسترس خارج می شوند، درخواست کاربران قابل پیش بینی نیست و هزینه پردازش هم ناگهان بالا می رود. مدلی که در جلسه معرفی همه را شگفت زده کرده بود، ممکن است در استفاده روزمره پاسخ های اشتباه یا حتی کاملا ساختگی بدهد.

اینجاست که مشخص می شود استقرار هوش مصنوعی فقط به انتخاب مدل مربوط نیست. اتصال امن به سامانه های سازمانی، مدیریت دسترسی، ثبت رویدادها، کنترل نسخه ها، سنجش خروجی و طراحی مسیر بازگشت هنگام خطا، بخش های اصلی ماجرا هستند.

یک پروژه واقعی باید بتواند زیر فشار دوام بیاورد. اگر با افزایش تعداد کاربران، زمان پاسخ گویی چند برابر شود یا هزینه هر درخواست از ارزش تجاری آن بیشتر باشد، دیگر مهم نیست مدل روی کاغذ چقدر باهوش است.

بزرگ ترین گره کجاست؟ داده، داده و باز هم داده

سازمان ها معمولا اطلاعات زیادی دارند، ولی داشتن اطلاعات با آماده بودن آن برای هوش مصنوعی فرق دارد. بخشی از داده ها داخل پایگاه های قدیمی مانده، بخشی در فایل های شخصی ذخیره شده و قسمت دیگری هم میان سرویس های ابری مختلف پخش است.

این پراکندگی باعث می شود مدل نتواند تصویر کاملی از کسب وکار داشته باشد. برای مثال، یک دستیار فروش شاید به فهرست محصولات دسترسی داشته باشد، اما از آخرین وضعیت موجودی یا قوانین تخفیف خبر نداشته باشد. نتیجه؟ پاسخی روان، قانع کننده و البته اشتباه.

کیفیت داده هم فقط به درست بودن اعداد محدود نمی شود. تازه بودن اطلاعات، مشخص بودن منبع، حذف موارد تکراری، قالب یکسان و سطح دسترسی مناسب هم اهمیت دارند. اگر این موارد جدی گرفته نشوند، مدل با اعتمادبه نفس درباره اطلاعات قدیمی حرف می زند.

موضوع مالکیت داده نیز کم اهمیت نیست. تیم فنی ممکن است نداند کدام واحد مسئول به روزرسانی یک مجموعه اطلاعاتی است. واحد کسب وکار هم شاید تصور کند پاک سازی داده کاملا وظیفه متخصصان فناوری است. وقتی مسئول مشخصی وجود ندارد، اشکالات کوچک ماه ها باقی می مانند.

پس قبل از خرید ابزار تازه، بهتر است یک سؤال ساده مطرح شود: مدل قرار است دقیقا از چه داده ای استفاده کند و چه کسی اعتبار آن را تضمین می کند؟ جواب مبهم به این سؤال، یک هشدار بزرگ برای کل پروژه است.

چرا معماری های قدیمی جلوی حرکت را می گیرند؟

بسیاری از سامانه های سازمانی برای گزارش گیری دوره ای طراحی شده اند، نه برای پاسخ گویی لحظه ای به مدل های هوش مصنوعی. انتقال اطلاعات میان این سامانه ها کند است و هر تغییر کوچک به هماهنگی چند تیم نیاز دارد.

در چنین شرایطی، تیم ها شروع به ساختن اتصال های موقت می کنند. یک اسکریپت اینجا، یک فایل خروجی آنجا و چند API بدون مستندات هم وسط کار اضافه می شود. این راه حل شاید برای آزمایش جواب بدهد، اما با بزرگ شدن پروژه خیلی زود به یک کلاف درهم تبدیل خواهد شد.

یک زیرساخت داده مناسب باید دسترسی سریع، کنترل شده و قابل ردیابی فراهم کند. لازم نیست همه سامانه های قدیمی یک شبه کنار گذاشته شوند؛ چنین کاری هم پرهزینه است و هم ریسک بالایی دارد. بهتر است لایه ای هماهنگ برای دسترسی به اطلاعات ساخته شود تا مدل بدون اتصال مستقیم و بی حساب به هر منبع، داده موردنیازش را دریافت کند.

بازیابی اطلاعات مرتبط پیش از تولید پاسخ هم می تواند خطا را کمتر کند. در این روش، مدل به جای تکیه کامل بر دانسته های زمان آموزش، ابتدا اطلاعات معتبر و تازه سازمان را پیدا می کند و بعد پاسخ می سازد. البته اگر منبع بازیابی شده ضعیف باشد، خروجی همچنان مشکل خواهد داشت.

به زبان خودمانی، معماری خوب قرار نیست داده بد را جادو کند. فقط کمک می کند اطلاعات درست، در زمان مناسب و با مجوز مشخص به مدل برسد.

حاکمیت داده نباید ترمز دستی پروژه باشد

وقتی صحبت از حاکمیت داده می شود، بعضی تیم ها یاد فرم های طولانی و جلسات بی پایان می افتند. اما حاکمیت درست قرار نیست سرعت پروژه را بگیرد؛ اتفاقا باید مسیر امن حرکت را روشن کند.

هر سازمان باید بداند چه اطلاعاتی وارد مدل می شود، خروجی ها کجا ذخیره می شوند و چه کسانی اجازه مشاهده آن ها را دارند. داده های شخصی، مالی و محرمانه نمی توانند مثل یک متن عمومی پردازش شوند. بی توجهی به این موضوع ممکن است هزینه حقوقی و اعتباری سنگینی ایجاد کند.

قوانین دسترسی بهتر است از ابتدا در طراحی هوش مصنوعی در محیط عملیاتی قرار بگیرند. اضافه کردن امنیت در روزهای آخر معمولا دردسرساز می شود، چون بسیاری از مسیرهای داده از قبل شکل گرفته اند و تغییر آن ها ساده نیست.

ثبت منبع پاسخ نیز اهمیت زیادی دارد. کاربر باید بتواند بفهمد یک ادعا بر اساس کدام سند یا رکورد تولید شده است. این شفافیت هم اعتماد را بالا می برد و هم بررسی خطا را برای تیم فنی راحت تر می کند.

حذف یا پنهان سازی اطلاعات حساس، تعیین مدت نگهداری داده و امکان لغو دسترسی باید خودکار شوند. وابسته بودن این کارها به بررسی دستی، در مقیاس بزرگ عملا جواب نمی دهد.

ارزیابی مدل فقط با چند سؤال نمونه کافی نیست

خیلی از تیم ها مدل را با مجموعه ای محدود از پرسش ها امتحان می کنند و اگر پاسخ ها خوب بود، پروژه را آماده انتشار می دانند. این آزمون لازم است، اما اصلا کافی نیست.

رفتار مدل باید در سناریوهای واقعی سنجیده شود. پاسخ نامرتبط، افشای اطلاعات، استفاده از منبع قدیمی، زمان انتظار بالا و افزایش هزینه، همگی معیارهای مهم هستند. حتی لحن پاسخ هم می تواند برای یک برند حساس باشد.

ارزیابی باید پیوسته انجام شود، چون مدل و داده ثابت نمی مانند. اسناد تازه اضافه می شوند، رفتار کاربران تغییر می کند و نسخه جدید مدل ممکن است در بخشی بهتر و در بخشی دیگر ضعیف تر عمل کند.

نظارت مداوم به تیم نشان می دهد مشکل از کجاست. آیا مدل سند مناسب را پیدا نکرده؟ آیا داده منبع اشتباه بوده؟ آیا دستور اولیه خوب نوشته نشده یا سرویس بیرونی از دسترس خارج شده است؟ بدون این دید، تیم فقط می بیند خروجی بد است، اما دلیلش را نمی فهمد.

بازخورد کاربران هم یک معدن طلاست. دکمه های ساده ای مثل «مفید بود» یا «پاسخ اشتباه است» می توانند الگوهای مهمی را آشکار کنند؛ به شرطی که این بازخورد واقعا بررسی شود و ته یک داشبورد خاک نخورد.

راه عبور؛ کوچک شروع کنید اما اصولی جلو بروید

برای رسیدن به نتیجه، لازم نیست از روز اول کل سازمان را متحول کنید. یک کاربرد محدود، ارزشمند و قابل اندازه گیری انتخاب کنید. بهتر است داده موردنیاز آن مشخص باشد و یک تیم کسب وکار نیز مسئولیت نتیجه را بپذیرد.

سپس جریان داده را از ابتدا تا انتها ترسیم کنید. اطلاعات از کجا می آید، چه تغییری می کند، چه کسی به آن دسترسی دارد و در صورت خطا چه اتفاقی می افتد؟ همین نقشه ساده معمولا نقاط ضعف پنهان را خیلی زود نشان می دهد.

بعد، معیار موفقیت تعریف کنید. کاهش زمان پاسخ گویی، کم شدن خطای انسانی، افزایش رضایت مشتری یا صرفه جویی در هزینه می توانند معیارهای خوبی باشند. عبارت هایی مثل «هوشمندتر شدن سازمان» جذاب اند، ولی قابل اندازه گیری نیستند.

تیم های داده، امنیت، عملیات و کسب وکار هم باید از ابتدا کنار هم باشند. اگر پروژه فقط دست تیم فنی بماند، احتمالا محصولی ساخته می شود که از نظر مهندسی جالب است، اما مشکل مهمی را حل نمی کند.

در مرحله بعد، کیفیت داده را به یک فرایند دائمی تبدیل کنید، نه یک پاک سازی یک باره. داده ها تغییر می کنند و خطاهای تازه وارد می شوند. کنترل خودکار، هشدار و تعیین مسئول مشخص جلوی برگشت آشفتگی را می گیرد.

در نهایت، برای شکست هم برنامه داشته باشید. اگر مدل مطمئن نیست، باید سؤال تکمیلی بپرسد، پاسخ دادن را متوقف کند یا کاربر را به نیروی انسانی ارجاع دهد. مدلی که همیشه مجبور به جواب دادن است، دیر یا زود دردسر درست می کند.

موفقیت هوش مصنوعی بیشتر از آنکه مدل محور باشد، سیستم محور است

مدل ها هر روز قوی تر می شوند و انتخاب های بیشتری در اختیار شرکت ها قرار می گیرد. بااین حال، تعویض مدل معمولا مشکلات بنیادی را حل نمی کند. داده نامعتبر، دسترسی آشفته و نبود نظارت با یک مدل بزرگ تر ناپدید نمی شوند.

استقرار هوش مصنوعی زمانی موفق می شود که کل سیستم هماهنگ باشد: داده معتبر، معماری منعطف، امنیت داخلی، ارزیابی پیوسته و مسئولیت روشن. خود مدل فقط یکی از قطعات این پازل است، نه تمام آن.

شرکت هایی که امروز روی پایه ها کار می کنند، فردا سریع تر می توانند کاربردهای تازه بسازند. آن ها برای هر پروژه مجبور نیستند همه چیز را از صفر شروع کنند، چون مسیرهای داده، کنترل ها و ابزارهای ارزیابی از قبل آماده اند.

پس اگر پروژه هوش مصنوعی شما پشت در محیط واقعی مانده، احتمالا وقتش رسیده کمتر دنبال مدل بعدی بگردید و بیشتر به زیرساخت نگاه کنید. جواب شاید هیجان انگیز نباشد، اما روشن است: داده ها را مرتب کنید، مالکیت را مشخص کنید، عملکرد را بسنجید و قدم به قدم جلو بروید.

برای دریافت جدیدترین اخبار تکنولوژی با مجله هوش مصنوعی با ما همراه باشید