از زمان ظهور ChatGPT در نوامبر 2022، هوش مصنوعی تولیدی (genAI) برای مدیران ارشد و هیأت مدیره شرکتهای بزرگ به مرکز توجه رسیده است. پتانسیل این فناوری تحولی باعث شده است که بسیاری از سازمانها در نظر گرفتن پیادهسازی آن در مدل کسب و کار خود را در نظر بگیرند. با این حال، لازم است توجه داشت که هوش مصنوعی تولیدی تنها یک جنبه از هوش مصنوعی است و برای هر مورد استفاده ممکن نباشد.
مفهوم هوش مصنوعی در طول زمان تکامل یافته است و تاریخچه آن را میتوان به سه مرحله متمایز تقسیم کرد.
اول، آنالیزهای سنتی که در چهار دهه گذشته توسط سازمانها استفاده شده است. ابتدا به عنوان هوش تجاری (BI) شناخته میشد، ابزارهای تحلیلی در طول زمان پیچیدهتر شدهاند. تحلیلها به طور اصلی بر روی نگاه کردن به دادههای گذشته برای بررسی برنامههای رویدادهای تاریخی تمرکز دارند.
مرحله بعدی هوش مصنوعی پیشبینی است. این فناوری به طور پیشبین پیشین به تجزیه و تحلیل دادههای گذشته برای شناسایی الگوها و استفاده از دادههای فعلی برای انجام پیشبینی دقیق در مورد رویدادهای آینده میپردازد. هوش مصنوعی پیشبینی در سازمانها استفاده گستردهای دارد و همچنان بخشی از استراتژیهای هوش مصنوعی سازمانها است.
در نهایت، ما هوش مصنوعی تولیدی یا genAI داریم. این نوع هوش مصنوی انواع مختلفی از محتوا مانند متن، تصویر، صدا و ویدئو را بررسی کرده و بر اساس مشخصات کاربر، محتوای جدیدی ایجاد میکند. اگرچه genAI قدرتهای خود را دارد، اما لازم است توجه داشت که در مقایسه با هوش مصنوعی پیشبینی از تعداد کاربردها و مدلها کمتری در بر میگیرد.
علاقهمندانه، در حال حاضر مواردی وجود دارد که هوش مصنوعی پیشبینی و تولیدی به همراه هم کار میکنند. به عنوان مثال، تصاویر رادیولوژی به وسیله هر دو نوع هوش مصنوعی برای ایجاد گزارش تشخیصهای اولیه تجزیه و تحلیل میشوند. به طریق مشابه، دادههای معدن کاری میتواند گزارشهایی درباره سهامهایی که در آینده نزدیک احتمالاً افزایش مییابند، ایجاد کند. به عبارتی دیگر، سازمانها به یک پلتفرم موحد برای توسعه جامع هوش مصنوعی نیاز دارند.
بخش خوب این است که توسعه کامل و پیادهسازی هوش مصنوعی نیاز به تلقی کردن هر نوع هوش مصنوعی به عنوان یک جداگانه با زیرساخت خود ندارد. در حالی که genAI ممکن است برای عملکرد بهینه به توان بیشتر و بهبود شبکه نیاز داشته باشد، سازمانها نیازی به ساخت یک ساختمان کاملاً جدید ندارند مگر اینکه پیادهسازیهای genAI بزرگی مانند Meta یا Microsoft را در دست بگیرند.
علاوه بر این، فرآیندهای حاکمیت و آزمون میتوانند از هوش مصنوعی پیشبینی به منظور مدیریت موثر genAI تطبیق یابند. با وجود تفاوتها مانند احتمال وقوع “وهم” در genAI، فرایندهای کلی مدیریت ریسک مشابه میمانند.
برنده شدن در مدیریت ابزارها، دادهها، آموزش و پیادهسازی هوش مصنوعی، پلتفرم Enterprise AI Domino از طرف شرکتهای فورچون 100 بسیار مورد اعتماد قرار دارد. این پلتفرم به تیمهای هوش مصنوعی و MLOps امکان میدهد که توسعه کامل و پیادهسازی هوش مصنوعی را از یک مرکز کنترل واحد نظارت کنند. با ادغام MLOps در یک پلتفرم، سازمانها میتوانند توسعه، پیادهسازی و مدیریت جامع هوش مصنوعی را فعال کنند.
علاقهمندان میتوانند با مطالعه وایت پیپر Domino در مورد genAI مسئولانه، از فرصتها و چالشهای پروژههای genAI با ابزارهای اطلاعاتی آن آشنا شوند.
سوالات متداول:
۱. چیستی genAI؟
genAI به “هوش مصنوعی تولیدی” اشاره دارد، یک نوع هوش مصنوعی که انواع مختلفی از محتوا را ارزیابی میکند و بر اساس مشخصات کاربر، محتوای جدیدی ایجاد میکند.
۲. سه مرحله هوش مصنوعی چیستند؟
سه مرحله هوش مصنوعی شامل آنالیزهای سنتی، هوش مصنوعی پیشبینی و هوش مصنوعی تولیدی است.
۳. آنالیز سنتی چیست؟
آنالیز سنتی، که به عنوان هوش تجاری شناخته میشود، بر روی نگاه کردن به دادههای گذشته برای بررسی برنامههای رویدادهای تاریخی تمرکز دارد.
۴. هوش مصنوعی پیشبینی چیست؟
هوش مصنوعی پیشبینی با استفاده از دادههای گذشته الگوها را شناسایی کرده و درباره رویدادهای آینده پیشبینیهای دقیقی ارائه میدهد.
۵. چگونه هوش مصنوعی پیشبینی و تولیدی با یکدیگر کار میکنند؟
مواردی وجود دارد که هوش مصنوعی پیشبینی و تولیدی میتوانند با یکدیگر کار کنند. به عنوان مثال، تصاویر رادیولوژی میتوانند با استفاده از هر دو نوع هوش مصنوعی جهت ایجاد گزارشهای تشخیص اولیه تجزیه و تحلیل شوند.
۶. آیا سازمانها برای هر نوع هوش مصنوعی باید زیرساخت جداگانه ایجاد کنند؟
سازمانها نیازی به ساخت یک زیرساخت کاملاً جدید برای هر نوع هوش مصنوعی ندارند. با این حال، در صورتی که پیادهسازیهای genAI بزرگی مانند Meta یا Microsoft را در دست بگیرند، ممکن است genAI برای عملکرد بهینه به توان بیشتر و بهبود شبکه نیاز داشته باشد.
۷. آیا فرایندهای حاکمیت و آزمون برای هوش مصنوعی پیشبینی میتو
The source of the article is from the blog shakirabrasil.info