پروژه genAI شما شکست خواهد خورد

بنگاه‌ها با انرژی و با ستاره‌ها در چشمان خود، برای درک محدودیت‌های genAI و ایجاد رویکرد مبتنی بر قوانین خود وقت نمی‌گذارند.

پروژه genAI شما تقریباً مطمئناً شکست خواهد خورد. اما دلتنگ باش: به هر حال احتمالاً نباید از هوش مصنوعی برای حل مشکل کسب و کار خود استفاده می کردید. به نظر می رسد که این یک واقعیت پذیرفته شده در میان انبوه علم داده است، اما این خرد در رسیدن به مدیران شرکت ها کند بوده است. برای مثال، دانشمند داده نوح لورانگ زمانی پیشنهاد کرد، “زیر مجموعه بسیار کوچکی از مشکلات تجاری وجود دارد که به بهترین وجه با یادگیری ماشینی حل می شوند. بیشتر آنها فقط به داده های خوب و درک معنای آن نیاز دارند، اما ۸۷٪ از آنها بررسی شده توسط Bain & Company گفت آنها در حال توسعه برنامه های genAI هستند.

برای برخی، این رویکرد دقیقاً درست است. برای بسیاری دیگر، اینطور نیست.

ما در مجموع با genAI آنقدر از خودمان جلوتر رفته‌ایم که خود را برای شکست آماده می‌کنیم. این شکست از منابع مختلف ناشی می شود، از جمله حاکمیت داده یا مشکلات کیفیت داده ها، اما مشکل اصلی در حال حاضر انتظارات است. مردم یک بعد از ظهر با ChatGPT سر و کله می زنند و انتظار دارند که بتواند مشکلات زنجیره تامین یا سوالات پشتیبانی مشتری را حل کند. نخواهد شد. اما AI مشکل نیست، ما هستیم.

“انتظارات صرفاً بر اساس حالات تنظیم شده است”

شریا شانکار، مهندس یادگیری ماشین در Viaduct، استدلال می‌کند که یکی از نعمت‌ها و نفرین‌های genAI این است که ظاهراً نیاز به آماده‌سازی داده‌ها را که مدت‌ها یکی از سخت‌ترین جنبه‌های یادگیری ماشینی بوده است، از بین می‌برد. او می‌گوید: «از آنجایی که شما تلاش کمی برای آماده‌سازی داده‌ها انجام داده‌اید، بسیار آسان است که از نتایج اولیه غافلگیر شوید، که سپس «مرحله بعدی آزمایش، که به عنوان مهندسی سریع نیز شناخته می‌شود، پیش می‌رود.

به جای انجام کار سخت و کثیف آماده‌سازی داده‌ها، با تمام آزمایش‌ها و بازآموزی‌ها برای به دست آوردن مدلی که حتی از راه دور نتایج مفیدی به همراه داشته باشد، مردم مستقیماً به سراغ دسر می‌روند. این به نوبه خود منجر به انتظارات غیرواقع بینانه می شود: «هوش مصنوعی و LLM های مولد از این نظر جالب تر هستند که اکثر افراد قبل از ارسال هیچ گونه ارزیابی سیستماتیکی ندارند (چرا مجبور می شوند اگر آنها یک مجموعه داده آموزشی را جمع آوری نکرده باشند؟)، بنابراین انتظارات آنها صرفاً بر اساس ویبرها تنظیم می شود،” شانکار می گوید.

همانطور که مشخص است، Vibes مجموعه داده خوبی برای برنامه های کاربردی هوش مصنوعی موفق نیست.

کلید واقعی موفقیت در یادگیری ماشین چیزی است که عمدتاً در genAI وجود ندارد: تنظیم مداوم مدل. شانکار می نویسد: «در مهندسی ML و AI، «تیم ها اغلب انتظار دارند که دقت بسیار زیاد یا همسویی با انتظارات خود از یک برنامه کاربردی هوش مصنوعی بلافاصله پس از راه اندازی آن داشته باشند، و اغلب زیرساختی برای آن ایجاد نمی کنند. به طور مداوم داده ها را بررسی کنید، آزمایش های جدید را ترکیب کنید، و سیستم انتها به انتها را بهبود بخشید. این همه کارهایی است که قبل و بعد از دستور اتفاق می افتد، به عبارت دیگر، موفقیت را به ارمغان می آورد. برای برنامه های genAI، تا حدی به دلیل سرعت شروع، بسیاری از این رشته از بین می رود.

موضوع با genAI نیز پیچیده‌تر می‌شوند، زیرا هیچ هماهنگی بین درخواست و پاسخ وجود ندارد. من عاشق روشی هستم که آمل آجگانکار، مدیر ارشد فناوری نوآوری محصول در Insight، آن را بیان می کند. . گاهی اوقات فکر می‌کنیم درخواست‌های ما برای ChatGPT یا یک سیستم مشابه مانند گفتگوی بالغ با یک بزرگسال است. او می‌گوید اینطور نیست، بلکه «مثل این است که به بچه‌های نوجوانم دستور می‌دهم. گاهی باید خودت را تکرار کنی تا بچسبی.” پیچیده‌تر کردن آن، «گاهی اوقات هوش مصنوعی گوش می‌دهد، و گاهی اوقات دستورالعمل‌ها را دنبال نمی‌کند. این تقریباً مانند یک زبان متفاوت است.” یادگیری نحوه مکالمه با سیستم های genAI هم هنر و هم علم است و برای انجام آن به تجربه قابل توجهی نیاز دارد. متأسفانه، بسیاری از آزمایش‌های معمولی خود با ChatGPT بیش از حد اعتماد به نفس پیدا می‌کنند و انتظاراتی را بسیار بالاتر از آنچه ابزارها می‌توانند ارائه دهند، تعیین می‌کنند که منجر به شکست ناامیدکننده‌ای می‌شود.

اسباب بازی جدید براق را زمین بگذارید

بسیاری به سرعت وارد genAI می‌شوند بدون اینکه ابتدا به این فکر کنند که آیا راه‌های ساده‌تر و بهتری برای دستیابی به اهدافشان وجود دارد یا خیر. سانتیاگو والداراما، بنیانگذار Tideily، توصیه می‌کند که بیشتر با یادگیری ماشینی (یا genAI) شروع کنند، اما گام اول عموماً اکتشافی یا قوانین ساده است. او دو مزیت برای این رویکرد ارائه می‌کند: «اول، شما در مورد مشکلی که باید حل کنید، چیزهای بیشتری خواهید آموخت. دوم، شما یک پایه برای مقایسه با هر راه حل یادگیری ماشینی آینده خواهید داشت.”

همانطور که در مورد توسعه نرم‌افزار، جایی که سخت‌ترین کار کدنویسی نیست، بلکه تشخیص کدی برای نوشتن است، سخت‌ترین کار در هوش مصنوعی این است که بفهمیم هوش مصنوعی را چگونه یا یا نه. زمانی که قوانین ساده نیاز به تسلیم قوانین پیچیده تری دارند، Valdarrama پیشنهاد می کند که به یک مدل ساده تغییر دهید. به تاکید مداوم روی “ساده” توجه کنید. همانطور که او می گوید، “سادگی همیشه برنده است” و باید تصمیمات را دیکته کند تا زمانی که مدل های پیچیده تر کاملاً ضروری باشند.

بنابراین، به genAI برگردیم. بله، ممکن است چیزی باشد که کسب و کار شما برای ارائه ارزش مشتری در یک سناریوی خاص به آن نیاز دارد. شاید. به احتمال زیاد تجزیه و تحلیل جامد و رویکردهای مبتنی بر قوانین بازده مورد نظر را به همراه خواهد داشت. برای کسانی که مصمم به استفاده از چیزهای جدید براق هستند، خوب، حتی در این صورت هنوز هم بهتر است که کوچک و ساده شروع کنند و یاد بگیرند که چگونه از genAI با موفقیت استفاده کنند.