كيف تتنقل بفريقك الهندسي من خلال الضجيج التوليدي للذكاء الاصطناعي
توجه إلى مكتبتنا عند الطلب لعرض الجلسات من VB Transform 2023. سجل هنا
في الأشهر الستة الماضية ، تم دفع الذكاء الاصطناعي ، وخاصة الذكاء الاصطناعي التوليدي ، إلى التيار الرئيسي من خلال إطلاق OpenAI لـ ChatGPT و DALL-E لعامة الناس. لأول مرة ، يمكن لأي شخص لديه اتصال بالإنترنت التفاعل مع ذكاء اصطناعي يشعر بأنه ذكي ومفيد – وليس مجرد نموذج أولي رائع مثير للاهتمام.
مع هذا الارتفاع في الذكاء الاصطناعي من لعبة خيال علمي إلى أداة واقعية ، جاء مزيج من المخاوف التي تم الترويج لها على نطاق واسع (هل نحتاج إلى إيقاف تجارب الذكاء الاصطناعي مؤقتًا؟) والإثارة (أسبوع عمل لمدة أربعة أيام!). خلف الأبواب المغلقة ، تتدافع شركات البرمجيات لإدخال الذكاء الاصطناعي في منتجاتها ، ويشعر قادة الهندسة بالفعل بضغط التوقعات الأعلى من مجلس الإدارة والعملاء.
كقائد هندسي ، ستحتاج إلى الاستعداد للطلبات المتزايدة على فريقك وتحقيق أقصى استفادة من التطورات التكنولوجية الجديدة لتجاوز منافسيك. سيؤدي اتباع الاستراتيجيات الموضحة أدناه إلى إعدادك أنت وفريقك لتحقيق النجاح.
تحويل الأفكار إلى مشاريع واقعية
يقترب الذكاء الاصطناعي التوليدي من ذروة التوقعات المتضخمة في Hype Cycle من Gartner. الأفكار بدأت تتدفق. سيأتي إليك زملائك والمجلس بمشروعات جديدة يرون أنها فرصًا لركوب موجة الذكاء الاصطناعي.
حدث
VB Transform 2023 حسب الطلب
هل فاتتك جلسة من VB Transform 2023؟ سجل للوصول إلى المكتبة عند الطلب لجميع جلساتنا المميزة.
سجل الان
عندما يفكر الناس كثيرًا في ما هو ممكن وكيف يمكن للتكنولوجيا أن تمكنهم ، فهذا شيء عظيم للهندسة! ولكن هنا يأتي الجزء الصعب. ستصاحب العديد من الأفكار التي تطرح على مكتبك ملف كيفالتي قد لا تكون مثبتة في الواقع.
قد يكون هناك افتراض أنه يمكنك فقط توصيل نموذج من OpenAI في التطبيق الخاص بك ، وأتمتة عالية الجودة ، معقدًا. ومع ذلك ، إذا قمت بتقشير ملف كيف واستخرج ملف ماذا للفكرة ، قد تكتشف مشاريع واقعية بدعم قوي من أصحاب المصلحة. قد يكون المشككون الذين شككوا سابقًا في إمكانية الأتمتة في بعض المهام على استعداد الآن للنظر في إمكانيات جديدة ، بغض النظر عن الأداة الأساسية التي تختار استخدامها.
فرص وتحديات الذكاء الاصطناعي التوليدي
الذكاء الاصطناعي الجديد الذي يستحوذ على العناوين الرئيسية جيد حقًا في إنشاء نصوص ورموز وصور بسرعة. بالنسبة لبعض التطبيقات ، يكون توفير الوقت المحتمل للبشر ضخمًا. ومع ذلك ، فإنه يحتوي أيضًا على بعض نقاط الضعف الخطيرة مقارنة بالتقنيات الحالية. النظر في ChatGPT كمثال:
- ليس لدى ChatGPT مفهوم “مستوى الثقة”. لا يوفر طريقة للتمييز بين عندما يكون هناك الكثير من الأدلة التي تدعم بياناتها مقابل عندما تكون أفضل تخمين من ارتباطات الكلمات. إذا كان هذا التخمين الأفضل خاطئًا بالفعل ، فإنه لا يزال يبدو واقعيًا بشكل مدهش ، مما يجعل أخطاء ChatGPTs أكثر خطورة.
- ChatGPT ليس لديه حق الوصول إلى المعلومات “الحية”. لا يمكنها حتى إخبارك بأي شيء عن الأشهر العديدة الماضية.
- ChatGPT يجهل المصطلحات والمفاهيم الخاصة بالمجال والتي لا تتوفر للجمهور لتتخلص منها من الويب. قد يربط أسماء ومختصرات مشروع شركتك الداخلية بمفاهيم غير ذات صلة من زوايا غامضة للإنترنت.
لكن التكنولوجيا لديها إجابات:
- تتضمن نماذج التعلم الآلي (ML) البايزية (والكثير من أدوات الإحصاء الكلاسيكية) حدودًا للثقة للتفكير حول احتمالية حدوث أخطاء.
- تسمح معماريات التدفق الحديثة بمعالجة البيانات بزمن انتقال منخفض للغاية ، سواء لتحديث أنظمة استرجاع المعلومات أو نماذج التعلم الآلي.
- يمكن ضبط نماذج GPT (وغيرها من النماذج المدربة مسبقًا من مصادر مثل HuggingFace) بأمثلة خاصة بالمجال. يمكن أن يؤدي ذلك إلى تحسين النتائج بشكل كبير ، ولكنه يستغرق أيضًا وقتًا وجهدًا لتنظيم مجموعة بيانات ذات مغزى من أجل الضبط.
بصفتك قائدًا هندسيًا ، فأنت تعرف عملك وكيفية استخلاص المتطلبات من أصحاب المصلحة. ما تحتاجه بعد ذلك ، إذا لم يكن لديك بالفعل ، هو الثقة في تقييم الأداة المناسبة لتلك المتطلبات. أدوات التعلم الآلي ، التي تتضمن مجموعة من التقنيات من نماذج الانحدار البسيطة إلى نماذج اللغة الكبيرة (LLMs) وراء أحدث مشاركة لـ “AI” ، تحتاج الآن إلى أن تكون خيارات في صندوق الأدوات هذا الذي تشعر بالثقة في تقييمه.
تقييم مشاريع التعلم الآلي المحتملة
لا تحتاج كل مؤسسة هندسية إلى فريق مخصص لتعلم الآلة أو علم البيانات. ولكن قبل مضي وقت طويل ، ستحتاج كل مؤسسة هندسية إلى شخص يمكنه تجاوز الضجة والتعبير عن ما يمكن وما لا يستطيع ML القيام به لأعمالهم. يأتي هذا الحكم من تجربة العمل في مشاريع البيانات الناجحة والفاشلة. إذا لم تتمكن من تسمية هذا الشخص في فريقك ، أقترح عليك العثور عليه!
في غضون ذلك ، أثناء التحدث إلى أصحاب المصلحة وتحديد التوقعات لمشاريع أحلامهم ، انتقل إلى قائمة التحقق هذه:
لديه نهج أبسط. مثل خوارزمية قائمة على القواعد ، بالفعل جربت لهذه المشكلة؟ ما الذي لم يحققه هذا النهج الأبسط تحديدًا قدرته على تعلم الآلة؟
من المغري الاعتقاد بأن الخوارزمية “الذكية” ستحل المشكلة بشكل أفضل وبجهد أقل من اثنتي عشرة عبارات “إذا” تم صياغتها يدويًا من مقابلة أحد خبراء المجال. من شبه المؤكد أن هذا ليس هو الحال عند النظر في النفقات العامة للحفاظ على نموذج مكتسب في الإنتاج. عندما يكون النهج القائم على القواعد مستعصيًا على الحل أو باهظ التكلفة ، فقد حان الوقت للنظر بجدية في غسل الأموال.
هل يمكن للإنسان أن يقدم عدة أمثلة محددة لما ستخرجه خوارزمية تعلم الآلة الناجحة؟
إذا كان أحد أصحاب المصلحة يأمل في العثور على بعض “الأفكار” أو “الحالات الشاذة” الغامضة في مجموعة البيانات ولكن لا يمكنه إعطاء أمثلة محددة ، فهذه علامة حمراء. يمكن لأي عالم بيانات اكتشاف القيم المتطرفة الإحصائية ولكن لا تتوقع أن تكون مفيدة.
هل البيانات عالية الجودة متاحة بسهولة؟
القمامة في الداخل ، والقمامة ، كما يقولون. قد تكون مشاريع صحة البيانات وهندسة البيانات من المتطلبات الأساسية لمشروع ML.
هل هناك مشكلة مماثلة مع حل ML موثق؟
إذا لم يكن الأمر كذلك ، فهذا لا يعني أن ML لا يمكن أن يساعد ، ولكن يجب أن تكون مستعدًا لدورة بحث أطول ، وتحتاج إلى خبرة أعمق في تعلم الآلة في الفريق وإمكانية الفشل النهائي.
هل تم تحديد “جيد بما فيه الكفاية” بدقة؟
بالنسبة لمعظم حالات الاستخدام ، لا يمكن أن يكون نموذج ML دقيقًا بنسبة 100٪. بدون توجيه واضح على عكس ذلك ، يمكن للفريق الهندسي بسهولة إضاعة الوقت في الاقتراب من 100٪ بعيد المنال ، حيث تستغرق كل نقطة مئوية من التحسين وقتًا أطول من سابقتها.
ختاماً
ابدأ في تقييم أي اقتراح لإدخال نموذج ML جديد في الإنتاج مع جرعة صحية من الشك ، تمامًا كما تفعل مع اقتراح إضافة مخزن بيانات جديد إلى مجموعة الإنتاج الخاصة بك. ستضمن إدارة البوابة الفعالة أن يصبح التعلم الآلي أداة مفيدة في ذخيرة فريقك ، وليس شيئًا يعتبره أصحاب المصلحة بمثابة boondoggle.
لا مفر من خيبة الأمل المخيفة لدورة الدعاية. على الرغم من ذلك ، يتم التحكم في عمقها من خلال التوقعات التي تحددها والقيمة التي تقدمها. قم بتوجيه الأفكار الجديدة من جميع أنحاء شركتك إلى مشاريع واقعية – مع أو بدون الذكاء الاصطناعي – واعمل على تحسين مهارات فريقك حتى تتمكن من التعرف بسرعة على الفرص الجديدة التي يوفرها التقدم في تعلم الآلة والاستفادة منها.
ستيفن كابيل هو رئيس قسم البيانات في Code Climate.
صانعي القرار
مرحبًا بك في مجتمع VentureBeat!
DataDecisionMakers هو المكان الذي يمكن للخبراء ، بما في ذلك الأشخاص الفنيون الذين يقومون بعمل البيانات ، مشاركة الأفكار والابتكارات المتعلقة بالبيانات.
إذا كنت تريد أن تقرأ عن الأفكار المتطورة والمعلومات المحدثة ، وأفضل الممارسات ، ومستقبل البيانات وتكنولوجيا البيانات ، انضم إلينا في DataDecisionMakers.
يمكنك حتى التفكير في المساهمة بمقال خاص بك!
قراءة المزيد من DataDecisionMakers
