۱۰ مورد از برترین روندهای هوش مصنوعی برای رشد کسب‌وکار در سال ۲۰۲۵

وضعیت بازار هوش مصنوعی در سال ۲۰۲۵

چندین عامل وجود دارد که در رشد مستمر سرمایه‌گذاری در قابلیت‌های هوش مصنوعی تاثیر زیادی داشته است:

1. امروزه کشورها به هوش مصنوعی، به‌ویژه چشم‌انداز هوش عمومی مصنوعی (AGI) یا artificial general intelligence به‌عنوان یک منبع استراتژیک و موضوع امنیت ملی نگاه می‌کنند.
2. افزایش تقاضا برای انرژی، شرکت‌ها را تشویق می‌کند تا برای حمایت از هوش مصنوعی به‌دنبال راه‌حل‌های انرژی قدرتمندتر و کارآمدتر باشند.

طبق آمار Statista، پیش‌بینی می‌شود که بازار هوش مصنوعی در سال ۲۰۳۰ به بیش از ۸۰۰ میلیارد دلار برسد.

هوش مصنوعی استراتژیک و منافع دولتی

با وجودی که روند‌های هوش مصنوعی قبلی مانند متاورس ابتدا بسیار وایرال شدند، ولی الان وارد فاز سرخوردگی شده‌اند، مسیر هوش مصنوعی متفاوت بوده است. در واقع، مسابقه بین کشور‌ها، شرکت‌ها و جوامع برای ایجاد پیشرفته‌ترین ابزار‌ها آغاز شده است. پرطرفدارترین این ابزار‌ها، هوش عمومی مصنوعی (AGI) و سپس سوپرهوش مصنوعی (ASI) یا artificial superintelligence هستند. این محصولات هوش مصنوعی می‌توانند با توانایی‌های انسان مطابقت پیدا کنند یا از آن فراتر بروند. اگرچه این مفاهیم هنوز کاملاً تعریف و شناخته نشده‌اند، اما رهبران صنعت و جهان بر این باورند که هر کس بتواند این قابلیت‌ها را زودتر از دیگران توسعه دهد، در مقایسه با رقبا و مخالفان خود از مزایای اقتصادی و حتی استراتژیک برخوردار خواهد شد.
این‌که چه زمانی AGI و ASI وارد صحنه شوند، مشخص نیست. سم آلتمن (Sam Altman)، مدیر عامل OpenAI، در مصاحبه با Y Combinator پیش‌بینی کرده که AGI امسال یعنی سال ۲۰۲۵ وارد بازار خواهد شد. با این حال، کارشناسان دیگر معتقدند که این امر چند دهه دیگر طول می‌کشد یا حتی هرگز اتفاق نخواهد افتاد. در این زمینه روپرت می‌سی (Rupert Macey-Dare) در مقاله‌ای در سال ۲۰۲۳ تاریخ این اتفاق را به‌طور میانگین در سال ۲۰۴۱ پیش‌بینی کرد.

افزایش پذیرش توسط صنایع

اگرچه هیچ‌کس مطمئن نیست که چه زمانی قابلیت‌های AGI وارد بازار می‌شوند و چگونه ممکن است صنایع را متحول کنند، در حال حاضر کسب‌وکارها در حال وارد کردن هوش مصنوعی در محصولات و مجموعه ابزار خود هستند.

از آن‌جایی که هوش مصنوعی به‌صورت گسترده توسط همه صنایع پذیرفته شده است، این قابلیت‌ها به سرعت در بازار‌های جهانی استاندارد می‌شوند. کسانی که ابزار‌های هوش مصنوعی دارند، برتر هستند و کسانی که فاقد این ابزار‌ها هستند، عقب می‌مانند. اگر می‌خواهید با آینده هوش مصنوعی همراه باشید، باید حیاتی‌ترین روند‌های هوش مصنوعی را شناسایی کنید:

روند‌های هوش مصنوعی

۱. هوش مصنوعی چندوجهی، قابلیت‌های هوش مصنوعی مولد را تقویت می‌کند

به گفته IBM، هوش مصنوعی چندوجهی هوش مصنوعی است که می‌تواند چندین نوع کار مجزا مانند پردازش متن، تصویر، صدا و ویدئو را در یک اپلیکیشن انجام دهد.
در ابتدا، یعنی در سال‌های ۲۰۲۲ و ۲۰۲۳ زمانی که ابزار‌های هوش مصنوعی مولد مانند ChatGPT و Bing Chat (در حال حاضر Copilot) به‌طور گسترده منتشر شدند، فقط می‌توانستند به‌عنوان ربات‌های چت یا چت‌بات‌ها پردازش متن را انجام دهند. اما با گذشت زمان، قابلیت‌های آن‌ها گسترش یافت و تصاویر را هم شامل شد. اکنون می‌توانیم یک تصویر را در یکی از این ابزار‌ها وارد و توضیحات متنی را به عنوان خروجی دریافت کنیم. این ابزار‌ها همچنین می‌توانند تصاویر را به عنوان خروجی تولید کنند و مکالمات صوتی را هم پوشش می‌دهند.

روندهای هوش مصنوعی: مقایسه مدل‌های تک‌وجهی با مدل‌های چندوجهیتجربه‌های هوش مصنوعی چندوجهی از مهم‌ترین روندهای هوش مصنوعی حال حاضر محسوب می‌شوند. چون ارتباط با ابزارهای هوش مصنوعی را قابل درک‌تر می‌کنند. ساختن رابط‌های در دسترس‌تر و مفیدتر، تمرکز اصلی آینده‌ای است که با هوش مصنوعی ایجاد می‌شود. در این آینده ممکن است هر تجربه‌ای که کاربر با نرم‌افزار دارد، کاملاً شخصی‌سازی شده و با دستورات زبان طبیعی، تصاویر، حرکات و سایر ورودی‌های چندوجهی ایجاد شود.

در حال حاضر، یکی از امیدوارکننده‌ترین کاربردهای هوش مصنوعی مولد چندوجهی، پردازش اسناد هوشمند پیشرفته است. سیستم‌های مجهز به هوش مصنوعی چندوجهی می‌توانند با فرمت‌های مختلف اسناد (فایل‌های PDF، تصاویر، صفحات گسترده و غیره) کار کنند. بنابراین قادر خواهند بود داده‌ها را به‌صورت خودکار به فرمت دیجیتال مناسب تبدیل کنند تا فرآیندهای کاری بسیار ساده‌تر اجرا شود.

مورد دیگر کاربرد، استفاده از قدرت هوش مصنوعی چندوجهی برای بهبود توسعه چت‌بات‌ها است. برای اپلیکیشن‌های اصلی چت‌بات، این به معنای فعال کردن متن، دید بصری و ورودی صوتی برای بهبود ارتباطات انسان و ربات چت است.

۲. تغییر از هاLLM به SLMها

مدل‌های زبانی بزرگ (LLM) ابزارهای مولد هوش مصنوعی مانندChatGPT  شرکت OpenAI هستند. با این حال، اجرای این مدل‌ها با هزینه گزافی همراه است. با توجه به گزارش SemiAnalysis در سال 2023، تخمین زده می‌شود که ChatGPT روزانه تقریباً ۷۰۰ هزار دلار هزینه دارد. این به‌دلیل نیازهای شدید مدل‌های زبان بزرگ به منابع و انرژی است. هرچه کاربران بیشتر و مدل قدرتمندتر باشد، قدرت پردازش بیشتری هم مورد نیاز است.

در نتیجه، یکی از مهم‌ترین روندهای هوش مصنوعی، ظهور مدل‌های زبانی کوچک (SLM) یا small language models است. این مدل‌ها وظایف مشابه LLM را انجام می‌دهند، اما به منابع کمتری نیاز دارند.

SLMها از LLM مشتق شده‌اند، اما برای کاهش منابع مورد نیاز آنها عملیات مختلفی صورت گرفته است. در این زمینه باید به اجرای فرآیندی به نام فشرده‎سازی مدل (model compression) اشاره کنیم.

به گفته IBM، برخی از روش‌های فشرده‌سازی مدل عبارتند از:

• هرس کردن (Pruning): کم کردن پارامترهای غیرضروری
• کوانتیزاسیون (Quantization): کاهش دقت داده‌ها
• فاکتورسازی رتبه پایین (Low-rank factorization): ساده کردن ماتریس‌های پیچیده (جدول داده‌ها) به ماتریس‌های ساده‌تر
• تقطیر دانش (Knowledge distillation): استدلال مدل معلم به مدل‌های SLM دانش‌آموز منتقل می‌شود.

برخی از شناخته‌‎شده‌‎ترین SLMها عبارتند از:

• Phi-3 Mini
• Qwen2
• Mistral Nemo 12B
• Llama 3.1 8B

یکی از رایج‌ترین اندازه‌های مدل در این محدوده 8B است که بیش از ۳۱ هزار مدل 8B در HuggingFace وجود دارد.

از آن‌جایی که مدل‌های زبانی کوچک آسان‌تر اجرا می‌شوند، کسب‌وکارها شروع به استفاده از آن‌ها در ماشین‌های محلی (استفاده کاربر در شبکه کامپیوتری) یا در ابرهای خصوصی/عمومی خود می‌کنند. این موضوع SLMها را به یکی از مفیدترین روندهای هوش مصنوعی اخیر تبدیل می‌کند.

یکی از امیدوارکننده‌ترین موارد استفاده برای SLM زمانی است که داده‌هایی که باید پردازش کنیم، خصوصی هستند. یک مثال در این زمینه داده‌های مربوط به بیماران در محصولات هوش مصنوعی مطابق با HIPAA است. شما نمی‌توانید داده‌های بیمار را به هیچ API عمومی ارسال کنید. فقط می‌توانید برای کسب نتایج قابل قبول از یک مدل کوچک‌تر از هاست خود کمک بگیرید. البته این مدل هم باید بتواند در زیرساخت محلی قرار گیرد.

با این حال، باید به خاطر داشته باشیم که SLMها ذاتاً در مقایسه با همتایان LLM خود، قدرت و دقت کمتری دارند. با وجود این محدودیت‌ها، SLMها در انجام کارهای ساده‌ای که نیازی به برون‌سپاری به ارائه‌دهندگان هوش مصنوعی ابری نداشته باشد، توانا و کارآمد هستند.

۳. تامین انرژی دستیاران مجازی و چت‌بات‌ها با هوش مصنوعی عاملی (Agentic)

این که از یک ربات چت سوال بپرسید و پاسخ دریافت کنید، خیلی خوب است. اما تصور کنید که یک AI کار مورد نظرتان را در حالی که از صفحه کلید خود دور هستید، به طور مستقل برایتان انجام دهد. این پیش‌فرض هوش مصنوعی عاملی یا عامل‌‌های هوش مصنوعی است. این فناوری یکی از جدیدترین فناوری‌های AI محسوب می‌شود که آینده هوش مصنوعی را تعریف می‌کند. استفاده از سیستم‌های چند عاملی اغلب نتایج با کیفیت بالاتری به دست می‌دهد، چون چندین عامل در یک زمان با هم کار می‌کنند.

به عنوان مثال، این‌که به ChatGPT پرامپت بدهید تا ایمیل‌های شخصی‌سازی شده برای مشتریان بالقوه کسب‌وکارتان ارسال کند، ممکن است عملی نباشد. در حالی‌که یک سیستم هوش مصنوعی چند عاملی می‌تواند این کار را بهتر انجام دهد. چون یک عامل پروکسی کاربر، یعنی عاملی که از طرف کاربر عمل می‌کند، پرامپت اولیه را تجزیه و تحلیل می‌کند و متوجه می‌شود که چه کاری باید انجام دهد.

این عامل در مرحله بعد خروجی خود را به دستیارانی ارسال می‌کند که وظایف تخصصی‌تری مانند نوشتن، درک مخاطب هدف، ویرایش و اطمینان از متقاعدکننده بودن ایمیل‌ها را بر عهده دارند. در پایان، عامل پروکسی کاربر نتیجه را به کاربر برمی‌گرداند، که ایمیلی بسیار دقیق‌تر از کار یک عامل به تنهایی خواهد بود.

این فرایند شامل اقدامات متعددی است که توسط یک انسان آغاز می‌شود، بیش از یک مرحله دارد و هوش مصنوعی در وسط این فرایند فعالیت می‌کند. مفهوم اساسی پشت AutoGen Studio هم همین است.

مثال

نمونه دیگری از این فناوری در حال کار، یک پروژه آزمایشی به نام AutoGPT است که کاربر را قادر می‌سازد تا مجموعه‌ای از اقدامات را توسط هوش مصنوعی از یک پرامپت شروع کند. هنگامی که کاربر بر روی کلید اینتر (enter) کلیک می‌کند، هوش مصنوعی وارد می‌شود و تلاش می‌کند تا کار را انجام دهد. در این میان ممکن است اینترنت را برای تحقیق و کسب اطلاعات جستجو کند، ممکن است اسنادی برای ذخیره دانش ایجاد کند و همزمان با انجام کار از کاربر بازخورد بخواهد.

چگونه از این روند استفاده کنیم؟

اگرچه محدودیت‌های فعلی فناوری مانع از آن می‌شود که هوش مصنوعی عاملیتی پتانسیل خود را به‌طور کامل نشان دهد، توسعه دستیار مجازی در کسب‌وکار توسط چت‌بات‌هایی با پیچیدگی‌های متفاوت می‌تواند یک مثال از پیشرفت برای ما باشد. پیاده‌سازی ربات‌های چت برای خودکارسازی گردش‌های کاری و پشتیبانی مشتریان در حال تبدیل شدن به بخشی از استراتژی‌های دیجیتال است. این امر حتی در صنایع بسیار تحت نظارت در حال توسعه است. به‌عنوان مثال، طبق تحقیقات بازار شرکت Vantage، انتظار می‌رود که بازار توسعه چت‌بات در صنعت مراقبت‌های بهداشتی تا سال 2028 به 431.47 میلیون دلار برسد.

۴. هوش مصنوعی منبع باز موجب بهینه‌سازی مدل‌ها می‌شود

دنیای هوش مصنوعی به دو دسته تقسیم می‌شود: منبع بسته (closed source) و منبع باز (open source). این بحث مانند هر نوع نرم‌افزار دیگری است، اما با کمی پیچیدگی بیشتر. به‌عنوان مثال، طرفداران AI منبع بسته استدلال می‌کنند که اگر هوش مصنوعی را در دسترس همه قرار دهیم، ممکن است برای بشریت فاجعه‌‌بار باشد. آن‌ها می‌گویند که چنین کاری می‌تواند احتمال اینکه یک هوش مصنوعی منفی به‌سرعت از کنترل خارج شود را به‌طور قابل توجهی افرایش دهد. به‌علاوه ممکن است یک رقیب غیردولتی از هوش مصنوعی به عنوان ابزاری برای ایجاد سلاح‌های کشتارجمعی با هزینه کم استفاده کند یا کمپین‌هایی برای ارائه اطلاعات نادرست ولی متقاعدکننده راه‌اندازی کند.

با این‌حال، مارک زاکربرگ (Mark Zuckerberg)، یکی از تأثیرگذارترین رهبران و طرفداران AI منبع باز، استدلال می‌کند که در آینده ما ناگزیر هستیم که هوش مصنوعی را در دسترس کسب‌وکارها قرار دهیم. مدل‌های منبع باز، مانند سری Meta’s Llama، یک تجربه رقابتی را ارائه می‌کنند و توسعه‌دهندگان را قادر می‌سازند تا مدل‌های سفارشی دقیقی ایجاد کنند. زاکربرگ می‌گوید استفاده از منبع باز چندین مزیت دارد:

مزایای AI منبع باز:

• استقلال: کسب‌وکارها می‌توانند خودشان با تامین هاست، میزبان هوش مصنوعی منبع باز باشند و در این صورت مانع از قفل شدن خدمات توسط ارائه‌دهنده شوند.
• حفظ حریم خصوصی داده‌ها: با توجه به این‌که داده‌های حساس هرگز نباید دست به دست شوند، بهتر است که خودتان هاست یک مدل هوش مصنوعی را در اختیار داشته باشید.
• کارایی: خود میزبانی (self-hosting) برای یک مدل منبع باز، بسیار مقرون به‌صرفه‌تر است.
• سفارشی‌سازی: امکان تنظیم دقیق مدل‌ها مطابق با داده‌های کسب‌وکارتان می‌تواند مزایای قابل توجهی در مقایسه با استفاده از مدل‌های منبع بسته به شما بدهد.

اگرچه ایمنی هوش مصنوعی موضوع مهمی است، بهتر است بدانیم بسیاری از کسب‌وکارهایی که برای ایمنی هوش مصنوعی فعالیت می‌کنند، بیشترین سود را از کنترل امتیاز انحصاری هوش مصنوعی منبع بسته می‌برند. راه‌حل‌های منبع باز به کسب‌وکارها در هر اندازه و صنعت امکان می‌دهد تا مسئولیت داده‌های خود را بر عهده بگیرند و تجربیات با کیفیت بالا را به مشتریانشان ارائه دهند، بدون اینکه نیازی به صرف هزینه‌های بالا برای مجوز و رفع موانع حفظ حریم خصوصی داده‌ها داشته باشند.

۵. مدل‌های هوش مصنوعی مولد سفارشی‌‌سازی شده سازمانی، راه‌حل‌ها را سفارشی می‌کنند

وقتی صحبت از مدل‌های سفارشی می‌شود، حیف است که بخشی را به معرفی یکی از جدیدترین روندهای هوش مصنوعی اختصاص ندهیم. با این‌که امکان تنظیم دقیق یک مدل منبع باز موجود را داریم، اما برخی از شرکت‌ها ترجیح می‌دهند مدل‌های خود را از ابتدا ایجاد کنند. تصمیم‌گیری برای انتخاب هرکدام از این موارد به نیازهای کسب‌وکار و موارد استفاده شما بستگی دارد. برای اکثر کسب‌وکارها، تنظیم دقیق یک مدل بهتر است.

همه چیز با مجموعه داده‌ها شروع می‌شود. اگر کسب‌وکار شما در حال حاضر با داده‌های زیادی سروکار دارد، پس یعنی در مسیر درستی قرار گرفته‌اید. بنابراین می‌توان برای کل مدل یک تنظیم دقیق کامل به نام Full Fine-Tuning یا تنظیم دقیق بهینه پارامترها (PEFT) یاParameter-Efficient Fine-Tuning  انجام داد که در آن تنها برخی از پارامترها تغییر می‌کنند. هنگامی که مدل را ارزیابی و کمّی‌سازی کردید، فرصت دارید که تصمیم بگیرید آیا برای استقرار آماده است یا خیر.

مدل‌های تنظیم دقیق فقط برای هوش مصنوعی مولد اعمال نمی‌شوند. بلکه می‌توانید از همین استراتژی‌ها برای انواع دیگر مدل‌هایی استفاده کنید که با تصاویر، گفتار و صدا، فروش و انواع دیگر داده‌ها سروکار دارند.

چگونه از این روند استفاده کنیم؟

برای پیاده‌سازی هوش مصنوعی در کسب‌وکارتان باید استراتژی را اجرا کنید که با اهداف استراتژیک، قابلیت‌های فنی و نیازهای بازار شما مطابقت داشته باشد.

۶. استفاده از تولید تقویت‌شده با بازیابی (RAG) برای کاهش خطاهای حسی هوش مصنوعی

هنگامی که یک مدل هوش مصنوعی اطلاعات نادرستی تولید می‌کند، LLMها می‌توانند برخی از خطاهای حسی هوش مصنوعی را تشخیص دهند. یکی از فناوری‌هایی که می‌تواند به رفع این مشکل کمک کند، تولید تقویت شده با بازیابی (RAG) یا Retrieval-Augmented Generation  است. این فناوری LLM را قادر می‌سازد در صورت نیاز به منابع به‌روز و قابل اعتماد مراجعه کند. مفهوم اساسی پشت LLMهای دارای موتور جستجو مانند Microsoft Copilot و Google Gemini همین است. آن‌ها از نتایج جستجوی اینترنتی برای ارائه پاسخ‌های خود استفاده می‌کنند. با این حال، می‌توان این کار را در محیط‌های کنترل‌شده‌تری هم انجام داد، مثلاً مدل‌هایی با مستندات به‌روز در مورد سیاست‌های کسب‌وکار، قیمت‌ها و اطلاعات دیگر ارائه دهیم.

اگرچه تکنیک‌های RAG اطلاعات را برای کاربران مرتبط‌تر می‌کند، اما آن‌ها هم از خطای حسی مصون نیستند. یکی از مشکلات این است که با وجود ارائه اطلاعات مرتبط‌تر یا به‌روزتر، اطلاعات لزوماً برای کاربر شخصی‌سازی نشده است. به‌عنوان مثال، ممکن است پایگاه داده RAG مملو از اطلاعاتی در مورد ساختار قیمت‌گذاری کسب‌وکار نرم‌افزار بر مبنای سرویس (SaaS) یا Software as a service شما باشد، اما چت‌بات خدمات مشتری نتواند اطلاعات شخصی‌سازی شده درباره فاکتور مشتری را به تنهایی ارائه دهد.

به‌دلیل این مسائل، RAG و سایر روش‌های مبارزه با خطای حسی، روند روبه‌رشدی در هوش مصنوعی دارند که نباید نادیده گرفته شوند. یک گزینه برای حل مشکل، ارائه محتوا است. هرچه یک ربات چت بیشتر محتوای یک بحث را درک کند، پاسخ‌های آن دقیق‌تر خواهد بود.

در مثال ربات گفتگوی SaaS، اگر چت‌بات به اطلاعات مربوط به فاکتور و مدل اشتراک مشتری دسترسی داشته باشد، می‌تواند پاسخ‌های شخصی‌سازی‌شده‌تری ارائه دهد. در این فضا پیشرفت‌های دیگری هم مانند ادغام مدل‌های استدلال قوی‌تر صورت می‌گیرد تا برای ارائه پاسخ‌های منطقی‌تر به چت‌بات کمک کنیم.

۷. ظهور پردازنده‌های گرافیکی (GPU)ها در صنعت هوش مصنوعی

پردازنده‌های گرافیکی به‌عنوان سخت‌افزار‌هایی که در تحول هوش مصنوعی تأثیر دارند، اهمیت خاصی پیدا کرده‌اند. GPU‌ها کارآمدترین مؤلفه‌ها برای میزبانی مدل‌های هوش مصنوعی شناخته می‌شوند. به همین دلیل، تقاضا برای این سخت‌افزار‌ها به میزان قابل توجهی افزایش یافته و آن را به یکی از مهم‌ترین روند‌های هوش مصنوعی تبدیل کرده است. کارت‌های گرافیکی مانند هوش مصنوعی منبع باز خودمیزبان، از مهم‌ترین چالش‌های توسعه و استقرار زیرساخت‌های هوش مصنوعی در محل (on-premises) یا مبتنی بر ابر (cloud-based) هستند.
طبق اطلاعات Mordor Intelligence، اندازه بازار GPU جهانی ۶۵.۳ میلیارد دلار است. با رشد در CAGR  به میزان ۳۳.۲%، ارزش آن در سال ۲۰۲۹ به ۲۷۴ میلیارد دلار خواهد رسید.

۸. هوش مصنوعی هم فرصت‌ها و هم تهدیداتی را برای امنیت ایجاد می‌کند

در بحبوحه روند‌های هوش مصنوعی رو به رشد، امنیت تیزترین شمشیر دولبه است. یکی از بزرگ‌ترین درس‌هایی که در صنعت هوش مصنوعی می‌توانیم یاد بگیریم این است که داده‌ها را می‌توان هم برای خیر و هم برای شر استفاده کرد. اگر مفاهیم هوش مصنوعی را در استراتژی امنیتی خود وارد نکنید، کسب‌وکار خود را در برابر رقیبانی آسیب‌پذیر می‌کنید که تعداد و توانایی‌هایشان در حال افزایش است.

بیشتر اوقات وقتی به خطرات امنیتی هوش مصنوعی فکر می‌کنیم، امنیت سایبری به ذهنمان می‌آید. با این‌حال، خطرات می‌تواند بسیار فراتر از این باشد. در سال ۲۰۲۲، محققان قابلیت‌های MegaSyn را معکوس کردند. MegaSyn یک هوش مصنوعی است که برای سرعت بخشیدن به فرآیند تشخیص سمیت مولکولی (molecule toxicity) برای توسعه دارو طراحی شده است. هوش مصنوعی پس از معکوس کردن فرایند، به جای کمک به توسعه دارو‌های ایمن برای انسان، ‌ایده‌های بسیاری برای تولید دارو‌های سمی ارائه کرد. در عرض شش ساعت ۶۰۰۰ احتمال ایجاد شد که بسیاری از آن‌ها می‌توانند به سلاح‌های زیستی مضر تبدیل شوند.

به همین ترتیب، هوش مصنوعی می‌تواند برای سرعت بخشیدن به توسعه بدافزار‌ها، فیشینگ و سایر نرم‌افزار‌های مضر و تکنیک‌های نفوذ استفاده شود. حتی خود مدل‌های هوش مصنوعی هم می‌توانند در اثر حملات تزریق پرامپت به خطر بیفتند. چون داده‌ها را می‌توان برای اهداف مخرب دستکاری کرد. در نتیجه، کسب‌وکار‌ها از هوش مصنوعی در استراتژی‌های امنیتی خود استفاده می‌کنند تا با تهدیدات ایجاد شده توسط هوش مصنوعی مبارزه کند. خودکارسازی پاسخ‌های دفاعی، تشخیص الگو (pattern recognition) برای درک ناهنجاری‌ها و هشدار به انسان‌ها و همچنین کشف تقلب، از تأثیرات مثبت هوش مصنوعی بر بسیاری از صنایع محسوب می‌شوند.

بیومتریک

با تبدیل هوش مصنوعی به ابزاری قدرتمند در دست عوامل مخرب، بیومتریک برای مجوز (authorization) و شناسایی (identification) محبوبیت بیشتری پیدا کرده است. با این حال، مبارزه هنوز تمام نشده است. قابلیت‌های قدرتمند تولید تصویر هوش مصنوعی موجب شده که روش‌های بیومتریک مانند تشخیص چهره در خطر جعل شدن قرار بگیرند. البته خوشبختانه، تکنیک‌هایی وجود دارد که جعل تشخیص چهره را بسیار دشوارتر می‌کند.

احراز هویت چند عاملی برای کاربرد‌های حساس‌تر در کاهش خطر مؤثرتر عمل می‌کند. به‌عنوان مثال، استفاده از تشخیص چهره (facial recognition) و اثر انگشت (fingerprints) می‌تواند احتمال موفقیت حملات جعلی را کاهش دهد.

چگونه از این روند استفاده کنیم؟

استفاده از بیومتریک هوش مصنوعی (AI biometrics) به دلیل داشتن ویژگی‌های فیزیکی و رفتاری منحصر به‌فرد، امکان ایجاد سیستم‌های امنیتی مؤثرتر را فراهم می‌کند. بیومتریک رفتاری (Behavioral biometrics) می‌تواند رفتار متناقض کاربران را تشخیص داده و دسترسی آن‌ها را به‌صورت پویا محدود کند.

۹. مقررات و اخلاق هوش مصنوعی در کانون توجه قرار گرفته است

با ورود به آینده هوش مصنوعی، رواج جهانی AI توجه دولت‌ها را به خود جلب کرده است. اگرچه دولت‌ها هنوز در رسیدن به نوآوری کند هستند، اما توجه به مسائل اخلاقی و ایمنی هوش مصنوعی در حال افزایش است.
یکی از اولین دولت‌هایی که به این نقطه رسید، اتحادیه اروپا بود که قانون هوش مصنوعی اتحادیه اروپا (EU AI Act) را تصویب کرد. هدف این قانون مدیریت ریسک سیستم‌های هوش مصنوعی، با تأثیر زیاد و کم است. همچنین برخی از انواع سیستم‌های هوش مصنوعی مانند سیستم‌هایی که با فریبکاری یا استثمار مورد استفاده قرار می‌گیرند را ممنوع می‌کند.
در همین حال، ایالات متحده در تصویب مقررات هوش مصنوعی کند بوده است. در اکتبر ۲۰۲۳، رئیس جمهور جو بایدن فرمان اجرایی را صادر کرد که بر افزایش نظارت بر پیشرفت‌ها و عملیات هوش مصنوعی و شفافیت آن تأکید داشت. برای ایجاد درک بهتری از ایمنی هوش مصنوعی و امنیت ملی، توسعه‌دهندگان باید گزارش‌های بیشتری به دولت ارائه دهند. با این حال، انتخابات اخیر، آینده این سیاست را مبهم کرده است.

تعصب یا سوگیری در هوش مصنوعی

یکی از نگرانی‌های اصلی افزایش کاربرد هوش مصنوعی، توانایی آن در تقویت تقسیمات فرهنگی و تعصبات است. مک میلان و اندرسون (MacMillan & Anderson) در یک بررسی در سال ۲۰۱۹ دریافتند که ۴۴ دانشگاه از الگوریتم‌های پذیرش مبتنی بر هوش مصنوعی استفاده می‌کنند. در این میان، مجموعه داده‌های نامناسب می‌تواند هوش مصنوعی را تحت تأثیر قرار دهد، به‌خصوص اگر متقاضیان با سوابق خاص ترجیح داده شوند. حتی اگر این نتایج غیرعمدی باشند، چنین موردی می‌تواند عواقب عمیقی برای متقاضیان داشته باشد. بنابراین باید تمرکز زیادی بر روی آموزش داده‌ها انجام شود.

گسترش داده‌ها در طیف گسترده‌ای از تجربیات نه تنها می‌تواند اهداف برابری و انصاف را پیش ببرد، بلکه عملکرد هوش مصنوعی را هم بهبود می‌بخشد. برخی از تکنیک‌های دیگری که محققان این بررسی توصیه می‌کنند، عبارتند از:

1. ممیزی (Audits): حسابرسی و ممیزی منظم سوگیری‌ها و داده‌های سیستم‌های هوش مصنوعی، اولین گام مؤثر برای شناخت الگو‌های مضر است.
2. ارزیابی سوگیری (Bias Assessments): ممیزی ظرفیت سیستم هوش مصنوعی در مقابله با سوگیری آماری بسیار مهم است.
3. بازآموزی: کاهش تعصب یا سوگیری با ارائه داده‌ها و آموزش‌های جدید

۱۰. راه‌حل‌های هوش مصنوعی محدود و شخصی‌سازی شده (narrow-tailored AI)، پذیرش هوش مصنوعی را در همه صنایع ارتقا می‌دهد.

تا پیش از این، بر توجه روزافزون به تلاش‌ها برای توسعه هوش عمومی مصنوعی و سوپر هوش مصنوعی تأکید می‌شده است. بیشتر تعاریف، اهداف این سیستم‌ها را توانایی مدیریت طیف وسیعی از وظایف توصیف می‌کنند. به طور طبیعی، این فناوری بسیاری از سیستم‌های هوش مصنوعی را ایجاد کرده است که به عنوان همه‌کاره طراحی شده‌اند.

با این حال، چنین مواردی ممکن است باعث حواس‌پرتی از فرصت‌های دیگر برای توسعه سیستم‌های هوش مصنوعی شود. به‌عنوان مثال گاهی بهتر است به جای اینکه هوش مصنوعی به طور کلی باهوش باشد، محدود و دارای تخصص در یک زمینه باشد.

هوش مصنوعی تخصصی برای صنعت (Industry-specialized AI) در حال حاضر در بازار نفوذ کرده است. به‌عنوان مثال می‌توانیم به سیستم‌های توصیه محصول آمازون (Amazon’s product recommendation) یا سیستم‌های پیش‌بینی تقاضای هوش مصنوعی (AI demand forecasting) اشاره کنیم. توسعه این سیستم‌ها آسان‌تر است و عملکرد بالاتری در مقایسه با مدل‌های عمومی ارائه می‌دهند. در ادامه این فرصت‌ها را در همه صنایع به‌صورت خلاصه بررسی می‌کنیم:

روندهای هوش مصنوعی در مراقبت‌های بهداشتی

چندین مورد امیدوارکننده استفاده از هوش مصنوعی در مراقبت‌های بهداشتی وجود دارد که می‌توانند این صنعت را متحول کنند. پردازش زبان طبیعی (Natural language processing) به تنهایی فرایندهایی چون استخراج یادداشت‌های پزشکی، افزایش پتانسیل فنوتیپ (phenotyping)، استخراج داده‌های بالینی، شناسایی گروه‌های بیمار برای آزمایش و پشتیبانی اداری را پوشش می‌دهد.

فرایندهای تشخیص بیماری هم از هوش مصنوعی بهره می‌برند. این مورد هم برای سلامت جسمانی، مانند تشخیص سرطان و هم برای سلامت روان، مانند تشخیص زوال عقل کاربرد دارد. زمانی که هوش مصنوعی با داده‌های مناسب آموزش داده شود، می‌تواند به ساده‌تر کردن فرآیند تشخیص کمک کند که البته به نظارت پزشکان با تجربه نیاز دارد. با این حال، برای دستیابی به این هدف، به مجموعه داده‌های بزرگی نیاز است که ایجاد و استفاده از آنها می‌تواند چالش‌برانگیز باشد. در این صنعت حریم خصوصی بیمار اولویت دارد و این بدان معناست که توسعه داده‌های آموزشی و مدل‌های تشخیصی به زمان نیاز دارد.

به غیر از تشخیص بیماری، اپلیکیشن‌های تناسب اندام و ورزش فرصت دیگری برای هوش مصنوعی در صنعت ورزش و تناسب اندام است. داده‌های تولید شده توسط ورزشکاران مانند یک معدن طلا برای بینش‌هایی محسوب می‌شود که توسط هوش مصنوعی قابل تجزیه و تحلیل است. تخمین حالت فیزیکی (pose) انسان یکی دیگر از گرایش‌های هوش مصنوعی است. این حوزه به ورزشکاران و افرادی که به دنبال وضعیت بدنی تمرینی موثرتری هستند، کمک می‌کند.

چگونه از این روند استفاده کنیم؟

از آنجایی که مراقبت‌های بهداشتی یک رشته بسیار حساس است و استفاده از هوش مصنوعی می‌تواند با تعصب یا سوگیری‌های خاصی همراه باشد، برای اجرای استراتژی‌های هوش مصنوعی باید امکان‌سنجی و دقت راه‌حل خود را ارزیابی کنید تا بتوانید تصمیم‌های آگاهانه‌تری بگیرید.

روندهای هوش مصنوعی در تولید

دو مورد مهم استفاده از هوش مصنوعی شامل تولید، تعمیر و نگهداری پیش‌بینی‌کننده (predictive maintenance) و تشخیص عیب (defect detection) هستند. هوش مصنوعی از حسگر‌های جامع اینترنت‌اشیا استفاده می‌کند. سپس داده‌های جمع‌آوری‌شده از تجهیزات کارخانه را بررسی و پیش‌بینی می‌کند که چه زمانی ماشین‌ها به احتمال زیاد از کار می‌افتند. هرچه بتوانید داده‌های بیشتری جمع‌آوری کنید، این پیش‌بینی‌ها دقیق‌تر خواهند بود. نگهداری پیش‌بینی‌کننده می‌تواند به صرفه‌جویی در هزینه‌های کسب‌وکار شما کمک کند، در غیر این صورت باید این هزینه را صرف تعمیر و نگهداری بازدارنده یا واکنشی (preventative or reactive maintenance) کنید.
به لطف فناوری‌های پیشرفته در بینایی کامپیوتری، هوش مصنوعی می‌تواند معاینه بصری را برای تشخیص عیب انجام دهد. تولیدکنندگان می‌توانند در خطوط مونتاژشان، سیستم‌های سفارشی متناسب با داده‌های آموزشی خود را برای تشخیص عیوب داشته باشند.

آخرین روندهای هوش مصنوعی در بازاریابی

هوش مصنوعی بدون شک صنعت بازاریابی را هم متحول کرده است. طی چند سال گذشته، آگاهی عمومی در مورد نقش هوش مصنوعی در بازاریابی به یک دید کاملاً منفی تغییر پیدا کرده است. دو نکته مهم وجود دارد که باید به خاطر بسپاریم:

1. هوش مصنوعی ابزار قدرتمندی است و می‌تواند برای کمپین‌های بازاریابی ما مفید باشد، اما این ابزار انسانی نیست. وقتی بخواهیم تولید محتوا را به کمک هوش مصنوعی انجام دهیم، یعنی باید از استاندارد‌هایمان کوتاه بیاییم و بهای آن را با اعتماد و شهرت برندمان پرداخت کنیم.
2. شما باید موارد استفاده از هوش مصنوعی برای فعالیت‌های بازاریابی خود را با دقت انتخاب کنید.

حالا این سؤال پیش می‌آید که در بازاریابی برای چه کاری باید از هوش مصنوعی استفاده کنیم؟ تولید محتوا برای‌ایده‌پردازی و تهیه پیش‌نویس عالی است، اما هوش مصنوعی دارای نقاط قوت زیاد دیگری در صنعت بازاریابی است.

برای مثال، سیستم‌های توصیه‌کننده (recommender systems) یکی از روند‌های هوش مصنوعی هستند که در حال حاضر موجب تسلط آمازون بر بازار تجارت الکترونیک شده‌اند. تجزیه و تحلیل پیش‌بینی‌کننده (Predictive analytics) به خرده‌فروشان کمک می‌کند تا تبلیغات را به صورت بخش‌بندی شده (segmented) در معرض دید مشتریان هدف قرار دهند.

در نهایت، تجزیه و تحلیل احساسات (sentiment analysis) به کسب‌وکارها اجازه می‌دهد تا درک کنند که مشتریان در مورد محصولاتشان چه احساسی دارند و حتی می‌تواند به طور خودکار به نظرات Google Maps پاسخ دهد.

پیشرفت جدید هوش مصنوعی در خرده‌فروشی

دو کاربرد مهم هوش مصنوعی در صنعت خرده فروشی که امسال توسعه پیدا کرد، شامل پیش‎بینی تقاضا (demand forecasting) و پرو مجازی لباس (virtual try-on) است. پیش‌بینی تقاضا با استفاده از هوش مصنوعی، تکنیکی است که از قبل هم وجود داشته است. با این حال، چون می‌توان در مقایسه با قبل داده‌های بیشتری را جمع‌آوری کرد، به تکنیک مؤثرتری تبدیل شده است. این به دلیل گسترش روند‌های تعاملی یکپارچه مانند سیستم‌های POS متصل در فروشگاه‌های فیزیکی و آنلاین است. با ردیابی داده‌های فروش و سایر عوامل مؤثر بر فروش مانند رویداد‌های جهانی و اخبار صنعت، می‌توانید تقاضا را به‌طور دقیق پیش‌بینی کرده و موجودی‌ها را آماده کنید.
فناوری اتاق پرو مجازی (Virtual fitting room) با تأکید بر قابلیت‌های اندازه‌گیری بدن به پیشرفت خود ادامه می‌دهد. اگر دوربین‌ها و چارچوب‌های واقعیت افزوده (AR) بتوانند بدن انسان را با دقت اندازه‌گیری کنند، خریداران می‌توانند شانس بیشتری برای خرید آنلاین لباس متناسب با سایزشان داشته باشند.

روندهای هوش مصنوعی در فین‌تک

فین‌تک صنعتی است که نه تنها از نظر مالی، بلکه از نظر داده هم غنی است. اپلیکیشن‌های بودجه‌بندی موبایلی داده‌های ارزشمندی دارند و هوش مصنوعی می‌تواند با استفاده از این داده‌ها توصیه‌ها و طرح‌های بودجه‌بندی را به مصرف‌کنندگان ارائه کند. به‌علاوه بانک‌ها می‌توانند با کمک قابلیت شناسایی خودکار کلاهبرداری (automatic fraud detection)، از مزایای امنیتی هوش مصنوعی برای مشتریان خود بهره ببرند. از آنجایی که هوش مصنوعی برای تشخیص الگو عالی است، کلاهبرداری‌هایی مانند سوء استفاده از اطلاعات کارت بانکی را راحت‌تر تشخیص می‌دهد.

بینش‌های مبتنی بر داده و قابلیت‌های پیش‌بینی هوش مصنوعی، آن را به انتخابی عالی برای تجزیه و تحلیل پیش‌بینی‌کننده بازار تبدیل می‌کند. این قابلیت‌ها می‌تواند برای کاربرد‌هایی مانند سرمایه‌گذاری و برنامه‌ریزی پس‌انداز شخصی بسیار مفید باشد.

۱۱. کسب‌وکارها به‌طور فعال در حال ساخت عامل‌های هوش مصنوعی برای خودکارسازی وظایف و تصمیم‌گیری مستقل هستند

هوش مصنوعی مدت زمان زیادی در برابر ورودی کاربر به‌صورت واکنشی پاسخ می‌داد. عامل‌های هوش مصنوعی به‌عنوان گام بعدی در توسعه هوش مصنوعی شناخته می‌شوند. این سیستم‌های هوشمند می‌توانند بر اساس ورودی یک کاربر یا سیستم دیگر استدلال کنند، تصمیم بگیرند و اقدامات مستقلی انجام دهند.
ما در اواخر سال ۲۰۲۴ و اوایل سال ۲۰۲۵ شاهد رونق در توسعه عامل‌های هوش مصنوعی بودیم. بنابراین، مطمئن هستیم که کسب‌وکار‌های بیشتری با خودکارسازی گردش کار اداری و کار‌های روزمره این روند را ادامه خواهند داد.

مزایای کلیدی عامل‌های هوش مصنوعی برای کسب‌وکار شما

کسب‌وکارها می‌توانند مزایای متعددی را از گنجاندن عامل‌های هوش مصنوعی در نرم‌افزار خود به دست آورند. این مزایا عبارتند از:

• بهبود عملکرد سیستم IT
• مقیاس کردن آسان عامل‌های هوش مصنوعی با کسب‌وکار
• ارائه بینش و توصیه‌های مفید
• بهبود تجربه مشتریان
• ایجاد مزیت‌های رقابتی

ویژگی‌های کلیدی عامل‌های هوش مصنوعی

عامل‌های هوش مصنوعی به دلیل قابلیت‌های پیشرفته‌ترشان با سیستم‌های معمولی هوش مصنوعی تفاوت دارند. از جمله این قابلیت‌ها می‌توانیم به موارد زیر اشاره کنیم:

تصمیم‌گیری پیشگیرانه (Proactive)

عامل‌ها می‌توانند بدون راهنمایی انسانی تصمیم بگیرند و بر اساس آن عمل کنند. با این حال، آن‌ها همچنان به کنترل و نگهداری نیاز دارند تا بهترین عملکرد خود را ارائه دهند.

خودکارسازی و مدیریت گردش کار

عامل‌های هوش مصنوعی می‌توانند کارهای روزمره را به سرعت و کارآمد انجام دهند و در وقت ارزشمند نیروی کار شما صرفه‌جویی کنند تا بتوانند به کارهای خلاقانه بپردازند. از آنجایی که این عامل‌ها مستقل هستند، می‌توانند فرآیندها و جریان‌های کاری خاصی را به تنهایی و با کمترین مداخله انسان مدیریت کنند.

تفویض وظیفه

عامل‌های هوش مصنوعی می‌توانند به عنوان بخشی از یک سیستم بزرگتر، به سایر بخش‌های سیستم فرمان داده و آنها را به انجام وظایف ضروری وادار کنند.

چگونه از این روند استفاده کنیم؟

به این فکر کنید که کدام حوزه‌های کسب‌وکار یا جریان‌های کاری در نرم‌افزار شما می‌توانند بیشترین بهره را از خودکارسازی ببرند و از امروز شروع به ساخت عامل‌های هوش مصنوعی کنید. این فناوری هنوز جدید است، اما در یکی دو سال آینده باید آن را داشته باشید. شروع زود هنگام، تجربه و تخصص لازم را برای شما فراهم می‌کند تا زمانی که همه عامل‌های هوش مصنوعی را در اختیار دارند، بتوانید در بازار با سایرین رقابت کنید. به خاطر داشته باشید که معرفی هوش مصنوعی در سیستم IT شما نیاز به برنامه‌ریزی دقیق دارد. باید استفاده اخلاقی را در نظر بگیرید و ویژگی‌هایی مانند امنیت و انطباق را برای عامل‌های خود تضمین کنید.

آینده هوش مصنوعی: فرصت‌ها و چالش‌ها در سال ۲۰۲۵ و پس از آن

اگر بخواهیم یک نگاه کلی به آخرین روندهای هوش مصنوعی در سال ۲۰۲۵ داشته باشیم، به سوالات زیادی باید پاسخ دهیم:

• دولت‌ها چگونه پیشرفت‌های هوش مصنوعی را تنظیم خواهند کرد؟
• چگونه می‌توانیم از هوش مصنوعی به گونه‌ای استفاده کنیم که واقعاً برای کسب‌وکارها مفید باشد؟

پاسخ به این سؤالات ممکن است به همان اندازه مبهم باشد که پیش بینی‌ها در مورد زمان وارد AGI به بازار. با این حال، همانطور که در گزارش Statista دیدیم، نقش هوش مصنوعی در بازارهای جهانی طی پنج سال آینده صدها میلیارد دلار افزایش خواهد یافت.

زمان توسعه استراتژی هوش مصنوعی دیروز است. اگرچه فشار برای پذیرش آن زیاد است، اما چنین فناوری را نباید بدون هدف قبول کنید. نیازهای خاص کسب‌وکار خود را در نظر بگیرید و بررسی کنید که هوش مصنوعی چگونه می‌تواند این نیازها را برآورده کند. مهمتر از همه، در برابر تغییر انعطاف‌پذیر باشید. با سرعت توسعه هوش مصنوعی و سرعت ثابتی که دولت‌ها برای نظارت و رگولاتوری پیش می‌روند، حرکت سریع و چابک به شما کمک می‌کند در صورت نیاز مسیر خود را تغییر دهید.

منبع: mobidev.biz