از حجم داده به ارزش داده؛ نقش داده انسانی در آینده هوش مصنوعی

هوش مصنوعی مولد در مدتی کوتاه از یک فناوری تخصصی به ابزاری عمومی برای تولید انواع محتوا تبدیل شده است. بخش قابل توجهی از محتوایی که امروز در فضای دیجیتال تولید و منتشر می‌شود، دیگر مستقیما تولید انسان نیست و با کمک مدل‌های هوش مصنوعی ساخته شده است. بر اساس داده‌های Graphite Growth  که در  گزارش ۲۰۲۶ AI Index دانشگاه استنفورد استفاده شده، سهم محتوای تولیدشده توسط هوش مصنوعی در سال ۲۰۲۵ به ۵۱.۷۲ درصد رسیده و از سهم محتوای انسانی پیشی گرفته‌ است. این عدد را نمی‌توان به کل اینترنت تعمیم داد، اما نشانه‌ای از تغییری مهم در محیط دیجیتال است که می‌تواند آموزش مدل‌های آینده هوش مصنوعی را تحت تاثیر قرار دهد. در چنین شرایطی، یادگیری مدل جدید ممکن است نه از مشاهده مستقیم جهان و تجربه انسانی، بلکه از بازنمایی مدل قبلی تاثیر بگیرد.

وقتی هوش مصنوعی از هوش مصنوعی یاد می‌گیرد

برای درک این مسئله، می‌توان یک زنجیره ساده را تصور کرد. مدل نسل اول بر اساس مجموعه‌ای از داده‌ها آموزش دیده است. این مدل پس از آموزش، محتوای جدید تولید می‌کند. اگر بخشی از این محتوا وارد مجموعه‌داده آموزشی نسل دوم شود، مدل نسل دوم دیگر فقط از داده‌هایی یاد نمی‌گیرد که مستقیما از جهان واقعی آمده‌اند؛ بخشی از آموزش آن از برداشت مدل نسل اول از آن جهان شکل گرفته است. اگر این فرآیند به شکل تکرارشونده ادامه پیدا کند، خطاها و محدودیت‌های هر نسل به نسل بعدی منتقل می‌شود. یکی از این چالش‌ها مفهومی است که با عنوان «فروپاشی مدل» از آن یاد می‌شود. آموزش تکراری روی داده تولیدشده توسط مدل‌های قبلی می‌تواند موجب شود مدل‌های جدید به‌تدریج بخشی از اطلاعات مربوط به توزیع اولیه داده را از دست بدهد. این موضوع منجر به کاهش بازنمایی رخدادهای نادر و کم‌احتمال خواهد شد. به بیان ساده‌تر، مدل ممکن است همچنان در تولید الگوهای پرتکرار عملکرد خوبی داشته باشد، اما در بازنمایی موارد نادر، استثناها و بخش‌هایی از واقعیت که کمتر در داده دیده می‌شود، ضعیف‌تر شود.

یک رخداد کم‌تکرار مانند رفتار غیرمعمول یک مشتری، یک خطای نادر در یک فرآیند یا یک نمونه استثنایی پزشکی ممکن است سهم بسیار کوچکی از یک مجموعه‌داده داشته باشد، اما دقیقا همان بخش کوچک می‌تواند بسیار ارزشمند باشد.

البته استفاده از داده مصنوعی الزاما به فروپاشی مدل منجر نمی‌شود. داده مصنوعی می‌تواند برای شبیه‌سازی، افزایش نمونه‌ها، آزمایش سیستم‌ها و بسیاری از کاربردهای دیگر مفید باشد. مسئله زمانی ایجاد می‌شود که داده مصنوعی جایگزین داده واقعی در یک چرخه تکرارشونده آموزش شود.

از حجم داده به ارزش داده

در سال‌های اخیر افزایش حجم داده جمع‌آوری شده یکی از عوامل مهم در توسعه سیستم‌های هوش مصنوعی بوده است. اما با افزایش امکان تولید داده توسط هوش مصنوعی، پرسش مهم‌تری مطرح می‌شود؛ داده موجود چقدر اصیل، متنوع، باکیفیت و نماینده واقعیتی است که قرار است مدل درباره آن تصمیم بگیرد؟

یک مجموعه‌داده بسیار بزرگ که بخش قابل‌توجهی از آن تکراری، کم‌تنوع یا حاصل بازتولید محتوای قبلی است، لزوما ارزش بیشتری برای یک سیستم هوش مصنوعی ایجاد نمی‌کند. در مقابل، داده‌های واقعی می‌تواند اطلاعاتی را در خود داشته باشد که در داده‌های پرتکرار و عمومی کمتر دیده می‌شود. بنابراین، پرسش سازمان‌ها به‌تدریج از «سنجش حجم داده در دسترس» به پرسش‌هایی در مورد «ارزش داده» تغییر می‌کند، این تغییر دیدگاه بر راهبرد داده سازمان‌ها تاثیر جدی دارد. جدا از ارزش فزاینده داده در اقتصاد دیجیتال و نیازمندی شرکت‌های هوش مصنوعی به این منابع ارزشمند، مدیریت داده اختصاصی سازمان در حال حاضر نیز یک اقدام راهبردی برای کسب مزیت رقابتی است.

داده اختصاصی یک دارایی رقابتی

بسیاری از شرکت‌ها به آموزش مدل هوش مصنوعی به معنی تخصصی آن ارتباطی ندارند و صرفا از مدل‌های عمومی برای تحقیق، تحلیل، تولید محتوا یا ساخت محصولات جدید استفاده می‌کنند. اما حتی در این شرایط، داده اختصاصی سازمان می‌تواند نقش مهمی در ایجاد تفاوت داشته باشد. مدل‌های عمومی هوش مصنوعی در دسترس تعداد زیادی از شرکت‌ها قرار دارد؛ آنچه می‌تواند تفاوت ایجاد کند، نحوه ترکیب مدل عمومی با دانش و تجربه‌ای است که یک سازمان به‌صورت اختصاصی در اختیار دارد.

برای مثال، یک شرکت ممکن است طی سال‌ها فعالیت، اطلاعاتی درباره تعامل با مشتریان، فرآیندهای عملیاتی، خطاهای گذشته، درخواست‌های پشتیبانی، بازخورد کاربران، تجربه متخصصان و تصمیم‌های کسب‌وکاری خود جمع‌آوری کرده باشد که بخش مهمی از این اطلاعات ممکن است در هیچ مجموعه‌داده عمومی وجود نداشته باشد.

همین داده‌ها می‌تواند برای بازیابی دانش سازمانی، ارزیابی مدل، شخصی‌سازی سیستم‌ها و در برخی موارد برای بازتنظیم مدل‌های تخصصی مورد استفاده قرار گیرد. ارزش اصلی این داده‌ها در بازنمایی مسئله واقعی سازمان است. داده‌ای که معتبر و از نظر قانونی و اخلاقی قابل بهره‌برداری باشد یک دارایی استراتژیک برای سازمان خواهد بود. رقابت در عصر هوش مصنوعی فقط بر سر دسترسی به مدل‌های قدرتمندتر نیست؛ سازمان‌هایی که بتوانند داده‌های واقعی، باکیفیت و منحصربه‌فرد خود را ثبت و نگه‌داری کرده و به‌ درستی در فرآیندهای هوش مصنوعی به کار بگیرند، امکان بیشتری برای ساخت قابلیت‌هایی خواهند داشت که به‌ سادگی در اختیار همه رقبا قرار نمی‌گیرد. در حال حاضر اقدام راهبردی مدیران برای خلق مزیت در بهره‌برداری از هوش مصنوعی در آینده، طراحی فرآیندهایی است که منجر به تولید  داده ارزشمند و  مستمر برای کسب‌وکار می‌شود. بنابراین در کنار هیجان ایجادشده در بهره مندی از مدل‌ها و ایجنت‌های مختلف به شرایطی فکر کنید که این ابزارها کاملا فراگیر شده‌اند و تمامی کسب و کارها به آن دسترسی دارند، چه چیزی باعث خواهد شد که نتیجه استفاده از هوش مصنوعی در سازمان شما نسبت به رقبا متمایز باشد؟