علون إيريو، الرئيس التنفيذي للتقنيات في MCE Systems – سلسلة المقابلات

علون إيريو، الرئيس التنفيذي للتقنيات في MCE Systems، يقود استراتيجية الشركة في مجال الذكاء الاصطناعي وطواقم التكنولوجيا الشاملة، التي تشمل الهندسة المعمارية وتطوير النماذج والبنية التحتية وتكامل المنتجات والاعتماد الواسع النطاق على الذكاء الاصطناعي في العمليات الداخلية. وقد قضى أكثر من تسع سنوات في شركة Intel (INTC )، متقدمًا من مهندس برمجيات كبير ومهندس برمجيات إلى رئيس باحث في معالجة اللغة الطبيعية، حيث أدار أبحاث استخراج المعرفة وحصل على تمويل لمشاريع متعددة السنوات ونشر أوراق في مؤتمرات معالجة اللغة الطبيعية الكبرى واشرف على بدء تشغيل الشركات الناشئة من خلال Intel Ignite. وفي وقت سابق من مسيرته المهنية، ساهم إيريو في تطوير تقنيات المساعد الشخصي في Telmap التي أصبحت فيما بعد جزءًا من Intel، وهو أيضًا مستشار لشركات الذكاء الاصطناعي في مراحلها الأولى بينما يدرس علوم الحاسوب وبرمجة الكائنات والتعدين البياني واسترجاع المعلومات في عدة جامعات إسرائيلية.

MCE Systems تطور طبقة تجربة أصلية بالذكاء الاصطناعي لموفري خدمات الاتصالات، حيث تربط الأنظمة التقليدية والبيانات في الوقت الفعلي والعمليات الذكية لدعم التفاعلات مع العملاء عبر نقاط التفاعل المتعددة. تأسست الشركة في عام 2005، وبنت عملها حول إدارة دورة حياة الأجهزة الرقمية، مع تقنيات تغطي تشخيص الأجهزة والرعاية وبرامج التبادل والتقييم عن بعد والإرجاع. وتطبق MCE بشكل متزايد الذكاء الاصطناعي التوليدي والوكيلي على هذه العمليات، مما يساعد مشغلي الشبكات على اكتشاف مشاكل الأجهزة وتوجيه العملاء خلال حلول محتملة وتنسيق رحلات الخدمة الأكثر تعقيدًا عبر القنوات الرقمية والمساعدة.

قضيت ما يقرب من عقد من الزمن في Intel يعمل على معالجة اللغة الطبيعية واستخراج المعرفة واسترجاع المعلومات وحتى تقنيات المساعد الشخصي المبكرة التي نشأت في Telmap قبل أن تصبح جزءًا من Intel. عند النظر إلى الوراء، أي الأفكار من تلك الأنظمة المبكرة للذكاء الاصطناعي ثبت أنها متقدمة على وقتها، وأي افتراضات خاطئة بشكل كامل للحقل؟

فكرة واحدة واضحة كانت متقدمة على وقتها هي المساعد الشخصي الذي عملنا عليه قبل عصر النماذج اللغوية الكبيرة. كانت هذه الأنظمة تفهم النية وتربط السياق عبر المهام وتساعد المستخدمين على إنجاز أهدافهم بطريقة طبيعية. كانت هذه لها نفس الطموحات لأنظمة اليوم. الفرق كان في النهج الأساسي: بدلاً من النماذج اللغوية، اعتمدنا على مزيج من التعلم الآلي والخوارزميات لاستنتاج نية المستخدم. وقد أثبت هذا الأسلوب صعوبة عند تطبيقه على نطاق واسع مع الطرق المختلفة التي يعبّر بها المستخدمون عن نفس الطلب.

تخيل توظيف ممثل خدمة للتعامل مع استفسارات آلاف العملاء، لكنهم يمكنهم فقط التعامل مع الاستفسارات الموجزة بتركيب جملة معين. كما يمكنك تخيل أن هذا سيكون فقط لcovering نطاق صغير من الحالات وسيكون من الصعب التعامل مع العديد من مشاكل العملاء. النماذج اللغوية الكبيرة غيرت كل شيء. اليوم، فهم نية المستخدم تم حلها إلى حد كبير. لذلك في مقارنتنا، الممثل الآن مرن ويمكن التحدث مع ملايين العملاء.

في حين أنني لن أزعم أن الحقل أخطأ بشكل كامل، أعتقد أن العديد تقليل من شأن مدى центральيتها للنماذج اللغوية. القفزة الكبيرة جاءت عندما تم تقديم أول النماذج اللغوية مثل ELMo وBERT وRoBERTa. في ذلك الوقت، لم يفهم العديد منهم جيدًا خطورة التحول الذي كان قادمًا. كانت هذه نماذج أساسية للنماذج اللغوية الكبيرة الحديثة التي نستخدمها كل يوم والتي لا نستطيع تخيل عدم وجودها.

معظم الشركات رأت هذه النماذج الأولية كعناصر مفيدة في تطبيقات ضيقة، وليس كأساس لنمط حوسبة جديد كليًا. فيما يبدو، فاتهم الفرصة لتأسيس أنفسهم كلاعبين رئيسيين في مجال الذكاء الاصطناعي.

خلال مسيرتك البحثية، ركزت على استخراج المعرفة من عدة وثائق وفهم الأحداث. مع زيادة الاعتماد على النماذج اللغوية الكبيرة في المؤسسات، لماذا تعتقد أن استخراج المعرفة المنظم يبقى تحديًا حاسمًا؟

النماذج اللغوية الكبيرة هي أدوات قوية لمواجهة مجموعة من المواضيع، لكن التطبيقات المؤسسية والعملاء يحتاجون إلى خبرة لحل مشكلة محددة، مما يتطلب الوصول إلى المعرفة. هذه المعرفة المحددة والمملوكة ليست عادةً بيانات تدريب للنموذج، لذلك نشر النموذج اللغوي الكبير في مؤسسة يعني جمع الفهم عبر نقاط بيانات داخلية محتملة ملايين. اليوم، النماذج اللغوية الكبيرة تعاني بشكل كبير من هذا، تفقد السياق بشكل كبير بسبب القيود الفنية والوصول، وهذا الفجوة يحد من تأثيرها.

في MCE، على سبيل المثال، نقدم حلول وكيل ذكاء اصطناعي للرعاية الزبون. أحد أهدافه هو تمكين مشغلي الشبكات من مساعدة زبائنهم على حل مشاكل الأجهزة المحمولة الفنية دون الحاجة إلى تدخل بشري. بدون تغذية الوكيل الذكاء الاصطناعي بمعلومات فنية سياقية حول الجهاز، كل ما سيفعله الوكيل هو تقديم نتائج عامة لا تحل المشكلة أو تكون غير ذات صلة ثم إجبار الزبون على طلب المساعدة البشرية. هذا هو نوع من مشاكل استخراج المعرفة التي كان علينا التغلب عليها من أجل نشر الذكاء الاصطناعي مع زبائننا وهو حيث تفشل المنظمات في الحصول على النتائج التي يريدونها.

بحثي الخاص غامر في استخراج المعرفة و استرجاع المعلومات من مجموعات وثائق كبيرة، واستكشاف العلاقة بين “الأحداث”، وهو مصطلح في مجال الذكاء الاصطناعي يُستخدم لتعريف السببية والزمنية لأي نوع من تمثيل المعلومات. نحن نطبق هذا في MCE داخل حلولنا الذكاء الاصطناعي لتفاعل الإنسان من خلال بناء فهم هيكلي يمكن أن يساعد النماذج اللغوية الكبيرة على تلخيص تمثيل المعرفة بشكل أفضل و البحث لحل مشكلة الزبون.

لقد نشرت أبحاثًا في مؤتمرات معالجة اللغة الطبيعية الرائدة، بما في ذلك ACL وEMNLP وNAACL. ما هي الاختراقات التي حدثت خلال السنوات الخمس الماضية والتي كان لها أكبر تأثير حقيقي، وما هي التقدمات التي يتم الترويج لها حاليًا والتي تعتقد أنها مبالغ فيها؟

هناك عدة اختراقات تبرز لي وهي تحدث في تطور مع تطور النماذج اللغوية الكبيرة.

الأول كان حول تعديل التعليم والهندسة الدلالية. كان هذا يجب حلها أولاً قبل الوصول إلى انتشار أوسع. لقد كنا جميعًا هناك حيث تسأل نموذجًا لغويًا كبيرًا عن شيء محدد ويذهب في دوائر، والحصول على القريب ولكن ليس الحصول على الرد الذي تحتاجه. لذلك، معرفة كيف يمكن للنماذج فهم الدلالة وتقديم نتائج دقيقة كانت خطوة كبيرة أولى.

بامتداد ذلك، كان الاختراق التالي للوكلاء، الذين احتاجوا إلى النماذج اللغوية الكبيرة لتجاوز المهام المحددة الموجهة وتحقيق أشياء عديدة: إنشاء خطط، التفاعل مع المستخدم النهائي، استخدام الأدوات، استخدام الذاكرة والوصول إلى المعرفة. كان هذا ضروريًا للوصول إلى حيث نحن اليوم.

لكن الاختراق التالي، الذي لم يتم حله تمامًا بعد ولكن ما زال قيد التقدم، هو حل مشكلة الوهم完全. لقد تم إحراز تقدم كبير هنا إلى الحد الذي يمكننا فيه الاعتماد على النماذج اللغوية الكبيرة بشكل أكبر مما كنا نفعل من قبل. ومع ذلك، لا يزال هناك عمل قائم وسبب آخر لماذا يبقى الإشراف البشري والحدود الوقائية ضروريين.

ما يتم الترويج له بشكل مبالغ فيه هو درجة الاستقلالية التي يزعمها الوكلاء. الأنظمة المستقلة بالكامل التي تعمل عبر بيئات أعمال معقدة دون إشراف بشري لا تزال غير موثوقة في نظري. ما أجد أنه أكثر إنتاجية هو تصميم الذكاء الاصطناعي لأداء مهام قيمة عالية، وتحويل الشك إلى التفسير، دون التنازل عن السيطرة البشرية على التدفق العام. هذا هو حيث سيخلق الذكاء الاصطناعي الوكيلي القيمة الحقيقية في المدى القصير.

لقد عملت كباحث و architekt برمجيات وقائد هندسي ومستشار لبدء التشغيل وأستاذ، والآن الرئيس التنفيذي للذكاء الاصطناعي. كيف تغيرت تعريفك لنجاح الذكاء الاصطناعي على مدار مراحل مسيرتك المهنية المختلفة؟

على مدار مسيرتي المهنية، تعلمت أن تعريف نجاح الذكاء الاصطناعي يستمر في التطور، والقيم الأساسية تختلف عبر التخصصات. البحث التطبيقي والهندسة المعمارية علما أن الذكاء الاصطناعي يجب أن يعمل تحت قيود العالم الحقيقي. البحث الأكاديمي علما أهمية الدقة والتقييم. قيادة الهندسة أظهرت أن التنفيذ والانضباط التشغيلي يهمون بنفس قدر النموذج نفسه. التوجيه لبدء التشغيل علما أن الذكاء الاصطناعي يخلق أكبر تأثير عندما يحل مشكلة حقيقية وله طريق واضح للتطبيق.

اليوم، كرئيس للذكاء الاصطناعي في MCE، أعرّف النجاح بأنه الذكاء الاصطناعي الذي يخلق قيمة قابلة للقياس مع كسب ثقة المستخدم النهائي. يجب أن يحسن النتائج للعملاء والموظفين والشركات، وأن يكون موثوقًا بما يكفي للإنتاج، وشفافًا بما يكفي للحكم، ومفيدًا بما يكفي لتبنيه. بهذا المعنى، تغير تعريفي من “هل يعمل التكنولوجيا؟” إلى “هل يخلق قيمة مسؤولة ومتكررة ومتسعة النطاق؟”

هذا أيضًا الانتقال الذي قمنا به في MCE، وهو الذي بدأ قبل عامين وأدى إلينا الآن. القيمة الأخيرة هي كيف نفكر عن الذكاء الاصطناعي الآن للاستخدامات الداخلية ولزبايننا في مجال الاتصالات.

MCE Systems تطبق الذكاء الاصطناعي لتجربة الزبون والرعاية والتسويق في قطاع الاتصالات. ما هي أكثر الحالات المستخدمة للذكاء الاصطناعي التي تظهر حاليًا في هذا القطاع؟

موفرو خدمات الاتصالات، أو “مشغلي الشبكات” كما يطلق عليهم عادة، يواجهون وضعًا صعبًا، حيث يواجهون مشكلة التبسيط. السعر هو القوة الجاذبة الأساسية لجذب زبائن جدد أو الاحتفاظ بهم، لكنه ليس مستدامًا. إذا نظرت إلى عمالقة آخرين يبيعون منتجات أو خدمات للمستهلكين، مثل Apple (AAPL )، Amazon (AMZN )، أو Netflix (NFLX )، بنوا منتجًا رائعًا وتجربة حولها. لقد لعبت هذه بشكل واضح في المالية، على سبيل المثال، حيث أجبرت البنوك من قبل لاعبين مرنين جدد على الانتقال من حجز مدخرات الناس و предлож منتجات استثمارية إلى تقديم تجربة رقمية كاملة حولها. نفس الشيء في قطاع الاتصالات.

رؤيتنا هي مساعدة موفري خدمات الاتصالات على إضافة قيمة إضافية إلى زبائنهم بتجربة أفضل على منتج الاتصال الرائع الذي يقدمونه بالفعل. هذا يعني أن يكونوا أكثر استباقية وتواصلًا مع الزبائن حول تجربتهم الشاملة للشبكة والجهاز. بالنسبة لنا، الذكاء الاصطناعي هو ما يسمح لهم بفعل ذلك جيدًا.

في الصناعة، أصبحت هذه في الغالب أداة دفاعية لتخفيض تكاليف العمل في مراكز الاتصال أو جعل الموظفين أكثر إنتاجية. لكن بالنسبة لنا، الذكاء الاصطناعي هو أيضًا أداة هجومية للتواصل مع الرعاية الزبون وتنمية الخدمة، كل ذلك على جهاز الزبون المحمول.

على سبيل المثال، اكتشاف مشكلة جهاز أو اتصال أو مشكلة انخفاض البطارية قبل أن يلاحظها الزبون ومساعدتهم على حلها. هذه هي أنواع التجارب التي تبني ولاءًا حقيقيًا. معرفة وضع الزبون جيدًا بما يكفي لتقديم حزمة الاتصالات الصحيحة أو إضافة بيانات أو منتج أسلوب حياة في الوقت المناسب يؤدي إلى تحويل أعلى. وجمع الإشارات عبر أصول الشبكة وبيانات CRM وبيانات الجهاز لتنبؤ بدقة بالهجرة ثم التصرف عليها مبكرًا، هو ربما أكثر حالات استخدام الذكاء الاصطناعي قيمة من بينهم جميعًا. مشغلي الشبكات الذين يحققون ذلك سيكونون لديهم حافة معنوية.

هناك الكثير من الدعاية حول أن تصبح “ذكاء اصطناعي أصيل” أو “جاهز للذكاء الاصطناعي”. كيف تتعامل MCE مع هذا النمط، وما هي النقاط الأكثر أهمية التي تفوتها المنظمات في هذا التحول؟

ما يفوت العديد منهم هو أن تحول الذكاء الاصطناعي ليس فقط نشر تكنولوجيا، ولكن أيضًا تغيير في نمط العمل. الفرص الأكثر جاذبية هي حيث يبدو التبني طبيعيًا: السير الذاتي موجود، والألم قابل للقياس، والذكاء الاصطناعي يمكن أن يحسن بشكل واضح السرعة أو الجودة أو اتخاذ القرار. MCE تتعامل مع هذا النمط بفكرة معينة.

بدأنا بالسؤال عن成 熟 النماذج الذكاء الاصطناعي واعتماد الذكاء الاصطناعي بطرق تزيد من إنتاجية الموظفين. سألنا كيف يمكننا تثقيف فرقنا وتحديد إرشادات استخدام واضحة وربط الأنظمة الداخلية بالذكاء الاصطناعي حيث يمكن أن يحدث فرقًا في الحياة اليومية.

مرة واحدة قيمنا قاعدة أدواتنا، نظرنا إلى تطبيق تطبيق الذكاء الاصطناعي وحددنا حيث يمكن للوكلاء تقليل العمل اليدوي. بشكل طبيعي، وجدنا أننا يمكن أن نقصص بشكل كبير وقت التطوير. في مثال، تطبيق وظيفي عالي التفاعل احتاج إلى بضعة أيام لإنشائه بينما كان سيستغرق عدة أسابيع.

ما يتم إهماله غالبًا لتحسين الإنتاجية الداخلية هو دمج البيانات. عملنا على تحسين استخدام بياناتنا الداخلية بحيث يمكن للموظفين والأنظمة الذكاء الاصطناعي اتخاذ قرارات أفضل. هذا يشمل فهم احتياجات الزبون وتحسين العمليات وبناء منتجات تتعلم من الخبرات السابقة. إنه لا يزال عملية تطورية وتحليلية لتقييم ما يعمل وما لا يعمل.

كثير من المنظمات تتنافس على نشر وكلاء الذكاء الاصطناعي. ما هي الدروس العملية التي تعلمتها حول أين يمكن للوكلاء الذكاء الاصطناعي خلق قيمة حقيقية مقابل أين يبقى الإشراف البشري ضروريًا؟

من السهل أن تتعاطف مع هوس التutomatisation. لكنني أعتقد في التعامل مع الوكلاء بطريقة منهجية. كنت أرشح ألا تبدأ أبدًا بمستوى مستهدف من التautomatisation؛ بدلاً من ذلك، ابدأ بتحديد السير الذاتية التي يمكن للوكلاء فيها خلق قيمة، اقسمها إلى قطع صغيرة واطرح على نفسك أي من هذه القطع يمكن تautomatisationها بالكامل، وأيها يمكن تautomatisationها جزئيًا، وأيها يحتاج إلى حكم بشري.

في الممارسة، نجد أن الوكلاء يخلقون أكبر قيمة عندما يتم استخدامهم في مهام محددة بشكل كبير، والتي تتراوح من جمع المعلومات إلى تحليل الإدخالات إلى توليد التوصيات إلى إعداد الإخراج للخطوة التالية. التautomatisation المحددة التي يكون فيها المهمة بسيطة تعمل بشكل أفضل من محاولة تautomatisation عملية معقدة.

أما حيث يبقى البشر ضروريين فهو في الإشراف ومعالجة الاستثناءات وصنع القرارات الحساسة للزبون والأحكام التي تتطلب مساءلة. الهدف ليس أبدًا استبدال اتخاذ القرار البشري، ولكن السماح للوكلاء بمعالجة الأجزاء التي يمكنهم فيها خلق قيمة موثوقة بينما يتعامل البشر مع القرارات التي تتطلب مساءلة.

MCE تحدثت عن استخدام الذكاء الاصطناعي لتوفير تجارب أجهزة أكثر تخصيصًا وتحسين الكفاءة التشغيلية لمشغلي الأجهزة المحمولة. كيف تتوازن بين التخصيص وازدياد المخاوف حول الخصوصية والشفافية وثقة المستخدم؟

بسبب أن الذكاء الاصطناعي يبدو بشريًا، يتفاعل المستخدمون معه بطرق تظهر أكثر مما ينبغي. هذا يضع مسؤولية حقيقية على المنظمات لتكون حريصة وشفافة حول ما يتم جمعه من بيانات. مثال بسيط: عندما يقدم الزبون لقطة شاشة كجزء من عملية فحص، قد تحتوي الصورة بشكل غير مقصود على معلومات شخصية على شاشته. من الضروري أن تطبق المنظمات حماية لتقليم الصورة وإزالة المحتوى الزائد، مع الحفاظ على التركيز على ما يتعلق بالتفاعل فقط وتقليل التعرض غير الضروري للبيانات.

من وجهة نظري، يجب أن تخدم أي بيانات نجمعها مصالح الزبون واحتياجاته. يجب أن يتم جمعها فقط عندما تدعم غرضًا محددًا، مثل حل استفسار الزبون أو تقديم درجة معينة من التخصيص. في نفس الوقت، يجب التعامل مع البيانات بطريقة تحافظ على الخصوصية، وتتجنب أي ربط غير ضروري مع هوية الزبون في العالم الحقيقي.

بمعنى آخر، نفهم ملف الزبون بشكل محدد كما يتعلق ب兴趣 أعمالنا. في حالتنا، كمنظمة تتوافق مع الخصوصية، إنه حول حالة الجهاز المحمول وسلوك المستخدم كما يتعلق بموفري خدمات الاتصالات، وليس حول هويته أو سلوكياته الأخرى.

ما يهم أيضًا هو التفاعل نفسه مع الزبون. الحدود الوقائية حاسمة هنا لتبقى ضمن الغرض والصوت العلامة وتجنب الانحراف عن ما المنظمات مستعدة للتحكم فيه. في الممارسة، تساعد الحدود الوقائية على تجنب الانتهاكات القانونية أو التنظيمية وتجارب الزبون السلبية. في بعض الأحيان، هذه قد تكون عمليات شاقة، لكنها ضرورية.

لقد درّست مواضيع تتراوح من أساسيات علوم الحاسوب إلى استرجاع المعلومات و استخراج البيانات. إذا كنت تصمم مناهج الذكاء الاصطناعي للطلاب الذين يدخلون سوق العمل اليوم، ما هي المواضيع التي ستجعلها優先ية، وما هي المفاهيم القديمة التي ستزيلها؟

المناهج تحتاج إلى التغيير بطريقتين. المواضيع التي كانت مقتصرة على البرامج الدراسية العليا، مثل الشبكات العصبية والتحويلات والنماذج اللغوية الكبيرة، يجب أن تصبح مواضيع أساسية في الدراسات الجامعية. يحتاج الطلاب الذين يدخلون سوق العمل إلى فهم كيف تعمل هذه الأنظمة وكيف يمكن تقييمها بشكل نقدي.

يحتاج الطلاب أيضًا إلى تعلم كيفية استخدام الذكاء الاصطناعي بشكل مسؤول كأداة للتعلم والبحث. هذا يعني التشكيك في الإخراج، التحقق من المصادر، وفهم القيود، ومعالجة الذكاء الاصطناعي كشريك تفكير بدلاً من اختصار للقيام بالواجب.

ما لن أزيله هو الرياضيات والأساسيات الخوارزمية. سأجادل أن هذه هي أهم من أي وقت مضى. ما سأقصصه هو المهام التي تكافئ التنفيذ الميكانيكي دون إظهار التفكير النقدي. يجب أن يتغير التركيز إلى صياغة المشكلة والتقييم وتصميم النظام والاستخدام المسؤول.

بعد أن استشارت العديد من الشركات الناشئة حول استراتيجية الذكاء الاصطناعي، ما هي أكثر الأخطاء الشائعة التي يرتكبها المؤسسون عند بناء منتجات الذكاء الاصطناعي، وما يفرق بين الشركات التي تنجح في الانتقال من البروتوتايب إلى الإنتاج؟

أكثر الأخطاء الشائعة التي أراها هي الانخراط في التكنولوجيا قبل فهم المشكلة أو الزبون أو مسار التبني. ثاني أكثر الأخطاء شيوعًا هو عدم معرفة قيود الذكاء الاصطناعي جيدًا، لذا إجبارها على استخدامها في حالات لا تزال غير ناضجة.

ما يفرق المؤسسين الذين يصلون إلى الإنتاج الناجح هو الخبرة العميقة في المجال وموقف البحث. أفضل منتجات الذكاء الاصطناعي تأتي من مؤسسين يفهمون مجالًا محددًا جيدًا بما يكفي لتحديد فجوة تكنولوجية حقيقية. لا يبدأون من “ماذا يمكننا فعله بالذكاء الاصطناعي؟” ولكن من “هنا مشكلة محددة، هنا لماذا الحلول الحالية في السوق لا تكتفي، وهنا لماذا يمكن للذكاء الاصطناعي حلها بشكل مستدام الآن”.

علاوة على ذلك، المؤسسون الناجحون يتعلمون دائمًا من الزبائن والمنافسين والمستشارين والمحاولات الفاشلة. يدرسون كيفية اتخاذ القرارات وكيف تتحرك الميزانيات وما يخلق الثقة لجمهورهم المستهدف. في النهاية، ليسوا يبنيون منتجًا فقط، بل يبنيون شيئًا يحتاج إلى البقاء في بيئة حقيقية وليس من أجل نفسه.

نظرًا إلى المستقبل على مدى خمس سنوات، هل تعتقد أن أكبر تأثير للذكاء الاصطناعي سيكون من نماذج أساسية أكثر قوة، أو أنظمة وكلاء، أو الذكاء الاصطناعي متعدد الوسائط، أو الذكاء على الجهاز، أو اتجاه مختلف تمامًا الذي يهمله المجال حاليًا؟

أكبر التأثير لن يأتي من تحسينات النماذج الأساسية فقط، ولكن من كيفية دمج هذه النماذج في أنظمة يمكنها المراقبة والعمل في سير عمل حقيقي وتحسينها. هذا التحول من نموذج قوي إلى نظام قوي هو حيث أتوقع التقدم الأكثر معنى في المدى القصير.

هذا سيكون أكثر قوة عندما تذهب الأنظمة إلى متعدد الوسائط، حيث يمكنها العقلانة على النص والصوت والصورة والفيديو والإشارات السياقية الحقيقية في العالم، ويمكنها تقليد كيف يفهم البشر العالم. هذا سوف يفتح إمكانيات جديدة في دعم العملاء والرعاية الصحية والتصنيع، وغيرها.

تكنولوجيا أخرى ناشئة التي أعتقد أنها ستكون ثورية هي الوكلاء الذين يتفاعلون مع العالم المادي. شركات مثل Boston Dynamics تظهر بالفعل فن الإمكانيات وإمكانية الوكلاء عندما تتقارب الإدراك والتفكير والتخطيط والعمل البدني. سواء في شكل إنسان أو أنظمة روبوتية متخصصة، الوكلاء ذوو الأجسام قد يثبتون أنهم واحد من التعبيرات الأكثر ملموسة وثورية للذكاء الاصطناعي التي سنراها في السنوات الخمس القادمة. بالنسبة إلى MCE، هذا يخلق فرصًا في اللوجستيات والعمليات التشغيلية، حيث لا يزال هناك العديد من المهام المتكررة والبسيطة التي تتطلب التفاعل البشري المادي. الأمثلة تشمل उठاء جهاز، الضغط على الأزرار، توصيل الكوابل، أو نقل الأجهزة بين المحطات. هذه هي مرشحة مثالية للautomatisation من خلال الروبوتات والذكاء الاصطناعي التي تسمح للنظم بأن تكون أكثر كفاءة وثباتًا وتتعامل مع حجم أكبر.

لقطاع الاتصالات، القدرة على توقع هجرة الزبون والتصرف عليها مع نماذج الذكاء الاصطناعي هي حيث سيكون المال في السنوات القليلة القادمة. إذا كنت تستطيع بناء نموذج موثوق يمكنه دمج البيانات من جميع نقاط التفاعل مع الزبون، ويمكنه تقييم دقة احتمالية الهجرة والتصرف عليها، سوف تحل مشكلة ركود للموفريين.

شكرًا على المقابلة الرائعة، القراء الذين يرغبون في التعلم أكثر يجب أن يزوروا MCE Systems.