بريان ساثياناثان، كبير مسؤولي التكنولوجيا وأحد مؤسسي Iterate.ai – سلسلة المقابلات

بريان ساثياناثان هو كبير مسؤولي التكنولوجيا وأحد مؤسسي شركة Iterate.ai، الشركة التي طورت منصة Interplay منخفضة الشفرة لإنشاء تطبيقات قائمة على الذكاء الاصطناعي بسرعة عبر الصناعات. في السابق، عمل ساثياناثان في شركة آبل على مشاريع تكنولوجيا ناشئة مختلفة، بما في ذلك نظام التشغيل Mac وآيفون الأول.

ما الذي جذبك في البداية للعمل مع تقنيات الذكاء الاصطناعي؟

لقد كنت دائمًا مهتمًا بالتعلم القائم على الخوارزميات، وبدأت العمل مع أنظمة الذكاء الاصطناعي خلال فترة دراستي الجامعية. بالإضافة إلى ذلك، قمت بإنفاق الكثير من الوقت في بداية مسيرتي المهنية في بناء تقنيات التشفير وغيرها من تقنيات الأمان لشركة آبل، وتقنيات ضغط الفيديو لشركة سابقة شاركت في تأسيسها. كل من تقنيات الفيديو والتشفير تعتمد بشكل كبير على الخوارزميات، مما جعل منحني التعلم في مجال الذكاء الاصطناعي أسرع. في عام 2016، بدأت في اللعب مع إطارات الذكاء الاصطناعي المفتوحة والمعالجات الرسومية، وأدركت مدى تقدمها خلال السنوات الخمس الماضية – من حيث الخوارزميات وقدرتها على القيام بمجموعة أوسع من التصنيفات. ثم أدركت الحاجة إلى جعل هذا الأمر أسهل وأبسط للجميع.

لديك بعض الآراء القوية حول الانحياز المعرفي والانحياز في البيانات في الذكاء الاصطناعي، هل يمكنك مشاركة هذه المخاوف؟

ينشأ انحياز الذكاء الاصطناعي عندما يترك المهندسون وجهات نظرهم وأفكارهم المسبقة تشكّل مجموعات بيانات تدريب الذكاء الاصطناعي. هذا يؤدي سريعًا إلى تقويض ما يحاولون إنجازه مع الذكاء الاصطناعي. في معظم الأحيان، يكون هذا التأثير غير واعٍ، لذلك قد لا يكونوا على دراية بانحياز البيانات. بدون ضوابط فعالة، يمكن أن تقتصر البيانات على النقاط أو الديموغرافية التي يعتادها المهندسون. حتى عندما يكون لديهم بيانات عالية الجودة والكمية، يمكن أن يؤدي انحياز البيانات إلى جعل النتائج التي تقدمها تطبيقات الذكاء الاصطناعي خاطئة وعديمة الفائدة.

قدر تقرير جارتنر أن 85% من مشاريع الذكاء الاصطناعي سوف توفر نتائج خاطئة بسبب الانحياز حتى عام 2030. هذا هو فرق كبير يجب التغلب عليه. الشركات التي تستثمر في القدرات الذكاء الاصطناعي وتعتمد عليها في اتخاذ القرارات الاستراتيجية، ولكنها تضلل بنتائج خاطئة بسبب الانحياز، تخاطر بفشل باهظ التكلفة وتضرير سمعتها. مع تحول الذكاء الاصطناعي بسرعة من تكنولوجيا ناشئة إلى ركن أساسي في التطبيقات التي تواجه العملاء والعمليات الداخلية، فإن إزالة الانحياز أمر ضروري لتحقيق إمكانات الذكاء الاصطناعي في المستقبل.

ما هي بعض الطرق لمنع هذه الانحيازات من الظهور؟

يجب اكتشاف الانحياز في الذكاء الاصطناعي وإزالته بشكل منهجي واستباقي. قد يكون الانحياز مضمّنًا برمجيًا في الخوارزميات. قد تُدخل الأخطاء عبر الانحيازات المعرفية التي تحذف بيانات ضرورية. الانحياز التراكمي هو خطر آخر هنا، حيث يؤدي تراكم القرارات الصغيرة إلى نتائج انحيازية.

اكتشاف الانحياز وإزالته في جميع أشكاله يتطلب من المنظمات استخدام الأطر ومجموعات الأدوات والعمليات والسياسات التي تهدف إلى التغلب على هذه القضايا. على سبيل المثال، يمكن أن تساهم إطارات الذكاء الاصطناعي مثل إطار Aletheia من Rolls Royce وإطار Deloitte للذكاء الاصطناعي – مدعومة بالمعايير التلقائية – في تعزيز ممارسات خالية من الانحياز عبر تطوير وتطبيق تطبيقات الذكاء الاصطناعي. يمكن لأدوات مثل AI Fairness 360 وIBM Watson OpenScale التعرف على الانحياز والأنماط الانحيازية وإزالتها في نماذج وخطوط أنابيب التعلم الآلي. أخيرًا، يمكن للعمليات التي تختبر البيانات ضد معايير الانحياز المحددة، مع سياسات توفر الحوكمة لمنع الانحياز من خلال ممارسات مفروضة، أن تمكن المنظمات من التحقق منه بشكل منهجي وتقليص الانحياز.

كيف بدأت شركة Iterate.ai؟

تبدأ القصة في عام 2013 عندما كنت أنا وجون نوردمارك (مديرنا التنفيذي) أعضاء مجلس إدارة في معجل أوروبي شرقي مقره أوكرانيا، مصمم لدعم رواد الأعمال هناك في بناء وتشغيل شركات ناشئة على نمط وادي السيليكون. أدت هذه الخبرات مع الشركات الجديدة المبتكرة إلى فكرة ربط الشركات الناشئة الواعدة (ولكن ربما أقل شهرة) بالشركات الكبيرة التي تحتاج إلى دعم الابتكار. بعد ذلك، أطلقنا ما كان يسمى آنذاك Iterate Studio، وتم تقديم محرك بحث متخصص للشركات للعثور على شركاء ناشئين بناءً على القدرات الابتكارية التي كانت المنظمات الكبيرة تطلبها. في عام 2015، أصبحت الشركة تعرف باسم Iterate.ai لإبراز انتقائنا للشركات الناشئة باستخدام الذكاء الاصطناعي. اليوم، قاعدة بيانات Signals لدينا تفهرس أكثر من 15.7 مليون تكنولوجيا ناشئة بناءً على عوامل متعددة (استخدام الذكاء الاصطناعي المملوك لجعل ذلك يحدث على هذا النطاق).

وسعنا في عام 2017 وأطلقنا الإصدار الأول من منصة Interplay منخفضة الشفرة لتطوير التطبيقات. توفر Interplay طبقة برمجية مدعومة بالذكاء الاصطناعي تحديث المجموعات التقليدية للمنظمات من خلال تمكين استخدام التكنولوجيات الجديدة بطريقة سحب وإفلات، مع تسريع تطوير البرمجيات بعشر مرات. تحتوي المنصة على 475 مكونًا مسبقًا، بحيث يمكن للمستخدمين مزج وتطابق التكنولوجيات التي يحتاجونها لتشغيل التطبيقات بسرعة. تعزيز الذكاء الاصطناعي هو جزء أساسي من المنصة، بالإضافة إلى مكونات منخفضة الشفرة أخرى لتقنيات الإنترنت الأشياء وتكامل البيانات والبلوك تشين.

ما هي بعض التطبيقات الذكاء الاصطناعي التي يمكن بناؤها باستخدام Iterate.ai؟

لقد قامت منصتنا منخفضة الشفرة بتمكين تطبيقات الذكاء الاصطناعي لمجموعة متنوعة من الحالات الاستخدامية – وهذا هو شيء نفتخر به حقًا. استخدمت Ulta Beauty (ULTA ) ، شركة التجزئة العالمية لمستحضرات التجميل ذات الحجم البالغ مليار دولار، منصتنا لإنشاء دردشة ذكية قائم على الذكاء الاصطناعي في غضون أسبوعين فقط. في المقابل، الدردشات النصية البسيطة هي مركزة على الكلمات الرئيسية، وغالبًا ما لا تستطيع تطبيقات الدردشة النصية من البائعين التكامل بشكل متساوٍ مع الأنظمة التقليدية للوصول إلى معلومات العملاء أو السماح بانتقالات سلسة إلى دعم بشري. قامت دردشة Ulta الذكية بإزالة هذه القضايا من خلال وظيفة معالجة اللغة الطبيعية وقدرة على التعرف على نوايا العملاء لتقديم استجابات دقيقة حقًا. جعلت منصتنا من السهل على Ulta بناء محرك الدردشة الذكية في غضون ساعات، وتكوينها وتحسينها وتحديثها بسرعة.

في مثال آخر، استخدمت Jockey منصتنا لتقديم إجابات عن الأسئلة الشائعة مدعومة بالذكاء الاصطناعي، قادرة على الاستجابة تلقائيًا وبنجاح لمواقف خدمة عملاء معقدة وذاتية إلى حد ما. وأتاحت المنصة أيضًا لشبكة عالمية من المتاجر الصغيرة ومحطات الوقود الاستجابة للجائحة بمضخات وقود دون لمس، تعتمد على التعرف على لوحات مركبات العملاء بالصور باستخدام الذكاء الاصطناعي. كما تدعم قدراتنا استراتيجيات أمن المتاجر القائمة على الكاميرات. تستطيع التطبيقات المدربة اكتشاف التهديدات والأسلحة خارج واجهات المتاجر، وتفعيل إغلاقها لحماية العملاء، والاتصال بالسلطات.

ما مدى ضآلة الحاجة الفعلية إلى البرمجة؟ وما مهارات التطوير التي يحتاجها المستخدمون؟

في رأيي، ينطبق قانون 80/20. 80% من حالات استخدام الذكاء الاصطناعي المطبقة تم بناؤها بالفعل وتم تحديد نماذج وبيانات تدريب حولها. يمكن لأي منظمة تقليدية استخدام منصة منخفضة الشفرة (مثل Interplay) وتطبيق هذه الحالات. على سبيل المثال:

• إجابات عن الأسئلة الشائعة مدعومة بالذكاء الاصطناعي
• مكتشفات المنتجات مدعومة بالذكاء الاصطناعي
• توصيات المنتجات وتحزيمها
• التعرف الضوئي على الحروف
• التعرف المرئي على المنتجات
• تحليل البيانات الجدولية: مثل متوسط قيمة الطلب (AOV)، وتحليل سلة التسوق، وتوقعات تسرّب العملاء
• استخراج الكائنات/اكتشافها
• استمرار الكائنات

يمكن تنفيذ هذه الحالات بواسطة مهندس لديه معرفة ببرمجة الخادم وجانب الخادم وفهم أساسي لواجهات برمجة تطبيقات التعلم الآلي. هذا مشابه لتقنيات بث الفيديو والتشفير وإدارة المفاتيح، التي يتم استخدامها على نطاق واسع عبر واجهات برمجة التطبيقات اليوم. غالبًا ما لا يعرف المهندسون الذين يستخدمون هذه الواجهات كيف تعمل تحت الغطاء.

لماذا من المهم استخدام منصات منخفضة الشفرة للنطاق الواسع لتكنولوجيا الذكاء الاصطناعي؟

الشركات التي تسعى إلى القدرات الذكاء الاصطناعي في تطوير التطبيقات يمكن أن تواجه تحديات كبيرة عند عدم استخدام منصات منخفضة الشفرة. في العالم اليوم، هناك فقط 300,000 مهندس ذكاء اصطناعي، و 60,000 منهم فقط هم علماء بيانات. بسبب ذلك، يصبح المواهب اللازمة لتطوير ونطاق حلول الذكاء الاصطناعي باهظة الثمن وترتفع. في المقابل، تعمل منصات التطوير منخفضة الشفرة على تحسين الوصول إلى الذكاء الاصطناعي. مع منصات منخفضة الشفرة، يمكن لأي من المطورين البالغ عددهم 25 مليون حول العالم، حتى أولئك الذين لا يملكون تدريبًا، تنفيذ محركات الذكاء الاصطناعي بسهولة، وتحسين قدراتهم، وإنتاج حلول فعالة.

بالعودة إلى منصة Signals من Iterate.ai المدعومة بالذكاء الاصطناعي، ما هي بعض الاتجاهات المثيرة للاهتمام التي تظهر؟

نحن نشهد نموًا سريعًا عبر خمسة قوات للابتكار: الذكاء الاصطناعي، الإنترنت الأشياء، البلوك تشين، البيانات، وحلول الشركات الناشئة. هذه هي أسواق كبيرة جدًا. نحن نرى آلاف النقاط البيانية حول الأخبار، البراءات، والمنتجات الجديدة كل يوم. تم بناء Interplay لاستغلال هذه القوات، بما في ذلك المكونات المسبقة للاستفادة من هذه القوات المتزايدة.

هل هناك أي شيء آخر تود مشاركته حول Iterate.ai؟

أعتقد أنه ما زالت هناك تصورات خاطئة حول التطوير منخفض الشفرة ودوره في إنشاء تطبيقات الذكاء الاصطناعي. وليس من النادر أن يتساءل متخصصو تقنية المعلومات عما إذا كانت استراتيجية منخفضة الشفرة تلبي متطلباتهم لقابلية التوسع وإضافة الوظائف والأمان على مستوى المؤسسات. وأرى أن الخيارات المخصصة للنماذج الأولية، التي استُخدمت خطأ كأدوات لتطبيقات الإنتاج، ساهمت في هذه الشكوك. ومع ذلك، فالمنصات المناسبة قادرة تمامًا على بناء تطبيقات ذكاء اصطناعي جاهزة للإنتاج ودعمها. وينبغي للمؤسسات أن تبذل العناية الواجبة عند اختيار الأدوات منخفضة الشفرة، وتتأكد من امتلاكها طبقة أمان شفافة وشاملة، وسجل مثبت في تقديم التطبيقات على نطاق المؤسسات.

شكرًا على المقابلة الرائعة، يمكن للقارئين الذين يرغبون في معرفة المزيد زيارة Iterate.ai.