كيف نقلت معرفتي إلى أنظمة الذكاء الاصطناعي التي يمكنها اتخاذ قرارات مثل الخبراء البشر

عندما غادرت مايكروسوفت وواصلت العمل مع الشركات على تنفيذ أنظمة الذكاء الاصطناعي، لاحظت أن معظم أنظمة الذكاء الاصطناعي التي كان الناس متحمسين لها لا تستطيع اتخاذ قرارات بحكم人类 حقيقي. بالطبع، يمكنهم الكتابة والتلخيص وإنتاج نصوص لامعة ت听 مثل قرار، ولكن عندما تضع هذه الأنظمة في بيئة تشغيل حقيقية، حيث هناك تضحيات وعدم اليقين وتعليمات غير كاملة ونتائج حقيقية، يتعثرن بسرعة. هذا يتوافق مع البيانات من مشروع MIT NANDA الذي يظهر أن بينما 60% من المنظمات قيمت أدوات الذكاء الاصطناعي، فقط 20% وصلت إلى مرحلة الاختبار، و 5% فقط وصلت إلى الإنتاج. في outras كلمات، يعاني القطاع من صعوبة بناء أنظمة يمكنها الصمود داخل سير العمل الحقيقي.

في بيئات الشركات، خاصة في مجالات مثل سلسلة التوريد والتصنيع والعمليات، الحصول على إجابة ليس صعبًا؛ بل معرفة أي إجابة يمكن الوثوق بها، وأي المتغيرات أكثر أهمية، وما هو المحتمل أن ي发生 خطأ إذا كان الخيار خاطئ. في نظري، هذا هو كل من مشكلة الخبرة والحكم.

للتأكيد، لقد حقق الذكاء الاصطناعي إنجازات استثنائية في إنتاج مخرجات أفضل. ولكن المخرجات الأفضل ليست هي نفسها القرارات الأفضل. هذه هي معالم منفصلة، وأعتقد أن القطاع قد قام بإنفاق الكثير من الوقت في معاملتها على أنها قابلة للتبادل.

نقص الخبرة والحكم هو السبب الذي جعلني مهتمًا ببناء الذكاء الاصطناعي الذي يمكن للخبراء تعليمه اتخاذ قرارات معقدة بنفس الطريقة التي يفعلونها. لا ينبغي أن يكون الذكاء الاصطناعي فقط حول توفير المهام، ولكن حول نقل الحكم البشري بشكل فعال ومأمون إلى أنظمة الذكاء الاصطناعي التي يمكنها الصمود.

نماذج اللغة الكبيرة (LLMs) تتحدث مثل صانعي القرار، ولكنها ليست كذلك

لا شك أن نماذج اللغة الكبيرة مفيدة، ولكنها ليست، بشكل افتراضي، أنظمة اتخاذ قرارات. هي أنظمة تنبؤ مغلفة باللغة. واللغة مقنعة، وهذا جزء من المشكلة. إذا كان النظام يمكن أن يفسر نفسه بطريقة متسلسلة، فإننا نعتبره أكثر ذكاءً مما هو عليه في الواقع. تسأله سؤالاً تجاريًا، فيعطيك إجابة منسقة مع تبادلات وتنبيهات وملخصًا لطيفًا في النهاية، مما يجعله يبدو أكثر ذكاءً مما هو عليه في الواقع. الصوت المتسلسل والكفاءة التشغيلية ليسا نفس الشيء، وهنا تكمن مشكلة الكثير من أنظمة الذكاء الاصطناعي في الشركات. يمكن للنماذج أن تخبرك بما يبدو وكأنه قرار جيد دون أن تفهم ما يجعل القرار جيدًا تحت الضغط أو بمرور الوقت أو في السياق. هذا هو أحد الأسباب التي تجعل الكثير من المنظمات تعاني في الانتقال إلى ما بعد التجارب. وجدت جارتنر أن ما لا يقل عن 50% من مشاريع الذكاء الاصطناعي التوليدية يتم التخلي عنها بعد إثبات المفاهيم، قبل أن تصل إلى أي تأثير تشغيلي حقيقي، غالبًا بسبب قيم وضوابط المخاطر غير الواضحة.

المعلومات ليست هي نفسها الخبرة

أحد أسهل الفخاخ التي يمكن أن تقع فيها مع الذكاء الاصطناعي هو افتراض أن النظام سيكون قادرًا على الأداء مثل الخبير إذا كان لديه معلومات كافية. يبدو هذا منطقيًا، ولكن عندما تفكر في حياتنا اليومية، فإن زيادة معلوماتنا حول شيء ما لا تجعلنا تلقائيًا خبراء. يمكنك قراءة كل دليل الطيران وستظل غير مستعد للهبوط. يمكنك تحسين كل أفضل الممارسات في سلسلة التوريد وستظل متجمدًا عندما تذهب ثلاثة أشياء خاطئة في نفس الوقت.

يمكنني أن أستمر، ولكن النقطة هي أن المعلومات لا تعادل القدرة. القدرة تأتي من الخبرة، وخاصة التعرض المتكرر للمواقف الصعبة حيث الإجابة ليست واضحة.

كل يوم، أرى أن معظم أنظمة الذكاء الاصطناعي اليوم يتم تدريبها على أمثلة ثابتة. هذا مفيد لصنع التنبؤات، ولكن هذا جزء صغير فقط من اتخاذ القرار. الشركات ليست بحاجة إلى بيانات بالضرورة، ولكنها تحتاج إلى بيئات منظمة للممارسة، مما يعني إعطاء الأنظمة بيئات حيث يمكنهم:

• مواجهة سيناريوهات واقعية
• اتخاذ اختيارات
• رؤية ما يحدث
• استلام التغذية الراجعة
• التحسين مع مرور الوقت

يمكن تدريب الذكاء الاصطناعي باستخدام خوارزميات التنبؤ، ولكن هذا النهج له قيود. ما هو مطلوب بعد ذلك هو الذكاء الاصطناعي الذي يمكن تدريبه في بيئة محاكاة مع إشراف بشري. أسمي هذا تعليم الآلة، وهي منهجية تنقسم القرارات المعقدة إلى سيناريوهات ومهارات، وتوفر دليلًا للخبراء لتعليم الذكاء الاصطناعي من خلال المحاكاة. التغذية الراجعة والتجربة والخطأ في النهاية تمكن الوكلاء من التعلم والعمل بالاستقلال في العالم الحقيقي مباشرة من الأشخاص الذين بنوا هذه العمليات.

توقف عن معاملة الذكاء الاصطناعي ككيان وحيد

أحد الأخطاء الأخرى التي أراها كثيرًا هو افتراض أن نموذجًا كبيرًا يجب أن يقوم بكل شيء. لا يوجد فريق كرة سلة يتكون من شخص واحد فقط. لا يوجد مصنع يدار بواسطة فرد. الأنظمة المعقدة تعمل لأن المكونات المختلفة تقوم بمهام مختلفة، وهناك هيكل يربطها معًا.

يجب بناء الذكاء الاصطناعي بنفس الطريقة. لا أعتقد أن المستقبل البعيد لاتخاذ القرار في الشركات سيكون نموذجًا巨اليًا يجلس في وسط الشركة وي притенд إلى الكفاءة الشاملة. من المرجح أن يبدو أكثر مثل فرق من وكلاء متخصصين.

يمكن لوكيل واحد أن يكون خبيرًا في استرجاع البيانات. آخر أفضل في تقييم السيناريوهات. آخر يتعامل مع التخطيط. واحد يتحقق من الامتثال أو يكتشف التناقضات. آخر يتصرف أكثر مثل المشرف، ويقرر متى يجب رفع القضية أو عندما تكون الثقة منخفضة جدًا للمواصلة. بنية الفريق تجعل أكثر من المعنى بالنسبة لي لأنها تتوافق مع كيفية عمل المنظمات الحقيقية وتتماشى مع الاتجاهات السوقية الأوسع. تؤكد نتائج مكنزي أن المنظمات تحصل على القيمة الأكبر من الذكاء الاصطناعي من خلال إعادة تصميم سير العمل والهياكل التشغيلية حولها.

ليس جميع القرارات تتخذ بنفس الطريقة، وغالبًا ما نافترض أن نفس النموذج، ونفس البيانات، ونفس نوع المنطق يمكنه التعامل مع جميعها. في الواقع، تتطلب القرارات المختلفة آليات مختلفة.

الطرق الأربعة لاتخاذ القرارات بشكل فعلي

من خلال خبرتي، تتوزع معظم القرارات على عدة فئات:

1. أنظمة التحكم (قواعد وصيغ): يتم اتخاذ القرارات بتطبيق معادلات أو قواعد محددة على مدخلات معروفة. إذا حدث X، افعل Y.
2. البحث والتحسين: يتم اتخاذ القرارات بتقييم العديد من الخيارات واختيار الأفضل بناءً على هدف محدد.
3. التعلم بالتعزيز (الtrial وخطأ): يتم تعلم القرارات بمرور الوقت باتخاذ إجراءات ومراقبة النتائج وتعديلها بناءً على المكافأة أو الجزاء.
4. الممارسة والخبرة (التعلم على الطريقة البشرية): يتم تشكيل القرارات من خلال التعرض المتكرر للسيناريوهات الحقيقية، والتوجيه والتعليقات المتراكمة والقضاء في السياقات الحقيقية.

تتعامل معظم أنظمة الذكاء الاصطناعي في الشركات بشكل جيد في الفئتين الأوليين. الفئتان الثالثة والرابعة أكثر تحديًا للذكاء الاصطناعي، لأن هذا هو المكان الذي يعيش فيه الحكم البشري.

الاستقلال بدون هيكل هو خطر

كلما تحدث الناس عن الذكاء الاصطناعي المستقل، تتفرق المحادثة إلى طرفين متطرفين. يعتقد أحد الطرفين أن الأنظمة سحرية وجاهزة للتشغيل. يتصرف الطرف الآخر كما لو أنها لا يجب أن تثق بأي شيء مهم.

لا أعتقد أن أي من هذه الآراء مفيدة. يجب أن نركز على الاستقلال داخل الهيكل لأن الاستقلال بدون إشراف أو منطق الارتفاع أو الحدود أو المساءلة هو مصدر الخطر الرئيسي. مخاوف الخطر تظهر أكثر الآن، أيضًا، في المحادثات التي تشكلها الجهود مثل إطار إدارة مخاطر الذكاء الاصطناعي التابع لمعهد المعايير الوطني، الذي يعكس مدى جدية المنظمات في معالجة أسئلة الإشراف والمساءلة والثقة التشغيلية.

مستقبل الذكاء الاصطناعي في الشركات يكمن في فرق من الوكلاء. المنظمات التي تحصل على أكبر قيمة من الذكاء الاصطناعي لن تكون تلك التي تؤتمة الأكثر من الكلمات. هم الذين يفهمون كيفية نقل الخبرة الحقيقية إلى أنظمة يمكنها الصمود عندما يصبح البيئة معقدة. هذا، في نظري، هو الفرق بين الذكاء الاصطناعي الذي يبدو مثيرًا للإعجاب والذكاء الاصطناعي الذي يصبح مفيدًا حقًا، مما ينتج عائدًا حقيقيًا.