هوش مصنوعی که به اختصار AI نامیده می شود امروزه تقریبا در هر بخش از صنعت تکنولوژی مورد استفاده قرار گرفته است. امروزه شما می توانید این تاثیر هوش مصنوعی را بر روی اپلیکیشن ها، ابزارهای توسعه، پلتفرم های محاسبه، سیستم های مدیریت پایگاه داده، میان افزارها، ابزارهای مدیریتی و نظارت و تقریبا هر چیزی در دنیای تکنولوژی مشاهده کنید. شاید برای شما جالب باشد که بدانید از AI می توان برای بهبود AI نیز استفاده کرد.

حال سوالی که ممکن است برای شما پیش آمده باشد این است که در سال جدید چه تغییراتی در کاربردهای هوش مصنوعی، ابزارها، تکنیک ها، سیستم عامل ها و استانداردهای این حوزه به وجود می آید؟ این موضوع همان چیزی است که ما در سال 2020 انتظار آن را خواهیم داشت.

GPU ها همچنان بر روی شتاب AI تاثیر گذار خواهند بود

شتاب دهنده های سخت افزاری AI تبدیل به یک جبهه اصلی رقابت در حوزه فناوری شده اند. حتی با وجود فناوری های سخت افزاری chipset هوش مصنوعی که از جمله آنها می توان به CPU ها، FPGA و واحد های پردازنده شبکه های عصبی اشاره کرد GPU ها همچنان تاثیر خود را دارا هستند و نقش مهمی را در محیط های اپلیکیشن cloud-to-edge ایفا می کنند. امروزه شما در زنجیره های تامین صنعتی نیز می توانید تاثیر GPU ها را مشاهده کنید.

پیشنهادات مبتنی بر GPU در مارکت Nvidia برای رشد و پذیرش بیشتر در سال 2020 آماده است و در سال های آینده نیز نقش بسیار مهمی را ایفا خواهد کرد. با این حال طی دهه آینده فناوری های مختلف غیر از GPU مانند CPU، ASIC،  FPGA و واحدهای پردازنده شبکه های عصبی نیز عملکرد خود را بهبود خواهند داد و در هزینه ها و همینطور قدرت خود کارآمد خواهند بود. با گذشت هر سال Nvidia توجه رقبای بیشتری را به خود جلب می کند.

معیارهای استاندارد صنعتی AI تبدیل به یک جبهه اصلی رقابتی می شوند

از آنجایی که بازار AI بالغ شده است و پلتفرم های محاسباتی برای تشخیص سریع ترین، پایدارترین و کم هزینه ترین سیستم های مبتنی بر AI به کار گرفته می شوند معیارهای استاندارد صنعتی امروزه از اهمیت بسیار زیادی در این بازار برخوردار هستند. در سال گذشته معیارهای MLPerf بخش بسیار بزرگی از رقابت در این زمینه را به خود اختصاص دادند چرا که تمامی شرکت های بزرگ از جمله Nvidia و گوگل به عملکرد موفقیت آمیز خود با استفاده از این معیارها افتخار می کردند. در سال 2020 معیارهای AI به بخش بسیار مهمی از این بازار تبدیل می شوند و با گذشت زمان توجهات بیشتری را به خود جلب می کنند. با گذشت یک دهه نتایج معیارهای MLPerf در هر جایی که قابلیت های AI با عملکرد بهتر مورد نیاز باشند راه حل هایی فوق العاده را ارائه خواهند داد.

فریم ورک های مدل سازی هوش مصنوعی از دیگر جنبه های رقابتی در این زمینه

فریم ورک های مدل سازی AI محیط های اصلی در حوزه علم داده می باشند که نمودارهای محاسباتی مبتنی بر آمار را برای آموزش دادن به ماشین شما ایجاد می کنند. در سال 2020 اکثر دانشمندان علم داده احتمالا از ابزارهایی مانند TensorFlow و یا PyTorch که محبوب تر هستند در بیشتر پروژه های خود استفاده خواهند کرد و این دو فریم ورک در اکثر محیط های کاری مربوط به دانشمندان علم داده که فعالیت های تجاری انجام می دهند موجود خواهند بود.

نکاتی مهم درباره این فریم ورک ها

با گذشت دهه ها اختلاف میان این فریم ورک ها بیشتر و بیشتر می شود چرا که دانشمندان علم داده و سایر کاربران عملکرد این ابزارها و فریم ورک ها را مورد بررسی قرار می دهند و بهترین ها را برای کار خود انتخاب می کنند. در همین راستا بیشتر فروشندگان ابزارهای هوش مصنوعی پلتفرم های مدل سازی framework-agnostic را به کاربران خود ارائه می دهند که ممکن است به میزان زیادی محبوبیت فریم ورک های قدیمی AI را تحت تاثیر قرار دهد. شتاب بسیار زیاد در ساخت پلتفرم های مدل سازی AI در صنعت بسیاری از لایه های انتزاعی مانند Keras و ONNX را تطبیق می دهد که این موضوع شما را قادر می سازد تا یک مدل ساخته شده در فرانت اند یک فریم ورک را در بک اند سایر فریم ورک ها به راحتی اجرا کنید.

تا پایان دهه جاری این موضوع بسیار بی اهمیت خواهد شد که شما از کدام یک از ابزارها و یا فریم ورک ها برای آموزش مدل یادگیری ماشین خود استفاده کرده اید. مهم نیست که شما در کجا AI خود را بسازید pipeline علم داده می تواند به صورت خودکار کدهای شما را کامپایل و فرمت کند و آن را در محیط های cloud to edge اجرا کند تا به راحتی در هر جایی به آن دسترسی داشته باشید.

هوش مصنوعی مبتنی بر SaaS نیاز شرکت ها به دانشمندان علم داده را کاهش می دهد

در سال گذشته شاهد بلوغ یادگیری ماشین به عنوان یک سرویس بودیم که از طرف شرکت هایی همچون AWS، مایکروسافت، گوگل، IBM و سایر شرکت های بزرگ ارائه شد. با بیشتر شدن این روند بسیاری از کسب و کارهای تجاری برای فراهم کردن نیازهای هوش مصنوعی و یادگیری ماشین خود بدون نیاز به استخدام نیروهای متخصص در این زمینه اقدام به خرید چنین سرویس هایی از شرکت های بزرگ دنیا کردند. این سرویس ها در فضای کلود موجود هستند و به راحتی از هر نقطه ای می توان به آنها دسترسی پیدا کرد. تا پایان سال 2020 ارائه دهندگان SaaS به تامین کنندگان اصلی خدماتی همچون پردازش زبان طبیعی، تجزیه و تحلیل داده ها و پیشبینی و سایر سرویس های مبتنی بر هوش مصنوعی و همچنین پلتفرم های یادگیری ماشین تبدیل خواهند شد. بسیاری از شرکت هایی که قصد دارند در برخی از موارد خودشان در حوزه یادگیری ماشین فعالیت کنند می توانند برخی از اقدامات را به صورت خودکار با خرید این سرویس ها انجام دهند و در نتیجه این موضوع نیز نیاز به استخدام دانشمندان علم داده و همینطور مدلسازان مدل های یادگیری ماشین به میزان بسیار زیادی کاهش پیدا می کند. در طول دهه پیش رو بیشتر دانشمندان علم داده سعی می کنند که اقدام به همکاری با شرکت های ارائه دهنده خدمات SaaS کنند که این کار برای آنها بسیار سودمند خواهد بود.

هوش مصنوعی شرکت به سمت آزمایش در دنیای واقعی حرکت می کند

هر کسب و کار دیجیتال برای تبدیل شدن به بهترین در زمینه خود نیازمند ساخت مدل های بسیار دقیق هوش مصنوعی می باشد. این موضوع نیازمند انجام آزمایشاتی در دنیای واقعی است که در طی آن فرایندهای مبتنی بر هوش مصنوعی مدل های یادگیری ماشین جایگزین را تست می کنند و به صورت خودکار مواردی که نتیجه مثبتی داشته باشند را جایگزین می کنند و تنها از بهترین مدل ها استفاده خواهند کرد.

نکاتی درباره آزمایش در دنیای واقعی

تا پایان سال 2020 بسیاری از شرکت های هوش مصنوعی اقدام به انجام این آزمایش های دنیای واقعی خواهند کرد تا بتوانند فرایند تجارت با مشتری های خود را به بهترین شکل ممکن انجام دهند. از آنجایی که این کسب و کارها برای ارائه ابزارهای مبتنی بر یادگیری ماشین خود نیازمند فضای مبتنی بر کلود هستند به سمت ارائه دهندگان خدمات ابری می روند. به عنوان مثال مدل هایی که اخیرا توسط شرکت AWS ارائه شده است که ابزارهایی برای مسیریابی آزمایشات چند مدله می باشد و همینطور امکان نظارت بر این مدل ها نیز به صورت کامل وجود دارد. امروزه شما می توانید در بسیاری از محیط های مبتنی بر هوش مصنوعی از این مدل ها استفاده کنید. در طول این دهه قابلیت های اتوماسیون و devops مبتنی بر AI بهترین عملکرد را در سطح جهانی برای بهینه سازی فرایندهای تجاری مبتنی بر هوش مصنوعی خواهند داشت.

AI هسته تابع مدلسازی توسعه دهندگان هوش مصنوعی را هوشمند می کند

شبکه های عصبی را می توان قلب هوش مصنوعی مدرن دانست. در سال 2020 یک متدولوژی مبتنی بر هوش مصنوعی که جستجوی معماری عصبی نامیده می شود وارد میز کار دانشمندان علم داده در شرکت ها خواهد شد تا به صورت عملی ساخت و بهینه سازی شبکه های عصبی مختلف را برای اهداف مختلف خودکار سازی کند. همانطور که جستجوی معماری عصبی به سازگاری مد نظر خود دست پیدا می کند و بهبود می یابد می تواند محصولات علم داده را نیز به میزان زیادی تحت تاثیر قرار دهد که این کار از طریق بهینه سازی در ساخت مدل ها و الگوریتم های یادگیری ماشین انجام می شود. از جلمه الگوریتم هایی که با استفاده از این مدل بهینه سازی خواهند شد می توان به رگرسیون خطی و random forest اشاره کرد. شاید برای شما جالب باشد که بدانید این مدل می تواند بر روی الگوریتم های جدیدتر نیز تاثیر گذار باشد. همانطور که به انتهای این دهه نزدیک می شویم این رویکرد و سایر رویکردهای مرتبط devops در هوش مصنوعی را قادر می سازند تا به صورت کامل خودکار شود.

رابط های کاربری مبتنی بر مکالمه نیاز به دست را در اپلیکیشن های مختلف از بین می برند

فهم زبان طبیعی مبتنی بر هوش مصنوعی روز به روز در حال دقیق تر شدن می باشد. امروزه مردم به سرعت در حال دستیابی به گوشی های موبایل و سایر دستگاه های دیجیتال می باشند. با استفاده از رابط های کاربری مبتنی بر صوت کاربران می توانند ورودی های مورد نیاز اپلیکیشن های خود را از طریق صوت به آن ارائه دهند. در پایان سال 2020 بسیاری از متن ها، توییت ها و سایر ورودی های کاربران با استفاده از دستیار صوتی مبتنی بر هوش مصنوعی تولید خواهند شد که در دستگاه های آنها تعبیه شده است. در طول دهه پیش رو دستیاران صوتی و رابط های کاربری مبتنی بر مکالمه به یک ویژگی استاندارد از محصولات مختلف تبدیل خواهند شد که در بخش های مختلف تجارت می توان از آنها استفاده کرد. با انجام این کار نیاز به کیبورد، موس و یا لمس گوشی های موبایل به میزان بسیار زیادی کاهش پیدا می کند و کاربران راحت تر با اپلیکیشن ها ارتباط برقرار خواهند کرد.

افسران ارشد حقوقی به دنبال شفافیت بیشتر در هوش مصنوعی هستند

هوش مصنوعی در حال تبدیل شدن به یک عامل بسیار خطرناک در اپلیکیشن های سازمان است. از آنجایی که بسیاری از شرکت ها به دلیل برخی از تعصبات اقتصادی و اجتماعی و همینطور نقص حریم خصوصی با یکدیگر درگیری حقوقی دارند این موضوع می تواند برای برخی از اپلیکیشن های شرکتی و سازمانی بسیار خطرناک باشد. این موضوع باعث می شود تا افسران ارشد حقوقی قوانینی را منصوب کنند که با استفاده از آنها روند یادگیری مدل ها در یادگیری ماشین و هوش مصنوعی مورد بررسی قرار گیرد. 

در پایان سال 2020 میلادی مسئولان ارشد حقوقی در شرکت ها نیروهایی را مستقر کردند و از شرکت های مختلف فعال در حوزه یادگیری ماشین و هوش مصنوعی خواستند تا دانشمندان علم داده آنها تمامی مراحل مربوط به یادگیری ماشین ها را لاگ کرده و نگهداری کنند و علاوه بر این توضیحات ساده ای را نیز برای هر بخش از روند آموزش به ماشین داشته باشند تا به این ترتیب روند توسعه هوش مصنوعی در کل دنیا کنترل شود. با گذشت این دهه اخیر هنوز هم عدم شفافیت در تولید محصولات مربوط به هوش مصنوعی یکی از فقدان های بزرگ در پروژه های AI به شمار می آید.

نکاتی درباره شفافیت بیشتر در یادگیری ماشین

با اطمینان می توان گفت که امروزه افراد زیادی خواستار اضافه کردن قابلیت های هوش مصنوعی به اپلیکیشن های مختلف هستند ولی با این حال گسترش روز افزون هوش مصنوعی کاملا باید قانونمند و با محدودیت هایی همراه باشد تا در آینده برای انسان ها خطرساز نشود.

صحبت پایانی

ما در این مطلب سعی کردیم پیش بینی هایی را درباره هوش مصنوعی در سال 2020 در اختیار شما قرار دهیم که امیدواریم مطالعه آن برای شما مفید بوده باشد و اطلاعات مورد نیاز را بدست آورده باشید.