پیاده سازی هوش مصنوعی در زمان کمبود استعداد در سراسر جهان

درخواست‌های C-suite برای تکثیر هوش مصنوعی در سراسر شرکت اغلب به دلیل فقدان استعدادهای موجود و مهارت‌های لازم برای تلاش در چنین استقرارهایی پیچیده است. بودجه به ندرت عامل محدود کننده است – به خصوص برای سازمان های بزرگتر. چیزی که کم است، افرادی با دانش و مهارت های عملی برای آزمایش و ایجاد هوش مصنوعی در سراسر یک سازمان است.

هنگامی که مدل‌های یادگیری ماشینی (ML) مناسب با موارد استفاده مناسب ترکیب شوند، هوش مصنوعی می‌تواند خدمات مشتری را تقویت کند، وظایف اداری را انجام دهد، مجموعه‌های داده‌های عظیم را تجزیه و تحلیل کند و بسیاری از عملکردهای سازمانی را در حجم بسیار زیاد و با نرخ خطای پایین انجام دهد. رهبران کسب و کار این را می دانند. با این حال آنها از عمل بر اساس آن دانش باز می مانند.

تحقیقات جدید SambaNova Systems نشان داده است که در سطح جهانی، تنها 18 درصد از سازمان‌ها هوش مصنوعی را به عنوان یک ابتکار در مقیاس بزرگ و در مقیاس سازمانی به کار می‌گیرند. به طور مشابه، 59 درصد از مدیران فناوری اطلاعات در بریتانیا گزارش دادند که بودجه لازم برای استخدام منابع اضافی برای تیم‌های هوش مصنوعی خود را دارند، اما 82 درصد گفتند که واقعاً استخدام در این تیم‌ها یک چالش است.

هر ساعت از وظایف تکراری که می‌توان با خودکارسازی یا تقویت با هوش مصنوعی کاهش داد، ساعتی است که کارمندان می‌توانند از طریق کارهای تفکر جانبی مرتبه بالاتر، ارزش استخراج کنند. شرکت‌ها در حال تماشای رقبای خود هستند که هنگام آزمایش، تکرار، و اجرای برنامه‌های هوش مصنوعی در مقیاس وسیع، مزیت رقابتی پیدا کنند و در عین حال، هر نوع تخصص هوش مصنوعی و ML را که می‌توانند جذب کنند، انتخاب کنند.

این بحران مهارت نه جدید است، نه تعجب آور و نه به راحتی قابل حل است. این یک مسئله در کل بخش فناوری برای سال ها، اگر نه دهه ها، وجود داشته است. در سال 2011، یک مطالعه PwC نشان داد که بیش از 56٪ از مدیران عامل نگران کمبود استعداد برای جا دادن نقش های دیجیتال هستند. و بیش از یک دهه بعد، 54 درصد از رهبران فناوری، کسب استعداد و حفظ استعداد را به عنوان تهدید شماره یک برای رشد کسب و کار رتبه بندی کردند.

عصر هوش مصنوعی این مشکل را حادتر کرده است – سرعت تغییر از آنچه قبلاً بوده پیشی می‌گیرد.

بحران مهارت ها با سرعت سریع تغییر در مدل های هوش مصنوعی تشدید می شود

چالش برای هر کسی که در هوش مصنوعی کار می کند و می خواهد مهارت های خود را به روز نگه دارد، دو برابر است. اولاً، سرعت تغییر نفس گیر است و ظاهراً همیشه سریعتر می شود. ثانیا، با بزرگ‌تر شدن مدل‌ها، دسترسی به آن‌ها برای مهندسین نرم‌افزار کمتر می‌شود، زیرا مدل‌های بزرگ برای اجرا به بودجه زیادی نیاز دارند.

داغ ترین موضوع در هوش مصنوعی احتمالاً مدل های زبان بزرگ (LLM) است. اولین مدل ترانسفورماتور پیش‌آموزشی (GPT) توسط OpenAI در سال 2018 راه‌اندازی شد – که به‌عنوان یک یادگیرنده با هدف عمومی، به طور خاص برای انجام وظایفی که در آن مهارت دارد، آموزش ندیده است. این مدل از یادگیری عمیق بهره می برد و می تواند وظایفی مانند خلاصه کردن متن، پاسخ به سؤالات، و تولید خروجی متن را انجام دهد – و این کار را در سطحی شبیه انسان انجام می دهد. اولین مدل چهار سال پیش عرضه شد، اما تنها از 150 میلیون پارامتر (مجموعه داده ای کمتر از یک میلیون صفحه وب) استفاده کرد. پیشرفت برای GPT و مدل های زبان بزرگ با GPT-3 که در سال 2020 راه اندازی شد و دارای 175 بود. میلیارد پارامترها، بیش از هزار برابر تعداد اولین مدل GPT.

از زمان اولین مدل GPT زبان بزرگ از OpenAI (که سرمایه گذاری قابل توجهی از مایکروسافت دارد)، مدل های دیگر از گوگل، متا و الف آلفا منتشر شده اند. تصادفی نیست که این شرکت های بزرگ فناوری پشت LLM های بزرگ قرار دارند: آنها برای آموزش و اجرا به تجربه زیادی نیاز دارند. GPT-3 بر روی 45 ترابایت داده آموزش داده شد و احتمالاً میلیون‌ها دلار هزینه محاسباتی برای ایجاد این مدل دارد. حتی LLM منبع باز LLM که اخیراً توسط BigScience منتشر شده است، BLOOM، از مجموع تلاش بیش از 1000 محقق داوطلب، 7 میلیون دلار کمک مالی و دسترسی به ابررایانه Jean Zay در نزدیکی پاریس استفاده کرد.

اگرچه مفاهیم در دسترس هستند، اما برای یک مهندس نرم‌افزار معمولی به دلیل هزینه‌ای که برای اجرای آن‌ها هزینه می‌شود، کسب تجربه عملی از مدل‌ها بسیار دشوارتر است.

چالش ایجاد یک تیم

تحقیقات SambaNova نشان می‌دهد که از هر هشت رهبر فناوری اطلاعات، تنها یک نفر دارای منابع کامل تیم‌هایی با کارگران ماهر کافی برای ارائه خواسته‌های C-suite است. از هر سه یک نفر دیگر برای برآورده کردن خواسته‌هایشان در تلاش هستند. بقیه (بیش از نیمی) نمی توانند دیدگاه C-suite را با افرادی که دارند ارائه دهند.

رهبران فناوری اطلاعات بودجه لازم برای استخدام را دارند، اما استخدام و حفظ آنها اغلب می تواند فرآیندی بسیار پیچیده و دشوار باشد. شرکت‌های فناوری آنقدر در رقابت برای سخت‌افزار یا منابع نیستند، بلکه در رقابت برای بهترین ذهن‌ها هستند. در نتیجه، آن ذهن ها به خودی خود به یک منبع ارزشمند تبدیل شده اند.

مسائل مربوط به کمبود عرضه بسیار متنوع است، اغلب جداسازی و همپوشانی آنها دشوار است. یکی از موانع کلیدی پیش روی تیم‌هایی که می‌خواهند استعدادهای جدیدی را برای ابتکارات هوش مصنوعی خود استخدام کنند، و دلیل این کمبود، این است که به عنوان یک رشته عملی، هوش مصنوعی نسبتاً جدید است. تا زمانی که ما دانش فنی و محاسباتی برای دستیابی به آن را داشتیم، در تئوری و عمل مطالعه شده است، اما آموزش رسمی و آکادمیک به تازگی فراگیر شده است. این به سازمان هایی که اکنون به یک مجموعه استعداد کامل و جامع نیاز دارند کمکی نمی کند.

کارکنان دانشکده با تجربه و آموزش در زمینه هوش مصنوعی – چه در تئوری و چه در عمل – برای دانشگاه ها سخت است. با وجود گمانه زنی ها در مورد کشش بخش فناوری، بسیاری از محققان همچنان به دانشگاه علاقه مند هستند. با این حال، تقاضای بسیار زیاد برای دوره ها و سابقه نسبتاً کوتاه فارغ التحصیلان از چنین رشته جدیدی، همگی تعداد اساتید موجود را کاهش داده و خط لوله استعدادها را محدود می کند.

بنابراین، نه تنها سازمان‌ها برای استخدام مهارت‌های هوش مصنوعی مورد نیاز خود تلاش خواهند کرد، بلکه کسانی که به دنبال آموزش در زمینه هوش مصنوعی برای کسب این مهارت‌ها هستند نیز با مشکل مواجه خواهند شد. به همین دلیل است که سازمان ها باید به دنبال راه های جایگزین برای دستیابی به اهداف AI/ML خود باشند.

چگونه ارتقاء مهارت می تواند به ارتقای استعداد از درون کمک کند

روش‌هایی برای مهندسان وجود دارد که دانش خود را در زمینه هوش مصنوعی ارتقا دهند و گسترش دهند. تعدادی پروژه منبع باز مانند TensorFlow (منبع باز از گوگل) و Pytorch (منبع باز از متا) وجود دارد.

ارتقاء مهارت، به عنوان یک عمل و سیاست محل کار، به همان اندازه که برای شرکت خوب است، برای کارمند نیز مفید است. این سازمان نیروی کار آینده‌نگر با مهارت‌های گسترده‌تر و قابلیت‌های هوش مصنوعی بین‌رشته‌ای را به دست می‌آورد که با آخرین رویکردها و تحقیقات برای بهبود پایگاه دانش خود کار می‌کند. برای کارمند، آنها اطمینان حاصل می کنند که مجموعه مهارت های آنها با روندهای فعلی بخش هماهنگ است و می توانند آینده شغلی خود را اثبات کنند و خود را برای طول عمر در صنعت آماده کنند.

با سرمایه گذاری در برنامه های یادگیری، شرکت ها می توانند به بهبود برخی از اثرات شدیدتر بحران مهارت کمک کنند. این برنامه‌ها می‌توانند شکاف بین سازمان‌های مستعدی که در حال حاضر دارند و استعدادهایی که برای پیاده‌سازی مدل‌ها و برنامه‌های ML نیاز دارند که می‌توانند ارزش بیشتری ایجاد کنند، پر کنند. این به معنای داشتن دید بسیار روشنی از شروع و پایان برنامه های ارتقاء مهارت است: مهارت هایی که آنها دوست دارند نیروی کارشان داشته باشند و چگونه می توانند آنها را از درون ارتقا دهند.

بنابراین، زمانی که استعدادهای برتر در دسترس قرار می‌گیرند، به‌عنوان تقویت‌کننده‌ای برای یک تیم هوش مصنوعی که از قبل کار می‌کند عمل می‌کنند، نه پایه و اساس پروژه‌ای که منتظر رسیدن آنهاست.

چه زمانی برون سپاری گزینه مناسب است؟

البته گزینه دیگری هم وجود دارد. برون سپاری. داشتن یک شریک خارجی تازه کار یا متخصص در شرکت هوش مصنوعی با یک شرکت می تواند به آنها کمک کند تا به ارزش و صرفه جویی در هزینه هوش مصنوعی دسترسی داشته باشند. با این حال، این با مجموعه ای از مسائل و ملاحظات همراه است. در برخی موارد گزینه مناسبی خواهد بود، اما اشکالاتی وجود دارد که باید جدی گرفته شود.

ادغام استارت‌آپ‌ها و سایر شرکت‌ها در یک ساختار شرکتی همیشه به آرامی کار نمی‌کند: فرهنگ استارت‌آپ «سریع حرکت کن، چیزها را خراب کن» می‌تواند با رویکردی بوروکراسی سنجیده‌تر در تضاد باشد. تفاوت بین تفکر کوتاه مدت و تفکر بلند مدت نیز ممکن است بسته به پویایی مشارکت ظاهر شود. به عنوان یک قاعده، این پروژه‌های اجرایی یا بلندمدت هستند یا سرمایه‌گذاری‌های کوتاه‌مدت، و بسیار حیاتی است که زودتر در همان صفحه قرار بگیریم تا جدول زمانی و اولویت‌ها مشخص باشد.

برای شرکت‌های کوچک‌تر که مشتاقانه به کشش گرانشی شرکت‌هایی مانند گوگل و متا برای ایجاد ابتکارات هوش مصنوعی ستاره‌دار نگاه می‌کنند، برون‌سپاری راهی برای ردیابی سریع توسعه‌شان است. مانند یک استارت‌آپ کوچک که یک فریلنسر را برای طراحی وب‌سایت، کپی‌نویسی یا امور مالی خود استخدام می‌کند، شرکت‌های کوچک و متوسط ​​می‌توانند از برون‌سپاری برای پیاده‌سازی مدل‌های مناسب هوش مصنوعی به سرعت و بدون هزینه‌های اولیه هنگفت در کنار تضمین بازگشت سرمایه استفاده کنند.

با توجه به این نکته، رهبران سازمانی باید اثربخشی فنی هر شرکای برون سپاری و معیارهای خاص آنها را برای موفقیت در نظر بگیرند. اگر یک شریک بتواند به وضوح تعریف کند و نشان دهد که مدل‌ها و الگوریتم‌هایش چقدر مؤثر هستند، چقدر می‌تواند با داده‌ها انجام دهد، و روند آموزش چقدر طول می‌کشد، این نشان می‌دهد که پایه و انتظارات مشترکی برای چه چیزی وجود دارد. موفقیت به نظر می رسد

در نهایت، با توجه به کمبود تاریخی استعدادهای هوش مصنوعی، شرکت ها و رهبران تیم باید تصمیماتی را اتخاذ کنند که برای آنها مناسب است. در زمانی که شرکت‌های فناوری بزرگ مانند گوگل، متا و دیگران درگیر کشمکش‌هایی برای کارمندان با تجربه هستند، ممکن است هزینه‌های بسیار پرهزینه و ناکارآمد باشد. . اما هیچ دو پروژه یا شرکتی با هم برابر نیستند و فقط آنهایی که داده ها را در اختیار دارند می توانند بگویند که آیا به کمک خارجی نیاز دارند یا خیر.

گام بعدی برای تیم‌های هوش مصنوعی که منابع کافی ندارند چیست؟

شرکت‌ها و سازمان‌های کوچکتر به این موضوع پی می‌برند که مدل‌های کوچکی که برای اهداف مختلف در اطراف شرکت مستقر شده‌اند، غیرقابل مدیریت شده‌اند. آنها تکه تکه، سیلو شده و اغلب برای همه غیر از خالقشان غیرقابل درک هستند.

همانطور که کارکنان برای پیشنهادات بهتر، شرایط کاری مطلوب تر، یا صرفاً یک تغییر ترک می کنند، کل فرآیندها و سیستم ها پشت سر گذاشته می شوند. شرکت‌ها مطمئن نیستند که آیا این حجم عظیم از مدل‌های هوش مصنوعی و کاربردهای آن‌ها قابل بررسی هستند یا خیر، و اغلب این خروج‌ها مدل‌ها را به موقع منجمد می‌کند. مانند یک یافته باستان شناسی، هیچ کس نمی خواهد آنها را لمس کند که مبادا شکسته شوند.

مزایای حال و آینده هوش مصنوعی در اطراف ما وجود دارد. ما روزانه آمار را می بینیم: میلیاردها دلار ارزش افزوده، هزاران ساعت صرفه جویی در کارهای اداری، و اختلال در کل صنایع. با این حال، شکاف بین آنچه مدیران سطح C-suite می‌خواهند و آنچه که می‌توانند داشته باشند، متأسفانه زیاد است – و این با تلاش آنها برای استخدام افراد مناسب شروع می‌شود.

دولت بریتانیا اخیراً پیشنهادهایی را برای آیین نامه جدیدی در مورد هوش مصنوعی، علاوه بر تخصیص بودجه موجود، ارائه کرده است تا واقعاً بریتانیا را به عنوان یک مرکز جهانی هوش مصنوعی ایجاد کند. برای درک این پتانسیل، باید کارهای بیشتری انجام داد. این در سطح دانشگاه آغاز می‌شود: تامین تقاضای زیاد با دوره‌های باکلاس، اساتید مجرب، و تجربه عملی و عملی با مدل‌ها.

اما کسب‌وکارها همیشه نمی‌توانند این مدت طولانی را برای بهره‌مندی از مزایای هوش مصنوعی تحمل کنند، و با وجود گزینه‌هایی که در کوتاه‌مدت در دسترس آنها قرار دارد، ممکن است مجبور نباشند.

Marshall Choy SVP محصول در SambaNova Systems است