این روزها تقریبا غیرممکن است که در تیتر اخبار روزمره بگردیم و چیزی در مورد هوش مصنوعی مولد – جدیدترین جلوه از تکنولوژی هوش مصنوعی – نبینیم. همه شخصیت‌های سیلیکون ولی، همه سرمایه‌گذاران خطرپذیر و تکنولوژیست‌های معمولی، در حال صحبت کردن در مورد چت‌جی‌پی‌تی، «بارد» یا ده‌ها سیستم دیگر و پتانسیل این ابزارها برای امکان‌پذیر کردن چیزهایی که ورای تصور است، هستند.
رهبران چقدر باید به این تب و تاب توجه کنند؟ این اولین بار نیست که صاحب‌نظران تکنولوژی، پشت جدیدترین اتفاق خوب در این عرصه صف کشیده‌اند. آیا هوش مصنوعی مولد باید به عنوان یک هوس زودگذر نادیده گرفته شود، یا رهبران باید روی جدیدترین ابزارها به عنوان نوشدارویی برای مشکلات فنی خود حساب کنند؟
در پاسخ، باید گفت هیچ‌کدام اینها. تحقیقات موسسه مک‌کینزی نشان می‌دهد سازمان‌هایی که بر نوآوری، تجزیه و تحلیل داده و اتوماسیون فرآیندها تکیه می‌کنند، بیشترین نفع را از هوش مصنوعی مولد می‌برند. خیلی از شرکت‌ها در بخش‌های کشاورزی، مواد شیمیایی، انرژی و مواد اولیه، از موارد استفاده مستقیم فراتر رفته‌اند و به دنبال رویکردهای نوآورانه در به‌کارگیری هوش مصنوعی مولد هستند. ارزیابی‌ها نشان می‌دهند در سال‌های آینده، بین 390 تا 550 میلیارد دلار دیگر، در این حوزه ارزش ایجاد خواهد شد.
مهار قدرت هوش مصنوعی مولد
پتانسیل هوش مصنوعی مولد برای سرعت بخشیدن به رشد و کاهش هزینه‌ها، قابل چشم‌پوشی نیست. این موضوع به‌ویژه در حوزه انرژی و مواد اولیه که برای نوآوری به‌شدت به داده و تجزیه و تحلیل متکی است و شامل بخش‌هایی می‌شود که بر اساس فرآیندهای پیچیده و ظریف ایجاد می‌شوند، صدق می‌کند. به عبارت ساده، هوش مصنوعی مولد، اطلاعات را به داده‌های موجود اضافه می‌کند که این داده‌ها در گام بعد، برای هرگونه تصمیم‌گیری موثر است. با در نظر گرفتن این موضوع، لیست رو به رشدی از موارد استفاده بالقوه هوش مصنوعی مولد در حوزه‌های معدن، نفت و گاز، مواد شیمیایی، کشاورزی، برق و مواد اولیه که مهم و مهیج هستند، می‌تواند دلیل قابل قبولی باشد که رهبران، این تکنولوژی را به طور جدی مورد توجه قرار دهند.
البته، این مهم تنها در صورتی محقق می‌شود که برای مهار کردن قدرت هوش مصنوعی مولد، چشم‌انداز واضحی وجود داشته باشد. بازیگران صنعت، باید خیلی سختگیرانه ارزیابی کنند که هوش مصنوعی مولد چطور با استراتژی‌های دیجیتال فعلی آنها تناسب دارد. مثلا باید بررسی کنند که آیا سازمان آنها قابلیت‌های دیجیتال برای به‌کارگیری این تکنولوژی‌ها را دارد، آیا باید راه‌حل‌های کالایی‌شده را به محض در دسترس قرار گرفتن ارائه کرد، یا باید چیزی کاملا جدید و جاه‌طلبانه طراحی کرد. همچنین رهبران باید ریسک‌های هوش مصنوعی مولد را بدانند و آنها را برای حفاظت از سازمان مدیریت کنند. ایجاد زودهنگام این قابلیت‌ها و تضمین جایگاه هوش مصنوعی مولد، به شرکت‌ها این مزیت را می‌دهد که مدل‌های پیشرفته‌تر را هر چه سریع‌تر در آینده به کار بگیرند. انتظار می‌رود «مدل‌های زبانی بزرگ» (LMMs) هم در دو تا سه سال آینده، از نظر اندازه و قدرت، بزرگ و بزرگ‌تر شوند. طبق تجزیه و تحلیل‌های سنتی، سازمان‌ها هوش مصنوعی مولد را نه یک مقصد، بلکه یک ابزار جدید قدرتمند برای تحقق پتانسیل‌‌های کامل سازمان خود خواهند دید.
موقعیت منحصر به فرد
صنایع سنگین پیچیده، برای رد کردن مرزهای بعدی کارآیی، به داده‌ها و تجزیه و تحلیل آنها متکی هستند. نفت و گاز، کشاورزی، برق، مواد شیمیایی، مواد اولیه و معدن، بخش‌هایی هستند که موقعیت منحصر به فردی برای مهار قدرت هوش مصنوعی مولد دارند تا مثلا بخش‌های ستادی و عملیات هسته‌ای کسب‌وکار خود را متحول کنند. موارد استفاده مستقیم از هوش مصنوعی، به تخصص فنی زیادی نیاز ندارد. مثلا کارکردهای اداری استاندارد مثل دستیارهای مجازی که وظایف اداری را اتوماتیک‌سازی می‌کنند و یا چت‌بات‌هایی که با مشتری سروکار دارند. این کارکردها می‌توانند بهره‌وری را افزایش دهند.
در مقابل، موارد استفاده بلندپروازانه از هوش مصنوعی، به نوآوری و متناسب‌سازی بیشتری نیاز دارند. با اینکه این موارد استفاده بلندپروازانه، احتمالا ارزش بیشتری ایجاد می‌کنند، به سرمایه‌گذاری قابل توجهی در قابلیت‌ها و زیرساخت‌ها هم نیاز دارند. در نتیجه، کاربرد هوش مصنوعی مولد در این موارد، می‌تواند بر اساس تفاوت‌های جزئی هر بخش فرعی یا هر جزء از زنجیره ارزش متفاوت باشد.
نمونه‌های موارد استفاده چالشی و بلندپروازانه هوش مصنوعی در صنعت، عبارتند از:
- خدمات عمومی. سازمان‌هایی که هزاران کیلومتر خطوط انتقال، خط لوله و دیگر زیرساخت‌های دور و گاهی غیرقابل دسترسی دارند، معمولا میلیون‌ها دلار برای انسجام دارایی‌های خود هزینه می‌کنند. مدل‌های تعمیر و پشتیبانی پش‌بینی‌کننده را می‌توان بر اساس سوابق غیر قابل استفاده و ساختارنیافته قبلی، دوباره آموزش داد. از جمله با یکپارچه‌سازی منابع داده متعدد مثل سابقه خرابی‌های قبلی، بازرسی‌های بصری و داده‌هایی که از سنسورها به دست آمده است. در اینجا، هوش مصنوعی مولد می‌تواند اثربخشی عملکرد هسته‌ای کسب‌وکار را که برای ادامه عملیات و ایمنی عمومی لازم است، به میزان قابل توجهی بهبود بخشد. دیگر منابع داده مثل تصاویری که پهپادها ثبت کرده‌اند و همچنین تصاویر ماهواره‌ای با هوش مصنوعی مولد، بهبود چشمگیری می‌یابند.
- شرکت‌های نفت و گاز. مدل‌های اختصاصی که با اپلیکیشن‌های پردازش عکس درست شده، می‌توانند داده‌های زمین‌شناسی مهم را پردازش و تفسیر کنند تا مشخصات کلیدی (مثل ردیابی لایه‌های خاک، موقعیت گسل، یا طبقه‌بندی هیدروکربن) شناسایی شوند. در نتیجه، میزان داده مورد نیاز برای کاوش با وضوح بالا را می‌توان کاهش داد و همزمان کیفیت نتایج را بالا برد.
- شرکت‌های معدنی. معادن با ناوگانی از ماشین‌های پیچیده و توزیع‌شده در محل، می‌توانند مدل‌هایی را با مجموعه‌ای از دستورالعمل‌های پشتیبانی، سفارش‌های کاری قدیمی، رویه‌ها، موجودی ابزارها و پایگاه داده قطعات، تقویت کنند. این کار می‌تواند یک دستیار قدرتمند هوش مصنوعی را برای تکنسین‌های پشتیبانی فعال کند، به ساده‌سازی فرآیند کار کمک کند و اطمینان‌پذیری را افزایش دهد. اگرچه ممکن است کاربرد مدل‌های آماده مصرف ساده به نظر بیاید، برای اطمینان از اینکه توصیه‌های ارائه شده درست و برای تکنسین‌های ماهر مفید هستند، باید دقت ویژه‌ای صورت بگیرد. و برای رسیدن به ارزش کامل، یکپارچگی با سیستم‌های موجود ضروری است.
- شرکت‌های شیمیایی. می‌توان پایگاه‌های داده شیمیایی گسترده را اهرم قرار داد و مدل‌هایی را ایجاد کرد که بتوانند ویژگی‌های مواد شیمیایی جدید را پیش‌بینی کنند، فضای جست‌وجو برای یک آزمایشگاه فیزیکی را به میزان قابل توجهی کاهش دهند، و سرعت اکتشاف مولکول‌ها را بالا ببرند. به طور مشابه، مسیرهای جدید ترکیب مواد شیمیایی را می‌توان به صورت دیجیتالی نمونه‌سازی کرد و به راه‌حل‌های کم‌هزینه با مصرف انرژی کم و انتشار پایین کربن رسید.
- شرکت‌های کشاورزی. این شرکت‌ها با استخراج داده در مورد وضعیت آب و هوا، شرایط خاک و اثر آفت‌ها، می‌توانند از مشاوره‌های مجازی تقویت شده با هوش مصنوعی مولد بهره ببرند. این مشاورها می‌توانند ریسک‌ها و فرصت‌های شخصی‌سازی شده را برای کشاورزان، مدیران مزارع و دامپروری‌ها و اپراتورها شناسایی کنند. آنها می‌توانند به صورت 24 ساعته با هزینه اندک، از این مشاوره‌ها بهره ببرند. هوش مصنوعی مولد همچنین می‌تواند لایه‌های گسترده‌ای از نقاط داده را ترکیب کند تا سناریوهای آزمایشی برای تجزیه و تحلیل ایجاد شود. به این ترتیب شرکت‌های کشاورزی می‌توانند رویدادهای مختلف را شبیه‌سازی کنند و خروجی‌های دقیق‌تری داشته باشند.
عوامل اصلی موفقیت استراتژی دیجیتال
هوش مصنوعی مولد تنها یک جنبه از استراتژی دیجیتال گسترده‌تر یک سازمان است، همان‌طور که مدل‌های زبانی بزرگ تنها یک مدل از مدل‌های متعددی هستند که شرکت‌ها برای دنبال کردن فرصت‌های جدید می‌توانند مورد استفاده قرار دهند. رهبران برای استفاده کامل از ارزش بالقوه هوش مصنوعی مولد برای یک سازمان، می‌توانند این نکات را مد نظر قرار دهند:
- نقشه راه استراتژیک تحت نظر کسب‌وکار. سازمان با دانستن اینکه ارزش در کجا قرار گرفته و به چه چیزی می‌توان به سرعت دست یافت، می‌تواند یک نقشه راه استراتژیک درست کند. تیم ارشد باید با هم هماهنگ باشند تا مطمئن شوند این نقشه راه با منابع تناسب داشته باشد. و مسیر برای ایجاد یک مزیت رقابتی ملموس باید واضح باشد.
- استعداد. یک نقشه راه برای قابلیت‌ها و مهارت‌های درون سازمان، باید با نقشه راه استراتژیک همخوانی داشته باشد. هوش مصنوعی مولد، تجزیه و تحلیل‌های سنتی را گسترش می‌دهد و استعدادهای موجود باید بتوانند برای کار کردن با آن، مهارت‌های لازم را یاد بگیرند یا مهارت‌های خود را ارتقا دهند. با ظهور تخصص‌های جدید، تقاضا برای دانشمندان داده، مهندس‌های یادگیری ماشین، و معمارهای تکنولوژی ابری به‌شدت افزایش خواهد یافت.
- دلیوری چابک. با موارد استفاده هوش مصنوعی مولد باید مثل دیگر پروژه‌های دیجیتال رفتار شود. یعنی شرکت‌ها باید یک محصول کاربردی نمونه درست کنند، درس‌های اولیه را یاد بگیرند و آن را با تغییرات سازگار کنند. سرعت عرضه محصولات و خدمات و همچنین استقبال از ریسک برای سازمان باید بالا باشد و کنترل‌های ضروری مثل مسائل قانونی و مالی به شیوه‌ای چابک باید صورت بگیرند.
- تکنولوژی و تامین ابزار. هوش مصنوعی مولد به دارایی‌ها و ابزارهایی نیاز دارد که قبلا وجود نداشته‌اند. قابلیت‌های ابری نیز ضروری هستند. سازمان باید یک رویکرد MLOps (عملیات یادگیری ماشین) داشته باشد که امکان افزایش مقیاس هوش مصنوعی را به شیوه‌ای امن و باثبات فراهم می‌کند.
- مدیریت داده. هوش مصنوعی مولد ابتدا بر اساس داده ایجاد می‌شود؛ بنابراین داده منبع واقعی وجه تمایز رقابتی شرکت‌های صنعتی است. هوش مصنوعی مولد این قدرت را دارد که کاربرد داده‌ها را بیشتر و مفیدتر کند، اما این داده‌ها ابتدا باید در دسترس و قابل اطمینان باشند. خیلی از شرکت‌های انرژی و مواد، همین الان متمرکزسازی داده‌های خود را شروع کرده‌اند تا پشتیبانی باشد برای کاربردهای سنتی تجزیه و تحلیل. این تلاش‌ها باید بیشتر شوند تا موارد استفاده هوش مصنوعی مولد را هم تقویت کنند. بنابراین سازمان باید بتواند بین مدیریت داده داخلی و مدیریت داده‌هایی که از دنیای بیرون به دست می‌آید، تعادل برقرار کند. انجام این کار بسیار مهم است، چون اعتماد به محصولات دیجیتال یک شرکت، از طرف مشتریان آن به دست می‌آید.
- پذیرش و تغییر مدل عملیاتی. کاربران نهایی برای کمک به توسعه محصولاتی که بخشی از کار آنها را تسریع یا اتوماتیک‌سازی می‌کند، درگیر می‌شوند. رهبران کسب‌وکار باید مسوول پذیرش این تکنولوژی‌ها باشند.
ریسک‌های احتمالی هوش مصنوعی مولد در صنعت
ریسک‌های بالقوه هوش مصنوعی مولد گسترده و زیادند. ریسک‌هایی که در ادامه نام برده می‌شوند، برای صنایع ناشناخته‌اند و قبل از درگیر شدن با هوش مصنوعی مولد باید به دقت آنها را بررسی کرد:
- دقت. مدل‌های هوش مصنوعی مولد می‌توانند پاسخ‌هایی «درست کنند» که ظاهرا معتبر به نظر می‌رسند یا ممکن است استدلال‌های انتزاعی ضعیفی داشته باشند. پاسخ‌هایی که ممکن است از نظر مدیران کیفیت بالایی داشته باشند، احتمال دارد در واقعیت، ارزش چندانی برای کاربران نهایی نداشته باشند.
- امنیت. هوش مصنوعی مولد در معرض حملات پیش‌بینی نشده‌ای است که گاهی توجهی به آنها نمی‌شود. مثال‌های زیادی وجود دارد از هکرهایی که مدل‌ها را برمی‌دارند، اطلاعات غلط درست می‌کنند، داده‌ها را می‌دزدند یا مرتکب فساد می‌شوند.
- حریم شخصی. داده‌های حساس رقابتی یا محرمانه می‌توانند از طریق واسطه‌های مدل‌های زبانی بزرگ (LLM) فاش شوند. داده‌هایی که در اختیار LLMs قرار می‌گیرند، برای انعکاس کنترل دسترسی، باید به بخش‌های کوچک‌تر تقسیم‌بندی شوند؛ مثلا داده‌های محرمانه یا داده‌های طبقه‌بندی شده.
- عدالت. مثل هوش مصنوعی قدیمی، هوش مصنوعی مولد هم گاهی می‌تواند خروجی‌های سوگیری شده تولید کند. همچنین می‌توان برای دور زدن ایمن‌سازی‌هایی که به صورت دستی اضافه شده، می‌توان از آن سوء استفاده کرد.
- قانون. نادیده گرفتن مالکیت معنوی، نقض کپی‌رایت و مسوولیت سوء استفاده، از ریسک‌های بالقوه قانونی هوش مصنوعی مولد هستند. اینکه قانون در برابر خروجی‌های تولیدی هوش مصنوعی مولد چه می‌کند، هنوز مبهم است. خیلی از محکمه‌های قانونی هنوز بر سر اینکه چطور برای این تکنولوژی قانون‌گذاری کنند، بحث و جدل دارند.
با اینکه این ریسک‌ها در همه صنایع وجود دارند، اما بخش انرژی و مواد اولیه باید به طور خاص نسبت به ریسک‌های بالقوه نبود دقت در مدل‌های اولیه، به‌ویژه با توجه به اثرات خروجی‌های غیردقیق، هوشیار باشند. پاسخ‌های غیردقیق که ایمنی را به خطر می‌اندازند، در این صنایع قابل قبول نیست و ممکن است سلامت اپراتورهای انسانی را به خطر بیندازد.
منبع: McKinsey