تاثیر جلوه های شبکه هوش مصنوعی بر افزایش هوشمندی

اواخر سال گذشته، زمانی که OpenAI ChatGPT را معرفی کرد، ناظران صنعت با تحسین و نگرانی پاسخ دادند. به گفته برخی کارشناسان این فناوری می تواند برنامه نویسان کامپیوتر، معلمان، تاجران مالی و تحلیلگران، طراحان گرافیک و هنرمندان را بیکار کند. برخی دیگر معتقدند فوری ترین تأثیر ChatGPT این خواهد بود که موتور جستجوی اینترنتی سنتی را دوباره اختراع یا حتی جایگزین کند. می دانیم که جستجو و تبلیغات مرتبط، بخش عمده ای از درآمد گوگل را به ارمغان می آورد. آیا چت ربات ها گوگل را می کشند؟

چت جی پی تی نمایش قابل توجهی از فناوری یادگیری ماشین محسوب شده، اما به سختی به عنوان یک سرویس مستقل قابل اجرا است.در این راستا OpenAI برای به دست آوردن قدرت تکنولوژیک خود به یک شریک قوی نیاز داشت. بنابراین وقتی این شرکت به سرعت قرارداد خود را با مایکروسافت اعلام کرد، تعجب نکردیم. اتحاد یک استارت آپ هوش مصنوعی با یک شرکت فناوری قدیمی، ممکن است در نهایت یک تهدید معتبر برای تسلط گوگل بر بازار موتورهای جستجو ایجاد کند و سهم موتورهای جستجوی مبتنی بر هوش مصنوعی را افزایش دهد.

برای درک اینکه چه چیزی OpenAI را وادار کرد تا با بینگ متحد شود (و چرا ممکن است گوگل همچنان پیروز شود)، تفاوت این فناوری با پیشرفت‌های گذشته، مانند پلتفرم‌های تلفن یا بازار مانند Uber یا Airbnb را در نظر می‌گیریم. در هر یک از این مثال‌ها، اثرات شبکه جایی که ارزش یک محصول با جذب کاربران افزایش می‌یابد، نقش عمده‌ای در شکل‌دهی نحوه رشد آن محصولات و شرکت‌های موفق ایفا کرده است. سرویس‌های هوش مصنوعی تولیدی مانند ChatGPT تحت تأثیرات شبکه های مشابه، اما متمایز قرار دارند. برای انتخاب استراتژی هایی که با هوش مصنوعی کار می کنند، مدیران و کارآفرینان باید نحوه عملکرد این نوع جدید از اثرات شبکه هوش مصنوعی را درک کنند.

جلوه های شبکه برای هوش مصنوعی متفاوت است

ارزش هوش مصنوعی در پیش بینی ها و پیشنهادات دقیق نهفته است. اما بر خلاف محصولات و خدمات سنتی، که متکی به تبدیل منابع (مانند برق یا سرمایه انسانی) به خروجی (مثل نور یا مشاوره مالیاتی) هستند، هوش مصنوعی به مجموعه داده های بزرگی نیاز دارد که باید از طریق تعاملات رفت و برگشتی با مشتری، تازه نگه داشته شوند. برای رقابتی ماندن، یک اپراتور هوش مصنوعی باید داده‌ها را جمع‌آوری و آن‌ها را تجزیه و تحلیل کند، همچنین پیش‌بینی‌هایی را ارائه و سپس به دنبال بازخورد برای واضح‌تر کردن پیشنهادات باشد. ارزش سیستم به داده هایی که از کاربران می رسد بستگی دارد – و با افزایش آن افزایش می یابد.

عملکرد این فناوری – توانایی آن در پیش بینی و پیشنهاد دقیق – به یک اصل اقتصادی به نام اثرات شبکه داده بستگی دارد (برخی یادگیری مبتنی بر داده را ترجیح می دهند). اینها از اثر شبکه مستقیم متمایز هستند، مانند آنهایی که با افزایش شمار مشترکین تلفن، میزان ارزش آن را بالا می برند. آنها همچنین با اثرات شبکه غیرمستقیم یا مرتبه دوم متفاوت هستند، که توضیح می‌دهند چگونه تعداد فزاینده‌ای از خریداران، فروشندگان بیشتری را به یک پلتفرم دعوت می‌کنند و بالعکس – خرید در Etsy یا رزرو در Airbnb با حضور فروشندگان بیشتر جذاب‌تر می‌شود.

جلوه های شبکه داده شکل جدیدی را ایجاد کرده است: مانند جلوه های آشناتر، کاربران بیشتر، فناوری ارزشمندتر. اما در اینجا، ارزش از تعداد همتایان (مانند تلفن) یا حضور بسیاری از خریداران و فروشندگان مانند پلتفرم هایی مانند Etsy ناشی نمی شود. در عوض، اثرات ناشی از ماهیت فناوری است: هوش مصنوعی از طریق یادگیری تقویتی، پیش‌بینی‌ها و به دنبال آن بازخورد بهبود می‌یابد. همانطور که هوش آن افزایش می یابد، سیستم پیش بینی های بهتری انجام داده، مفید بودن آن افزایش یافته، کاربران جدید را جذب و کاربران موجود را حفظ می کند. کاربران بیشتر به معنای پاسخ‌های بیشتر بوده، که دقت پیش‌بینی را بیشتر و یک چرخه با فضیلت ایجاد می‌کند.

به عنوان مثال، نقشه گوگل را در نظر بگیرید. از هوش مصنوعی برای توصیه سریع ترین مسیر به مقصد استفاده می کند. این توانایی به پیش‌بینی الگوهای ترافیک در مسیرهای جایگزین بستگی دارد، که با استفاده از داده‌هایی که از بسیاری از کاربران دریافت می‌شود، انجام می‌شود. (بله، کاربران داده‌ها نیز تامین‌کننده هستند.) هرچه افراد بیشتری از برنامه استفاده کنند، داده‌های تاریخی و همزمان بیشتری جمع‌آوری می‌شود. با انبوهی از داده‌ها، گوگل می‌تواند پیش‌بینی‌های بی‌شمار را با نتایج واقعی مقایسه کند: آیا به زمان پیش‌بینی‌شده توسط برنامه رسیدید؟ برای تکمیل پیش‌بینی‌ها، برنامه به برداشت‌های شما نیز نیاز دارد: دستورالعمل‌ها چقدر خوب بودند؟ با جمع شدن حقایق عینی و بررسی‌های ذهنی، جلوه‌های شبکه شروع به کار می‌کنند. این اثرات پیش‌بینی‌ها را بهبود بخشیده و ارزش برنامه را برای کاربران و گوگل افزایش می‌دهد.

هنگامی که درک کنیم که چگونه اثرات شبکه، هوش مصنوعی را هدایت می کند، می توانیم استراتژی های جدیدی را که این فناوری نیاز دارد تصور کنیم.

OpenAI و مایکروسافت

بیایید با شراکت OpenAI و مایکروسافت شروع کنیم. هنگامی که ChatGPT را آزمایش بتا کردیم، تحت تأثیر پاسخ‌های خلاقانه و انسان‌مانند آن قرار گرفتیم، اما متوجه شدیم که گیر کرده است: این مربوط به مجموعه‌ای از داده‌هایی است که آخرین بار در سال 2021 جمع‌آوری شده است (بنابراین درباره رویدادهای اخیر یا حتی آب‌وهوا نپرسید) . حتی بدتر از آن، فاقد یک حلقه بازخورد قوی است: وقتی پیشنهادات توهم‌آمیز هستند، نمی‌توانید زنگ هشدار را به صدا درآورید. با این حال، OpenAI با پیوند دادن خود با مایکروسافت راهی برای آزمایش پیش‌بینی‌ها پیدا کرد. آنچه کاربران Bing می پرسند و نحوه رتبه بندی پاسخ ها برای به روز رسانی و بهبود ChatGPT بسیار مهم است. ما تصور می کنیم گام بعدی این است که مایکروسافت این الگوریتم را با ابر گسترده ای از داده های کاربر تغذیه کند. همانطور که ChatGPT تعداد بی‌شمار برگه‌های اکسل، ارائه‌های پاورپوینت، اسناد ورد و رزومه‌های لینکدین را هضم می‌کند، در بازآفرینی آنها بهتر می‌شود.

در اینجا حداقل سه درس کلی وجود دارد

اول، بازخورد بسیار مهم است. مزایای هوش مصنوعی با جریان مداوم واکنش های کاربر تشدید می شود. برای هوشمند ماندن، یک الگوریتم به یک جریان داده از انتخاب های فعلی کاربر و رتبه بندی پیشنهادات گذشته نیاز دارد. بدون بازخورد، حتی بهترین الگوریتم مهندسی برای مدت طولانی هوشمند باقی نخواهد ماند. همانطور که OpenAI متوجه شد، حتی پیچیده ترین مدل ها نیز باید به منابع داده همیشه در جریان مرتبط شوند. کارآفرینان هوش مصنوعی باید این را به خاطر بسپارند.

دوم، مدیران باید جمع‌آوری دقیق اطلاعات را برای به حداکثر رساندن مزایای این تأثیرات منظم کنند. آنها باید سوابق معمول مالی و عملیاتی را طی کنند. بیت های مفید داده را می توان در همه جا، در داخل و خارج از شرکت یافت، این بیت ها ممکن است از تعامل با خریداران، تامین کنندگان و همکاران ناشی شوند. برای مثال، یک خرده‌فروش می‌تواند آنچه را که مصرف‌کنندگان به آن نگاه می‌کنند، آنچه را که در سبد خرید خود قرار داده‌ و در نهایت برای آن پرداخت کرده‌اند، ردیابی کند. در مجموع، این جزئیات جزئی می توانند پیش بینی های یک سیستم هوش مصنوعی را بسیار بهبود بخشند. حتی بیت های داده نادر، از جمله آنهایی که خارج از کنترل شرکت هستند، ممکن است ارزش جمع آوری داشته باشند. داده های آب و هوا به Google Maps کمک می کند تا ترافیک را پیش بینی کند. ردیابی کلمات کلیدی که استخدام‌کنندگان برای جستجوی رزومه‌ها استفاده می‌کنند می‌تواند به لینکدین کمک کند تا نکات برنده‌ای را برای جویندگان کار ارائه دهد.

در نهایت، همه باید داده‌هایی را که به اشتراک می‌گذارند، عمداً یا ناخواسته در نظر بگیرند. حقایق و بازخورد برای ساختن پیش بینی های بهتر ضروری هستند. اما ارزش داده های شما توسط دیگران نیز قابل دسترس خواهد بود، بنابراین مدیران باید در نظر داشته باشند که چه کسی می تواند اجازه دسترسی به داده هایی کسب شده توسط هوش مصنوعی را دارا باشد. گاهی اوقات، آنها باید اشتراک گذاری را محدود کنند. به عنوان مثال، وقتی رانندگان Uber با برنامه Waze حرکت می‌کنند، به گوگل کمک می‌کنند تا دفعات و طول سفرهای سواری را تخمین بزند. همانطور که گوگل در نظر دارد تاکسی های خودران را راه اندازی کند، چنین داده هایی می تواند ارزشمند باشد. وقتی برندی مانند آدیداس در آمازون به فروش می‌رسد، به غول خرده‌فروشی اجازه می‌دهد تا تقاضا را در بین برندها (در مقایسه با نایک) و دسته‌ها (کفش‌ها) به اضافه حساسیت قیمت خریداران را تخمین بزند. نتایج می تواند به نفع پیشنهادات برچسب خصوصی آمازون باشد.

وقتی اثرات شبکه هوش مصنوعی را در نظر می گیرید، می توانید آینده این فناوری را بهتر درک کنید. همچنین می‌توانید ببینید که چگونه این اثرات، مانند سایر اثرات شبکه، ثروتمندان را حتی بیشتر ثروتمند می‌کنند. پویایی پشت هوش مصنوعی به این معنی است که افراد در ابتدا ممکن است پاداش قابل توجهی دریافت کنند و پیروان، هر چند سریع، ممکن است در حاشیه رها شوند. همچنین بیانگر این است که وقتی کسی به الگوریتم هوش مصنوعی و جریانی از داده ها دسترسی دارد، مزیت ها در طول زمان جمع شده و نمی توان به راحتی آن ها را نادیده گرفت. در مورد هوش مصنوعی برای مدیران اجرایی، کارآفرینان، سیاست گذاران و همه افراد دیگر، همچنان بهترین ها و بدترین های مختلفی در راه است.