کلید موفقیت در توسعه محصولات هوش مصنوعی

در رقابت برای توسعۀ هوش مصنوعی، شرکت‌ها منابع خود را در مدل‌ها و فناوری‌های مختلف سرمایه‌گذاری می‌کنند. اما چه چیزی برای ایجاد محصول هوش مصنوعی که واقعاً نیازهای مشتری را برآورده کند لازم است؟ طبق گفته کارشناسان Capital One، Pinterest و Slack، کلید آن همکاری چندرشته‌ای است.

شما می‌توانید همه‌چیز را در هوش مصنوعی انجام دهید؛ اما خیلی زود متوجه خواهید شد که وقتی در محیط صنعتی هستید و این محصول هوش مصنوعی را می‌سازید، یک روستا برای درست‌کردن همه‌چیز لازم است. «دیپاک آگاروال»، معاون مهندسی در Pinterest می‌گوید: « این نیاز به مهندسی، طراحی، محصول، داده و حتی حقوق درحال‌حاضر دارد.»

آگاروال که پیشتر هدایت تلاش‌های مهندسی هوش مصنوعی در LinkedIn را بر عهده داشت، تأکید کرد که شرکت‌ها باید با رویکرد اولویت‌بندی هوش مصنوعی به ساخت محصولات هوش مصنوعی نزدیک شوند و فرهنگی ایجاد کنند که در آن تیم‌های کامل برای ایجاد تجربۀ جادویی مدنظرشان برای مشتریان گرد هم‌آیند.

نوآوری هوش مصنوعی و چالش‌های آن به‌طور سنتی، محصولات نرم‌افزاری با رویکردی قطعی ساخته می‌شدند که حول محور روش‌های استاندارد برای توسعه، آزمایش و تکرار می‌چرخید. تیم‌ها مسیر روشنی برای بهبود کیفیت برنامه‌های خود داشتند. بااین‌حال، زمانی که هوش مصنوعی مولد وارد صحنه شد، تعداد متغیرها در چرخۀ عمر توسعه افزایش یافت و به الگویی غیرقطعی منجر شد.

امروزه توسعه‌دهندگان نه‌تنها باید سرعت نوآوری را زیر نظر داشته باشند، با توجه به اینکه بنیادهای هوش مصنوعی بسیار سریع در حال تکامل هستند، بلکه باید روی کیفیت، ایمنی و عملکرد برنامه‌های هوش مصنوعی خود تمرکز کنند و درعین‌حال متغیرهای مختلف را زیر نظر داشته باشند، از مدل استفاده‌شده گرفته تا داده‌ها، تا چارچوب سؤال کاربر.

«جکی روکا»، معاون محصول در Slack توضیح می‌دهد: «قبلاً می‌توانستید چیزی را در Figma شبیه‌سازی کنید و حس خوبی از آن تجربه داشته باشید.» شاید در هنگام ساخت آن، چند تغییر داشته باشید؛ اما با هوش مصنوعی و LLMها، پیش‌بینی نتایج آن تجربه‌ها بسیار سخت است. ما به‌سمت محیطی نمونه‌سازی سریعتر حرکت کرده‌ایم که بسیار تکرارپذیر است.

در این محیط نمونه‌سازی و انتشار سریع، شرکت‌ها می‌توانند حل مسائل رایج را از دست بدهند، مانند فعالانه گرد هم آوردن تیمی که روی هوش مصنوعی کار می‌کنند و تیمی که آن را به محصول هوش مصنوعی کاربردی و رو به مصرف‌کننده تبدیل می‌کنند.

که «فهد عثمان»، معاون هوش مصنوعی/ML، داده‌ها و طراحی تجربه نرم‌افزار در Capital One می‌گوید: «این همچنین جایی است که بسیاری از تیم‌ها نتوانند فراتر از محصول، طراحی و مهندسی بروند تا ذی‌نفعان دیگر، مانند کسانی که مسئول ارزیابی خطرات و مسائل انطباق احتمالی هستند، درگیر شوند».

برای حل این شکاف‌ها، در بین عملکردها همکاری کنید

نگران‌کننده‌تر این است که در موارد نادری که تیم‌ها را گرد هم می‌آورند، هر بخش ممکن است در سطح عملکرد خود بیش از حد بهینه‌سازی کند، بدون درنظرگرفتن کل اکوسیستم.

درحالی‌که مهم‌ترین کار گرد هم آوردن تیم‌های مختلف و بهره‌برداری از روستا است، جکی روکا اشاره کرد که سازمان‌ها باید در اولویت‌بندی آنچه برای مشتریان مهم است، موضع سختی داشته باشند؛ درحالی‌که همچنان به یادگیری و تکرار محصولات هوش مصنوعی خود ادامه می‌دهند. او تاکید کرد که در Slack، انتظار کلی راه‌اندازی یک چت‌بات هوش مصنوعی در پلتفرم بود. بااین‌حال، این شرکت با ویژگی‌های هوش مصنوعی مولد با تمرکز بر نیازهای کاربر، در مسیر متفاوتی حرکت کرد.

او گفت: «ما یک قدم به عقب برداشتیم و درمورد مشکلات برتر کاربر در Slack مانند اطلاعات بیش از حد و مشکل در یافتن چیزها فکر کردیم. بنابراین، ما با ویژگی‌هایی مانند جستجوی تقویت‌شده با هوش مصنوعی، خلاصه‌سازی کانال‌های شما و ارائه خلاصه‌هایی از کانال‌هایی که ممکن است نیازی به خواندن روزانه نداشته باشید، شروع کردیم.»

فهد عثمان و دیپاک آگاروال نیز همان استراتژی همکاری چندرشته‌ای و کشف مشکل را پیشنهاد کردند. آن‌ها گفتند که افراد در نقش‌های مختلف باید به‌عنوان یک تیم با هم کار کنند و بازخورد را از تمام منابع ممکن، از جمله آزمایش A/B و تله‌متری از ابزارها، برای درک زمینه و مشکل کاربران قبل از شروع به توسعه و استقرار، مثلث‌بندی کنند.

عثمانی گفت: «درگیر کردن نقش‌ها در اوایل کار، بینش‌های شگفت‌انگیزی را به همراه خواهد داشت، برخلاف اینکه فقط سعی کنید ابتدا یک مورد تجاری یا اثبات فناوری بسازید. اگر هر سه طرف از ابتدا، از تعریف مسئله تا مفهوم و آزمایش قابلیت استفاده، هم‌فکر باشند، نتایج بسیار بهتری می‌توان به‌دست آورد.»

برای ارزیابی پایداری، امنیت و نگهداری این زیرساخت، راهنمای پشتیبانی شبکه را نیز مطالعه کنید.