تم نشر هذه المقالة بالأصل نيابةً عن مجلس فوربس للتكنولوجيا، وهو مجتمع للمديرين التنفيذيين الرئيسيين ،CIOs، CTOs والمديرين التنفيذيين للتكنولوجيا. اقرأ المشاركة الأصلية هنا.
عندما يتعلق الأمر بالذكاء الاصطناعي (AI) والتعلم الآلي، خاصة، الطريقة التي نهندس بها البرمجيات تتغير بشكل جوهري. لم يكن لدى المهندسين التقليديين أن يتأملوا في فكرة الحاجة لأن تكون البرمجيات تحتاج إلى "تعلم" لتكون مفيدة. قمنا بتعريف "القواعد" التي أردنا أن نأخذها في الاعتبار، وقُدمت هذه بشكل قاسي في التطبيقات التي يتم بناؤها ونشرها. ثم، قدمنا تعديلاً وتحسينًا عليها في دورة متواصلة.
هذا مختلف مع AI. بدلاً من تضمين القواعد في التطبيقات، تعتمد منتجات AI على بيانات التدريب للعمل. على سبيل المثال، عندما ظهرت تطبيقات GPS أول مرة، غيروا كل شيء - وداعًا للخرائط المستندية إلى الورق! بعد عقد من الزمان، أعاد تطبيق الملاحة Waze تعريف تلك التجربة مرة أخرى. أدرك Waze أنه من خلال تجميع البيانات من كل مستخدميهم، يمكنهم ألا يقولون لمستخدم واحد فقط أين يذهب بعد ذلك ولكن أيضًا أسرع طريق للوصول إلى هناك وتحديث تلك الاقتراحات بشكل فوري.
مع تقدمنا في إنشاء تطبيقات البرمجيات، اكتشفنا أن ممارسات التطوير مثل نموذج الشلال لا تعمل لأنها لا تأخذ في الاعتبار المستخدم بشكل كافٍ في دورة حياة تطوير البرمجيات. في النهاية، من المحتمل أن يكون لدى المستخدمين متطلبات جديدة. لذلك، لقد انتقلنا إلى نهج جديدة، مثل تلك التي أصبحت مشهورة في كتب مثل The Lean Startup. بينما يتحدى الناس اليوم مفاهيم مثل "المنتج القابل للتطبيق الحد الأدنى"، فإن الأفكار صحيحة تمامًا: ابدأ بصغير وضع المنتج الخاص بك في يد مستخدميك في أقرب وقت ممكن حتى تحصل على تعليقاتهم وتحسن المنتج في طريقك.
يجب التعامل مع AI بنفس الطريقة. من المغري أن تقضي سنوات في بناء نظام الذكاء الاصطناعي الكمال، مدربًا بحجم هائل من مجموعات البيانات المثالية. ولكن لا تُفاجأ إذا كان المنتج أصبح قديمًا تمامًا وغير مهم عندما تُقدمه للعالم.
ربما يعكس مجموع البيانات الخاص بك ممارسات قديمة لا معنى لها بعد الآن، أو ربما لم يتعرض خوارزميتك للبنية اللغوية الخاصة بمحدد معين أبدًا. أو ربما الشخص الذي اعتقدت أنه سيستخدم منتجك ليس هو الذي ينتهي باستخدامه. يمكن للذكاء الاصطناعي المدرب في فراغ فقط أن يتفاعل مع ما تمتع به من تعرض له. أنا مؤمن قويًا بوضع خوارزميتك هناك، حيث يمكنها التعلم، التكيف والتحسين. ها هي الأسباب التي تجعل من السهولة السماح لذكاءك الاصطناعي بأن يبدأ "غبيًا".
ابحث عن تركيزك
نعلم بالفعل أن أدوات الذكاء الاصطناعي لا تزال غير قادرة على استبدال الآخرين، ولا نتوقع منها أن تكون قادرة على ذلك في المستقبل القريب. احتفظ بهذا في اعتبارك عند تصميم الحل الخاص بك. اجعل مستخدمك محور خوارزميتك وتضيق نطاق عملك وتفكيرك في حالة استخدام واحدة تهتم بها هذا المستخدم.
مثال واحد هنا هو Textio، شبكة تدريبية قائمة على AI متخصصة في مساعدة المحترفين في مجال المواهب على كتابة وصفات وظائف أفضل. هذه مهمة محددة جدًا. لم يركزوا على تحويل الجميع إلى كتاب أفضل. لقد اختاروا تخصصًا واحدًا - وصف الوظائف - وتموقعوا عميقًا. أكبر إنجازات الذكاء الاصطناعي التي شهدناها تبدأ بمهمة متفردة ثم تتوسع. وكلما تم تركيز الحل بشكل أضيق ، كلما تعلم الذكاء الاصطناعي بسرعة أكبر.
لا تضع الشبح قبل الآلة
بمجرد أن تجد تركيزك ، لا تتحمس كثيرًا لتغيير العالم في الحال. فقط التفكير في الأمور التي يجب أن تحدث لجعل نظام الذكاء الاصطناعي (حتى لو كان أحمقًا) يعمل هو عملية مكثفة شاقة تشمل:
إعداد البيئة التقنية
إعداد النظام الذي يخزن كل بيانات التدريب
إعداد الخوارزمية المهمة التي تقوم بتدريب البيانات وتقديم الاقتراحات المرجعية
على الرغم من أن السحابة قد جعلت هذه الخطوات أسهل ، إلا أنها لا تزال مهمة صعبة. لذلك يجب عليك في النهاية تركيز معظم جهودك على إعداد العمليات أعلاه وجعلها مستقرة ، مما سيتيح لك التحرك بشكل أسرع بمجرد بدء اختبار منتجك مع العملاء المحتملين بدلاً من اختيار قضاء معظم وقتك في تدريب بياناتك. إذا كنت تعمل في عالم نظري وتحاول جمع بيانات تدريب من دون مدخلات العملاء الحقيقيين ، فأنت تعمل في فراغ سيغذي افتراضاتك الأولية إليك.
اجعل ذكاء الاصطناعي الخاص بك أمام الناس
بيانات التدريب الخاصة بك أساسية بداية العملية ، ولكن لصناعة منتج ذكاء اصطناعي يمكن أن يتحسن مع مرور الوقت ، يجب عليك القفز إلى أكبر مجموعة بيانات على الإطلاق: تجربة الإنسان. وهذا يتطلب الاستثمار في تجربة المستخدم (UX) الخاصة بك. كلما جعلت تجربة استخدام الذكاء الاصطناعي الخاص بك أفضل ، زاد عدد الأشخاص الذين يرغبون في استخدامه ، مما يعني أن النموذج الخاص بك سيجمع المزيد من البيانات بسرعة أكبر بكثير.
من الأهمية بمكان ربط أهمية UX بنجاح مبادرتك الذكية في الذكاء الاصطناعي. للأسف ، معظم الناس لا يفكرون بهذه الطريقة. إنهم ينخدعون بفكرة العيش الأفضل من خلال الخوارزميات بحيث يميلون إلى أن يفترضوا أن الذكاء الاصطناعي يتعلق بالآلية. الحقيقة هي أنك تقوم بكل هذا العمل حتى تتمكن من الوصول إلى البيانات. ولكن يجب أن تأتي البيانات من مكان ما.
المفهوم الأساسي المنسي غالبًا لفهم أن "المكان" هو الأشخاص الذين يستخدمون البرنامج الخاص بك. يعمل الذكاء الاصطناعي عندما تعامل معه كشراكة بين البشر والآلات. ولهذا السبب ، إذا لم يكن لديك تجربة مستخدم جيدة ، فلن تكون لديك أبدًا ذكاء اصطناعي جيدًا. إذا لم تبدأ بالقول "سأقوم بإنشاء نظام يرغب الناس في استخدامه ، سهل الاستخدام وسيتم استخدامه بانتظام" ، في هذه الحالة لا يهم أي شيء آخر.
يمكن دائمًا ضبط الخوارزمية. كلما كانت هناك في العالم الحقيقي ، كلما كانت أفضل. ليس من الأهم أن يكون مذهلاً عند البدء من البوابة بل أن تجد المشكلة المحددة التي تريد حلها وقم بإعداد بيئتك التقنية لاستيعاب البيانات. في النهاية ، الذكاء الاصطناعي الذكي هو ببساطة الذي يعمل.
تم نشر هذه المقالة بالأصل نيابةً عن مجلس فوربس للتكنولوجيا، وهو مجتمع للمديرين التنفيذيين الرئيسيين ،CIOs، CTOs والمديرين التنفيذيين للتكنولوجيا. اقرأ المشاركة الأصلية هنا.
عندما يتعلق الأمر بالذكاء الاصطناعي (AI) والتعلم الآلي، خاصة، الطريقة التي نهندس بها البرمجيات تتغير بشكل جوهري. لم يكن لدى المهندسين التقليديين أن يتأملوا في فكرة الحاجة لأن تكون البرمجيات تحتاج إلى "تعلم" لتكون مفيدة. قمنا بتعريف "القواعد" التي أردنا أن نأخذها في الاعتبار، وقُدمت هذه بشكل قاسي في التطبيقات التي يتم بناؤها ونشرها. ثم، قدمنا تعديلاً وتحسينًا عليها في دورة متواصلة.
هذا مختلف مع AI. بدلاً من تضمين القواعد في التطبيقات، تعتمد منتجات AI على بيانات التدريب للعمل. على سبيل المثال، عندما ظهرت تطبيقات GPS أول مرة، غيروا كل شيء - وداعًا للخرائط المستندية إلى الورق! بعد عقد من الزمان، أعاد تطبيق الملاحة Waze تعريف تلك التجربة مرة أخرى. أدرك Waze أنه من خلال تجميع البيانات من كل مستخدميهم، يمكنهم ألا يقولون لمستخدم واحد فقط أين يذهب بعد ذلك ولكن أيضًا أسرع طريق للوصول إلى هناك وتحديث تلك الاقتراحات بشكل فوري.
مع تقدمنا في إنشاء تطبيقات البرمجيات، اكتشفنا أن ممارسات التطوير مثل نموذج الشلال لا تعمل لأنها لا تأخذ في الاعتبار المستخدم بشكل كافٍ في دورة حياة تطوير البرمجيات. في النهاية، من المحتمل أن يكون لدى المستخدمين متطلبات جديدة. لذلك، لقد انتقلنا إلى نهج جديدة، مثل تلك التي أصبحت مشهورة في كتب مثل The Lean Startup. بينما يتحدى الناس اليوم مفاهيم مثل "المنتج القابل للتطبيق الحد الأدنى"، فإن الأفكار صحيحة تمامًا: ابدأ بصغير وضع المنتج الخاص بك في يد مستخدميك في أقرب وقت ممكن حتى تحصل على تعليقاتهم وتحسن المنتج في طريقك.
يجب التعامل مع AI بنفس الطريقة. من المغري أن تقضي سنوات في بناء نظام الذكاء الاصطناعي الكمال، مدربًا بحجم هائل من مجموعات البيانات المثالية. ولكن لا تُفاجأ إذا كان المنتج أصبح قديمًا تمامًا وغير مهم عندما تُقدمه للعالم.
ربما يعكس مجموع البيانات الخاص بك ممارسات قديمة لا معنى لها بعد الآن، أو ربما لم يتعرض خوارزميتك للبنية اللغوية الخاصة بمحدد معين أبدًا. أو ربما الشخص الذي اعتقدت أنه سيستخدم منتجك ليس هو الذي ينتهي باستخدامه. يمكن للذكاء الاصطناعي المدرب في فراغ فقط أن يتفاعل مع ما تمتع به من تعرض له. أنا مؤمن قويًا بوضع خوارزميتك هناك، حيث يمكنها التعلم، التكيف والتحسين. ها هي الأسباب التي تجعل من السهولة السماح لذكاءك الاصطناعي بأن يبدأ "غبيًا".
ابحث عن تركيزك
نعلم بالفعل أن أدوات الذكاء الاصطناعي لا تزال غير قادرة على استبدال الآخرين، ولا نتوقع منها أن تكون قادرة على ذلك في المستقبل القريب. احتفظ بهذا في اعتبارك عند تصميم الحل الخاص بك. اجعل مستخدمك محور خوارزميتك وتضيق نطاق عملك وتفكيرك في حالة استخدام واحدة تهتم بها هذا المستخدم.
مثال واحد هنا هو Textio، شبكة تدريبية قائمة على AI متخصصة في مساعدة المحترفين في مجال المواهب على كتابة وصفات وظائف أفضل. هذه مهمة محددة جدًا. لم يركزوا على تحويل الجميع إلى كتاب أفضل. لقد اختاروا تخصصًا واحدًا - وصف الوظائف - وتموقعوا عميقًا. أكبر إنجازات الذكاء الاصطناعي التي شهدناها تبدأ بمهمة متفردة ثم تتوسع. وكلما تم تركيز الحل بشكل أضيق ، كلما تعلم الذكاء الاصطناعي بسرعة أكبر.
لا تضع الشبح قبل الآلة
بمجرد أن تجد تركيزك ، لا تتحمس كثيرًا لتغيير العالم في الحال. فقط التفكير في الأمور التي يجب أن تحدث لجعل نظام الذكاء الاصطناعي (حتى لو كان أحمقًا) يعمل هو عملية مكثفة شاقة تشمل:
إعداد البيئة التقنية
إعداد النظام الذي يخزن كل بيانات التدريب
إعداد الخوارزمية المهمة التي تقوم بتدريب البيانات وتقديم الاقتراحات المرجعية
على الرغم من أن السحابة قد جعلت هذه الخطوات أسهل ، إلا أنها لا تزال مهمة صعبة. لذلك يجب عليك في النهاية تركيز معظم جهودك على إعداد العمليات أعلاه وجعلها مستقرة ، مما سيتيح لك التحرك بشكل أسرع بمجرد بدء اختبار منتجك مع العملاء المحتملين بدلاً من اختيار قضاء معظم وقتك في تدريب بياناتك. إذا كنت تعمل في عالم نظري وتحاول جمع بيانات تدريب من دون مدخلات العملاء الحقيقيين ، فأنت تعمل في فراغ سيغذي افتراضاتك الأولية إليك.
اجعل ذكاء الاصطناعي الخاص بك أمام الناس
بيانات التدريب الخاصة بك أساسية بداية العملية ، ولكن لصناعة منتج ذكاء اصطناعي يمكن أن يتحسن مع مرور الوقت ، يجب عليك القفز إلى أكبر مجموعة بيانات على الإطلاق: تجربة الإنسان. وهذا يتطلب الاستثمار في تجربة المستخدم (UX) الخاصة بك. كلما جعلت تجربة استخدام الذكاء الاصطناعي الخاص بك أفضل ، زاد عدد الأشخاص الذين يرغبون في استخدامه ، مما يعني أن النموذج الخاص بك سيجمع المزيد من البيانات بسرعة أكبر بكثير.
من الأهمية بمكان ربط أهمية UX بنجاح مبادرتك الذكية في الذكاء الاصطناعي. للأسف ، معظم الناس لا يفكرون بهذه الطريقة. إنهم ينخدعون بفكرة العيش الأفضل من خلال الخوارزميات بحيث يميلون إلى أن يفترضوا أن الذكاء الاصطناعي يتعلق بالآلية. الحقيقة هي أنك تقوم بكل هذا العمل حتى تتمكن من الوصول إلى البيانات. ولكن يجب أن تأتي البيانات من مكان ما.
المفهوم الأساسي المنسي غالبًا لفهم أن "المكان" هو الأشخاص الذين يستخدمون البرنامج الخاص بك. يعمل الذكاء الاصطناعي عندما تعامل معه كشراكة بين البشر والآلات. ولهذا السبب ، إذا لم يكن لديك تجربة مستخدم جيدة ، فلن تكون لديك أبدًا ذكاء اصطناعي جيدًا. إذا لم تبدأ بالقول "سأقوم بإنشاء نظام يرغب الناس في استخدامه ، سهل الاستخدام وسيتم استخدامه بانتظام" ، في هذه الحالة لا يهم أي شيء آخر.
يمكن دائمًا ضبط الخوارزمية. كلما كانت هناك في العالم الحقيقي ، كلما كانت أفضل. ليس من الأهم أن يكون مذهلاً عند البدء من البوابة بل أن تجد المشكلة المحددة التي تريد حلها وقم بإعداد بيئتك التقنية لاستيعاب البيانات. في النهاية ، الذكاء الاصطناعي الذكي هو ببساطة الذي يعمل.
تجربة قوة منصة Guru بشكل مباشر - قم بجولة تفاعلية في المنتج
