آیا داده‌های شرکت شما برای هوش مصنوعی مولد (Generative AI) آماده است؟

منبع: مجله کسب‌وکار هاروارد

هوش مصنوعی مولد: هیجان‌زده اما ناپروا

بسیاری از سازمان‌ها نسبت به هوش مصنوعی مولد هیجان‌زده هستند و برای بهره‌مندی از آن بسیج شده‌اند. هیئت‌مدیره‌ها کارگاه‌های آموزشی برگزار می‌کنند و شرکت‌های خود را به اقدام تشویق می‌کنند. تیم‌های مدیریت ارشد در حال بررسی موارد استفاده‌ای هستند که باید توسعه داده شوند. افراد و بخش‌ها در حال آزمایش چگونگی افزایش بهره‌وری و اثربخشی خود با استفاده از این فناوری هستند. با این حال، کاری که واقعاً برای موفقیت هوش مصنوعی مولد اهمیت دارد، بر دوش مدیران ارشد داده (CDOها)، مهندسان داده و گردآورندگان دانش است. و متأسفانه، بسیاری از آن‌ها حتی کارهای لازم را شروع نکرده‌اند.

نظرسنجی انجام‌شده در نیمه دوم سال ۲۰۲۳ از ۳۳۴ مدیر ارشد داده و رهبر حوزه‌ی داده در سازمان‌ها (با حمایت آمازون وب‌سرویس و سمپوزیوم مدیر ارشد داده/کیفیت اطلاعات MIT)، به همراه مجموعه‌ای از مصاحبه‌ها با این مدیران، نشان داد که در حالی که آن‌ها به اندازه‌ی هر کس دیگری از هوش مصنوعی مولد هیجان‌زده هستند، اما کارهای زیادی برای آمادگی جهت استفاده از آن پیش روی خود دارند. به ویژه از نظر آمادگی داده‌ها، شرکت‌ها هنوز استراتژی‌های جدید داده را ایجاد نکرده‌اند یا مدیریت داده‌های خود را به شیوه‌ای که هوش مصنوعی مولد برای آن‌ها کارآمد باشد، آغاز نکرده‌اند. در ادامه نتایج این نظرسنجی و پیشنهاداتی برای گام‌های بعدی با داده‌ها را شرح خواهیم داد.

هیجان برای هوش مصنوعی مولد، اما هنوز ارزش اندک

سال ۲۰۲۳ سالی بود که بسیاری از سازمان‌ها با هوش مصنوعی (AI) آشنا شدند و از پتانسیل آن به وجد آمدند. هوش مصنوعی به طور سنتی با داده‌های ساختار‌یافته، معمولاً به شکل اعداد در ردیف‌ها و ستون‌ها، کار می‌کرد. اما هوش مصنوعی مولد (genAI) از داده‌های غیرساختار‌یافته – متن، تصویر و حتی ویدیو – برای تولید اشکال جدید یا ترکیبی‌شده از داده‌های غیرساختار‌یافته استفاده می‌کرد. این فناوری هم به عنوان دستیار و هم رقیبی برای تولیدکنندگان محتوای انسانی عمل می‌کرد. مدیران ارشد داده (CDOها) و رهبران حوزه داده این هیجان را نسبت به این فناوری به اشتراک گذاشتند: ۸۰ درصد موافق بودند که نهایتا فضای کسب‌وکار سازمان آن‌ها را متحول خواهد کرد و ۶۲ درصد گفتند سازمان‌هایشان قصد دارند هزینه‌ها را برای هوش مصنوعی مولد افزایش دهند. این فناوری همچنین توجه بسیاری را به نقش آن‌ها جلب کرده است؛ یک مدیر ارشد داده در مصاحبه‌ای گفت که هوش مصنوعی مولد او را به “مهم‌ترین مهمان جشن” تبدیل کرده است.

با این حال، پاسخ‌دهندگان به نظرسنجی نشان دادند که هنوز اکثر آن‌ها ارزش اقتصادی قابل توجهی از استفاده‌ی‌شان از هوش مصنوعی مولد به‌دست نیاورده‌اند. هنگامی که از نحوه‌ی برخورد سازمان‌هایشان با هوش مصنوعی مولد سؤال شد، تقریباً یک‌سوم پاسخ دادند که در حال “آزمایش در سطح فردی” هستند، نه ایجاد موارد استفاده برای کل سازمان. ۲۱ درصد دیگر نیز اشاره کردند که در حال آزمایش هستند، اما با دستورالعمل‌های استفاده برای کارمندان. درصد کمی پایین‌تر، یعنی ۱۹ درصد، در سطح بخش یا واحد تجاری آزمایش می‌کردند. مهم‌تر اینکه، تنها ۶ درصد یک برنامه‌ی هوش مصنوعی مولد را در مرحله‌ی استقرار تولیدی داشتند. جای تعجب است که ۱۶ درصد اشاره کردند که سازمان‌هایشان استفاده از این فناوری را توسط کارمندان ممنوع کرده‌اند، اگرچه به نظر می‌رسد این رویکرد با گذشت زمان کاهش می‌یابد، زیرا شرکت‌ها با مسائل مربوط به حریم خصوصی داده در نسخه‌های سازمانی مدل‌های هوش مصنوعی مولد برخورد می‌کنند.

اگر شرکتی قصد آزمایش با هوش مصنوعی مولد را دارد، باید در جنبه‌های اصلی کسب‌وکار باشد. یکی از شرکت‌هایی که به طور تهاجمی در حال آزمایش هوش مصنوعی مولد برای تحقیق و توسعه (R&D) است، یونیورسال موزیک است. علاقه‌ی شدید این شرکت به این فناوری تعجب‌آور نیست، زیرا هوش مصنوعی مولد می‌تواند موسیقی بسازد، متن ترانه بنویسد و از صدای هنرمندان تقلید کند. یونیورسال در حال بررسی چگونگی استفاده از هوش مصنوعی مولد در موسیقی و ویدیوهای مبتنی بر موسیقی به روشی است که از حقوق مالکیت فکری هنرمندان محافظت کند. این شرکت همچنین آزمایشی را برای ایجاد نسخه‌های هوش مصنوعی از قطعات آهنگ با استفاده از صدای هنرمندان یونیورسال (با اجازه‌ی آن‌ها و مشارکتشان) در حال انجام دارد. همچنین برای محافظت از حق تکثیر هنرمندان خود علیه یک ارائه‌دهنده‌ی هوش مصنوعی اقدام قانونی کرده است.

سیاست‌ها و اثبات‌های مفهومی می‌توانند مفید باشند، اما ارزش اقتصادی ایجاد نمی‌کنند. برای اینکه هوش مصنوعی مولد واقعاً برای شرکت‌ها باارزش باشد، آن‌ها باید مدل‌های زبان یا تصویر فروشندگان را با داده‌های خود سفارشی‌سازی کنند و کارهای داخلی را برای آماده‌سازی داده‌های خود برای آن یکپارچگی انجام دهند.

آماده‌سازی داده‌ها

داده‌های نسبتاً غیرساختار‌یافته‌ای که هوش مصنوعی مولد از آن‌ها استفاده می‌کند، برای داشتن دقت، به‌روز بودن، منحصر به فرد بودن و سایر ویژگی‌ها، نیازمند مدیریت و پالایش دقیق هستند تا مدل‌های هوش مصنوعی مولد که از آنها استفاده می‌کنند، بسیار مفید باشند. داده‌های داخلی با کیفیت پایین، منجر به پاسخ‌های ضعیف از مدل‌های genAI می‌شود.

بسیاری از رهبران داده در نظرسنجی ما این چالش را تکرار کردند: ۴۶ درصد «کیفیت داده» را به عنوان بزرگترین مانع برای تحقق بخشیدن به پتانسیل genAI در سازمان‌های خود شناسایی کردند. جف مک‌میلان، مدیر ارشد داده، تجزیه و تحلیل و نوآوری در مدیریت ثروت مورگان استنلی – که یکی از اولین پذیرندگان genAI است – به برخی از مسائل درگیر اشاره کرد:

«ما حدود پنج سال است که دانش مبتنی بر سند خود را مدیریت می‌کنیم. این به این دلیل نبود که ما انتظار GenAI را داشتیم، بلکه به این دلیل بود که افراد از سطح کیفیت محتوای موجود در اینترنت داخلی ما ناراضی بودند. بنابراین، با رفع این مشکل، ناخواسته برای GenAI آماده شدیم.»

هر محتوای پژوهشی باید توسط یک فرد انطباق ثبت‌شده بررسی شود، بنابراین می‌دانیم محتوای آموزشی از کیفیت بسیار بالایی برخوردار است. حتی در محتوای غیرتحقیقی، ما تیمی داریم که ارسال‌های فردی را بر اساس مواردی مانند الزامات تگ‌گذاری، لینک‌های خراب، وجود خلاصه در ابتدای متن، ارزیابی و به هر سند نمره‌ای اختصاص می‌دهیم. همچنین مجبور شدیم زمان زیادی را صرف فکر کردن در مورد مجموعه‌های محتوای مختلف و بهینه‌سازی نتایج کنیم… این مدل‌های زبان بزرگ مشکل منابع داده‌ای ناهمگون را حل نمی‌کنند. شرکت‌ها قبل از تلاش برای دسترسی به داده‌ها با هوش مصنوعی مولد، نیاز به رسیدگی به یکپارچگی و تسلط بر داده‌ها دارند.

با این حال، اکثر رهبران داده هنوز تغییرات لازم را در استراتژی‌های داده‌ی خود آغاز نکرده‌اند. در حالی که ۹۳ درصد از پاسخ‌دهندگان به نظرسنجی موافق بودند که استراتژی داده برای به دست آوردن ارزش از هوش مصنوعی مولد حیاتی است، ۵۷ درصد گفتند که تاکنون هیچ تغییری در داده‌های سازمان خود ایجاد نکرده‌اند. تنها ۳۷ درصد موافق بودند (و تنها ۱۱ درصد کاملاً موافق بودند) که سازمان‌هایشان زیربنای داده‌ای مناسبی برای هوش مصنوعی مولد دارند. به عبارت دیگر، اکثر سازمان‌ها برای اعمال گسترده‌ی هوش مصنوعی مولد در کسب‌وکار خود کار قابل توجهی در پیش دارند.

رهبران داده‌ای که شروع به ایجاد تغییرات کرده‌اند، بر روی چند کار خاص تمرکز کرده‌اند. یکپارچه‌سازی یا پاکسازی مجموعه داده‌ها توسط یک‌چهارم سازمان‌ها در حال انجام است. هجده درصد از آن‌ها داده‌هایی را بررسی می‌کنند که ممکن است از استفاده از هوش مصنوعی مولد پشتیبانی کند. و ۱۷ درصد در حال مدیریت و پالایش اسناد یا متون برای آماده‌سازی آن‌ها برای مدل‌های هوش مصنوعی مولد خاص حوزه هستند. به عنوان مثال، والید مهنا، مدیر ارشد داده و هوش مصنوعی گروه مِرک، بر اهمیت چندین نوع آماده‌سازی داده تأکید کرد:

«اگر می‌خواهیم هوش مصنوعی را پیاده‌سازی کنیم، باید آن را بر روی بستر محکم و نه شن روان بنا کنیم. ما در حال بهبود فرایند و تأمین داده هستیم. روی فهرست و کاتالوگ داده، پارچه‌ی داده‌ای با ساختار داده‌ی جدید و لایه‌ی فرا داده، خطوط انتقال داده و تولید بینش لحظه‌ای و سلف‌سرویس کار می‌کنیم. ما بر این باوریم که هوش مصنوعی مولد در آینده روشی کلیدی برای ایجاد بینش از داده خواهد بود.»

راج نیم‌گادا، مدیر ارشد داده‌ی تحقیق و توسعه در سانوفی، همچنین گفت که این شرکت در حال آماده‌سازی داده‌های خود برای هوش مصنوعی مولد است و به ما گفت که موفقیت با هوش مصنوعی مولد «به داده‌ی باکیفیت و “آماده‌ی کسب‌وکار” وابسته است که توسط زیربنای داده‌ای قدرتمند، حکمرانی داده و استانداردها هدایت می‌شود.» او گفت سانوفی در حال حاضر روی ایجاد این قابلیت‌های اساسی در سراسر بخش تحقیق و توسعه خود سرمایه‌گذاری می‌کند.

همانطور که در مورد تحول داده به طور کلی، برای اکثر سازمان‌ها، مدیریت، پاکسازی و یکپارچه‌سازی تمام داده‌های غیرساختار‌یافته برای استفاده در برنامه‌های کاربردی هوش مصنوعی مولد، تلاش فوق‌العاده‌ای به همراه خواهد داشت. بنابراین، اکثر شرکت‌ها باید بر حوزه‌های داده‌ای خاصی تمرکز کنند که انتظار دارند در آینده‌ی نزدیک هوش مصنوعی مولد را در آن‌ها پیاده‌سازی کنند. ممکن است شرکت‌ها زمان بیشتری برای راه‌اندازی استفاده از هوش مصنوعی مولد نسبت به آنچه بسیاری امیدوار بودند، نیاز داشته باشند و احتمالاً قبل از اینکه بتوانند ارزش ایجاد کنند، کارهای زیادی در پیش داشته باشند.

در این نظرسنجی، رایج‌ترین حوزه‌های کسب‌وکاری که رهبران داده در اولویت‌بندی توسعه‌ی هوش مصنوعی مولد قرار داده بودند (به ترتیب) عبارت بودند از: عملیات مشتری مانند پشتیبانی مشتری یا چت‌بات‌ها، مهندسی نرم‌افزار/تولید کد، فعالیت‌های بازاریابی و فروش مانند کمپین‌های بازاریابی شخصی‌سازی‌شده یا پیشنهادات فروش، و تحقیق و توسعه/طراحی و توسعه‌ی محصول. بسیاری از سازمان‌ها همچنین به دنبال کاربردهای کلی هوش مصنوعی مولد برای بهره‌وری شخصی بودند، اما این به احتمال زیاد شامل حوزه‌ی داده‌ای خاصی نخواهد شد.

دلیلی موجه برای صبر کردن؟

در حالی که ما معتقدیم رهبران داده باید سرعت آماده‌سازی داده‌های خود را برای هوش مصنوعی مولد افزایش دهند، همچنین اذعان داریم که پروژه‌های مهم دیگری در مورد داده‌ها وجود دارد، از جمله بهبود داده‌های تراکنش و در دسترس قرار دادن داده‌ها برای تحلیل‌های سنتی و برنامه‌های کاربردی یادگیری ماشین. در واقع، شاید یکی از دلایل کندی نسبی این باشد که ۷۱ درصد از مدیران ارشد داده موافق بودند که «هوش مصنوعی مولد جالب است، اما ما بر سایر ابتکارات داده‌ای برای ارائه ارزش ملموس‌تر تمرکز کرده‌ایم.»

با توجه به سطح هیجان در مورد هوش مصنوعی مولد، نتیجه‌ی این نظرسنجی تا حدودی شگفت‌انگیز است. ما در نظرسنجی سال ۲۰۲۲ متوجه شدیم که مدیران ارشد داده تحت فشار هستند تا «ارزش» را به سرعت ارائه دهند، اما همچنین تحت فشار هستند تا اجرای هوش مصنوعی مولد را تسهیل کنند. ما گمان می‌کنیم که آن‌ها به آرامی در حال تغییر رویه‌ی خود از مدیریت و بهبود داده‌های ساختاریافته به محتوای غیرساختاریافته هستند. علاوه بر این، رقابت بر سر رهبری هوش مصنوعی مولد در درون شرکت‌ها وجود دارد؛ مدیران ارشد داده با مدیران ارشد فناوری اطلاعات، مدیران ارشد فن‌آوری و مدیران ارشد دیجیتال برای رهبری این فناوری جدید و داغ رقابت می‌کنند.

اما اگر قرار است هوش مصنوعی مولد سازمان را متحول کند، منطقی نیست که برای شروع آماده‌سازی داده‌ها صبر کنیم. ما – و اکثر پاسخ‌دهندگان به نظرسنجی – موافقیم که هوش مصنوعی مولد یک قابلیت تحول‌آفرین است. آماده‌سازی داده‌های مهم یک سازمان بزرگ برای هوش مصنوعی به راحتی ممکن است چندین سال طول بکشد. زمان شروع اکنون است.