قبل از مراجعه به هوش مصنوعی، این حقیقت تلخ را بپذیرید

هوش مصنوعی (AI) مثل یک شمشیر لیزری (Lightsaber) در فیلم‌های ستاره‌ای است: قدرتمند، جذاب، اما نه همیشه مناسب. برای مثال، اگر هدف شما این است که ایمیل خود را در یک فرم آنلاین وارد کنید، چرا باید از یک سیستم پیچیده هوش مصنوعی استفاده کنید؟ سیستم‌های ساده قوانینی (Rule-Based) می‌توانند این کار را با هزینه صفر و دقت ۱۰۰ درصد انجام دهند. اما وقتی مسئله پیچیده‌تر می‌شود، مانند پاسخ به سوالات پشتیبانی یا پیش‌بینی نیاز‌های مشتری، هوش مصنوعی وارد صحنه می‌شود.
بر اساس تحقیقات انجام‌شده توسط شرکت مشاوره‌ای McKinsey در سال 2023 تنها ۵۵ درصد از سازمان‌ها ادعا می‌کنند که هوش مصنوعی به بهبود عملکرد آنها کمک کرده است. این در حالی است که ۳۰ درصد از پروژه‌های AI به دلیل هزینه‌های بالا، عدم دقت یا عدم تطابق با نیاز‌های واقعی شکست می‌خورند.

آیا می‌توان به هوش مصنوعی اعتماد کرد؟

ورودی‌ها و خروجی‌ها: اگر یک ورودی ثابت، خروجی یکسانی تولید کند (مانند پر کردن فرم‌های آنلاین با ایمیل کاربر)، سیستم‌های قوانینی (Rule-Based) کافی هستند. برای ترکیبات پیچیده‌تر ورودی-خروجی (مانند پاسخ به سوالات پشتیبانی)، استفاده از هوش مصنوعی ضروری است.
الگو‌ها در داده‌ها: اگر الگو‌های قابل پیش‌بینی در داده‌ها وجود داشته باشد، مدل‌های نظارتی (Supervised Learning) بهترین گزینه‌اند. مثلا طبقه‌بندی ایمیل‌های اسپم با دقت ۹۵ درصد با استفاده از شبکه‌های عصبی. در غیاب الگو، مدل‌های زبان بزرگ (LLM) گزینه‌ای غیردقیق و هزینه‌بر هستند.
هزینه و دقت: بر اساس گزارش IDC در سال 2023 هزینه پردازش یک میلیون درخواست به مدل GPT-۴ حدود ۱۵ دلار است، در حالی که استفاده از مدل‌های نظارتی (مانند طبقه‌بندی تصاویر با TensorFlow) کمتر از ۲ دلار هزینه دارد.
دقت مدل‌های LLM نیز در وظایف ساختاریافته (مانند نمره‌دهی به انشاها) ۱۰-۱۵ درصد پایین‌تر از مدل‌های نظارتی است (منبع: MIT Technology Review, ۲۰۲۳).
مقیاس‌پذیری: سیستم‌های قوانینی برای وظایف تکراری و ساده (مانند اتوماسیون ایمیل) مقرون‌به‌صرفه‌ترند، در حالی که هوش مصنوعی برای سناریو‌هایی با تعداد زیادی ترکیب ورودی-خروجی (مانند جستجوی هوشمند) ضروری است.

نگاهی به واقعیت‌های صنعت هوش مصنوعی
نرخ پذیرش AI: بر اساس گزارش Gartner در سال 2023 حدود 65درصد از سازمان‌های بزرگ از هوش مصنوعی در حداقل یک بخش استفاده می‌کنند، اما تنها ۲۰ درصد از آنها ادعا می‌کنند که AI به بهبود قابل توجهی در سودآوری منجر شده است.
هزینه‌های پروژه‌های AI: متوسط هزینه پیاده‌سازی یک پروژه هوش مصنوعی در شرکت‌های نوپا ۵۰۰,۰۰۰ دلار است، در حالی که سیستم‌های قوانینی کمتر از ۵۰,۰۰۰ دلار هزینه دارند (منبع: Deloitte AI Report, ۲۰۲۲).
نرخ شکست پروژه‌های AI: بر اساس تحقیق Stanford HAI در سال 2023 حدود 42 درصد از پروژه‌های هوش مصنوعی به دلیل ناکافی بودن داده‌های آموزشی یا عدم تطابق با نیاز‌های کسب‌وکار شکست می‌خورند.

۲ سال تا هوش مصنوعی در سطح انسان فاصله داریم

موفقیت و شکست هوش مصنوعی
یکی از موارد موفقیت‌آمیز استفاده از هوش‌مصنوعی، سرویس Spotify است. از الگوریتم‌های توصیه‌دهنده (Collaborative Filtering) برای ایجاد لیست‌های پخش شخصی‌سازی‌شده استفاده می‌کند. این سیستم باعث افزایش ۳۵ درصد در زمان گوش دادن به موسیقی توسط کاربران شده است (منبع: Spotify Engineering Blog, ۲۰۲۳).
سرویس پشتیبانی مشتریان Amazon نیز یکی دیگر از موارد استفاده موفقیت آمیز از هوش مصنوعی بوده است. استفاده از LLM با تکنیک RAG (Retrieval-Augmented Generation) سبب کاهش ۲۰ درصد در زمان پاسخ‌دهی به سوالات پیچیده شده است.
از موارد شکست خورده استفاده از هوش مصنوعی، پروژه اتوماسیون منابع انسانی در شرکت X است. در سال ۲۰۲۲، یک شرکت بزرگ تولیدی اقدام به استفاده از AI برای ارزیابی رزومه‌های شغلی کرد، اما به دلیل سوگیری در داده‌های آموزشی، ۷۰ درصد از کاندیدا‌های مورد نظر رد شدند. در نهایت، شرکت به سیستم دستی بازگشت (منبع: Harvard Business Review, ۲۰۲۳).
سیستم پیش‌بینی فروش در یک شرکت خرده‌فروشی یکی دیگر از موارد شکست‌خورده استفاده از هوش مصنوعی است. با وجود سرمایه‌گذاری ۲ میلیون دلاری، دقت پیش‌بینی‌ها تنها ۶۰ درصد بود، در حالی که یک مدل رگرسیون خطی ساده با دقت ۸۵ درصد به نتایج مشابهی دست یافت.

بومی‌سازی علم در ایران دروغی است برای بودجه گرفتن 

چه زمانی استفاده از هوش‌مصنوعی مناسب است؟
بر اساس مدل اقتصادی ارائه شده توسط McKinsey در سال 2023 برای وظایف تکراری با الگو‌های مشخص (مانند تشخیص اسپم)، استفاده از مدل‌های نظارتی یا سیستم‌های قوانینی بهتر است. اما برای وظایف پیچیده با تعداد زیاد ترکیبات ورودی-خروجی (مانند پاسخ به سوالات عمومی) هوش مصنوعی ضروری است. همچنین برای وظایف یک‌باره بدون الگو (مانند تولید محتوای خلاقانه) LLM‌ها گزینه‌ای مناسب هستند، اما دقت پایین آنها باید در نظر گرفته شود.

استفاده از هوش مصنوعی در پروژه‌ها باید بر اساس تحلیل سیستماتیک نیازها، هزینه‌ها و الگو‌های داده‌ای انجام شود.همان‌گونه که رائو برجسته کرد: «اگر یک قیچی ساده کار را انجام دهد، چرا از یک شمشیر لیزری (Lightsaber) استفاده کنید؟» هوش مصنوعی ابزاری قدرتمند است، اما نه همیشه بهترین ابزار.