وقتی هوش مصنوعی امتحان را پیش‌بینی می‌کند: دقت 90 درصدی واقعاً چه چیزی را درباره سیستم‌های خراب آشکار می‌کند
وقتی با سازمان‌ها روی تحول دیجیتال و مهندسی مجدد فرایندهای کسب‌وکار کار می‌کنم، اغلب زود یک سؤال می‌پرسم: چه بخشی از برنامه‌ریزی شما به تکرار الگوهای تاریخی بستگی دارد نه استدلال واقعی آینده‌نگرانه؟
گروهی از دانش‌آموزان ۱۸ ساله در بریتانیا اخیراً به این سؤال قاطع‌تر از هر ارائه اتاق هیئت‌مدیره‌ای که دیده‌ام پاسخ دادند.
با استفاده از ۲۰ سال اوراق امتحانات GCSE و A-Level، طرح‌های نمره‌دهی، گزارش‌های مصححان و اسناد درسی، آن‌ها یک سیستم هوش مصنوعی ساختند که سؤالات امتحان را با دقت بیش از ۹۰ درصد پیش‌بینی کرد. سال گذشته سیستم به ۸۵ درصد رسید. امسال از ۹۰ درصد گذشت. این بهبود تصادفی نبود. یک حلقه بازخورد بود که دقیقاً همان‌طور که طراحی شده بود کار می‌کرد.
بیشتر مردم این را داستانی درباره هوش مصنوعی می‌خوانند. من آن را داستانی درباره سیستم‌ها می‌خوانم.
معماری جدید نیست
بگذارید دقیق بگوییم چه ساختند. سیستم بر سه لایه تکیه دارد: یک لایه جذب داده که دو دهه اوراق تاریخی و تعليقات مصححان را پردازش می‌کند، یک لایه تشخیص الگو که از مدل‌های بزرگ زبانی برای مدل‌سازی چرخه‌های موضوعی و شکاف‌های پوشش استفاده می‌کند، و یک لایه خروجی احتمالاتی که پیش‌بینی‌های رتبه‌بندی‌شده موزون بر اساس تکرار تاریخی تولید می‌کند.
این تولید تقویت‌شده با بازیابی است که روی پیش‌بینی الگوی زمانی اعمال شده. همین منطق معماری در پیش‌بینی مالی، برنامه‌ریزی تقاضای خرده‌فروشی، تشخیص کلاهبرداری، تحلیل‌های امنیت سایبری و بهینه‌سازی زنجیره تأمین دیده می‌شود.
حوزه تغییر می‌کند. ریاضیات تغییر نمی‌کند.
دقت 90 درصدی واقعاً چه چیزی را آشکار می‌کند
اگر سیستمی که روی داده‌های تاریخی آموزش دیده بتواند سؤالات امتحان را با دقت بیش از ۹۰ درصد پیش‌بینی کند، این در وهله اول مدرک هوش مصنوعی پیچیده نیست. مدرک یک سیستم ارزیابی ساختاری قطعی است.
یک امتحان خوب طراحی‌شده باید در برابر پیش‌بینی الگوی تاریخی بسیار مقاوم باشد. اگر ۲۰ سال داده بتواند با اطمینان ۹۰ درصد بگوید در برگه سال آینده چه چیزی می‌آید، سیستم در حال سنجش حافظه و تطبیق الگوست، نه درک واقعی.
دانش‌آموزان سیستم امتحان را خراب نکردند. آنچه از قبل خراب بود را آشکار کردند.
همان نقص در کسب‌وکار هم وجود دارد. چرخه‌های برنامه‌ریزی سالانه که فرضیات سال گذشته را بازتولید می‌کنند. چارچوب‌های عملکردی که رفتارهای ارزشمند در محیط رقابتی قبلی را پاداش می‌دهند. فرایندهای هوش راهبردی بدون هیچ سازوکاری برای تشخیص تغییر ساختاری. این‌ها مشکلات متفاوتی نیستند. همان مشکل در حوزه‌های مختلف‌اند.
آنچه سازمان‌ها اکنون باید با آن روبه‌رو شوند
سازمان‌هایی که موقعیت‌های رقابتی پایدار خواهند ساخت، آن‌هایی نیستند که آنچه کارکنانشان می‌توانند استفاده کنند را محدود می‌کنند. آن‌هایی هستند که فرایندهایشان را بازطراحی می‌کنند تا آنچه هوش مصنوعی واقعاً نمی‌تواند تکرار کند را پاداش دهند: ترکیب تازه در حوزه‌های ناآشنا، قضاوت اخلاقی در موقعیت‌های مبهم، خلاقیت میان‌حوزه‌ای، و انضباط پرسیدن سؤال‌های بهتر به جای تولید پاسخ‌های سریع‌تر.
اگر راهبرد، برنامه‌ریزی یا تصمیم‌گیری شما از داده‌های تاریخی با دقت ۹۰ درصد قابل پیش‌بینی است، هوش مصنوعی بزرگ‌ترین چالش شما نیست.
Originally published on LinkedIn by Keshavan Thiagaraja. Read the original on LinkedIn.