هوش مصنوعی و آینده آن

چالش های هوش مصنوعی در صربستان

https://www.nin.rs/ekonomija/vesti/54743/industrije-u-kojima-ce-ai-dominirati

دیدگاه نمانیا راکیچویچ Nemanja Rakićević  کارشناس گوگل

مهمترین پیشرفت در هوش مصنوعی را کجا می بینید، در کدام صنعت و چرا اینطور است؟

به نظر من، مهم‌ترین تاثیر هوش مصنوعی بر صنعت تاکنون درتوسعه نرم‌افزار بوده است، جایی که فرآیند اتوماسیون و بهینه‌سازی کد و همچنین زمان تحویل سریع محصولات نرم‌افزاری بسیار افزایش یافته است. این سیستم ها با دسترسی به حجم وسیعی از داده ها، مانند پروژه های برنامه نویسی و نرم افزارهای متن باز در اینترنت، که برای آموزش مدل ها استفاده شده اند، فعال شده اند.

من انتظار دارم هوش مصنوعی به دلیل توانایی آن درتجزیه و تحلیل مقادیر زیادی از داده ها و شبیه سازی واکنش های شیمیایی با دقت زیاد، تأثیر قابل توجهی در زمینه پزشکی، به ویژه در توسعه دارو داشته باشد. این درحال حاضر از طریق ابتکارات شرکت‌هایی مانند Isomorphic Labs، Prescient Design و شرکت‌های مشابه مشهود است که بر روی استفاده از تکنیک‌های پیشرفته هوش مصنوعی برای بهبود فرآیند کشف و توسعه دارو، امکان شناسایی سریع‌تر و کارآمدتر درمان‌های بالقوه تمرکز می‌کنند.

تحقیقات نشان می دهد که تنها 1.8٪ از شرکت ها در صربستان از هوش مصنوعی استفاده می کنند، در حالی که میانگین اروپا 8٪ است. چرا شرکت های ما بیشتر از ابزارهای هوشمند استفاده نمی کنند؟

دلایل متعددی وجود دارد که باعث می شود هوش مصنوعی نه تنها در صربستان، کمتر در فرآیندهای تجاری ادغام شود، از جمله فقدان آگاهی و آموزش در مورد پتانسیل و مزایای هوش مصنوعی، کمبود منابع و زیرساخت های فنی کافی و کمبود متخصصان واجد شرایط برای توسعه، پیاده سازی و نگهداری سیستم های هوش مصنوعی. علاوه بر این، احتیاط و تردید نسبت به معرفی فناوری های جدید می تواند پذیرش راه حل های هوش مصنوعی را کند کند.

من فرض می‌کنم که درصد پایین‌تر پذیرش هوش مصنوعی در صربستان به دلیل بارزتر بودن برخی از این عوامل است، مانند کمبود منابع انسانی و سخت‌افزاری و هزینه‌های اولیه بالای یکپارچه‌سازی ابزارهای مبتنی بر هوش مصنوعی. علاوه بر این، چارچوب‌های نظارتی و پشتیبانی زیرساختی برای پیاده‌سازی فناوری هوش مصنوعی در صربستان هنوز در حال توسعه است که می‌تواند موانع بیشتری را ایجاد کند.

برای بهبود پذیرش هوش مصنوعی درشرکت‌های صربستان، افزایش آگاهی از مزایای هوش مصنوعی، سرمایه‌گذاری در آموزش و آموزش پرسنل ماهر، ارائه پشتیبانی مالی و زیرساختی، و تدوین مقررات روشنی که اجرای این فناوری‌ها را تسهیل می‌کند، ضروری است. ابتکاراتی مانند EEML یکی از راه‌های افزایش آگاهی متخصصان و عموم مردم در مورد مزایای استفاده از هوش مصنوعی و آخرین فناوری‌ها در این زمینه است.

به نظر شما آینده هوش مصنوعی چیست؟

هوش مصنوعی یک زمینه مهیج و امیدوارکننده است، با پیشرفت قابل توجهی با سرعتی سریع در چندین زمینه کلیدی، و این روند احتمالاً در آینده نیز ادامه خواهد داشت. آنچه توسعه هوش مصنوعی را بسیار امیدوارکننده می‌کند، افزایش دسترسی و تعداد فزاینده افرادی است که در توسعه و کاربرد آن مشارکت دارند. این قابلیت دسترسی به پیشرفت سریع‌تر و گسترش راه‌حل‌های هوش مصنوعی در زمینه‌های مختلف اجازه می‌دهد و به قدرت تغییردهنده آن کمک می‌کند. من فرض می‌کنم که در آینده نزدیک، شاهد افزایش مقیاس مدل‌ها و توسعه معماری‌های جدید هوش مصنوعی خواهیم بود که منجر به سیستم‌های پیچیده‌تر و قدرتمندتر می‌شود. این مدل های پیشرفته تجزیه و تحلیل دقیق تر و عملکرد بهتر در کاربردهای مختلف را امکان پذیر می کنند.

وقتی صحبت از کاربردها می شود، هوش مصنوعی نقش مهمی در کشف ترکیبات و مواد شیمیایی جدید خواهد داشت. در صنعت داروسازی، هوش مصنوعی می‌تواند با تجزیه و تحلیل حجم زیادی از داده‌ها و شبیه‌سازی واکنش‌های شیمیایی، به کشف سریع‌تر و کارآمدتر داروها کمک کند. به طور مشابه، در صنعت مواد، هوش مصنوعی طراحی مواد جدید با ویژگی‌های خاص را امکان‌پذیر می‌سازد که می‌تواند فناوری و تولید را متحول کند.

بزرگ‌ترین چالش‌هایی که در کارتان با آن روبه‌رو هستید، چیست و موقعیت شما در DeepMind چیست؟

بزرگترین تفاوت بین موقعیت قبلی من در طول تحصیل در مقطع دکترا وکار من در DeepMind، انتقال از پروژه های فردی یا کوچک، معمولی مطالعات دکترا، به کار در یک تیم با تعداد زیادی متخصص و سازماندهی پروژه ها با منابع انسانی و سخت افزاری قابل توجه است. این امر مستلزم تعدیل قابل توجهی در نحوه کار، از جمله هماهنگی و ارتباط در تیم های چند رشته ای، و همچنین مدیریت پروژه های پیچیده با نیازهای فنی بالا است.

موقعیت من به عنوان یک محقق در Google DeepMind (GDM) شامل چندین فعالیت کلیدی است: دنبال کردن منظم آخرین مقالات علمی برای به روز ماندن از جدیدترین پیشرفت‌ها در این زمینه، ایجاد ایده‌های جدید یا گسترش الگوریتم‌های موجود، پیاده‌سازی این ایده‌ها در کد، و کار بر روی نمونه های اولیه علاوه بر این، بخشی از کار من شامل آزمایش و ارزیابی گسترده مدل ها برای اطمینان از کیفیت و عملکرد قابل اعتماد آنها است. پس از دستیابی به نتایج رضایت‌بخش، مدل‌ها و آزمایش‌ها را در مجلات و کنفرانس‌های علمی منتشر می‌کنیم یا با همکاری تیم‌های محصول، آنها را در محصولات Google ادغام می‌کنیم.

روی چه پروژه هایی کار کرده اید و در حال حاضر روی چه پروژه هایی کار می کنید؟

من از سال 2021 به عنوان محقق در GDM کار می کنم و در این مدت در چندین پروژه مهم در زمینه یادگیری تقویتی (RL) شرکت داشته ام. یکی از پروژه های قابل توجه، Adaptive Agents (AdA)  است که درآن روش هایی را برای یادگیری عوامل شبیه سازی شده از ابتدا توسعه دادیم. هدف این بود که عوامل به طور مداوم با محیط‌ها و وظایف جدید، چه به‌طور مستقل یا در موقعیت‌های رقابتی یا مشارکتی چند عاملی، سازگار شوند و سپس آنها را برای حل مشکلات تعیین‌شده توسط انسان آزمایش کنند. این پروژه منجر به چندین اکتشاف و مشارکت مهم در این زمینه شد. علاوه بر این، من در یک پروژه تحقیقاتی متمرکز بر بهبود کارایی الگوریتم‌های RL شرکت کردم، جایی که عملکرد را بهینه کردیم و موفق شدیم به یک نماینده آموزش دهیم تا بازی‌های Atari را 200 برابر سریع‌تر از بهترین الگوریتم‌های فعلی حل کند.

در طول یک سال گذشته، من روی پروژه Gemini FGe کار کرده ام. در این پروژه، من بر توسعه قابلیت های پیشرفته سیستم Gemini و بهبود دقت نتایج حاصل از آن تمرکز می کنم. این کار شامل تجزیه و تحلیل سیستماتیک داده ها، به کارگیری آخرین تکنیک های یادگیری ماشین، و ارزیابی مداوم عملکرد برای اطمینان از دقت و قابلیت اطمینان بالای نتایج است.

چگونه می توان نتایج شما را برای مشکلات یا صنایع واقعی اعمال کرد؟

یادگیری تقویتی (RL) مجموعه ای از الگوریتم ها برای مدل های آموزشی است که با محیط خود (عامل ها) در تعامل است و برای مدیریت سیستم های مختلف استفاده می شود. این بر اساس اصل یادگیری از طریق آزمایش و سیگنال های موفقیت - تقویت است. من چندین کاربرد موفق یادگیری تقویتی را برجسته می‌کنم - مانند مدیریت سیستم‌های خنک‌کننده مرکز داده، شخصی‌سازی بهتر الگوریتم‌های YouTube، و کنترل راکتورهای همجوشی.

برای مراکز داده، الگوریتم‌های RL سیستم‌های خنک‌کننده را با تجزیه و تحلیل داده‌های تاریخی و بلادرنگ برای حفظ دمای بهینه، بهینه‌سازی می‌کنند و مصرف انرژی و هزینه‌های عملیاتی را به‌طور چشمگیری کاهش می‌دهند. به عنوان مثال، گوگل RL را برای مدیریت مراکز داده خود پیاده سازی کرده است که منجر به بهبود بهره وری انرژی و پایداری می شود. به طور مشابه، YouTube  از RL برای شخصی‌سازی توصیه‌های ویدیویی استفاده می‌کند. با یادگیری از رفتار و بازخورد کاربر، الگوریتم‌های RL می‌توانند محتوایی را پیش‌بینی و پیشنهاد کنند که با ترجیحات فردی مطابقت بیشتری داشته باشد، در نتیجه سودمندی محتوا و حفظ کاربر را افزایش می‌دهد.

علاوه بر این، اگرچه هنوز در حال توسعه است، یکی از بالقوه‌ترین کاربردها در زمینه انرژی همجوشی است، جایی که RL نقش کلیدی درکنترل و تثبیت پلاسما در راکتورهای همجوشی ایفا می‌کند. الگوریتم‌ها از داده‌های بلادرنگ یاد می‌گیرند تا استراتژی‌هایی را برای مدیریت مغناطیس‌های الکترومغناطیس داخل راکتور بهینه کنند و شرایط دقیق لازم برای همجوشی هسته‌ای را تضمین کنند. این رویکرد پایداری و کارایی واکنش‌های همجوشی را بهبود می‌بخشد و مرزها را به سمت دستیابی به یک منبع انرژی پایدار پیش می‌برد. این برنامه ها با هم، پتانسیل تحول RL را در حوزه های مختلف با تاثیر بالا نشان می دهند.

1403/05/21