برای رابرت ولبورن (Robert Welborn)، مدیر علوم داده شرکت مالی و بیمه‌گذار USAA، سال 2015 سالی بود که «یادگیری ماشینی1» معنای تجاری پیدا کرد. دستیابی به ابزارهای پیشرفته یادگیری ماشینی، تکنولوژی پردازش ارزان‌تر و کاهش شدید قیمت ذخیره‌سازی داده، کلید کار بود. وقتی این پیشرفت‌ها با فراوانی داده درUSAA همراه شد، تکنولوژی‌ای که دهه‌ها در مورد آن تحقیق می‌شد، ناگهان عملی به نظر رسید.
بیمه، امور مالی، تولید صنعتی، نفت و گاز، تولید خودرو، بهداشت و سلامت، صنایعی نیستند که وقتی به هوش مصنوعی فکر می‌کنید، اول به ذهن شما خطور کنند. اما از آنجا که شرکت‌های تکنولوژی مثل گوگل و بایدو (Baidu) لابراتوارهایی برای آن ایجاد کرده‌اند و پیشتاز پیشرفت‌هایی در این حوزه شده‌اند، گروه گسترده‌تری از صنایع نیز تحقیق در مورد اینکه هوش مصنوعی چه کاربردهایی برای آنها دارد، را در دستور کار خود قرار داده‌اند. هوش مصنوعی با تجاری شدن چگونه پیشرفت خواهد کرد و این تکنولوژی چگونه این صنایع متنوع را متحول خواهد کرد؟ اینها پرسش‌های مهمی هستند که در این مطلب به آنها پرداخته می‌شود. امروزه صنایعی که به فروش نرم‌افزار و خدمات هوش مصنوعی می‌پردازند، همچنان کوچک هستند. دیو شابمل (Dave Schubmehl)، مدیر تحقیقات شرکت IDC، محاسبه کرده که فروش برای تمام شرکت‌هایی که پایگاه‌های نرم‌افزار شناختی می‌فروشند – به جز شرکت‌هایی مثل گوگل و فیس‌بوک که تحقیقات را برای استفاده خودشان انجام می‌دهند – در سال گذشته جمعا به یک میلیارد دلار رسیده است. او پیش‌بینی می‌کند که تا سال 2020 این رقم به بیش از 10 میلیارد دلار برسد. هوش مصنوعی بدون در نظر گرفتن شرکت‌های بزرگی مثل IBM بیشتر در بازار استارت‌آپ‌ها است و طبق آمار بلومبرگ 2600 شرکت تازه تاسیس را دربرمی‌گیرد. دلیل آن این است که با وجود پیشرفت سریع در تکنولوژی‌هایی که جمعا به عنوان هوش مصنوعی شناخته می‌شوند، هنوز راه زیادی باقی‌مانده است.
یکی از پروژه‌هایی که در USAA آزمایش شده تلاش می‌کند خدمات مشتری را توسعه دهد. این پروژه یک تکنولوژی هوش مصنوعی را دربرمی‌گیرد که توسط بخشی از شرکت اینتل و با استفاده از رویکرد طراحی شده برای تقلید از بی‌نظمی ارتباطات مغز انسان ایجاد شده است. این تکنولوژی با ترکیب 7هزار فاکتور مختلف می‌تواند الگوهای گسترده رفتار مشتری را با اعضایی خاص تطابق دهد و 88 درصد مواقع می‌تواند مسائلی را از قبیل اینکه افراد در آینده چگونه با USAA ارتباط برقرار می‌کنند (اینترنت؟ تلفن؟ ایمیل؟) یا به دنبال چه محصولات خاصی هستند، به درستی پیش‌بینی کند. سیستم‌های USAA بدون هوش مصنوعی 50 درصد مواقع درست حدس می‌زنند. این تست اکنون توسعه یافته است. شرکت جنرال الکتریک اکنون از هوش مصنوعی برای توسعه خدمات‌دهی موتورهای جت مهندسی‌شده خود استفاده می‌کند. این شرکت از طریق ترکیب نوعی از هوش مصنوعی تحت عنوان «تصور کامپیوتر» با طراحی به کمک کامپیوتر (CAD) و داده‌هایی از دوربین‌ها و ردیاب‌های مادون قرمز، کشف ترک‌خوردگی و دیگر نقص‌های موجود در موتور هواپیما را توسعه داده است. این سیستم خطاهای رایج در بررسی‌های سنتی انسانی را حذف کرده و در ضمن برای تایید این هشدارها از کارشناسان انسانی هم استفاده می‌کند. سپس به گفته کالین پریسف، معاون تحقیقات نرم‌افزاری شرکت جنرال الکتریک، این برنامه از بازخوردهای موجود درس می‌گیرد.
هوش مصنوعی می‌تواند محرک تولید محصولات و خدمات جدید نیز باشد. شرکت پوشاک ورزشی آندر آرمر (Under Armour)، از طریق اپلیکیشن رایگان MyFitnessPal که کالری افراد را از طریق گوشی هوشمند می‌سنجد، به 160 میلیون مصرف‌کننده متصل شده است. اما این شرکت به جای اینکه صرفا خود را به نتایج ورزش و مصرف کالری کاربران محدود کند، قراردادی با کسب‌وکار رایانش شناختی شرکت IBM به نام واتسون منعقد کرد تا داده‌های خود را در مورد تناسب اندام و عادات غذایی با اطلاعات به دست آمده از مطالعات پژوهشی و دیگر داده‌ها در مورد خواب، فعالیت بدنی، ورزش و تغذیه ترکیب کند. هدف چیست؟ اینکه به افراد با اهداف مشخص گفته شود چگونه می‌توانند هدف‌های خود را محقق کنند و شرکت را با 160 میلیون مصرف‌کننده سازگار کنند. برای شرکت‌هایی مثل USAA و آندر آرمر، آینده هوش مصنوعی چندان شبیه روبات‌های انسان‌نما در فیلم‌ها نیست، بلکه بیشتر به ابزارهایی می‌ماند که همواره در حال بهتر شدن هستند و باوجود ترس از اینکه هوش مصنوعی به‌طور گسترده‌ای جایگزین نیروی کار انسانی می‌شود، قضاوت‌ها و بازخوردها برای توسعه سیستم‌های یادگیری ماشینی لازم هستند. به گفته جان گیان‌آندری، معاون مهندسی شرکت گوگل، «حتی اگر یک خودرو تجملی داشته باشید، باز هم خودتان باید تصمیم بگیرید که کجا بروید.» در اینجا سه موردکاوی از به‌کارگیری هوش مصنوعی از سوی شرکت‌های مطرح و نواقص آن شرح داده شده است.
پی‌نوشت: 1- به تنظیم الگوریتم‌هایی می‌پردازد که براساس آنها رایانه‌ها و سامانه‌ها توانایی یادگیری پیدا می‌کنند.
منبع : MIT Technology Review / دنیای اقتصاد
