به گزارش سرویس بین الملل پایگاه خبری عدل البرز به نقل از  biz، هوش مصنوعی مولد به عنوان موج بعدی نوآوری در میان تحولات مداوم چشم انداز فناوری ظهور کرده است و توجه محققان و سرمایه گذاران را به خود جلب کرده است. با این حال، افزایش تمرکز بر هوش مصنوعی عمومی به طور ناخواسته بر بسیاری از فناوری‌های دیگر سایه افکنده است و روند سرمایه‌گذاری را کند کرده و توجه را از آن‌ها منحرف می‌کند. این فناوری‌ها، با اینکه هنوز برای بخش‌های مختلف مهم هستند، اما شاهد کاهش تمرکز و سرمایه‌گذاری به نفع پیشرفت‌ها و پتانسیل‌های ارائه شده توسط هوش مصنوعی عمومی هستند.

در اینجا به بررسی پنج فناوری می پردازیم که با افزایش چشمگیر هوش مصنوعی مولد تقویت شده اند.

۱٫ یادگیری ماشینی سنتی و یادگیری عمیق

یادگیری ماشینی و یادگیری عمیق سنگ بنای هوش مصنوعی بوده و پیشرفت هایی را در زمینه های مختلف به ارمغان آورده است. با این حال، ظهور هوش مصنوعی مولد، با توانایی آن در ایجاد محتوا و تولید نمونه های داده جدید، مدل های سنتی ML (یادگیری ماشین) را که بیشتر بر تجزیه و تحلیل پیش بینی و تشخیص الگو متمرکز هستند، کنار گذاشته است. در حالی که هوش مصنوعی مولد مبتنی بر اصول یادگیری ماشینی می باشد، اما قابلیت‌های شگفت‌انگیز و برنامه‌های کاربردی گسترده آن سرمایه‌گذاری زیادی را به خود جلب کرده است.

هوش مصنوعی مولد، علی‌رغم قابلیت‌ها و پتانسیل‌های انقلابی‌اش، به چند دلیل نمی‌تواند به طور کامل جایگزین مدل‌های یادگیری ماشین سنتی (ML) و مبتنی بر یادگیری عمیق شود. اول، هوش مصنوعی مولد، به‌ویژه مدل‌هایی که محتوا یا داده‌های جدید تولید می‌کنند، به شدت بر اصول و تکنیک‌های اساسی توسعه‌یافته از طریق ML سنتی و یادگیری عمیق تکیه دارند. این مدل‌های زیربنایی برای کارهایی مانند تشخیص الگو، تجزیه و تحلیل پیش‌بینی‌کننده و طبقه‌بندی مهم هستند، که اهدافی را دنبال می‌کنند که هوش مصنوعی مولد در اصل برای آنها طراحی نشده است. علاوه بر این، مدل‌های هوش مصنوعی عمومی، به‌ویژه مدل‌های پیشرفته‌تر، به منابع محاسباتی قابل توجهی از جمله قدرت پردازش و حافظه نیاز دارند که می‌تواند برای بسیاری از سازمان‌ها عامل بازدارنده باشد.

وابستگی به منابع محاسباتی هنگام استقرار این مدل‌ها در برنامه‌های کاربردی در مقیاس بزرگ یا بلادرنگ، که در آن هزینه‌های محاسباتی و انرژی می‌تواند قابل توجه باشد، حیاتی می‌شود. علاوه بر این، آموزش مدل‌های هوش مصنوعی عمومی به مجموعه داده‌های عظیمی نیاز دارد که می‌تواند چالش‌های مربوط به حریم خصوصی داده ها، در دسترس بودن و تبعیض را ایجاد کند. در مقابل، برخی از مدل‌های سنتی ML و یادگیری عمیق می‌توانند از نظر استفاده از منابع کارآمدتر باشند و می‌توانند روی مجموعه داده‌های کوچکتر و خاص‌تر آموزش داده شوند. بنابراین، در حالی که هوش مصنوعی مولد مسیرهای جدیدی را برای نوآوری و کاربرد هموار می‌کند، اما به جای جایگزینی تکمیل کننده طیف گسترده‌ای از مدل‌های موجود یادگیری ماشین و یادگیری عمیق می باشد که هر کدام نقش‌های مختلفی را در اکوسیستم فناوری ایفا می‌کنند.

۲٫ محاسبات لبه و هوش مصنوعی لبه

محاسبات لبه، با هدف نزدیک کردن محاسبات و ذخیره سازی داده ها به جایی که برای بهبود زمان پاسخ و صرفه جویی در پهنای باند مورد نیاز می باشد، تمرکز خود را افزایش می دهد.

توجه به مدل‌های هوش مصنوعی مولد مبتنی بر ابر، که به قدرت محاسباتی قابل توجهی نیاز دارند و اغلب در مراکز داده متمرکز هستند، توجه و سرمایه‌گذاری را از ابتکارات محاسبات لبه منحرف می‌کند. این تغییر می تواند روند توسعه فناوری های پیشرفته را که برای کاربردهای بلادرنگ در اینترنت اشیا، وسایل نقلیه خودران و شهرهای هوشمند حیاتی هستند، کند کند.

محاسبات لبه به دلیل محدودیت‌های ذاتی منابع در پذیرش کامل هوش مصنوعی مولد با چالش‌های مهمی مواجه است. مدل‌های هوش مصنوعی مولد، به‌ویژه مدل‌های پیشرفته‌تر و توانمندتر، به توان محاسباتی، حافظه و منابع انرژی قابل توجهی نیاز دارند که اغلب فراتر از ظرفیت دستگاه‌های لبه فعلی می باشد. این دستگاه‌ها معمولاً به گونه‌ای طراحی می‌شوند که کم مصرف باشند و قابلیت‌های پردازشی محدودی دارند تا از کارایی و عملی بودن در محیط‌های دور یا توزیع‌شده اطمینان حاصل کنند. در نتیجه، محاسبات لبه به مدل‌های سنتی ML وابسته است تا هوش مصنوعی را به دستگاه های محاسباتی لبه اعمال کند.

مدل‌های سنتی ML معمولاً سبک‌تر هستند، به قدرت محاسباتی کمتری نیاز دارند و می‌توانند برای اجرای کارآمد در منابع محدود موجود در لبه بهینه شوند. آنها قادر به انجام طیف گسترده ای از وظایف، از تعمیر و نگهداری پیش بینی و تشخیص ناهنجاری گرفته تا تشخیص تصویر، بدون نیاز به اتصال ثابت به منابع ابری متمرکز هستند. این امر ML سنتی را به ابزاری ضروری برای فعال کردن تصمیم‌گیری هوشمند و مستقل در سناریوهای محاسبات لبه تبدیل می‌کند، که در آن پردازش بلادرنگ و تأخیر کم بسیار مهم می باشد.

با تکامل محاسبات لبه‌، ممکن است پیشرفت‌هایی وجود داشته باشد که به مدل‌های پیچیده‌تر هوش مصنوعی اجازه می‌دهد تا در لبه کار کنند، اما در حال حاضر، ML سنتی به عنوان ستون فقرات هوشمندی در معماری‌های محاسبات لبه باقی مانده است.

۳٫ پردازش زبان طبیعی یا NLP (تمرکز غیر مولد)

حوزه NLP با ظهور هوش مصنوعی عمومی تقسیم شده است. در حالی که مدل‌های مولد بخشی از NLP هستند، اکنون حجم نامتناسبی از تحقیقات و بودجه را به خود اختصاص می‌دهند. این عدم تعادل در هزینه‌ی وظایف غیر محصول‌محور پردازش زبان طبیعی مانند تحلیل احساسات، طبقه‌بندی، و شناسایی موجودیت‌ها رخ می دهد.

جنبه‌های اساسی از پردازش زبان طبیعی که برای درک زبان انسان بسیار اساسی هستند، در حال حاضر دچار کمبود توجه شده‌اند و این موضوع ممکن است باعث کاهش پیشرفت و کاربرد آن‌ها شود. به عبارت دیگر، وظایفی که برای درک و تحلیل زبان انسان اساسی هستند، در مقابل وظایف دیگری که ممکن است کمتر اهمیت داشته باشند، از  توجه کمتری برخوردارند که ممکن است منجر به کاهش پیشرفت آن‌ها شود.

تکیه هوش مصنوعی مولد به پردازنده‌های گرافیکی قدرتمند برای پردازش نشان‌دهنده یک چالش مهم برای محاسبات لبه‌ می باشد، زیرا اکثر دستگاه‌های لبه فاقد قدرت محاسباتی لازم هستند و باعث می‌شود که به طور کامل از خواسته‌های این فناوری در حال تکامل پشتیبانی نکنند.

اجرای مدل‌های پردازش زبان طبیعی (NLP) برای وظایف مرتبط با زبان به جای تکیه بر مدل‌های پایه در مقیاس بزرگ، مزایای اقتصادی و کارایی قابل‌توجهی را ارائه می‌کند. مدل‌های ویژه کار معمولاً کوچک‌تر، متمرکزتر هستند و می‌توانند برای پرداختن به وظایف زبانی خاص مانند تجزیه و تحلیل احساسات، شناسایی موجودیت نام‌گذاری شده، یا ترجمه زبان به دقت تنظیم شوند تا به دقت بیشتر و هزینه‌های محاسباتی کمتری دست یابند. با این تخصص، زمان پردازش سریع‌تر، نیاز به حافظه کمتر و مصرف انرژی کمتر را امکان‌پذیر می‌کند، و آنها را برای برنامه‌هایی با منابع محدود یا نیاز به پاسخ‌های بلادرنگ مناسب‌تر می‌کند.

از سوی دیگر، مدل‌های پایه، با وجود تطبیق‌پذیری و قابلیت‌های گسترده، برای آموزش و اجرا به توان محاسباتی قابل‌توجهی نیاز دارند که منجر به هزینه‌ها و مصرف انرژی بالاتر می‌شود. به‌علاوه، رویکرد یک‌اندازه برای همه مدل پایه ممکن است برای بسیاری از کاربردها که در آن یک مدل سفارشی و خاص کار می‌تواند با کسری از منابع به عملکرد بهتری دست یابد، ضروری نباشد. با انتخاب استقرار مدل‌های NLP ویژه وظایف، سازمان‌ها می‌توانند به راه‌حل‌های کارآمدتر و مقرون‌به‌صرفه‌تری دست یابند که متناسب با نیازهای خاص آن‌ها بدون هزینه‌های سربار مرتبط با مدل‌های هوش مصنوعی بزرگ و همه‌منظوره می باشد. این رویکرد نه تنها منابع را حفظ می کند، بلکه امکان اجرای مقیاس پذیرتر و پایدارتر هوش مصنوعی را در طیف وسیعی از وظایف زبانی فراهم می کند.

۴٫ بینایی رایانه

فناوری بینایی رایانه، که در توانمندسازی ماشین‌ها برای تفسیر و درک دنیای بصری بسیار مهم است، با رقابت مدل‌های هوش مصنوعی عمومی روبرو است که می‌توانند تصاویر و ویدیوهای واقعی تولید کنند. این مدل‌های مولد، که قادر به ایجاد محتوای بصری از توضیحات متنی هستند، به شدت از پیشرفت‌های بینایی کامپیوتری با هدف درک و تجزیه و تحلیل تصاویر و ویدیوهای موجود استفاده می‌کنند. زرق و برق تولید محتوا در حال دور زدن نیاز حیاتی به فناوری های تفسیر محتوا می باشد.

مدل‌های پایه که بر اساس دید و هوش مصنوعی چندحالته ساخته شده‌اند، ممکن است برای وظایف معمولی کامپیوتری که بر پایه دید انجام می‌شوند، یک زیاده‌کاری باشند. به عبارت دیگر، این مدل‌ها از قابلیت‌های زیادی برخوردار هستند که برای وظایف ساده‌تر ممکن است زیاده‌روی باشد، اما در عین حال، ارائه قابلیت‌های گسترده‌تری را در طیف وسیعی از کاربردها فراهم می‌کنند.

این مدل‌های مقیاس بزرگ که برای مدیریت ورودی‌های متنوع و تولید یا تفسیر داده‌های چندوجهی پیچیده طراحی شده‌اند، اغلب با نیازهای محاسباتی و منابع قابل‌توجهی همراه هستند.

برای برنامه‌هایی که به وظایف پردازش بصری متمرکز مانند تشخیص چهره نیاز دارند، شبکه‌های عصبی پیچشی (سی‌ان‌ان‌ها) آموزش‌دیده‌شده راه‌حل ساده‌تر و کارآمدتری ارائه می‌کنند. شبکه‌های عصبی پیچشی (CNNs) می‌توانند به طور دقیق با توجه به پیچیدگی ویژگی‌های چهره تنظیم شوند، این امر امکان اجرای آنها با دقت و سرعت بالاتر را با مصرف منابع محاسباتی بسیار کمتری نسبت به همتایان مولد آنها فراهم می‌کند.

این بهینه سازی در سناریوهای دنیای واقعی که نیاز به تشخیص سریع و قابل اعتماد چهره می باشد، مانند سیستم های امنیتی یا فرآیندهای تأیید هویت، مهم تلقی می شود.

توسعه‌دهندگان می‌توانند با استفاده از مدل‌های کاربرد خاص مانند CNN بدون هزینه‌های غیرضروری که توسط مدل‌های پایه معرفی شده‌اند، به عملکرد بهتری برای وظایف بینایی رایانه‌ای هدفمند دست یابند. این رویکرد نه تنها کارایی منابع را تضمین می‌کند، بلکه تمرکز بر دقت و قابلیت اطمینان مورد نیاز برای برنامه‌هایی مانند تشخیص چهره را در جایی که ریسک‌ها می‌تواند زیاد باشد و حاشیه خطا حداقل حفظ می‌کند.

۵٫ انبارسازی داده ها و فن آوری های ETL

فن آوری های انبارسازی داده و ETL (استخراج، تبدیل، بارگذاری) مورد نیاز برای سازماندهی، ذخیره و تجزیه و تحلیل داده ها با چالش جدیدی روبرو هستند. توانایی هوش مصنوعی مولد برای ترکیب و تجزیه و تحلیل داده‌ها، این ابزارهای سنتی پردازش داده را کم اهمیت جلوه می‌ دهد. از آنجایی که شرکت‌های بیشتری روی هوش مصنوعی سرمایه‌گذاری می‌کنند که می‌تواند به طور خودکار بینش‌هایی را از داده‌های خام ایجاد کند، نقش آماده‌سازی و تجزیه و تحلیل دستی داده‌ها ممکن است کاهش یابد و بر سرمایه‌گذاری در این فناوری‌های اساسی تأثیر بگذارد.

اگرچه پایگاه‌های داده برداری و مدل‌های تولید افزوده بازیابی به جریان اصلی تبدیل شده‌اند و راه‌های نوآورانه‌ای برای پردازش و پردازش داده‌ها ارائه می‌دهند، اما فرآیندهای سنتی ETL اهمیت خود را در اکوسیستم مدیریت داده حفظ می‌کنند. ETL سنتی برای تهیه و ساختار داده‌ها از منابع مختلف در قالبی سازگار و استاندارد شده اساسی می باشد و آن را برای برنامه‌های مختلف قابل دسترس و مفید می‌سازد. این داده های ساختاریافته برای حفظ دقت و قابلیت اطمینان اطلاعات در پایگاه های داده برداری، که در جستجوهای مشابه و مدیریت پرس و جوهای پیچیده با تبدیل داده ها به فضای برداری برتری دارند، بسیار مهم می باشد.

به طور مشابه، مدل‌های RAG (بازیابی و تولید) که از پایگاه‌های داده عظیم برای افزایش تولید محتوا با بازیابی اطلاعات مرتبط استفاده می‌کنند، بر داده‌های سازمان‌یافته و با کیفیت بالا برای افزایش ارتباط و دقت خروجی‌هایشان تکیه می‌کنند. فرآیندهای سنتی ETL با حصول اطمینان از استخراج، پاکسازی و بارگذاری دقیق داده‌ها در پایگاه داده، قابلیت‌های پایگاه‌های داده برداری و مدل‌های RAG را تکمیل می‌کنند و پایه محکمی از داده‌های باکیفیت را فراهم می‌کنند که عملکرد آنها را افزایش می‌دهد و سودمندی را افزایش می‌دهد. این رابطه همزیستی بر ارزش مستمر ETL سنتی در عصر مدیریت داده‌های مبتنی بر هوش مصنوعی تأکید می‌کند و تضمین می‌کند که پیشرفت‌ها در فناوری‌های پردازش داده بر اساس منابع داده قابل اعتماد و ساختار یافته می باشد.

نتیجه گیری

ظهور هوش مصنوعی مولد واقعاً تمرکز فناوری را تغییر داده است و بر برخی از فناوری‌های کلیدی که نقشی حیاتی در پیشرفت دیجیتالی ما خواهند داشت، تسلط پیدا کرده است.

در واقع باید ارزش منحصر به فرد و نقش های بی بدیل این فناوری های اساسی را بشناسیم. آنها اهداف خاصی را دنبال می کنند که هوش مصنوعی مولد نمی تواند به طور کامل آنها را تکرار کند، به ویژه در سناریوهایی که نیاز به کارایی، دقت و حساسیت به منابع دارند.

سرمایه گذاری و پیشرفت طیف گسترده ای از فناوری ها، آینده دیجیتالی انعطاف پذیرتر، متعادل تر و چندجانبه تر را تضمین می کند.

پایان پیام/