چگونه مدیران از هوش مصنوعی مولد برای برنامه ریزی استفاده می‌کنند؟

مدیران کسب و کارها از این ایده که هوش مصنوعی مولد (مانند ChatGPT، you.com و Claude.ai) تصمیم‌گیری‌های تجاری را متحول خواهد کرد، بسیار هیجان‌زده هستند. سم آلتمن، مدیرعامل OpenAI، حتی اعلام کرد که «شما در آستانه ورود به بزرگترین عصر طلایی امکان‌های انسانی هستید.»

مقاله زیر از HBR به دنبال پاسخ به این سوال است که چگونه مدیران از هوش مصنوعی در تصمیم گیری استفاده می‌کنند؟

برای رهبران تجاری، ایده استفاده از هوش مصنوعی مولد در برنامه‌ریزی استراتژیک بسیار جذاب است. یک مدیر اخیراً اظهار داشت که نمی‌تواند منتظر زمانی باشد که هوش مصنوعی بتواند فرصت‌هایی را شناسایی کند که هنوز وجود ندارند!

اما آیا احتمال دارد که ما توانایی‌های هوش مصنوعی مولد را بیش از حد ارزیابی کرده باشیم؟ چگونه می‌توانیم زمینه‌هایی را شناسایی کنیم که در آن‌ها هوش مصنوعی مولد می‌تواند برنامه‌ریزی استراتژیک را تقویت کند؟ آیا همه ابزارهای هوش مصنوعی مولد یکسان هستند یا برخی از آن‌ها در سناریوهای خاصی توانمندترند؟

برای پاسخ به این سوالات، دو مورد تجاری را که شامل فعالیت‌های مرکزی برنامه‌ریزی استراتژیک هستند، بررسی می‌کنیم. (توجه: نام‌ها تغییر کرده‌اند.) غلبه بر نقاط کور و پیش‌بینی آینده

کیت مدیرعامل شرکت تریدنت است، یک سازمان تحقیقاتی کشاورزی تجاری با ۱۲۰ کارمند. تریدنت در زمینه پیمانکاران مستقل، بازیگر اصلی است. مشتریان این شرکت را برای انجام آزمایش‌هایی به منظور بهبود کشت غلات، سبزیجات و میوه‌ها استخدام می‌کنند.

کیت تیم اجرایی پنج نفره خود را برای یک نشست سالانه استراتژی گرد هم آورد. همانطور که کیت توضیح داد، «این به ما فرصتی می‌دهد تا بنشینیم و اوضاع را ارزیابی کنیم. معمولاً ما در حال انجام آزمایش‌ها و گزارش نتایج آن‌ها هستیم. این کار بی‌وقفه است.»

یکی از مراحل این فرآیند شامل فهرست کردن مسائل استراتژیک کلیدی بود که تریدنت با آن‌ها مواجه بود. همانطور که کیت توضیح داد، «این‌ها به ما یک نقطه شروع برای بحث‌هایمان می‌دهند. برنامه استراتژیک ما باید به این مسائل بپردازد.»

فهرست کیت به شرح زیر است:

  • رقابت
  • تعداد و مکان شعب
  • منابع انسانی
  • قیمت‌گذاری محصولات
  • سودآوری
  • آب و هوا

در حالی که کیت و تیمش از فهرست خود راضی بودند، متوجه شدند که دیدگاه محدودی دارند. کیت تأمل کرد: «ما دانشمندان کشاورزی هستیم. ما بازی خودمان را می‌دانیم، اما بازی‌های دیگر را نمی‌شناسیم. من فکر می‌کنم شاید هوش مصنوعی مولد بتواند در این زمینه به ما کمک کند.»

کیت همچنین درباره آینده فکر می‌کند: «آیا هوش مصنوعی مولد می‌تواند به ما در پیش‌بینی تقاضای آینده برای خدماتمان کمک کند؟»

چگونه هوش مصنوعی مولد می‌تواند کمک کند – و نمی‌تواند کمک کند.

کیت دو سوال بسیار مرتبط را مطرح کرد که اغلب از تیم‌های برنامه‌ریزی استراتژیک می‌شنویم.

اولین مورد مربوط به تعصب است، یعنی داشتن دیدگاه محدود بر اساس آموزش حرفه‌ای و تجربه صنعتی تیم. کیت می‌خواهد از دیدگاهی خارج از علم کشاورزی بهره‌مند شود تا دیدگاه تازه‌ای به دست آورد. برای این کار، او می‌تواند چندین نفر از مدیران اجرایی خود را با افرادی از خارج از صنعت خود جایگزین کند. با این حال، این کار به سختی عملی است. یک جایگزین استفاده از هوش مصنوعی مولد است. ما با استفاده از پرسش زیر به او کمک کردیم:

ما یک سازمان تحقیقاتی کشاورزی تجاری هستیم. با ۱۲۰ کارمند، ما بازیگر اصلی در زمینه پیمانکاران مستقل هستیم. مشتریان ما ما را برای انجام طیف گسترده‌ای از آزمایش‌های میدانی غلات، سبزیجات و میوه‌ها استخدام می‌کنند. مسائل استراتژیک کلیدی که احتمالاً در آینده با آن‌ها مواجه خواهیم شد، چیست؟

پاسخ شامل نه عنوان بود. زیر هر عنوان دو نکته عملی ذکر شده بود. آیا چیز جدیدی وجود داشت؟ بله. اما همچنین مواردی نیز نادیده گرفته شده بود.

ابزار هوش مصنوعی مولد دو مورد از فهرست تیم کیت را نادیده گرفت. این موارد شامل تعداد و مکان شعب و سودآوری بودند. مکان شعب یک مسئله بسیار خاص برای تریدنت است و انتظار نمی‌رود که هوش مصنوعی مولد از آن آگاه باشد. عدم ذکر سودآوری نیز به نظر ما یک نقص بزرگ است. همچنین، در حالی که هوش مصنوعی مولد رقابت را به عنوان یکی از نه مسئله خود انتخاب کرد، به مسئله حیاتی قیمت‌گذاری محصولات اشاره نکرد. این یک مسئله حیاتی در این صنعت است زیرا کارها بر اساس مناقصه به دست می‌آیند.

مدل زبان بزرگ ChatGPT، اگرچه بر روی داده‌های وسیع آموزش دیده است، اما به اطلاعات خاص شرکت دسترسی ندارد که این امر برخی از نواقص را توضیح می‌دهد. کیت باید توجه داشته باشد که این سیستم‌ها غیرقطعی هستند، به این معنی که هر پاسخ ممکن است متفاوت باشد. برای کاهش این مشکل، کیت می‌تواند پاسخ‌ها را بازتولید کند تا پاسخ‌های جایگزین را ببیند (در ChatGPT، دکمه ChatGPT را زیر پاسخ اولیه فشار دهید). ما همچنین دریافتیم که درخواست از ابزارهای هوش مصنوعی مولد برای ارائه ۱۰ ایده بیشتر به ایجاد یک فهرست طولانی کمک می‌کند و از چنین نواقص آشکاری جلوگیری می‌کند.

از جنبه مثبت، هوش مصنوعی مولد چهار حوزه مهم را که تیم کیت نادیده گرفته بود، ارائه داد: پیشرفت‌های تکنولوژیکی، تغییرات قانونی، تقاضا و انتظارات مشتریان و تأمین مالی و سرمایه‌گذاری. همه این‌ها به استراتژی کسب و کار تریدنت مربوط می‌شوند. بنابراین، در پاسخ به سوال اول کیت (آیا هوش مصنوعی می‌تواند دیدگاهی غیرکشاورزی ارائه دهد؟)، ما تصمیم گرفتیم که هوش مصنوعی مولد موفق بوده است. این ابزار به تیم کیت در تفکر واگرا کمک کرد، که یک مهارت کلیدی در هر تیم تحول‌آفرین موفق است.

سوال دوم کیت، «آیا هوش مصنوعی می‌تواند تقاضای آینده برای خدمات ما را پیش‌بینی کند؟» برای هوش مصنوعی مولد چالش‌برانگیزتر بود. در حالی که هوش مصنوعی مولد یک فناوری پیشرفته است، نمی‌تواند آینده را پیش‌بینی کند. این به این دلیل است که ابزارهای هوش مصنوعی مولد بر اساس داده‌های تاریخی بارگذاری و آموزش داده می‌شوند.

این سوال نیاز به نگاه به جلو دارد، نه به عقب، برای انجام پیش‌بینی‌هایی درباره نتایج نهایی، مانند ارقام فروش آینده یا رشد قابل دستیابی. در اینجا تجربه تیم کیت بهترین پیش‌بینی‌ها را ارائه می‌دهد و این نیازمند این است که هر عضو تیم آنتن‌های خود را بیرون بیاورد.

با این حال، با استفاده از پرسش‌های هوشمندانه، ابزارهای هوش مصنوعی مولد می‌توانند به تیم ایده‌هایی برای تفکر بدهند. ما پرسش را به این صورت مطرح کردیم: چه عواملی بر تقاضای آینده برای خدمات ما تأثیر خواهند گذاشت؟ ابزار هفت عامل را برجسته کرد، از پایداری و تغییرات آب و هوایی تا تغییرات در ترجیحات مصرف‌کنندگان و رشد جمعیت جهانی. این عوامل به تیم کیت کمک می‌کنند تا به طور گسترده‌تری درباره تقاضا فکر کنند.

پرداختن به روندها و توسعه سناریوها

آنجلین مدیرعامل قبرستان و کوره‌سوزی فیتزروی است. تمرین برنامه‌ریزی استراتژیک که او سازماندهی کرد، شامل او و تیم اجرایی هفت نفره‌اش بود که طی دو روز برای توسعه برنامه استراتژیک پنج‌ساله سازمان گرد هم آمدند.

کسب‌وکار آنجلین دولتی است و در حالی که غیرانتفاعی است، باید تراز مالی خود را حفظ کند. سایت اصلی آن ۱۴۵ هکتار زمین به خوبی نگهداری شده را پوشش می‌دهد و شامل قطعات دفن، یک کوره‌سوزی، سه کلیسای بزرگ، یک گل‌فروشی، یک کافه و مراکز برگزاری مراسم است.

یکی از مراحل مهم در این فرآیند شناسایی تغییرات و روندهای صنعت بود. برای گسترش ایده‌ها، آنجلین هیئت مدیره شش نفره قبرستان و کوره‌سوزی فیتزروی را دعوت کرد تا به تیم اجرایی او بپیوندند. او توضیح داد: «آن‌ها موقعیت‌های اجرایی داخلی ندارند و می‌توانند دیدگاه تازه‌ای ارائه دهند.»

گروه به این فهرست از تغییرات و روندهای صنعت رسید:

  • تغییر از دفن به سوزاندن
  • افزایش تقاضا برای مراکز برگزاری مراسم و پذیرایی درجه یک در محل
  • خرید سایر مدیران مراسم و قبرستان‌ها توسط یک رقیب
  • کمبود زمین مناسب برای توسعه آینده
  • نیاز خانواده‌ها و مدیران مراسم به طیف وسیع‌تری از امکانات ویدئویی و صوتی
  • رشد در انواع مختلف سوزاندن و دفن که بیشتر دوستدار محیط زیست هستند

در حالی که آنجلین از نتیجه راضی بود، او به این فکر کرد که چگونه هوش مصنوعی مولد می‌تواند در پرداختن به این تغییرات و روندها کمک کند. او دو سوال داشت:

  1. آیا فهرست تیم او منعکس‌کننده روندهای فعلی در صنعت است؟
  2. با توجه به کمبود زمین و افزایش علاقه به شیوه‌های محیط زیستی، آینده احتمالی صنعت چیست؟

چگونه هوش مصنوعی مولد می‌تواند کمک کند – و نمی‌تواند کمک کند.

برای کمک به فیتزروی در پاسخ به سوال اول، ما فهرست تهیه شده توسط تیم آنجلین را به یک ابزار هوش مصنوعی مولد دادیم و پرسیدیم: به عنوان یک مشاور مدیریت استراتژیک عمل کنید. بر اساس چالش‌های صنعت، توصیه‌هایی در مورد آنچه که در فهرست مربوط به استراتژی کسب و کار ما وجود ندارد، ارائه دهید.

در حالی که ابزار چند توصیه از روندهایی که تیم آنجلین در نظر گرفته بود ارائه داد، همچنین چهار مورد را که بیشتر “تفکر برانگیز” بودند و ارزش بررسی توسط تیم را داشتند، مطرح کرد:

  • جمعیت سالخورده و تغییرات جمعیتی
  • حمایت از سلامت روان و غم
  • حساسیت به قیمت و شفافیت
  • تغییرات مقرراتی و انطباق

آنجلین اشاره کرد که «توصیه‌های اضافی به ما کمک می‌کند تا استراتژی خود را برای آینده طراحی کنیم.»

ما پرسش مربوط به سوال دوم را به این صورت مطرح کردیم: «اگر دیگر زمینی برای دفن در دسترس نباشد، چه جایگزین‌های دیگری وجود دارد؟»

نتایج جالب و کمی خنده‌دار بودند، با پیشنهاداتی مانند پرتاب باقی‌مانده‌های سوزانده شده به مدار یا فضای عمیق و استفاده از نیتروژن مایع برای انجماد و لرزش بدن به ذرات.

با این حال، پیشنهادات خوبی نیز وجود داشت، مانند استفاده از ساختمان‌های چند طبقه برای دفن و ایجاد جنگل‌های یادبود به جای قبرستان‌های سنتی. این‌ها پیشنهادات جایگزین و خارج از چارچوبی بودند که قبرستان و کوره‌سوزی فیتزروی می‌تواند در بلندمدت در نظر بگیرد.

برخی از ابزارهای هوش مصنوعی مولد، مانند you.com، تولید تقویت شده با بازیابی یا RAG را ارائه می‌دهند که خروجی‌های مدل زبان بزرگ را با داده‌های به‌روز اینترنت ترکیب می‌کند.

این رویکرد اطلاعات به‌روز را فراهم می‌کند و می‌تواند داده‌های داخلی شرکت را نیز در بر بگیرد، که به مسائل مشابه در مورد کیت کمک می‌کند. با این حال، چنین قابلیت‌هایی نیاز به استقرار خاص سازمان دارند. ابزارهای عمومی مانند ChatGPT یا Claude.ai در حال حاضر این ویژگی را ندارند.

اگر RAG برای این مورد در دسترس بود، Claude3 می‌توانست پیشنهادات خاص‌تر و به‌روزتری برای جایگزین‌های استفاده از زمین ارائه دهد، با توجه به نوآوری‌های اخیر در روش‌های دفن پایدار و تغییرات مقررات محلی. بنابراین، آنجلین می‌توانست بینش‌های مرتبط‌تر و قابل‌اجرایی برای برنامه‌ریزی استراتژیک خود داشته باشد.

 

در حالی که هوش مصنوعی مولد مزایای قابل توجهی ارائه می‌دهد، مهم است که محدودیت‌های آن را برای برنامه‌ریزی استراتژیک بشناسید. این محدودیت‌ها از نحوه کار هوش مصنوعی مولد ناشی می‌شوند. این ابزار از میان حجم زیادی از داده‌ها عبور می‌کند و جمله‌ها را با محتمل‌ترین کلمه بعدی کامل می‌کند. در حالی که این امر شگفت‌انگیز است، در اصل به گذشته نگاه می‌کند.

با این حال، شناخت نقاط ضعف هوش مصنوعی مولد به شما امکان می‌دهد از نقاط قوت آن بهره‌برداری کنید. این ابزار می‌تواند توانایی شما را در شناسایی فرصت‌ها، کاهش ریسک‌ها و توسعه استراتژی‌های قوی‌تر با ارائه پیشنهادات خارج از چارچوب که ممکن است بلافاصله به ذهن نرسند، افزایش دهد. این پیشنهادات همیشه باید با تشخیص انسانی فیلتر شوند، اما از آنجا که این ابزار سریع و ارزان است، چرا آن را امتحان نکنید؟

کلید این است که هوش مصنوعی مولد را به عنوان ابزاری که تفکر و تصمیم‌گیری استراتژیک شما را تقویت می‌کند ببینید، نه جایگزین آن.

۱۰ ترند برتر هوش مصنوعی و یادگیری ماشین در سال ۲۰۲۴

در این مقاله با انواع هوش مصنوعی و یادگیری ماشین ترند در دنیا و مسیر ایجاد تحول در صنعت به وسیله آنان آشنا می شویم؛ بعد از عرضه ChatGPT در نوامبر ۲۰۲۲، سال ۲۰۲۳ تبدیل نقطه ی عطفی در زمینه هوش مصنوعی شد. پیشرفت‌های سال های گذشته اساس پیشرفت های مهمی در زمینه هوش مصنوعی را فراهم کرده‌ است. اما با وجود اینکه generative AI همچنان جذابیت فراوانی در جهان فناوری دارد، بینش‌ افراد و سازمان ها به تدریج پیچیده‌تر و بالغ‌تر شده و سازمان‌ها تمرکز خود را از آزمایش‌ در زمینه AI به کاربرد آن ها در پروژه‌های واقعی منتقل کرده‌اند. ترندهای پیش بینی شده برای سال ۲۰۲۴ نمایانگر عمق و دقت بیشتر در استراتژی‌های توسعه و استقرار هوش مصنوعی با توجه به موازین اخلاقی، امنیت و همچنین نمایانگر تغییر در قوانین دنیای دیجیتال است. در ادامه، ده ترند اصلی هوش مصنوعی و یادگیری ماشین برای سال ۲۰۲۴ ارائه شده است :
۱. AI Multimodal (هوش مصنوعی چندحالته)
هوش مصنوعی چندحالته به معنای پردازش داده‌های متنی، تصویری، و صوتی به صورت همزمان و پیشرفته‌تر از پردازش داده‌های تک حالته می‌باشد. این نوع از هوش مصنوعی به دنبال تقلید از توانایی‌های انسان در پردازش اطلاعات حسی متنوع می‌رود. در کنفرانس MIT EmTech در نوامبر ۲۰۲۳، مارک چن، یکی از مدیران OpenAI، اشاره کرد که می‌خواهند مدل‌های هوش مصنوعی توانایی درک داده‌های تصویری و صوتی را پیدا کرده و بتوانند به اطلاعات (داده‌ها) چندحالته وارد شده به آن‌ها پاسخ دهند. این امکان در مدل GPT-4 فراهم شده است. مارک چن در سخنرانی خود، مثالی از توانایی‌های GPT-4 در پردازش ورودی‌های چندحالته می‌زند که در آن تصویری از داخل یخچال گرفته شده است و از ChatGPT خواسته می‌شود که بر اساس مواد موجود در یخچال یک دستور غذایی پیشنهاد دهد. در اینجا حتی می‌توانیم به صورت صوتی از ChatGPT درخواست کنیم که به ما دستور پخت غذا را پیشنهاد دهد که در این صورت توانایی پردازش صدا و تصویر را همزمان استفاده کرده‌ایم.

 

اگرچه بیشتر طرح‌های هوش مصنوعی تولیدی امروزه بر مبنای متن هستند، اما قدرت واقعی هوش مصنوعی زمانی آشکار خواهد شد که بتوانید متن و مکالمه را با تصاویر و ویدیوها و… ترکیب کنید و آن‌ها را در طیف وسیعی از کسب وکارها به کار ببرید. این موضوع را مت برینگتون، رهبر فناوری در شرکت EY اظهار کرده است. کاربردهای هوش مصنوعی چندحالته متنوع و در حال گسترش است. به عنوان مثال، در حوزه بهداشت، مدل‌های چندحالته می‌توانند تصاویر پزشکی را با توجه به سابقه بیمار و اطلاعات ژنتیکی اش برای بهبود دقت تشخیص، تحلیل و پردازش کنند. علاوه بر آن، به منظور بهبود عملکرد شغلی افراد، مدل‌های چندحالته می‌توانند توانمندی‌های کدنویسی اولیه را به افرادی که تجربه‌ای در این زمینه ندارند، آموزش داده و از طریق ارتقاء سطح دانش و مهارت‌های نیروی کار منجر به بهبود عملکرد سازمانی شود.

همچنین، با ارائه داده‌های جدید به مدل‌های هوش مصنوعی، قابلیت‌های چندحالته آن‌ها بهبود می‌یابد. چن توضیح می‌دهد: “مدل‌های ما در فرآیند مدل‌سازی زبان بهبود می‌یابند و به تدریج محدودیت‌هایی که در یادگیری زبان دارند را پشت سر می‌گذارند، ما می‌خواهیم تا اطلاعات و داده‌های دنیای واقعی را به این مدل‌ها ارائه دهیم تا بتوانند به تنهایی دنیای اطراف خود را درک کرده و آن را تفسیر نمایند.”

 

۲. AI Agentic

هوش مصنوعی Agentic نمایانگر تغییر مهمی از هوش مصنوعی واکنشی به هوش مصنوعی فعال است. AI Agentic سیستم‌های پیشرفته‌ای هستند که توانایی مستقل عمل کردن دارند. به این معنا که برخلاف سیستم‌های هوش مصنوعی سنتی که اصول به ورودی‌های کاربر پاسخ می‌دهند و از برنامه‌ریزی از پیش تعیین‌شده استفاده می‌کنند، AI Agentic به صورتی طراحی شده‌اند تا محیط را درک کنند، اهداف را مشخص کنند و برای دستیابی به اهداف بدون دخالت مستقیم انسان عمل نمایند. به عنوان مثال در مانیتورینگ محیطی، AI Agentic می‌تواند آموزش ببیند تا داده‌ها را جمع‌آوری کند، الگوها را تحلیل کند و در پاسخ به خطراتی مانند نشانه‌های اولیه آتش‌سوزی در جنگل و… اقدامات پیشگیرانه آغاز کند. به همین ترتیب AI Agentic مالی می‌تواند به صورت فعال پرتفویی از سرمایه‌گذاری را با استفاده از استراتژی‌هایی که به تغییرات شرایط بازار واکنش نشان می‌دهند، مشخص و مدیریت کند.

پیتر نورویگ، یکی از مسئولین در دانشگاه استنفورد، می‌گوید سال ۲۰۲۳ سال توانایی گفتگو با هوش مصنوعی بود و در سال ۲۰۲۴ خواهیم دید که هوش مصنوعی قادر خواهد بود کارهایی مانند رزرو رستوران، برنامه‌ریزی سفر و… را نیز انجام دهند.

 

۳. AI Source Open
ساخت مدل‌های زبانی بزرگ و سایر سیستم‌های قدرتمند هوش مصنوعی هزینه‌های زیادی را در بر دارد زیرا در این پروسه به تعداد بسیار زیادی کامپیوتر و داده نیاز است. اما استفاده از یک مدل Open Source به توسعه‌دهندگان این امکان را می‌دهد که کار و مسیر دیگر توسعه‌دهندگان را ادامه داده و با این کار هزینه‌های اولیه را کاهش دهند و دسترسی به هوش مصنوعی را گسترش دهند. هوش مصنوعی Source Open معمولاً به صورت رایگان در دسترس است و این امکان را به سازمان‌ها و پژوهشگران می‌دهد تا در توسعه‌ی کدهای موجود مشارکت داشته و همکاری کنند.

داده‌های GitHub از سال گذشته نشان می‌دهد که تعامل توسعه‌دهندگان با هوش مصنوعی، به ویژه هوش مصنوعی تولیدی، افزایش چشمگیری داشته است. برینگتون گفت: “این موضوع به افراد امکان دسترسی آسان و نسبتاً دموکراتیک را می‌دهد و برای تجربه و کاوش عالی است.” رویکردهای AI Source Open همچنین می‌تواند شفافیت و اخلاقیات را تشویق کند زیرا هنگامی که افراد بیشتری امکان مشاهده و استفاده از کدها را دارند، احتمال بیشتری برای شناسایی اگاهی‌ها و آسیب‌پذیری‌های امنیتی و… وجود دارد. اما سوی دیگر، متخصصان نگرانی‌هایی نیز در مورد سوءاستفاده از هوش مصنوعی Source Open برای تولید اطلاعات نادرست و سایر محتواهای مضر ابراز داشته‌اند. علاوه بر این، ساخت و حفظ منابع Source Open حتی برای نرم‌افزارهای سنتی، سخت است چه برسد به مدل‌های هوش مصنوعی پیچیده و محاسباتی.

 

۴. Generation Retrieval-augmented (RAG)
اگرچه ابزارهای هوش مصنوعی تولیدی در سال ۲۰۲۳ به طور گسترده‌ای پذیرفته و مورد استفاده قرار گرفته‌اند، اما همچنان با مشکل توهم‌زایی مواجه هستند. برای مثال، پاسخ‌هایی به نظر معقول اما نادرست به پرسش‌های کاربران بسیار شایع است که این موضوع یک مانع بزرگ برای پذیرش هوش مصنوعی در سطح سازمان‌ها ایجاد کرده است. مثالی از این مشکل در جایی است که توهم و اطلاعات نادرست

در سناریوهای کسب و کار یا مواجهه با مشتری می‌تواند فاجعه‌بار باشد. RAG به عنوان تکنیکی برای کاهش توهمات ایجاد شده است که پیامدهای بالقوه‌ای برای پذیرش هوش مصنوعی سازمانی خواهد داشت.

RAG ترکیبی از تولید متن به همراه بازیابی اطلاعات است که دقت و ارتباط محتوای تولیدی توسط هوش مصنوعی را افزایش می‌دهد. این موضوع به مدل‌های زبانی بزرگ کمک می‌کند که به اطلاعات خارجی دسترسی پیدا کنند و به تولید پاسخ‌های عمیق‌تر و با زمینه محتوایی دقیق‌تر بپردازند. این مزایا به ویژه برای سازمان‌هایی جذاب هستند که دانش واقعی و به‌روز برای کسب و کار آنان بسیار حیاتی است. این شرکت‌ها می‌توانند از RAG با مدل‌های اصلی استفاده کنند تا چت‌بات‌ها و دستیارهای مجازی موثرتر و با اطلاعاتی دقیق‌تر در اختیار داشته باشند.

 

۵. models AI‬ generative enterprise Customized

مدل‌های هوش مصنوعی سفارشی‌سازی شده برای شرکت‌ها به عنوان ابزارهای عمومی بزرگ‌تر مورد توجه قرار گرفته‌اند، مانند Midjourney و ChatGPT، که بیشترین توجه را از مصرف‌کنندگان در حال استفاده از هوش مصنوعی تولیدی دریافت کرده‌اند. اما برای بهبود عملکرد هوش مصنوعی در امور تجاری، مدل‌های کوچک و مخصوص به یک حوزه خاص احتمالاً بیشترین کاربرد را خواهند داشت و به همین دلیل تقاضای زیادی برای سیستم‌های هوش مصنوعی با توانایی پاسخگویی به نیازهای ویژه وجود دارد.

استفاده از مدل‌های هوش مصنوعی سفارشی‌سازی شده نیاز به منابع مالی و اطلاعات زیادی دارد که برای بسیاری از سازمان‌ها قابل دسترسی نیست. برای استفاده از هوش مصنوعی تولیدی سفارشی، بیشتر سازمان‌ها به جای ایجاد یک مدل جدید از پایه، فقط مدل‌های موجود را با تغییراتی در ساختار یا تنظیمات بر روی مجموعه داده‌های مخصوص به یک حوزه، تغییر می‌دهند.

Workday به عنوان یکی از مثال‌ها، در حال بهینه‌سازی مدل‌های هوش مصنوعی خود است تا بتواند توانمندی‌های مشابهی را برای مدل‌های کوچکتر و متمرکزتر که به راحتی مدیریت می‌شوند، ایجاد کند. این امکان به سازمان‌ها اجازه می‌دهد که بهینه‌تر به نیازها و متقاضیان پاسخ دهند.

مدل‌های هوش مصنوعی سفارشی‌سازی شده قادر به ارائه راه‌حل‌های متنوعی برای تقریباً هر سناریوی کسب و کاری هستند، از پشتیبانی مشتری تا مدیریت زنجیره تأمین و بررسی اسناد و موارد دیگر. این مسئله به خصوص در صنایعی با زبان‌ها و روش‌های تخصصی مانند بهداشت، مالی و حقوقی بسیار اهمیت دارد.

همچنین، ساخت یک مدل سفارشی به جای استفاده از ابزارهای عمومی، به حفظ حریم خصوصی و امنیت کمک می‌کند، زیرا به سازمان‌ها کنترل بیشتری بر روی داده‌های خود می‌دهد. به عنوان مثال، در صورت ساختن یک مدل برای کارهای Workday که شامل داده‌های حساس فردی مانند تاریخچه سلامت است، سازمان نمی‌خواهد این نوع داده‌ها را به اشخاص ثالث انتقال دهد و مشتریان نیز معمولاً نگران انتشار آنها هستند.

با توجه به اهمیت حریم خصوصی، قوانین سختگیرانه‌تری در زمینه هوش مصنوعی در آینده ممکن است سازمان‌ها را به تمرکز بیشتر بر مدل‌های خاص و سفارشی ترغیب کنند، به جای تمرکز بر مدل‌های زبانی بزرگ که با داده‌هایی از سرتاسر اینترنت آموزش دیده‌اند. Gillian Crossan، مشاور اصلی در زمینه ریسک و رهبر بخش فناوری جهانی در Deloitte، این موضوع را توضیح داده و اظهار کرده که این انتقال به مدل‌های خصوصی و متعلق به یک حوزه خاص، از مشتریان نگرانی بیشتری در مورد انتشار داده‌ها جلب می‌کند.

 

۶. talent‬ learning‬‬ machine‬‬ and‬‬ AI‬‬ for‬‬ Need‬‬ (نیاز در بکارگیری استعدادها در زمینه هوش مصنوعی و یادگیری ماشین)

طراحی، آموزش و آزمایش یک مدل یادگیری ماشین کار ساده‌ای نیست، چه برسد به رساندن این مدل‌ها به مرحله‌ای که به تولید و نگهداری داده‌ها در یک محیط پیچیده سازمانی بپردازند. بنابراین نیاز رو به رشد به استخدام استعدادها در زمینه هوش مصنوعی و یادگیری ماشین در سال ۲۰۲۴ و بعد از آن پیش‌بینی می‌شود. به ویژه، با ادغام شدن هوش مصنوعی و یادگیری ماشین در عملیات تجاری شرکت‌ها، نیاز روزافزون به متخصصانی وجود دارد که بتوانند شکاف بین تئوری و عمل را پر کنند. این امر مستلزم آن است که توانایی استقرار، نظارت و نگهداری سیستم‌های هوش مصنوعی را داشته باشند. به طور خلاصه، عملیات یادگیری ماشین رشته‌ای از تخصص‌هاست که به انجام این فرایندها می‌پردازند و این حرفه را معمولاً به نام MLOps، کوتاه شده‌ی عبارت عملیات یادگیری ماشین، نمایش می‌دهند. در سال ۲۰۲۴، انتظار می‌رود که سازمان‌ها (نه فقط شرکت‌های فناوری بزرگ) به دنبال استخدام استعدادهایی با این نوع مهارت‌ها باشند. با توجه به اینکه فناوری اطلاعات و داده در تقریباً تمام عملیات تجاری کسب و کارها حاضر است و پروژه‌های هوش مصنوعی به محبوبیت بالایی دست یافته‌اند، ایجاد و افزایش توانایی‌های داخلی سازمان‌ها در زمینه هوش مصنوعی و یادگیری ماشین مرحله‌ی بعدی در تحولات دنیای دیجیتال خواهد بود.

 

۷. AI Shadow

زمانی که نیروی کار در هنگام انجام وظایف شغلی خود به هوش مصنوعی تولیدی علاقه نشان می‌دهند، سازمان‌ها با مسئله AI Shadow روبرو می‌شوند که در واقع استفاده از هوش مصنوعی در سازمان بدون تأیید رسمی یا نظارت از سوی دپارتمان IT است. این ترند به عنوان AI Shadow به تدریج رواج می‌یابد زیرا هوش مصنوعی دسترسی آسان به اطلاعات را برای مردم فراهم می‌کند و حتی افراد غیرفنی را قادر می‌سازد که به صورت مستقل از آن استفاده کنند. AI Shadow معمولاً زمانی بوجود می‌آید که کارکنان به راه‌حل‌های سریع برای حل یک مشکل نیاز دارند یا می‌خواهند به سرعت تکنولوژی‌های جدید را بررسی کنند و این کار را بدون دریافت مجوزهای رسمی و تایید و نظارت از سوی دپارتمان IT انجام می‌دهند. این موضوع به ویژه برای ربات‌های چت (chatbots)، هوش مصنوعی شایع است زیرا که کارکنان می‌توانند آن‌ها را به سادگی در مرورگرهای وب خود استفاده کنند – بدون اینکه از فرآیندهای بررسی و تأیید IT عبور کنند. این کار همچنین با خطراتی همراه است به عنوان مثال، یک کاربر ممکن است اطلاعات محرمانه تجاری را به یک مدل زبانی معمولی و عمومی وارد کند بدون اینکه دریابد که این کار اطلاعات حساس را در برابر اشخاص دیگری نیز قرار می‌دهد.

در سال ۲۰۲۴، سازمان‌ها باید اقداماتی را برای مدیریت AI Shadow انجام دهند که از طریق چارچوب‌های حاکمیتی تعادل بین حمایت از نوآوری و حفاظت از حریم خصوصی و امنیت را برقرار کند. این موضوع ممکن است شامل تعیین سیاست‌های مشخص برای استفاده از هوش مصنوعی و ارائه پلتفرم‌های تایید شده و همچنین تشویق به همکاری بین IT و رهبران کسب و کارها تا در بهترین شکل از چگونگی استفاده‌ی ادارات مختلف از هوش مصنوعی داشته باشند.

برینگتون با ارجاع به تحقیقات اخیر EY که در آن ۹۰٪ از پاسخ‌دهندگان استفاده از هوش مصنوعی را در محیط کار تایید کردند، می‌گوید: “واقعیت این است که همه از آن استفاده می‌کنند؛ وی در ادامه می‌گوید: بخواهید یا نخواهید، مردم امروز از هوش مصنوعی استفاده می‌کنند، بنابراین باید به دنبال فهم بهتر مدل‌ها و استفاده از آن‌ها به صورت اخلاقی و مسئولانه باشیم.

۸. A Generative AI Reality Check (بررسی واقعیت هوش مصنوعی تولیدی)

هنگامی که سازمان‌ها از هیجان اولیه پیرامون استفاده از هوش مصنوعی تولیدی به سمت درک واقعیات مربوط به آن پیش می‌روند، با مرحله‌ای که اغلب به عنوان “محل ناامیدی” در چرخه‌های پارتنر گارتنر یاد می‌شود، مواجه می‌شوند. با کم شدن هیجان اولیه، سازمان‌ها با محدودیت‌ها و مشکلاتی مانند پایین بودن کیفیت خروجی‌ها، مسائل امنیتی، اخلاقی، مشکلات ادغام با سایر سیستم‌ها و فرآیندهای موجود روبرو می‌شوند. همچنین وظایفی مانند تضمین کیفیت داده، آموزش مدل‌ها و حفظ سیستم‌های هوش مصنوعی در تولید معمول دشوارتر از انتظارات اولیه است. نکته مثبت این است که این مشکلات، اگرچه در کوتاه مدت ناخوشایند هستند، ممکن است در طولانی مدت منجر به نگرشی سالم‌تر و معتدل‌تر نسبت به استفاده از هوش مصنوعی شوند. عبور از این مرحله نیاز به تعیین انتظارات واقعی از هوش مصنوعی دارد و باید درک جامع‌تری از اینکه هوش مصنوعی چه کارهایی را می‌تواند انجام دهد و از عهده چه کارهایی برنمی‌آید داشت.

۹. Increased attention to AI ethics and security risks (افزایش توجه به اخلاقیات و مخاطرات امنیتی هوش مصنوعی)

تکثیر deepfake و محتوای پیچیده تولید شده توسط هوش مصنوعی نگرانی‌هایی را در مورد امکان انتشار اطلاعات غلط و دستکاری در رسانه‌ها، سیاست‌ها، جعل هویت و انواع دیگر کالهبرداری افزایش می‌دهد. هوش مصنوعی همچنین می‌تواند حملات ransomware و phishing را افزایش دهد و آن‌ها را متقاعد‌کننده‌تر، سازگارتر و شناسایی آن‌ها را سخت‌تر کند. اگرچه تلاش‌هایی بسیاری برای توسعه فناوری‌ها در جهت شناسایی محتوای تولید شده توسط هوش مصنوعی در حال انجام است، اما این کار همچنان دشوار و با مشکلاتی مواجه است. دور زدن تکنیک‌های واترمارک هوش مصنوعی فعلی نسبتاً آسان است و نرم‌افزارهای تشخیص هوش مصنوعی مستعد تشخیص نتایج کاذب می‌باشد.

 

۱۰. Evolving AI regulation (تکامل هوش مصنوعی)
بدون شک، با توجه به نگرانی‌هایی که از مطالبات اخلاقی و امنیتی در مورد استفاده از هوش مصنوعی وجود دارد، سال ۲۰۲۴ را باید یک سال محوری برای بازتنظیم قوانین هوش مصنوعی، سیاست‌ها و چارچوب‌های صنعتی که به سرعت در ایالات متحده و در سطح جهان در حال تحول هستند، در نظر گرفت. قانون هوش مصنوعی اتحادیه اروپا، که اعضای پارلمان و شورای اتحادیه اروپا اخیراً در مورد آن به توافق موقت دست یافتند، اولین قانون جامع هوش مصنوعی در جهان را نشان می‌دهد و در صورت تصویب این قانون، استفاده‌های خاصی از هوش مصنوعی ممنوع می‌شود و نیز تعهداتی را بر توسعه دهندگان سیستم‌های هوش مصنوعی پرخطر تحمیل می‌کند و عدم رعایت آن منجر به جریمه‌های چند میلیون دلاری می‌شود. قانون هوش مصنوعی می‌تواند اتحادیه اروپا را به عنوان یک تنظیم‌کننده جهانی هوش مصنوعی مطرح کند که ممکن است استفاده و استانداردهای توسعه هوش مصنوعی جهانی را تحت تأثیر قرار دهد.

فراتر از اثرات سیاست‌های اتحادیه اروپا، فعالیت‌های اخیر در ایالات متحده نشان می‌دهد که چگونه مقررات هوش مصنوعی می‌تواند متحول و اجرا شود. فرمان اجرایی رئیس جمهور جو بایدن در اکتبر، دستورات جدیدی را ایجاد کرد مانند الزام توسعه دهندگان هوش مصنوعی به اشتراک‌گذاری نتایج تست ایمنی با دولت ایالات متحده و همچنین اعمال محدودیت‌هایی برای محافظت در برابر خطرات هوش مصنوعی. آژانس‌های مختلف فدرال نیز دستورالعمل‌هایی را به بخش‌های خاصی صادر کرده‌اند مانند چارچوبی برای مدیریت ریسک هوش مصنوعی NIST و بیانیه کمیسیون تجارت فدرال که به کسب و کارها نسبت به ادعاهای نادرست در مورد استفاده از هوش مصنوعی در محصولاتشان هشدار می‌دهد. در پایان، مسائل پیچیده‌تری نیز در سال ۲۰۲۴ وجود خواهد داشت که سال انتخابات در ایالات متحده است و فهرست فعلی نامزدهای ریاست جمهوری آمریکا طیف گسترده‌ای از مواضع را پیرامون مسائل مرتبط با سیاست‌های فناوری نشان می‌دهد. یک دولت جدید می‌تواند رویکرد نظارت بر هوش مصنوعی را از طریق تغییر یا بازنگری فرمان اجرایی بایدن و دستورالعمل‌های فدرال تغییر دهد و از الزامات محدودکننده موجود بکاهد یا بر آن بیفزاید.

۱۰ ابزار هوش مصنوعی برای کودکان

 

امروزه با پیشرفت های روز افزون دنیای تکنولوژی و سهولت دسترسی و استفاده از ابزارهای آن، تغییرات زیادی در سطوح مختلف زندگی انسان ها ایجاد شده است. که یکی از مهم ترین جنبه های آن تاثیرات هوش مصنوعی بر زندگی کودکان است. هوش مصنوعی می تواند هم تاثیرات مفید و هم تاثیرات مخربی برای کودکان در  پی داشته باشد. که در گزارش پیش رو قصد داریم به برخی مزایا و معایب هوش مصنوعی برای کودکان و  در انتهای گزارش به ۱۰ مورد از ابزارها و سایت های مفید مرتبط با هوش مصنوعی برای کمک به یادگیری کودکان با نظارت و راهنمایی والدین و یا آموزگاران اشاره کنیم :

ابزارهای هوش مصنوعی و کودکان :

در دنیای امروز که ابزارهای دیجیتال به سرعت در حال پیشرفت اند، هوش مصنوعی (AI) دیگر فقط یک مفهوم آینده نگرانه نیست. بلکه بخشی جدایی ناپذیر از زندگی روزمره ما انسان ها است. همانطور که هوش مصنوعی به تکامل خود ادامه می دهد، تأثیر آن بر آموزش و رشد کودکان نیز گسترش می یابد. در ادامه قصد داریم به برخی از مزایا و معایب هوش مصنوعی بر زندگی کودکان اشاره کنیم و در پایان برخی سایت ها و ابزارهای مفید مبتنی بر هوش مصنوعی برای کودکان را معرفی می کنیم.

 

مزایای ابزارهای هوش مصنوعی برای کودکان:

تقویت آموزشی: ابزارهای هوش مصنوعی طراحی شده برای کودکان، تجربیات یادگیری جذاب و تعاملی را ارائه می دهند. پلتفرم‌هایی مانند Scratch و Code.org به کودکان این امکان را می‌دهد که برنامه‌نویسی را به شیوه‌ای ساده و کودکانه کشف کنند و مهارت‌های تفکر انتقادی و حل مسئله را از سنین پایین در خود پرورش دهند. این ابزارها یادگیری را لذت بخش می کنند و باعث شکوفایی خلاقیت کودکان می شوند. در عین حال مهارت های ضروری STEM (علم، فناوری، مهندسی و ریاضیات) را نیز توسعه دهند.

یادگیری شخصی : برنامه های آموزشی مبتنی بر هوش مصنوعی می توانند با سرعت و سطح درک هر کودک سازگار شوند. آن‌ها درس‌ها و چالش‌های مناسبی را ارائه می‌کنند. این رویکرد شخصی امکان تجربه یادگیری مؤثرتر و کارآمدتر را فراهم می کند و نیازهای متنوع دانش آموزان را برآورده می سازد.

مواجهه اولیه با مفاهیم هوش مصنوعی: معرفی مفاهیم هوش مصنوعی به کودکان در سنین پایین آن ها را برای دنیای فناوری محور آینده آماده می کند. آن ها در مورد الگوریتم ها، یادگیری ماشین و حل مسئله یاد می گیرند و پایه ای محکم برای مشاغل بالقوه ی آینده در زمینه های مرتبط با هوش مصنوعی ایجاد می کنند.

توسعه شناختی : ابزارهای هوش مصنوعی با تشویق به تفکر منطقی، خلاقیت و سازگاری، رشد شناختی کودک را بهبود می بخشند. کودکان مهارت های حل مسئله ای را کسب می کنند که هم در زندگی تحصیلی و هم در زندگی شخصی آن ها ارزشمند است.

همراهی با جهان امروز : ابزارهای هوش مصنوعی کودکان را قادر می‌سازد تا با همسالان خود در سراسر جهان ارتباط برقرار کنند و دیدگاهی جهانی و آگاهی از سایر فرهنگ ها و آداب و رسوم ها را تقویت کنند. این ارتباط متقابل می تواند افق دید آن ها را گسترش دهد و به جهان بینی فراگیر و همدلانه منجر شود.

دسترس‌ آسان : ابزارهای هوش مصنوعی فرصت‌های یادگیری قابل‌ دسترسی را فراهم می‌کنند و به کودکان با توانایی ها و سطوح یادگیری مختلف خدمات متنوعی ارائه می کنند.

انطباق پذیری : هوش مصنوعی می تواند با سبک های یادگیری فردی سازگار شود و اطمینان حاصل کند که هر کودک ابزارهای کمک آموزشی مورد نیاز خود را دریافت می کند.

 

معایب ابزارهای هوش مصنوعی :

نگرانی‌های مربوط به حریم خصوصی کودکان : حفظ حریم خصوصی داده‌های کودکان یک نگرانی رو به رشد است زیرا ابزارهای هوش مصنوعی داده‌های کاربر را جمع‌آوری می‌کنند و از آن در پاسخ های آتی خود به کاربران استفاده می کنند که باعث ایجاد نگرانی های فراوان است.

اتکای بیش از حد کودکان به ابزارهای هوش مصنوعی : استفاده بیش از حد از ابزارهای هوش مصنوعی می تواند منجر به اتکای بیش از حد به فناوری شود و مانع رشد اجتماعی و عاطفی و خلاقیت کودکان شود.

کنترل کیفیت محتوایی : کیفیت محتوای مبتنی بر هوش مصنوعی متفاوت است و به انتخاب دقیق برنامه‌ها و منابع آموزشی بستگی دارد. برای استفاده کودکان از ابزارهای هوش مصنوعی به خصوص ربات های گفت و گو نیاز به نظارت والدین بیش از پیش احساس می شود.

 

ابزارهای هوش مصنوعی برای کودکان این پتانسیل را دارند که آموزش را متحول کنند و نسل جوان را برای آینده ای مبتنی بر فناوری آماده کنند. مزایای آن ها در  کمک به افزایش یادگیری و رشد شناختی و…  است. با این حال، نیاز است که به نگرانی‌های مربوط به حریم خصوصی داده‌ها، اتکای بیش از حد به فناوری و نیاز به کنترل کیفیت نیز توجه کنیم. با استفاده از پتانسیل هوش مصنوعی و در عین حال توجه به مشکلات آن، می‌توانیم برای استفاده کودکان از هوش مصنوعی برنامه ریزی کرده و با شناخت ابزارهای مناسب، محیطی خلاقانه برای یادگیری کودکان فراهم کنیم.

 

۱. : Scratch یک زبان برنامه نویسی بصری است که توسط MIT ایجاد شده است. این زبان برنامه نویسی بصری برای کودکان طراحی شده تا با ایجاد داستان، بازی و انیمیشن برنامه نویسی را با استفاده از بلوک‌های برنامه نویسی بیاموزند. اگرچه کاملا بر هوش مصنوعی متمرکز نیست، اما می تواند مقدمه ای مناسب برای ورود به دنیای کدنویسی و… باشد.

 

۲. Tynker : در این سایت با کمک بازی های سرگرم کننده و حل معمای بازی ها به سادگی مفاهیم ابتدایی کدنویسی و آشنایی با دنیای دیجیتال به کودک آموزش داده می شود.

 

۳. tinkercad : ابزاری کاملا رایگان است که به کودکان این امکان را می دهد که بتوانند آنچه در ذهن دارند را به سادگی به صورت ۳ بعدی طراحی کنند، از این سایت می توان برای اجرای پروژه های درسی کودکان به صورت مجازی نیز استفاده کرد. همچنین می توانند با بلوک های کد، به کد نویسی بپردازند.

 

۴. cognimates: یک پلت فرم آموزشی هوش مصنوعی است که برای ساخت بازی، ربات های برنامه نویسی و آموزش مدل های هوش مصنوعی کاربرد دارد. در این پلت فرم کودک این امکان را دارد که با استفاده از بلوک های ساده به کدنویسی بپردازد. همچنین در این پلت فرم این امکان فراهم می شود که کودکان مدل متنی خود را آموزش دهند و مدل متن سفارشی خود را برای پیش بینی دسته بندی های مورد نظر خود ایجاد کنند. برای مثال کودک با یادگیری ساخت و آموزش مدل های متنی قادر خواهد بود که یک مدل متنی بسازد که می تواند شاد یا غمگین بودن یک عبارت را پیش بینی کند.

 

۵. blockly.games :  مجموعه ای از بازی ها را ارائه می کنند که مفاهیم برنامه نویسی را از طریق بلوک های کدگذاری تصویری به کودکان آموزش می دهد.  در این سایت بازی هایی مانند حل پازل های کدنویسی ساده و جهت یابی و… ارائه  می شود.

 

۶. robozzle : یک بازی پازلی است که با حل چالش ها و با استفاده از ربات ها، مفاهیم برنامه نویسی را به کودکان آموزش می دهد. این یک راه سرگرم کننده برای معرفی تفکر الگوریتمی و حل مسئله است.

 

۷. kiddle : کیدل یک موتور جست و جوی مختص کودکان است که توسط کمپانی گوگل ایجاد شده است. در این موتور جست و جو، امنیت و فضای لازم برای کودکان ایجاد شده و نتایج جست و جو برای مخاطب کودک آماده و ارائه می شود.

۸.machinelearningforkids : این ابزار رایگان با معرفی یادگیری ماشین از طریق ارائه تجربیات عملی برای آموزش سیستم‌های یادگیری ماشین و ساختن پروژه‌ با آن ها، به کودکان و نوجوانان آموزش های لازم را می‌دهد. در این ابزار یک محیط راهنمایی آسان برای آموزش مدل‌های یادگیری ماشین به منظور تشخیص متن، اعداد، تصاویر و صداها ارائه می‌شود.

 

۹. codecombat : یک بازی آموزشی که به کودکان کمک می‌کند تا با استفاده از کدنویسی بازی کنند و مفاهیم برنامه‌نویسی را فرا بگیرند. در واقع در این بازی کودکان نیاز دارند برای پیشبردن بازی، کدنویسی کنند و از طریق آن به مراحل بعد راه یابند.

 

۱۰.code org : یک پلتفرم آموزش برنامه‌نویسی و علوم کامپیوتر برای کودکان است. که تعداد بسیار بالایی کودک در آن به یادگیری مشغول اند. این سایت دوره‌هایی با موضوعات متنوع از کدنویسی ارائه می‌دهد و کودکان می توانند با گذراندن این دوره ها در سطوح مختلف به یادگیری برنامه نویسی و آشنایی با علوم کامپیوتر بپردازند.

به یاد داشته باشید که مناسب بودن این ابزارها ممکن است بسته به سن و سطح مهارت کودک شما متفاوت باشد. انتخاب ابزارها و منابعی که با علایق و توانایی های آن ها مطابقت داشته باشد و در عین حال استفاده ایمن و مسئولانه از فناوری را نیز ترویج کند، ضرورت دارد. همواره هنگام استفاده از ابزارها و پلتفرم های هوش مصنوعی بر کودکان خردسال نظارت داشته باشید.

 

 

آموزش استقرار مدل های زبانی بزرگ

امروزه مدل‌های زبانی بزرگLarge Language models(LLM) ها که شاید بیشتر بواسطه ChatGPT و Gemini شناخته شده باشند، توانسته‌اند بسیاری از وظایف مربوط به پردازش زبان طبیعی مثل ترجمه، خلاصه سازی، درک زبان و … را با کیفیت مناسبی انجام دهند.

آموزش و ایجاد این مدل‌ها نیاز به منابع سخت افزاری زیاد و به طور خاص، پردازشگر گرافیکی قدرتمند و گرانقیمت دارد. اما خوشبختانه مدل‌های متن باز(open source)  چند زبانه‌ای که اخیرا منتشر شده، از کیفیت خوبی روی زبان فارسی برخوردار است. از جمله این مدل‌ها می‌توان به مدل Llama3 و C4ai اشاره کرد.

اگر می خواهید یکی از این مدل‌ها را برای استفاده شخصی یا سازمانی خود استفاده کنید و با رابط کاربری شبیه محیط Chat GPT از آن استفاده کنید، با این مقاله از دکتر مصطفی امیری، مدیر هوش مصنوعی دال همراه باشید.

آموزش استقرار مدل زبانی بزرگ در سرور شخصی

ابتدا لازم است که روی سیستم خود Docker را نصب کرده باشید. سپس ایمیج ollama را با دستور زیر دریافت و اجرا کنید. اگر پردازنده گرافیکی مناسب ندارید در دستور دوم –gpus=all را حذف کنید.

docker pull ollama/ollama

docker network create ollama-net

docker run -d –gpus=all -v ollama:/root/.ollama -v \ your_model_path:/home -p 11434:11434 –name ollama \ –network ollama-net ollama/ollama

تا اینجا سرور آماده شده است. این سرور پذیرای مدل هایی با فرمت GGUF است. این مدل ها را می توانید در سایت huggingface و اکانت thebloke  پیدا کرده و دانلود کنید و در مسیری که home کانتینر mount کرده‌اید، قرار دهید.

سپس یک فایل به نام Modelfile در همان مسیر ساخته و داخل آن مدل مد نظر خود را مشخص کنید.

FROM ./Mistral-7B-fp16.gguf
PARAMETER temperature 0.4
SYSTEM &quotتو مدل هوش مصنوعی دال هستی و به فارسی صحبت میکنی.&quot
TEMPLATE &quot[INS]{{ .Prompt }}[/INS]&quot

سپس با دستور زیر به داخل bash کانتینر رفته و با رفتن به مسیر home مدل را بسازید:

docker -it exec ollama bash
cd /home
ollama create your_model_name -f Modelfile

حالا برای اینکه یک رابط کاربری مناسب می توانید ازopen-webui استفاده کنید. با دستور زیر آن را دانلود و یک ایمیج از روی آن بسازید و سپس یک کانتینر از روی آن بالا بیاورید:

git clone https://github.com/open-webui/open-webui.git
cd open-webui
docker build -t openwebui .
docker run -d -p 80:8080 --network ollama-net -v openwebui:/app/backend/data --name myOpenWebUI --restart always openwebui

حال کافیست در مرورگر خود آدرس http://localhost را زده و بعد از ثبت نام کردن وارد پنل شود. در قسمت تنظیمات در گوشه بالا سمت راست شده و در بخش connection آدرس سرور را به صورت http://ollama:11434 تغییر داده و ذخیره کنید.

تغییر آدرس سرور در هنگام استقرار مدل زبانی بزرگ

نهایتا از بالا صفحه مدل را انتخاب کنید.

انتخاب مدل زبانی شخصی سازی شده دال در سرور

حال می توانید با مدل زبانی استقرار یافته در سرور خود، به مکالمه بپردازید.

چت کردن با مدل زبانی اختصاصی دال