انفجار ناگهانی تقاضا برای محصولات GenAI هیچ نشانه‌ای از کند شدن نشان نمی‌دهد. از آنجایی که ارائه دهندگان بزرگ فناوری ابزارهایی مانند ChatGPT یا Gemini را به صورت استاندارد در سیستم عامل خود تعبیه می کنند، به احتمال زیاد مردم به طور پیش فرض از این فناوری برای کارهای تولید محتوای روزمره استفاده کنند.
با این حال، این ابزارها هنوز به کمال نرسیده‌اند. خروجی‌های تولیدشده توسط هوش مصنوعی معمولاً به راحتی و بدون نیاز به ابزارهای تخصصی یا نرم‌افزارهای غربالگری توسط کاربران شناسایی می‌شوند. ما به طور ذاتی و ناخودآگاه توانایی تشخیص محتوایی را داریم که بیش از حد مکانیکی به نظر می‌رسد، فاقد ظرافت است، یا حتی با وجود ظاهر بی‌نقص و کامل، همچنان نشانه‌هایی از غیرطبیعی بودن دارد.
اغلب، این اتفاق به این دلیل رخ می دهد که هوش مصنوعی فاقد زمینه است. ذهن انسان که فناوری در تلاش برای شبیه‌سازی آن است، به صورت پیوسته و در لحظه در حال پردازش اطلاعات است و پاسخ‌های ما را بر اساس منابع عمیق دانش درونی، بینش‌های بومی، و سایر عوامل تنظیم می‌کند. این فرآیندها عمدتاً در سطح ناخودآگاه و غریزی رخ می‌دهند.
اگرچه ابزارهای هوش مصنوعی امروزی ما را به دستاوردهای شگفت‌انگیزی رسانده‌اند، اما فاقد هوش زمینه‌ای لازم هستند و به همین دلیل برای بسیاری از کاربردهای دنیای واقعی که در آنها دقت و قابلیت اطمینان از اهمیت بالایی برخوردار است، کافی نخواهند بود.
چرا به هوش زمینه‌ای نیاز داریم
هوش زمینه‌ای تنها محدود به هوش مصنوعی نیست، بلکه یکی از ارزشمندترین انواع منابع مبتنی بر دانش است که از دیرباز در حوزه اختیارات اعضای ارشد تیم بوده است.
سال‌ها تجربه در خط مقدم صنعت باعث شده است که این مدیران و متخصصان ارشد درک عمیقی از روندهای بازار داشته باشند و بتوانند بازیگران اصلی و رقبا را به خوبی شناسایی و تحلیل کنند. در نهایت، آنها قادر به برقراری ارتباطاتی متقاعدکننده هستند که تصمیم‌گیری‌ها را پشتیبانی و تسهیل می‌نمایند.
با این وجود، این قابلیت (زمینه) در مدل‌های هوش مصنوعی متن‌باز و از پیش‌آماده‌شده کنونی وجود ندارد. برای مثال، مدل معروف ChatGPT بر پایهٔ داده‌های آنلاین و عمومی آموزش دیده است. اگرچه دسترسی به حجم عظیم اطلاعات منتشرشده در اینترنت، بدون شک امکان ساخت مدل‌های زبانی بزرگ (LLM) با دانش عمومی گسترده را فراهم می‌کند و دامنه کاربری آنها را برای طیف وسیعی از افراد افزایش می‌دهد، اما همین مدل‌ها هنگام مواجهه با پرسش‌های بسیار تخصصی یا خاص، اغلب با محدودیت‌های عملکردی روبه‌رو می‌شوند.
علاوه بر جنجال‌های گسترده پیرامون ChatGPT، این مدل در عمل برای برخی کاربران با ناامیدی همراه بوده است؛ چرا که بسیاری از کاربران علاوه بر مشاهده محدودیت‌های آن، به پتانسیل عظیم مدل‌های زبانی بزرگ (LLM) نیز پی برده‌اند.
هوش زمینه‌ای راه‌حلی امیدبخش برای عبور از این چالش‌ها را ارائه می‌دهد. دستیابی هوش مصنوعی به دانش تخصصی و عمقی در حوزه‌های مشخص، به مدل این توانایی را می‌بخشد تا با دقت بیشتری استدلال کند و در تولید محتوایی مانند ارائه‌ها، گزارش‌ها و سایر خروجی‌ها، عملکرد قابل اطمینان تری داشته باشد.
با تمرکز بر توسعه یک مدل پایه LLM مجهز به “مغز” دانش گسترده، ظرافت‌های زمینه‌ای عموماً از طریق فناوری‌هایی مانند بازیابی و تولید غنی‌شده (RAG) در مدل ادغام می‌شوند. با نمایه‌سازی داده‌های ساختاریافته و بدون ساختار از منابع داخلی و خارجی مرتبط، این مدل‌ها می‌توانند به گونه‌ای آموزش ببینند که دانش عمیق و تخصصی لازم برای پاسخگویی به نیازهای کاربران سازمانی را به دست آورند.
موارد استفاده‌ای که «به اندازه کافی خوب» جواب نمی‌دهد
شرکت‌های نوپا و استارتاپ‌های فناوری معمولاً با هدف عرضه یک MVP یا نسخهٔ آزمایشی (بتا) تلاش می‌کنند تا محصولی نیمه‌تمام را در اختیار کاربران قرار دهند. این راهکار به آنها این امکان را می‌دهد تا از طریق دریافت بازخوردهای ارزشمند، به بهبود و تکامل محصول خود بپردازند، مشکلات را برطرف کنند و در نهایت تجربه کاربری را ارتقاء بخشند.
فکر کردن به نسل اول برنامه‌های GenAI به عنوان MVP و نه به عنوان محصولات نهایی، مفید است. برای متخصصان فناوری، عملکرد دقیق این مدل‌ها در بیشتر مواقع یک دستاورد بزرگ است، و تغییرات و توهمات، جزئی از جذابیت آن هستند.
با این حال، در بسیاری از حوزه‌های صنعتی، دقتی فراتر از «قابل قبول» مورد نیاز است و ابزارهای هوش مصنوعی باید از بالاترین استانداردهای عملکرد برخوردار باشند.
فرض کنید یک شرکت بیوفارما باید به‌روزرسانی ای درباره پیشرفت‌های یک کارآزمایی بالینی در حال اجرا به سرمایه‌گذاران خود ارائه دهد. از دیدگاه نظری GenAI می‌تواند به تیم‌ها کمک کند تا مجموعه اسلایدها و مطالب همراه را سریع‌تر و با کارایی بیشتری تولید کنند. با این حال، ماهیت بتا و آزمایشی بودن ابزارهای فعلی GenAI، قابلیت اطمینان آنها را زیر سؤال می‌برد. یکی از خطرات بالقوه، استفاده نادرست یا اشتباه از اصطلاحات تخصصی و حساس پزشکی است.
چنین اشتباهاتی به هیچ وجه سطحی نیستند و می‌توانند به راحتی به اعتبار شرکت آسیب بزنند و توانایی آن در جلب اعتماد سرمایه‌گذاران آن شرکت در آینده را تضعیف نماید.
با نگاهی به آینده، محصولات هوش مصنوعی مجهز به قابلیت هوش زمینه‌ای به‌طور چشمگیری از دیگر راهکارهای موجود در بازار پیشی خواهند گرفت و در جذب کاربران متخصص در صنایع مختلف، از تبلیغات تا فناوری سلامت، نقش تعیین‌کننده‌ای ایفا خواهند کرد.
لینک کوتاه: womenito.com/bo11
