مقدمه‌ای بر هوش مصنوعی در وب

هنگام توسعه با هوش مصنوعی، ممکن است در انتخاب مدل، زیرساخت و کد سردرگم شوید. ممکن است تصویر کلی را فراموش کنید.

در این ماژول، ما یک طرح اولیه معرفی می‌کنیم که می‌توانید از آن برای ترسیم هر ویژگی یا محصول جدید هوش مصنوعی استفاده کنید:

• چرا در حال ساخت هستید؟ مورد استفاده هوش مصنوعی شما چه ارزشی برای کاربران به ارمغان می‌آورد؟
• برنامه شما چگونه کار خواهد کرد؟
• چگونه می‌توانید مطمئن شوید که هر بخش از سیستم شما مسئولانه توسعه داده شده است؟

برای درک نحوه‌ی عملکرد این طرح، تصور کنید که روی یک سایت تجارت الکترونیک به نام Example Shoppe کار می‌کنید. رقبای شما مشغول استفاده از چت‌بات‌های عمومی هستند، اما توجه کمی را به خود جلب کرده‌اند. شما می‌خواهید تجربه‌ی بهتری برای کاربران خود فراهم کنید و تصمیم می‌گیرید بدون ایجاد اختلال در جریان‌های اصلی کاربران، تجربه‌ی جستجوی خود را بهبود بخشید .

با یک به‌روزرسانی مبتنی بر هوش مصنوعی، خریداران می‌توانند عبارات زبان طبیعی مانند «کفش‌های دویدن قرمز برای زمستان» را تایپ کنند و نتایج مرتبطی را که ممکن است با جستجوی مبتنی بر کلمات کلیدی از دست داده باشند، دریافت کنند.

فرصت

هر پروژه هوش مصنوعی باید با یک مورد استفاده واضح آغاز شود: یک کار یا مشکل کاربری که ارزش حل شدن با هوش مصنوعی را دارد. هوش مصنوعی عدم قطعیت و سایر خطرات را در برنامه شما ایجاد می‌کند، بنابراین فقط در صورتی باید از آن استفاده کنید که مشکل به روش مرسوم و قطعی قابل حل نباشد.

مورد استفاده

برای مثال در Shoppe ، جستجو یک عملکرد اصلی است که کاربران را به محصولاتی که به دنبال آن هستند متصل می‌کند. کاربران اغلب زمانی که به دلیل غلط املایی، مترادف یا سوالات مبهم در جستجو شکست می‌خورند، جستجو را رها می‌کنند. شما این را از تجزیه و تحلیل خود و همچنین از تحقیقات خارجی می‌دانید. با جستجوی انعطاف‌پذیرتر و هوشمندانه‌تر، سفر کاربران شما می‌تواند کارآمدتر و لذت‌بخش‌تر شود.

نمونه‌های دیگر از موارد استفاده هوش مصنوعی عبارتند از:

• در یک سایت خبری، می‌توانید با خلاصه کردن اخبار به صورت ساختارمند، بار شناختی را کاهش دهید.
• در یک پلتفرم انتشار، می‌توانید با پیشنهاد خودکار متن‌های جایگزین و زیرنویس‌ها، دسترسی‌پذیری را بهبود بخشید.
• به عنوان ارائه دهنده خدمات ابری، می‌توانید از طریق جستجوی هوشمندانه‌تر مستندات، درخواست‌های پشتیبانی را کاهش دهید.

کشف فرصت‌های ارزشمند، کلید موفقیت در هوش مصنوعی است. همانطور که در گزارشی از شرکت RAND آمده است، انتخاب فرصت اشتباه یکی از دلایل اصلی شکست پروژه‌های هوش مصنوعی است.

ارزش

ارزش دو جنبه دارد: مزایایی برای کاربران و مزایایی برای محصول یا کسب‌وکار. در اکثر محصولات سالم و مسئولانه، این دو جنبه با هم همسو هستند: وقتی کاربران موفق می‌شوند، کسب‌وکار نیز رشد می‌کند. به عنوان مثال، جستجوی پیشرفته هوش مصنوعی در Shoppe با کمک به کاربران برای یافتن سریع‌تر محصولات مناسب و با اصطکاک کمتر، ارزش ایجاد می‌کند. این امر باعث افزایش کشف محصول، نرخ تبدیل و رضایت بلندمدت مشتری می‌شود.

گاهی اوقات، ارزش می‌تواند ناملموس باشد، مانند لذت و اعتماد کاربر. به خصوص در ابتدا، بهتر است راهی برای سنجش ارزش پیشنهادی پیدا کنید. این به شما مبنای محکمی برای اولویت‌بندی، انتقال تأثیر و متقاعد کردن ذینفعان می‌دهد. حتی تخمین‌های تقریبی نیز می‌توانند تصمیمات را هدایت کرده و موفقیت را قابل اندازه‌گیری کنند.

راه حل

پس از روشن کردن اینکه چرا هوش مصنوعی را به محصول خود اضافه می‌کنید، به نحوه پیاده‌سازی آن فکر کنید. نگاهی به اجزای اصلی یک راه‌حل هوش مصنوعی بیندازید.

داده‌ها

داده‌ها سوخت هوش مصنوعی هستند. در نهایت، سیستم هوش مصنوعی شما به این بستگی دارد که چقدر خوب می‌تواند از داده‌های شما یاد بگیرد. داده‌های ضعیف، ناقص یا ناهماهنگ منجر به نتایج ضعیف و کاربران ناامید می‌شوند، مهم نیست که مدل یا زیرساخت چقدر عالی باشد. برعکس، داده‌های با کیفیت بالا و یک چرخه داده با طراحی خوب، محرک‌های ارزشی هستند که می‌توانند بخشی از تمایز محصول شما نیز باشند.

داده‌ها در شکل‌ها و روش‌های مختلفی ارائه می‌شوند. برای مثال جستجوی مبتنی بر هوش مصنوعی ما، داده‌های مفید ممکن است شامل موارد زیر باشند:

• داده‌های ساختاریافته : عناوین محصولات، رنگ‌ها، اندازه‌ها، دسته‌بندی‌ها و موجودی.
• داده‌های بدون ساختار : توضیحات محصول، نظرات کاربران و سوالات متداول.
• فهرست مترادف‌ها : روابط بین اصطلاحات، مانند «کفش کتانی» معادل «کفش دویدن» است.
• سیگنال‌های کاربر : کلیک‌ها، زمان توقف، اقدامات افزودن به سبد خرید و خریدها، همگی سیگنال‌هایی هستند که به مدل‌ها کمک می‌کنند تا بفهمند کاربران واقعاً چه چیزی را مرتبط می‌دانند.
• داده‌های بصری : تصاویر محصول که می‌توانند در یک شاخص شباهت بصری جاسازی شوند و به کاربران امکان می‌دهند بر اساس عکس جستجو کنند یا موارد مشابه بصری را حتی بدون تطابق متن، کشف کنند.

ممکن است این مقدار داده زیاد به نظر برسد، اما نگران نباشید. با تعداد کمی منبع داده که قوی‌ترین نسبت سیگنال به نویز را ارائه می‌دهند، شروع کنید و سپس با رشد سیستم خود، آن را گسترش دهید.

در بیشتر موارد، داده‌های خام شما احتمالاً آماده‌ی استفاده توسط یک مدل نیستند. این داده‌ها باید تمیز، پیش‌پردازش و در قالبی سازگار با هوش مصنوعی سازماندهی شوند. به عنوان مثال، سیگنال‌های کاربر می‌توانند به توالی‌های عملی تبدیل شوند، در حالی که توضیحات محصول بدون ساختار می‌توانند به عنوان جاسازی‌های معنایی کدگذاری شوند.

داده‌ها می‌توانند در مراحل مختلف چرخه حیات هوش مصنوعی مورد استفاده قرار گیرند:

• در آموزش یا تنظیم دقیق ، از آن برای آموزش الگوها و روابط مدل استفاده می‌شود.
• در ارزیابی، می‌توانید از آن برای آزمایش کیفیت، دقت و مرتبط بودن استفاده کنید.
• در محیط تولید، می‌توانید از آن برای ردیابی تغییرات و جمع‌آوری بازخورد از کاربرد در دنیای واقعی استفاده کنید.

به طور خلاصه، داده‌ها فقط یک ورودی نیستند، بلکه یک دارایی زنده هستند. مدیریت خوب داده‌ها یکی از ارزشمندترین مهارت‌هایی است که یک توسعه‌دهنده وب می‌تواند هنگام کار با هوش مصنوعی کسب کند.

هوش

لایه هوش جایی است که هوش مصنوعی ارزش را استخراج و ایجاد می‌کند. اغلب، یک مدل در هسته آن وجود دارد، اما اکثر سیستم‌ها پیچیده‌تر هستند. به عنوان مثال، Shoppe، لایه هوش با استفاده از مجموعه‌ای از روش‌ها، به پرسش‌های کاربر معنا می‌بخشد:

• تشخیص موجودیت‌های اسمی و استخراج اطلاعات برای استخراج ویژگی‌هایی مانند color=red یا season=winter .
• یک مدل تعبیه جمله برای ایجاد نمایش‌های معنایی از پرس‌وجوهای کاربر و محصولات موجود.
• جستجوی معنایی برای بازیابی نتایج مرتبط.
• یک مدل رتبه‌بندی مجدد کوچک و سفارشی برای رتبه‌بندی دقیق نتایج بر اساس مرتبط بودن.

هوش مسلماً هیجان‌انگیزترین بخش سیستم هوش مصنوعی شماست، اما در عین حال پر سر و صداترین بخش آن نیز هست. مدل‌های جدید هر هفته عرضه می‌شوند و اغلب با ادعاهای بازاریابی عالی احاطه شده‌اند.

در اینجا دو عامل کلیدی برای بررسی وجود دارد:

• هوش مصنوعی محدود به هوش مصنوعی مولد و مدل‌های زبان بزرگ (LLM) نیست. بسیاری از وظایف توسط مدل‌های کوچک‌تر و تخصصی‌تر که سریع‌تر و ارزان‌تر برای استقرار و نگهداری هستند، بهتر انجام می‌شوند.
• سیستم‌های هوش مصنوعی در دنیای واقعی به ندرت به یک مدل یکپارچه متکی هستند. در عوض، آن‌ها از معماری‌های هوش مصنوعی مرکب ، ترکیبی از یک یا چند مدل با اجزای اضافی مانند پایگاه‌های داده، APIها و گاردریل‌ها، استفاده می‌کنند. این اجزا با هم کار می‌کنند تا رفتاری قوی و آگاه از زمینه ارائه دهند.

به جای دنبال کردن آخرین نتایج در جدول امتیازات، هوشی را انتخاب کنید که برای مشکل شما مناسب است و به شما امکان می‌دهد با تکامل محصول و کسب‌وکارتان سازگار شوید. در ماژول‌های آینده، پایه و اساس رایج‌ترین تکنیک‌های هوش مصنوعی در حال حاضر را خواهید آموخت: هوش مصنوعی پیش‌بینی‌کننده و هوش مصنوعی مولد . همچنین یاد خواهید گرفت که رویکرد فنی مناسب برای سیستم خود را ارزیابی و انتخاب کنید.

تجربه کاربری

رابط کاربری کانالی است که ارزش هوش مصنوعی را به کاربران شما ارائه می‌دهد. رابط‌های نرم‌افزاری قطعی، قطعی و قابل پیش‌بینی هستند: ورودی یکسان، همیشه خروجی یکسانی تولید می‌کند. با هوش مصنوعی، شما عدم قطعیت را وارد می‌کنید. دو پرس‌وجوی تقریباً یکسان ممکن است نتایج کاملاً متفاوتی داشته باشند و حتی قدرتمندترین مدل‌های هوش مصنوعی نیز به خاطر توهم و ارتکاب انواع دیگر اشتباهات شناخته می‌شوند.

شما باید در مورد این تغییر بسیار آگاهانه عمل کنید، به خصوص اگر هوش مصنوعی را به یک محصول موجود اضافه می‌کنید. چت‌بات‌های باز سرگرم‌کننده هستند، اما در عمل پیچیده و پرخطر هستند.

در ابتدا، هدف، به حداقل رساندن عدم قطعیت و ریسک پیش روی کاربران است. برای مثال، در مورد Example Shoppe، جستجوی مبتنی بر هوش مصنوعی می‌تواند بی‌سروصدا در رابط کاربری موجود ادغام شود. کاربران به تایپ کردن عبارات به زبان طبیعی ادامه می‌دهند و نتایج جستجوی با کیفیت‌تری دریافت می‌کنند.

اگرچه ویژگی هوش مصنوعی در پس‌زمینه کار می‌کند، اما تمرین خوبی برای تقویت شفافیت است. برای مثال، می‌توانید یک اطلاعیه و توضیح کوتاهی در مورد نحوه‌ی جمع‌آوری این نتایج توسط سیستم اضافه کنید.

در الگوهای UX ، شما یاد می‌گیرید که چگونه بین مواجهه با هوش مصنوعی، قابلیت‌ها و ریسک در تجربه کاربری محصول خود تعادل برقرار کنید.

حکومتداری

سیستم‌های هوش مصنوعی باید مسئولانه ساخته شوند. شما باید سیستمی بسازید که از حریم خصوصی کاربران محافظت کند، تعصب را کاهش دهد، شفافیت ایجاد کند و تمام استانداردهای قانونی مربوطه را رعایت کند. حاکمیت خوب فقط برای انطباق نیست - این یک اصل طراحی است که برای تأمین اعتماد و پذیرش کاربر ضروری است.

در جستجوی مبتنی بر هوش مصنوعی Example Shoppe، مدیریت با تدابیر حفاظتی تعبیه‌شده در محصول آغاز می‌شود:

• حریم خصوصی : داده‌های شخصی‌سازی تا زمانی که کاربران صریحاً آن را انتخاب نکنند، محلی باقی می‌مانند. می‌توان آن را در هر زمانی فعال یا غیرفعال کرد.
• انصاف : نتایج جستجو حسابرسی می‌شوند تا از نمایش متوازن در بین فروشندگان اطمینان حاصل شود.
• اعتماد و شفافیت : به عنوان مثال، Shoppe فرصتی را ارائه می‌دهد تا بفهمید چرا یک نتیجه در بالای هر عبارت جستجو نمایش داده شده است. این فرصتی را برای ایجاد اعتماد با کاربران فراهم می‌کند.
• ایمنی : درخواست‌های محدود یا ناامن (برای مثال، موارد ممنوعه) از طریق نرده‌های محافظ فیلتر یا مسدود می‌شوند.
• راهکار : کاربران می‌توانند به سرعت پیشنهادات هوش مصنوعی را رد کنند، نتایج یا تعاملات بد هوش مصنوعی را گزارش دهند و در صورتی که بهبودهای هوش مصنوعی مفید نباشند، به جستجوی صرفاً کلمات کلیدی بازگردند.

برای ساخت مسئولانه هوش مصنوعی، باید مسئولیت فرآیند استقرار خود را بر عهده بگیرید. حفاظ‌ها و حلقه‌های بازخورد متفکرانه‌ای طراحی کنید. شما ایمنی و قابلیت اطمینان تجربه را شکل می‌دهید، در حالی که انتظارات مربوط به استفاده و محدودیت‌های آن را تعیین می‌کنید. در حالی که نمی‌توانید خروجی را به طور کامل کنترل کنید، باید برای رسیدگی به هرگونه نگرانی آماده باشید.

شما در «با هوش مصنوعی مسئولانه بسازید» درباره جنبه‌های اصلی مدیریت هوش مصنوعی بیشتر می‌آموزید و ابزارهای عملی برای ساخت برنامه‌های کاربردی هوش مصنوعی پایدار و قابل اعتماد را در اختیارتان قرار می‌دهد.

نکات مهم شما

طرح کلی سیستم هوش مصنوعی می‌تواند به شما در دستیابی به شفافیت و هماهنگی برای هر پروژه هوش مصنوعی که در آن شرکت می‌کنید، کمک کند. ما هر عنصر از این طرح کلی را در سطح بالایی بررسی کردیم و با ادامه خواندن، درباره هر مرحله اطلاعات بیشتری کسب خواهید کرد.

می‌توانید انتظار داشته باشید که این طرح کلی را دوباره برای مثال‌های مختلف ببینید، که در آن لایه‌های خاصی با عمق بیشتری توضیح داده شده‌اند.

درک خود را بررسی کنید