این هفته در لاس وگاس، 30000 نفر گرد هم آمدند تا جدیدترین و بهترین‌ها را از Google Cloud بشنوند. چیزی که آنها شنیدند تمام وقت، هوش مصنوعی مولد بود. Google Cloud قبل از هر چیز یک زیرساخت ابری و فروشنده پلتفرم است. اگر این را نمی‌دانستید، ممکن است آن را در هجوم اخبار هوش مصنوعی از دست داده باشید.

نه برای به حداقل رساندن آنچه گوگل به نمایش گذاشته بود، اما درست مانند Salesforce در سال گذشته در نمایشگاه جاده ای مسافرتی خود در شهر نیویورک، این شرکت نتوانست همه چیز را به جز گذرا به کسب و کار اصلی خود بدهد - البته به جز در زمینه هوش مصنوعی مولد.

گوگل مجموعه‌ای از پیشرفت‌های هوش مصنوعی را اعلام کرد که برای کمک به مشتریان در استفاده از مدل زبان بزرگ Gemini (LLM) و بهبود بهره‌وری در سراسر پلتفرم طراحی شده‌اند. البته این یک هدف ارزشمند است، و در طول سخنرانی اصلی در روز اول و سخنرانی برنامه‌نویس در روز بعد، گوگل اعلامیه‌ها را با تعداد زیادی نمایش آزمایشی تکمیل کرد تا قدرت این راه‌حل‌ها را نشان دهد.

اما بسیاری از آنها کمی بیش از حد ساده به نظر می رسیدند، حتی با در نظر گرفتن اینکه باید در یک سخنرانی کلیدی با زمان محدودی فشرده شوند. آن‌ها بیشتر به نمونه‌هایی در داخل اکوسیستم گوگل تکیه می‌کردند، زمانی که تقریباً هر شرکتی بسیاری از داده‌های خود را در مخازن خارج از گوگل دارد.

برخی از نمونه‌ها واقعاً احساس می‌کردند که می‌توانستند بدون هوش مصنوعی انجام شوند. به عنوان مثال، در طول یک نسخه نمایشی تجارت الکترونیک، ارائه دهنده با فروشنده تماس گرفت تا یک تراکنش آنلاین را تکمیل کند. این برای نشان دادن قابلیت های ارتباطی یک ربات فروش طراحی شده بود، اما در واقعیت، این مرحله می توانست به راحتی توسط خریدار در وب سایت تکمیل شود.

این بدان معنا نیست که هوش مصنوعی مولد موارد استفاده قدرتمندی ندارد، خواه ایجاد کد، تجزیه و تحلیل مجموعه ای از محتوا و امکان پرس و جو در آن، یا امکان پرسیدن سؤال از داده های گزارش برای درک دلیل خرابی یک وب سایت. علاوه بر این، عوامل وظیفه و نقش محوری که این شرکت برای کمک به توسعه دهندگان، افراد خلاق، کارمندان و دیگران معرفی کرد، پتانسیل استفاده از هوش مصنوعی مولد را به روش های ملموس داشته باشند.

اما وقتی نوبت به ساخت ابزارهای هوش مصنوعی بر اساس مدل‌های گوگل می‌رسد، بر خلاف استفاده از ابزارهایی که گوگل و سایر فروشندگان برای مشتریانش می‌سازند، نمی‌توانم احساس کنم که آن‌ها بسیاری از موانعی را که می‌توانست در این مسیر وجود داشته باشد از بین ببرند. راهی برای اجرای موفق هوش مصنوعی مولد. در حالی که آنها سعی کردند آن را آسان به نظر برسانند، در واقعیت، اجرای هر فناوری پیشرفته در سازمان های بزرگ یک چالش بزرگ است.

تغییر بزرگ آسان نیست

مانند سایر جهش‌های فناوری در 15 سال گذشته - چه تلفن همراه، ابر، کانتینری‌سازی، اتوماسیون بازاریابی - با وعده‌های بسیاری از دستاوردهای بالقوه ارائه شده است. با این حال، این پیشرفت‌ها هر کدام سطح پیچیدگی خود را معرفی می‌کنند و شرکت‌های بزرگ محتاطانه‌تر از آنچه تصور می‌کنیم حرکت می‌کنند. به نظر می‌رسد هوش مصنوعی بزرگ‌تر از آن چیزی است که گوگل، یا صادقانه بگوییم هر یک از فروشندگان بزرگ، به آن اجازه می‌دهند.

چیزی که ما با این تغییرات تکنولوژی قبلی آموختیم این است که آنها با تبلیغات زیاد همراه هستند و منجر به سرخوردگی زیادی می شوند. حتی پس از چندین سال، ما شرکت‌های بزرگی را دیده‌ایم که شاید باید از این فناوری‌های پیشرفته بهره ببرند، سال‌ها پس از معرفی آن‌ها، هنوز هم تنها در حال دستکاری یا حتی کنار هم هستند.

دلایل زیادی وجود دارد که ممکن است شرکت ها در استفاده از نوآوری های تکنولوژیک شکست بخورند، از جمله اینرسی سازمانی. پشته فناوری شکننده که اتخاذ راه حل های جدیدتر را سخت می کند. یا گروهی از مخالفان شرکت‌ها حتی خوش‌نیت‌ترین طرح‌ها را تعطیل می‌کنند، خواه حقوقی، منابع انسانی، فناوری اطلاعات یا گروه‌های دیگر که به دلایل مختلف، از جمله سیاست داخلی، همچنان به تغییرات اساسی نه می‌گویند.

Vineet Jain، مدیر عامل Egnyte، شرکتی که تمرکز خود را روی ذخیره‌سازی، حاکمیت و امنیت قرار می‌دهد، دو نوع شرکت را می‌بیند: شرکت‌هایی که قبلاً تغییر قابل توجهی به سمت فضای ابری داده‌اند و زمانی که نوبت به استفاده از هوش مصنوعی مولد می‌شود، زمان آسان‌تری خواهد داشت. و آنهایی که آهسته حرکت می کنند و احتمالاً مشکل خواهند داشت.

او با بسیاری از شرکت‌ها صحبت می‌کند که هنوز اکثریت فناوری‌های خود را در مرحله اولیه دارند و راه درازی در پیش دارند تا اینکه شروع به فکر کردن در مورد اینکه چگونه هوش مصنوعی می‌تواند به آنها کمک کند. جین به TechCrunch گفت: «ما با بسیاری از پذیرندگان «تأخر» ابری صحبت می‌کنیم که تلاش خود را برای تحول دیجیتال شروع نکرده‌اند یا خیلی زود شروع کرده‌اند.

او بيان کرد که هوش مصنوعی می‌تواند این شرکت‌ها را وادار کند تا به سختی در مورد ایجاد تحول دیجیتال فکر کنند، اما آنها می‌توانند از زمانی که خیلی عقب هستند شروع کنند. او گفت: «این شرکت‌ها باید ابتدا این مشکلات را حل کنند و بعد از اینکه مدل مدیریت و امنیت داده‌های بالغی داشتند، هوش مصنوعی را مصرف کنند.»

همیشه داده بود

فروشندگان بزرگی مانند گوگل پیاده سازی این راه حل ها را ساده به نظر می رسانند، اما مانند تمام فناوری های پیچیده، ظاهر ساده در قسمت جلویی لزوماً به این معنی نیست که در قسمت پشتی بدون پیچیدگی است. همانطور که در این هفته اغلب شنیدم، وقتی صحبت از داده‌های مورد استفاده برای آموزش Gemini و دیگر مدل‌های زبان بزرگ می‌شود، هنوز یک مورد «آشغال در داخل، زباله‌ها بیرون» است، و این حتی در مورد هوش مصنوعی مولد کاربرد بیشتری دارد.

با داده ها شروع می شود. اگر خانه داده خود را مرتب ندارید، شکل دادن به آن برای آموزش LLM ها در مورد استفاده شما بسیار دشوار خواهد بود. کاشف رحمت الله، یکی از مدیران Deloitte که مسئولیت Google Cloud در شرکت خود را بر عهده دارد، بیشتر تحت تاثیر اعلامیه های گوگل در این هفته قرار گرفت، اما همچنان اذعان داشت که برخی از شرکت هایی که فاقد داده های پاک هستند، در اجرای راه حل های هوش مصنوعی مولد با مشکل مواجه خواهند شد. این مکالمات می‌توانند با یک مکالمه هوش مصنوعی شروع شوند، اما به سرعت تبدیل به این می‌شود: «من باید داده‌هایم را اصلاح کنم، و باید آن‌ها را تمیز کنم، و باید همه آن‌ها را در یک مکان یا تقریباً در یک مکان داشته باشم. رحمت الله گفت: بهره واقعی را از هوش مصنوعی مولد دریافت کنید.

از دیدگاه گوگل، این شرکت ابزارهای هوش مصنوعی مولد ساخته است تا به مهندسان داده کمک کند تا خطوط لوله داده بسازند تا به منابع داده در داخل و خارج از اکوسیستم گوگل متصل شوند. گریت کازمایر، معاون رئیس جمهور و مدیر کل پایگاه داده، تجزیه و تحلیل داده ها و Looker می گوید: «این واقعاً برای سرعت بخشیدن به تیم های مهندسی داده، از طریق خودکار کردن بسیاری از کارهای بسیار سخت درگیر در جابجایی داده ها و آماده کردن آن برای این مدل ها است. در گوگل، به TechCrunch گفت.

این باید در اتصال و تمیز کردن داده ها مفید باشد، به ویژه در شرکت هایی که در مسیر تحول دیجیتال هستند. اما برای آن دسته از شرکت‌هایی مانند شرکت‌هایی که جین به آن‌ها اشاره کرد - شرکت‌هایی که گام‌های معنی‌داری به سمت تحول دیجیتال برنداشته‌اند - می‌تواند مشکلات بیشتری را حتی با این ابزارهایی که گوگل ایجاد کرده است، ایجاد کند.

اندی تورای، تحلیلگر دانشگاه، او میگوید همه اینها حتی در نظر نمی‌گیرند که هوش مصنوعی با مجموعه‌ای از چالش‌های فراتر از پیاده‌سازی خالص همراه است، چه برنامه‌ای مبتنی بر یک مدل موجود باشد، چه به‌ویژه زمانی که سعی در ساخت یک مدل سفارشی دارید. تحقیقات صورت فلکی. ثورایی گفت: "در حین اجرای هر یک از راه حل ها، شرکت ها باید به حاکمیت، مسئولیت، امنیت، حریم خصوصی، استفاده اخلاقی و مسئولانه و انطباق با چنین پیاده سازی ها فکر کنند." و هیچ کدام از اینها بی اهمیت نیست.

مدیران اجرایی، متخصصان فناوری اطلاعات، توسعه دهندگان و دیگرانی که این هفته به GCN رفتند، ممکن است به دنبال آنچه در آینده از Google Cloud می آید رفته باشند. اما اگر به دنبال هوش مصنوعی نرفتند، یا به عنوان یک سازمان آماده نباشند، ممکن است از تمرکز کامل گوگل بر روی هوش مصنوعی کمی از شهر گناه دور شده باشند. ممکن است زمان زیادی طول بکشد تا سازمان‌هایی که فاقد پیچیدگی دیجیتال هستند بتوانند از این فناوری‌ها استفاده کامل کنند، فراتر از راه‌حل‌های بسته‌بندی‌شده‌تر ارائه شده توسط Google و سایر فروشندگان.

خبرکاو