جمع‌سپاری پیشران هوش مصنوعی

هوش مصنوعی به‌سرعت در حال همه‌گیری است؛ به گفته گارتنر، 37 درصد از سازمان‌ها در سال 2019 [1] و 29 درصد از شرکت‌های کوچک و متوسط (SMEs) در سال 2020 از هوش مصنوعی در کار خود استفاده کرده‌اند[2].  با این حال، هوشمندسازی و به‌کارگیری این فناوری نه ارزان است و نه آسان. استعدادهای هوش مصنوعی کمیاب هستند و بازگشت سرمایه‌گذاری در حوزه هوش مصنوعی ممکن است بسیار زمان‌بر باشد. اکثر شرکت‌ها (به‌استثنای غول‌های فناوری مانند گوگل و فیس‌بوک) این چالش‌ها را تجربه و تلاش می‌کنند تا راه‌هایی برای سرمایه‌گذاری مقرون‌به‌صرفه در زمینه هوش مصنوعی بیابند.

جمع‌سپاری (Crowdsourcing) می‌تواند یک راه‌حل مقرون‌به‌صرفه برای این مشکل باشد. بین سال‌های 2012 تا 2017، تنها در ایالات متحده، بازار جمع‌سپاری حدود 37 درصد رشد کرد و ارزش آن 6.5 میلیارد دلار برآورد شد [3]. اگرچه این عدد شامل طیف گسترده‌ای از خدمات مانند ترجمه و نظرسنجی و غیره است، اما جمع‌سپاری در حوزه هوش مصنوعی نیز در حال افزایش است. از آنجاکه فرایند یادگیری ماشین شامل گام‌های طولانی‌مدت و هزینه‌بری نظیر آماده‌سازی داده‌ها، ایجاد مدل، آموزش و تست است، انتظار می‌رود کسب‌وکارهای بیشتری برای کاهش هزینه‌ها و کاهش زمان ارائه محصول به بازار (Time to market) در هنگام توسعه یک سیستم هوش مصنوعی، رویکرد جمع‌سپاری را انتخاب کنند.

کلیدواژه: جمع‌سپاری، هوش مصنوعی

جمع‌سپاری هوش مصنوعی

جمع‌سپاری، یک رویکرد انجام کار است که از ظرفیت تعداد زیادی از افراد برای انجام تمام یا بخشی از یک کار یا پروژه استفاده می‌کند. بسته به ماهیت پروژه، نیروی کار می‌تواند مبلغی را دریافت کند یا داوطلبانه کار را انجام دهد. با این حال، در حوزه هوش مصنوعی، نیروی کار جمع‌سپاری، بیشتر پولی است.

سیستم‌های هوش مصنوعی برای عملکرد موثر به سه جزء حیاتی نیاز دارند:

•    داده‌های برچسب‌خورده تمیز به‌منظور بهبود و افزایش دقت عملکرد سیستم
•    تلاش برای ایجاد مدل‌های موثر و کارآمدتر
•    آزمایش و تست سیستم جهت اطمینان از صحت و دقت عملکرد

بنابراین، جمع‌سپاری در سه حوزه اصلی تولید مجموعه داده، طراحی الگوریتم و تست و تضمین کیفیت سیستم به کمک هوش مصنوعی می‌آید.

 کاربرد جمع‌سپاری هوش مصنوعی در تولید مجموعه داده

داده‌ها، سوخت اصلی سیستم‌های هوش مصنوعی هستند! دقت الگوریتم‌های یادگیری ماشین که با داده‌های بیشتری تغذیه می‌شوند، به‌شکل قابل توجهی بهبود می‌یابد. با این حال، جمع‌آوری مقدار کافی از داده‌های دنیای واقعی برای استفاده در فرایند آموزش الگوریتم یادگیری ماشین به همان آسانی که به نظر می‌رسد، نیست! مسائل یادگیری ماشین که دارای پیچیدگیمتوسط هستند به‌صورت میانگین 10 هزار تا 100 هزار نمونه داده و مسائل با پیچیدگی بالا به 100هزار تا یک‌میلیون داده نیاز دارند. مدیریت برچسب‌گذاری چنین حجم بالایی از داده با منابع داخلی یک سازمان، یک کار پرهزینه و وقت‌گیر محسوب می‌شود. کسب‌وکارها می‌توانند برای برچسب‌زدن به داده، جمع‌سپاری را به‌عنوان رویکردی کم‌هزینه و سریع انتخاب کنند. این رویکرد، قابلیت مقیاس‌پذیری بیشتر، بهای تمام شده کمتر و انعطاف‌پذیری بیشتر را به دنبال دارد و از طرفی تضمین کیفیت مجموعه داده‌‌های تولید شده در آن یک چالش محسوب می‌شود.

کاربرد جمع‌سپاری هوش مصنوعی در طراحی الگوریتم

جذب استعدادهای برتر هوش مصنوعی، دشوار و گران است. بر اساس نظرسنجیGlobeNewswire ، 59 درصد از پاسخ‌دهندگان، «کمبود استعداد علم داده» را به‌عنوان اصلی‌ترین مانع برای دستیابی به ارزش کلان‌دادها دانستند [4] . حتی در صورتی که شرکت‌ها، استعدادهای برتر را نیز برای نیازهای خود بیابند، ممکن است در تخصیص بودجه لازم با مشکل مواجه شوند زیرا میانگین حقوق سالانه یک دانشمند تمام‌وقت داده در ایالات متحده 120 هزار دلار است [5].

سازمان‌ها برای طراحی الگوریتم‌های یادگیری ماشین می‌توانند با راه‌اندازی مسابقات علم داده از ظرفیت استعدادهای برتر و تازه‌کار استفاده کنند. پلتفرم‌های رقابت در علم داده به کسب‌وکارها این امکان را می‌دهد تا دانشمندان علم داده را برای یک پروژه مشخص به‌کار گیرند. شرکت‌ها مسائل خود را تعریف می‌کنند و داده‌های لازم را در اختیار دانشمندان داده از مناطق مختلف قرار می‌دهند و در نهایت، دقیق‌ترین راه‌حل‌های ارائه شده، برنده جایزه می‌شوند.

برگزاری این رقابت که خود نوعی از الگوی جمع‌سپاری است، برای سازمان‌ها بسیار سودمند خواهد بود زیرا اولا جایزه‌ای که آن‌ها به برندگان می‌دهند بسیار کمتر از چیزی است که برای استخدام یک دانشمند داده لازم دارند و ثانیا از آنجاکه دانشمندان داده مختلفی بر روی یک مساله کار می‌کنند و بین آن‌ها رقابت وجود دارد، راه‌حل‌های ارائه شده می‌تواند دقیق‌تر و کارآمدتر باشد.

 کاربرد جمع‌سپاری هوش مصنوعی در تست و تضمین کیفیت

تست و آزمایش نرم‌افزار به سازمان‌ها کمک می‌کند تا دیدی عینی و مستقل از نرم‌افزار داشته باشند و بتوانند موانع اجرای نرم‌افزار را شناسایی کنند. هر سیستم هوش مصنوعی برای بهبود دقت، نیاز به تست دارد و جمع‌سپاری تست سیستم هوش مصنوعی مورد نظر، مزایای منحصربه‌فردی مانند آزمایش نرم‌افزار برای مخاطبان هدف‌گذاری‌شده با جذب گروه‌های هدف خاص را فراهم می‌کند.

اینفوگرافیک زیر نشان می‌دهد که چرا تست با روش جمع‌سپاری برای کسب‌وکارهایی که می‌خواهند اثربخشی یک سیستم هوش مصنوعی را اندازه‌گیری کنند، یک گزینه قابل اعتماد است:

مزایای جمع‌سپاری هوش مصنوعی

تنوع: سوگیری (Bias) در هوش مصنوعی (تولید تصمیمات جانب‌دارانه) یکی از نگرانی‌های اصلی جامعه هوش مصنوعی است. تنوع در طراحی الگوریتم یادگیری ماشین و تیم‌های جمع‌آوری داده، رایج‌ترین روش برای کاهش این سوگیری‌ها در سیستم‌های AI است. جمع‌سپاری به مشاغل این امکان را می‌دهد تا افرادی را از زمینه‌های مختلف جمع‌آوری کرده و در نهایت به کاهش سوگیری در راهکارهای هوش مصنوعی کمک کنند.

سرعت‌بخشی به زمان ارائه محصول به بازار: با استفاده از پلتفرم‌های جمع‌سپاری، کسب‌وکارها می‌توانند نیروی کار خود را از صفر تا تعداد مورد نیاز، مقیاس‌بندی کنند. با این سرعت استخدام و تعداد تقریبا نامحدود نیروی انسانی در اختیار، سازمان‌ها می‌توانند محصولات هوش مصنوعی خود را سریع‌تر به بازار عرضه کنند.

کار مقرون‌به‌صرفه و با کیفیت: کسب‌وکارها بر اساس کار انجام شده توسط افراد به‌جای توافق بر سر قراردادهای پیچیده با شرایط مشخص، دستمزد می‌گیرند. این مدل کسب‌وکار به سازمان‌ها کمک می‌کند تا در هزینه‌های خود صرفه‌جویی کنند و در عین حال نیروهای کار را به ارائه خروجی با کیفیت ترغیب کنند.

شرکت‌های فعال در نیروی کار جمع‌سپاری هوش مصنوعی

برخی از مهم‌ترین شرکت‌های جمع‌سپاری در حوزه برچسب‌گذاری داده عبارت‌اند از:

•    LionBridge AI  خدمات داده‌های مورد نیاز برای آموزش مدل‌های AI را به بیش از 350 زبان ارائه می‌دهد. جامعه نیروی کار جمع‌سپاری آن‌ها، داده‌ها را جمع‌آوری کرده و بر اساس کاربرد خاص، برچسب‌گذاری می‌کنند. خدماتی که LionBridge AI  ارائه می‌دهد عبارت‌اند از طبقه‌بندی تصویر و متن، دسته‌بندی محصولات، تجزیه‌وتحلیل احساسات، تولید زیرنویس برای صدا و سایر موارد.
•    Clickworker راهکارهای مقیاس‌پذیر را به 18 زبان ارائه می‌دهد و نیروی کار جمع‌سپاری آن‌ها 2.2 میلیون نفر از 136 کشور را شامل می‌شود. راهکارهای ارائه شده توسط Clickworker داده‌های آموزشی برای سیستم‌های ML و AI ، طبقه‌بندی، مدیریت داده‌های محصول، تجزیه‌وتحلیل احساسات، نظرسنجی، برچسب‌گذاری، ایجاد متن و ایجاد زیرنویس است. Clickworker همچنین راهکارهای استاندارد و سفارشی را برای اجرای پروژه‌های داده‌محور به مشتریان خود ارائه می‌دهد.
•    Amazon Mechanical Turk  از طریق پلتفرم خود، نیروی کار جمع‌سپاری شده ارائه می‌دهد. در Amazon Mechanical Turk ، کسب‌وکارها می‌توانند طیف وسیعی از خدمات هوش مصنوعی مانند طبقه‌بندی متن، تصویر و ویدئو، نوشتن توضیحات محصول یا پاسخ به سوالات را طراحی، منتشر و هماهنگ کنند.
• برخی از مهم‌ترین شرکت‌های برگزارکننده مسابقات علم داده عبارتند از:
•    bitgrit  یک پلتفرم است که یک شبکه جهانی را برای تعامل و همکاری دانشمندان داده با یکدیگر ارائه می‌دهد. کسب‌وکارها با استفاده از بستر bitgrit مسابقات چالش‌محور را راه‌اندازی و از خرد جمعی دانشمندان علم داده در توسعه الگوریتم‌ها استفاده می‌کنند.
•    Kaggle یک شبکه بزرگ از مهندسان داده و فعالان یادگیری ماشین است. Kaggle به کاربران اجازه می‌دهد تا مجموعه داده‌‌های مختلف را پیدا کرده و یا انتشار دهند، در یک محیط تحت وب، مدل‌ها و الگوریتم‌های یادگیری ماشین را توسعه داده و در رقابت‌ها و مسابقات یادگیری ماشین که حول مسائل مطرح شده توسط سازمان‌های دولتی و غیردولتی راه‌اندازی می‌شود شرکت کنند.
• برخی از مهم‌ترین شرکت‌های تست نرم‌افزار به‌صورت جمع‌سپاری عبارتند از:
•    Global App Tes‌ting  از نیروی کار جمع‌سپاری برای کمک به تیم‌های تست و مهندسی نرم‌افزار برای غلبه بر چالش‌ها و انتشار سریع نرم‌افزار با کیفیت بالا استفاده می‌کند. تیم جمع‌سپاری آن‌ها شامل 40 هزار متخصص حرفه‌ای از بیش از 100 کشور است.
•    Digivante نیز یک شرکت آزمایش و تست جمع‌سپاری است که دارای مشتریان برجسته‌ای مانندAudi ، GymShark و Calvin Klein است. ماموریت این شرکت، ارائه یک تجربه بی‌عیب‌ونقص برای کاربران نرم‌افزار با استفاده از جمع‌سپاری است. آن‌ها در حال حاضر در بیش از 149 کشور کار می‌کنند و دارای بیش از 55 هزار نیروی تست حرفه‌ای هستند.

منابع

[1] https://www.gartner.com/en/newsroom/press-releases/2019-01-21-gartner-survey-shows-37-percent-of-organizations-have

[2] https://www.forbes.com/sites/gilpress/2020/01/13/ai-s‌tats-news-only-146-of-firms-have-deployed-ai-capabilities-in-production/?sh=4b99dfb82650

[3] https://crowdsourcingweek.com/blog/when-humans-meet-ai-next-generation-crowdsourcing/

[4] https://www.globenewswire.com/news-release/2016/07/20/1187793/0/en/62-of-Organizations-Will-Be-Using-Artificial-Intelligence-AI-Technologies-by-2018.html

[5]  https://www.thinkful.com/blog/average-data-scientis‌t-salary-by-s‌tate/

[6] https://www.globalapptes‌ting.com/blog/software-tes‌ting-in-house-vs-crowd-tes‌ting

[7] https://research.aimultiple.com/crowdsource-ai/