بررسی هایپسایکل گارتنر هوش مصنوعی در سال 2022
امروزه شناخت بهموقع جایگاه فناوریهای نوظهور و آشنایی با چرخه عمر فناوری برای تعیین استراتژیهای تحقیق و توسعه و جهتدهی سرمایهگذاری، موضوعی مهم و ضروری است. رویکرد صحیح سازمانها در پذیرش فناوریهای نوظهور میتواند به ایجاد مزیت رقابتی پایدار و موقعیت برتر سازمان در بازار منجر شود. به ویژه آنکه، برنامهریزی بخش R&D شرکتهای بزرگ و پیشرو، بدون در نظر گرفتن جایگاه فناوری در چرخه عمر آن و پیشبینی وضعیت فناوری در سالهای آتی، امری محال است. در این میان، چرخه عمر فناوری، مفهومی است که در سالهای اخیر توسط پژوهشگران دانشگاهی و موسسات مشاوره به اشکال و انحاء مختلف تعریف شده و به عنوان ابزاری برای پیشبینی روندهای فناورانه به کار گرفته شده است. منحنی هایپسایکل گارتنر[1] از جمله این چرخههاست. این منحنی، مسیر پر فراز و نشیب یک فناوری نوظهور را از زمان پیدایش تا زمان بهکارگیری گسترده در بازارهای مختلف بر اساس میزان انتظارات جامعه از فناوری، ترسیم و پیشبینی میکند. موسسه تحقیقاتی و مشاورهای گارتنر[2]، همه ساله جایگاه فناوریهای نوظهور را روی این منحنی مشخص و آخرین پیشبینی خود را برای آینده آنها منتشر میکند. در این مقاله، علاوه بر تعریف چرخه هایپسایکل گارتنر و بررسی جایگاه هوش مصنوعی در دهه اخیر روی این چرخه، به بررسی هایپسایکل گارتنر برای فناوری هاب هوش مصنوعی در سال 2022 پرداخته شده است.
امروزه بیشتر شرکتهای پیشرو جهان، تدوین استراتژیهای فناورانه و برنامهریزی فناوری را با هدف کسب ارزش افزوده و مزیت رقابتی پیگیری میکنند. در رویکرد عمومی برنامهریزی فناوری، بررسی آیندههای فناوری یا اصطلاحاً آیندهپژوهی فناوری، استراتژی سازمان را در بخش تحقیق و توسعه (R&D) روشن میکند. آیندهنگاری فناوری به عنوان راهنمای اقدامات امروز شرکتها به مدیران کمک میکند تشخیص دهند قابلیتهای فناوری چگونه در طول زمان رشد کرده و فناوریهای جایگزین و نسلهای آتی فناوری چگونه جایگزین فناوریهای پیشین میشوند. همچنین نتایج این آیندهنگاری که در برنامهریزی فناوری منعکس است، مدیران سازمان را برای حمایت از فعالیتهای تحقیق و توسعه متقاعد میکند. بدون در نظر گرفتن آیندهنگاری فناوری، تمام تلاشهای سازمان برای دستیابی و پذیرش فناوریها آنطور که فرومن[3] میگوید، همچون «جهش در تاریکی[4]» است[1].
از سوی دیگر، امروزه شاهد آنیم که هر روزه فناوریهای جدیدی با ادعاهای بزرگ، معرفی میشوند. در حالی که برخی از این فناوریها درنهایت به اهداف تجاری خود میرسند، تعداد زیادی از آنها بخت بلندی ندارند و خیلی زود کنار گذاشته میشوند. اما چگونه میتوان بین فناوری نوظهور کامروا و فناوری نوظهور ناکام تفاوت قائل شد. اینجا است که چرخه هایپ یا هایپسایکل وارد بازی میشود.
هایپسایکل گارتنر
چرخه هایپ یا هایپسایکل گارتنر یک نمای کلی از چگونگی رشد و تکامل فناوری را در یک بازه زمانی مشخص ارائه میدهد. در حین استفاده از این نمودار، نباید یک دید تجویزی و استاتیک داشت، برای مثال اگر یک فناوری در انتهای چرخه هایپ باشد، معنای بی فایده بودن آن نیست. بلکه هر سازمانی با توجه به جایگاه خود در صنعت و بازار، میتواند در یکی از مرحل چرخه عمر فناوری، آن فناوری را اکتساب کرده و بپذیرد.
این ابزار با برجسته کردن عوامل کلیدی بر روند رشد یک فناوری، تلاش کرده تا با تطبیق دادههای تاریخی، مفروضات چرخه عمر فناوری و همچنین سطح انتظار بازار، وضعیت یک فناوری مشخص را در سالهای آتی پیشبینی کند. در نهایت وضعیت کنونی هر فناوری در یکی از فازهای پنجگانه که در ادامه توضیح داده خواهد شد، جانمایی شده و یک پیشبینی از زمان رسیدن به فلات بهرهوری یا جریان اصلی بازار به مخاطبین ارائه میشود.
یکی از کارهای جالب، بررسی هایپسایکل سالهای گذشته است. در سال 2005، یک فناوری به نام مدیریت فرآیندهای کسب و کار یا BPM در بالای اوج چرخه قرار داشت که به این معنا است که تبلیغات این فناوری در آن زمان در بالاترین حد بود. همان زمان فناوری تبلتها در پایینترین سطح بود اما اکنون در دنیا بسیار همهگیر شده و نسلهای آتی آن هم ظهور کرده است یا در سال 2014 که فناوری اینترنت اشیا در اوج چرخه بود و امروزه در قعر قرار گرفته است.
شکل 1، نمای کلی از یک هایپسایکل گارتنر شامل 5 فاز را نشان میدهد [2].
- پیدایش نوآوری (Technology Trigger): در این مرحله، فناوری در حد یک مفهوم، طرح اولیه و یا POC بوده و استفاده تجاری از آن صورت نگرفته است.
- قله انتظارات (Peak of Inflated Expectations): در این مرحله تبلیغات و داستانهای موفقیت بسیاری از فناوری منتشر شده و فناوری بر سر زبانها افتاده است. در این بازه، تنها شرکتهای پیشرو و پیشگامان فناوری برای بهکارگیری فناوری اقدام میکنند.
- درّه ناامیدی (Trough of Disillusionment): در این دوره، فناوری نتوانسته انتظارات را برآورده کند و مشکلات و نواقص آن مشخص شده است. سرمایهگذاران و شرکتها به شرطی استفاده از فناوری را ادامه میدهند که مشکلات و نواقص فناوری قابل رفع باشد.
- شیب روشنگری (Slope of Enlightment): در این مرحله نمونههای بیشتری از بهکارگیری موفق فناوری و ابعاد جدیدی از آن پدیدار میشود و شرکتها مهارت لازم را در بهکارگیری فناوری بدست میآورند. در این مرحله نسل های ۲ و ۳ فناوری متولد می شود.
- فلات بهرهوری (Plateau of Productivity): فناوری در این مرحله وارد دوره ثبات خود شده و پذیرش عمومی آن آغاز میشود. در این دوره، معیارهای ارزیابی قابل اعتمادی از فناوری عرضه شده و نقاط قوت و ضعف آن به خوبی شناخته میشود. شرکتهای بسیاری در این مرحله اقدام به استفاده گسترده از این فناوری میکنند.
شکل 1: پنج فاز فناوری در چرخه هایپسایکل گارتنر [4]
بررسی هایپسایکل گارتنر برای هوش مصنوعی در دهه اخیر
با بررسی هایپسایکل گارتنر در بیش از ده سال گذشته میتوان به روند تکاملی هوش مصنوعی و فناوریهای زیرمجموعه آن پی برد. بنابراین نمودارهایی که نشان از تغییر در نحوه حرکت فناوری بر روی چرخه دارد، مورد تأکید قرار گرفته است. در نمودار سال ۲۰۱۰ (شکل 2) فناوریهای دستیارهای مجازی و تشخیص صدا به صورت همزمان در هایپ قرار داشته و بیشتر به سمت کاربردی شدن (فلات بهرهوری) متمایل هستند [3].
شکل 2: چرخه هایپسایکل گارتنر فناوریهای نوظهور در سال 2010 [2]
در شکل 3 (سال ۲۰۱۱) علاوه بر دو فناوری گفتهشده، پاسخگویی به سؤالات زبان طبیعی[5] نیز بر روی نمودار ظاهر شده است که جایگاه آن در مرحله دوره ظهور و پیدایش نوآوری است [3].
شکل 3: چرخه هایپسایکل گارتنر فناوریهای نوظهور در سال 2011 [2]
در این سال (۲۰۱۴) دستیاران مجازی از چرخه (شکل 4) حذف شده ولی در عوض دستیاران مجازی شخصی[6] بر روی نمودار ظهور پیدا کرده است. همچنین پاسخگویی به سؤالات زبان طبیعی از مرحله پیدایش نوآوری به مرحله نقطه اوج (قله انتظارات) رسیده است [3].
شکل 4: چرخه هایپسایکل گارتنر فناوریهای نوظهور در سال 2014 [2]
در سال ۲۰۱۶، تعداد گزینههای فناوری برای هوش مصنوعی بسیار زیادتر شده و یادگیری ماشین، هوش ماشین عاممنظوره[7]، مشاوران خبره شناختی[8] و رابطهای کاربری مکالمهای[9] نیز به چرخه اضافه شده است. از طرف دیگر فناوری تشخیص صحبت از مرحله رونق مجدد و ثبات (فلات بهرهوری) نیز عبور کرده و از نمودار حذف شده است [3].
شکل 5: چرخه هایپسایکل گارتنر فناوریهای نوظهور در سال 2016 [2]
در سال ۲۰۱۸، نیز کماکان بر گزینههای فناوری هوش مصنوعی افزوده شده و گزینههای قبلی به سمت مراحل نقطه اوج و سیر نزولی حرکت کردهاند (شکل 6). پلتفرمهای هوش مصنوعی مکالمهای[10]، هوش مصنوعی لبه[11] و هوش عمومی مصنوعی[12] از جمله این موارد هستند [3].
شکل 6: چرخه هایپسایکل گارتنر فناوریهای نوظهور در سال 2018 [2]
در سال 2019، فناوری پلتفرم هوش مصنوعی (PaaS) از مرحله پیدایش عبور کرده و به قله انتظارات رسیده است و هوش مصنوعی لبه همچنان روی مراحل اولیه خود در چرخه بالا آمده است. همچنین فناوریهای جدیدی مانند هوش مصنوعی قابل توصیف[13]، هوش مصنوعی هیجان[14] و یادگیری ماشین انطباقی[15] در مراحل اولیه (پیدایش نوآوری) به چرخه ورود کردهاند. از فناوری یادگیری عمیق[16] و دستیاران مجازی دیگر در این سال در چرخه خبری نیست (شکل 7).
شکل 7: چرخه هایپسایکل گارتنر فناوریهای نوظهور در سال 2019 [2]
در سال 2020، فناوری هوش مصنوعی توصیفی وارد اوج چرخه (قله انتظارات) شده و یادگیری ماشین انطباقی کمی روی مرحله پیدایش نوآوری بالاتر آمده است. در عین حال فناوریهای دیگری مانند هوش مصنوعی پاسخگو[17]، هوش مصنوعی ترکیبی[18] و هوش مصنوعی مولد[19] و همچنین طراحی به کمک هوش مصنوعی[20] در مرحله پیدایش وارد چرخه شدهاند (شکل 8).
شکل 8: چرخه هایپسایکل گارتنر فناوریهای نوظهور در سال 2020 [2]
در سال 2021، در حالی که خبری از چندین فناوری نوظهور که در چرخه سالهای گذشته حضور داشتند نیست، فناوری جدیدی مانند یادگیری ماشین کوآنتوم[21] در اولین مراحل پیدایش وارد چرخه شده است. فناوری هوش مصنوعی مولد در مرحله پیدایش خود تحرک داشته و به اوج چرخه نزدیک شده است. فناوری انسان دیجیتال[22] نیز با پیشبینی بیش از ده سال برای رسیدن به رونق، در اواسط مرحله پیدایش قرار دارد. همچنین فناوری مهندسی نرمافزار تقویت شده با هوش مصنوعی[23] در اوج چرخه و قله انتظارات قرار گرفته است. (شکل 9).
شکل 9: چرخه هایپسایکل گارتنر فناوریهای نوظهور در سال 2021 [2]
این نمودارها بهطورکلی حاکی از آن است که طی دهه گذشته مرتبا بر نوآوریهای حوزه فناوری هوش مصنوعی افزوده شده و به سمت کاربردیتر شدن پیش رفتهاند. دقت در برخی روندها نشان میدهد، بعضی از این گزینهها نمیتوانند به مرحله رونق و ثبات برسند، اما بهطورکلی گزینههای این حوزه فناوری عمدتا در مرحله ظهور نوآوری و نقطه اوج هستند و بهتدریج طی سالهای آتی وارد مرحله سیر نزولی میشوند.
هایپسایکل هوش مصنوعی سال 2022
شکل 2، هایپسایکل هوش مصنوعی شرکت گارتنر را که در جولای 2022[5]منتشر شد، نشان میدهد. در این چرخه، نوآوریها و فناوریهای مختلف در هوش مصنوعی در فازهای پنجگانه چرخه جانمایی شدهاند و شکل هندسیِ نمایانگر هر فناوری، زمان رسیدن آن فناوری به فلات بهرهوری یا جریان اصلی بازار را نشان میدهد.
شکل 10: چرخه فناوریهای زیرمجموعه هوش مصنوعی سال 2022 گارتنر [5]
بر اساس گارتنر، نوآوریهای هوش مصنوعی به چهار دسته کلی تقسیم میشوند.
- هوش مصنوعی دادهمحور[24]
- هوش مصنوعی مدلمحور[25]
- هوش مصنوعی برنامهمحور[26]
- هوش مصنوعی انسانمحور[27]
انتظار میرود این نوآوریها که طیف وسیعی از نوآوریهای هوش مصنوعی را در بر میگیرند، طی سالهای آینده بر افراد و فرآیندهای درون و بیرون سازمانها تأثیر گذاشته و درک و پذیرش این فناوریها را برای بسیاری از ذینفعان، از رهبران کسبوکار گرفته تا تیمهای مهندسی سازمانی که وظیفه استقرار و عملیاتی کردن سیستمهای هوش مصنوعی را بر عهده دارند، تبدیل به امری مهم و حیاتی کند.
بر همین اساس، به نظر میرسد شرکتهای پیشرو در بخش دادهها و تحلیل (D&A) بیشترین سود را داشته باشند، چراکه بر اساس دورنمای هایپسایکل، شرکتها باید به سراغ ایجاد استراتژیهای هوش مصنوعی برای آینده و استفاده از فناوریهایی که تأثیر بالایی در وضعیت فعلی و آینده نزدیک دارند، بروند.
گارتنر پیشنهاد میکند به نوآوریهایی که انتظار میرود طی دو تا پنج سال آینده مورد قبول واقع شوند، از جمله هوش مصنوعی ترکیبی، هوش تصمیمگیری و هوش مصنوعی لبه باید توجه ویژه ای داشت. چراکه پذیرش زودهنگام این نوآوری ها میتواند مزیت رقابتی و ارزش تجاری قابل توجهی ایجاد کرده و مشکلات مرتبط با شکنندگی مدلهای هوش مصنوعی را کاهش دهد.
هوش مصنوعی دادهمحور
فعالان فناوری هوش مصنوعی به طور سنتی بر روی بهبود نتایج حاصل از راهکارهای AI با بهینهسازی مدلها متمرکز بودهاند، اما فناوریهای مربوط به هوش مصنوعی داده محور، تمرکز را به سمت تقویت و غنیسازی دادههای مورد استفاده برای آموزش[28] الگوریتمها تغییر خواهد داد.
همچنین، هوش مصنوعی دادهمحور، با پرداختن به ملاحظات دادههای خاص برای هوش مصنوعی، مدیریت سنتی دادهها را زیر سوال میبرد. برای دستیابی به این دسته از فناوریها، سازمانهایی که در مقیاس بزرگ روی هوش مصنوعی سرمایهگذاری کردهاند، ضمن حفظ و گسترش ایدههای کلاسیکی که همواره برای مدیریت داده مناسب بوده در دو مسیر ذیل تکامل مییابند:
- تلاش میکنند با هدف توسعه بهتر هوش مصنوعی، قابلیتهای لازم را برای مخاطبانی که با مدیریت داده آشنا نیستند ایجاد کنند.
- از هوش مصنوعی برای بهبود و تقویت رویکردهای کلاسیک حاکمیت داده، تداوم، یکپارچگی و کیفیت داده استفاده میکنند.
نوآوریها در بخش هوش مصنوعی داده محور شامل داده های سنتزی[29]، نمودارهای دانش[30]، برچسب گذاری دادهها[31] و نشانهگذاری[32] است.
برای مثال، دادههای سنتزی، دستهای از دادهها هستند که بهجای بهدستآمدن از مشاهدات مستقیم دنیای واقعی، بهطور مصنوعی تولید میشوند. دادهها را میتوان با استفاده از روشهای مختلف، مانند نمونهگیری دقیق آماری از دادههای واقعی، رویکردهای معنایی و شبکههای متخاصم مولد یا با ایجاد سناریوهای شبیهسازی که در آن مدلها و فرآیندها برای ایجاد مجموعههای داده کاملاً جدید رویدادها با هم تعامل دارند، تولید کرد.
هماکنون نیز، پذیرش این شکل از دادهها در صنایع مختلف، برای استفاده در بینایی کامپیوتر[33] و برنامههای کاربردی زبان طبیعی[34] در حال افزایش است، اما گارتنر پیشبینی میکند که همچنان به دلایل ذیل، با افزایش گسترده ای در پذیرش دادههای مصنوعی روبرو خواهیم بود:
- برای اجتناب از استفاده از اطلاعات شخصی قابل شناسایی: از طریق واریتههای سنتزی[35] از دادههای اصلی یا جایگزینی دادههای سنتزی در بخشهایی از دادههای اصلی برای آموزش مدلهای یادگیری ماشین (ML).
- برای کاهش هزینه و صرفهجویی در زمان در توسعه یادگیری ماشین: چون به دست آوردن دادههای سنتزی، ارزانتر و سریعتر است.
- برای ارتقای عملکرد یادگیری ماشین: چراکه آموزش بیشتر با داده، موجب نتایج بهتر میشود.
هوش مصنوعی مدلمحور
با وجود تغییراتی که رویکرد داده محور در بهرهگیری از فناوری AI طی سالهای آتی ایجاد خواهد کرد، مدلهای هوش مصنوعی همچنان نیاز دارند به نوعی اطمینانبخشی کنند که خروجیهایشان اثربخش هستند. برای این منظور، نوآوریهایی شامل هوش مصنوعی مبتنی بر فیزیک[36]، هوش مصنوعی ترکیبی[37]، هوش مصنوعی علّی[38]، هوش مصنوعی مولد[39]، مدلهای پایه[40] و یادگیری عمیق مفید واقع خواهد شد.
هوش مصنوعی ترکیبی، به ادغام تکنیکهای مختلف هوش مصنوعی برای بهبود کارایی یادگیری و گسترش سطح بازنمایی دانش اشاره دارد. از آنجایی که هیچ یک از تکنیکهای هوش مصنوعی گلِ بی خار نیست، هوش مصنوعی ترکیبی، بستری را برای حل طیف وسیعتری از مشکلات کسبوکاری به شیوهای مؤثرتر از هر تکنیک منفرد، فراهم میکند.
انتظار میرود که مزایای تجاری هوش مصنوعی ترکیبی، طی دو تا پنج سال آینده وارد جریان اصلی بازار شده و تحولآفرین شود. همچنین پیشبینی میشود این فناوری، راه های جدیدی را برای انجام کسبوکار بین صنایع ممکن ساخته و منجر به تغییرات عمدهای در پویایی صنعت شود. به عنوان مثال، هوش مصنوعی ترکیبی قادر خواهد بود:
- قدرت هوش مصنوعی را به گروه گستردهتری از سازمانهایی که به مقادیر قابل توجه دادههای تاریخی یا برچسبگذاری شده دسترسی ندارند اما تخصص انسانی قابل توجهی دارند، برساند.
- به گسترش دامنه و کیفیت برنامههای هوش مصنوعی کمک کند (یعنی انواع بیشتری از چالشهای استدلالی را پاسخ دهد)
- نوآوریهای بخش هوش مصنوعی علّی، شامل تکنیکهای مختلفی مانند نمودارهای علّی و شبیهسازی است که به کشف روابط علّی برای بهبود تصمیمگیری کمک میکند.
اگرچه طبق پیشبینی گارتنر، 5 تا 10 سال طول میکشد تا هوش مصنوعی علّی به جریان اصلی بازار برسد، اما انتظار میرود این دسته از فناوریهای AI با ایجاد راههای جدیدی در انجام فرآیندهای افقی یا عمودی که منجر به افزایش قابل توجه درآمد یا صرفهجویی در هزینه برای یک شرکت میشوند، مزایای تجاری خود را به اثبات برسانند. مزایای هوش مصنوعی علّی عبارتاند از:
- افزایش کارایی ناشی از افزودن دامنه دانش برای راهاندازی مدلهای هوش مصنوعی با مجموعه دادههای کوچکتر.
- افزایش قدرت تصمیم گیری و استقلال بیشتر در سیستمهای هوش مصنوعی.
- قابلیت تفسیر بهتر با ثبت روابط علت و معلولی که به راحتی قابل تفسیر هستند.
- استحکام و سازگاری بیشتر با استفاده از روابط علّی که در محیطهای متغیر معتبر باقی میمانند.
- کاهش سوگیری در سیستمهای هوش مصنوعی با واضحتر کردن پیوندهای علّی.
هوش مصنوعی برنامهمحور
نوآوریها در این رسته، شامل مهندسی هوش مصنوعی، هوش تصمیمگیری[41]، سیستمهای عملیاتی هوش مصنوعی[42]، ModelOps، خدمات هوش مصنوعی ابری[43]، رباتهای هوشمند، پردازش زبان طبیعی (NLP)، وسایل نقلیه خودران، برنامههای کاربردی هوشمند[44] و بینایی کامپیوتری است.
انتظار میرود هوش تصمیمگیری و هوش مصنوعی لبه[45]، هر دو در عرض دو تا پنج سال به جریان اصلی بازار برسند و دارای مزایای تجاری تحولآفرین شوند.
هوش تصمیمگیری، یک رشته کاربردی است که با هدف بهبود تصمیمگیری با درک صریح نحوه تصمیمگیری و مهندسی آن و همچنین ارزیابی، مدیریت و بهبود نتایج از طریق بازخورد استفاده میکند.
هوش تصمیمگیری به موارد زیر کمک میکند:
- کاهش نواقص فنی و افزایش دید تصمیمگیران و بهبود تأثیر فرآیندهای کسبوکار از طریق افزایش پایداری مدلهای تصمیم سازمانها مبتنی بر ارتباط و شفافیت آنها، با هدف شفافتر و قابل حسابرسیتر کردن تصمیمها.
- کاهش غیرقابل پیشبینی بودن نتایج تصمیمگیری با ثبت و محاسبه عوامل عدم اطمینان در زمینه کسبوکار و برگشتپذیرتر کردن مدلهای تصمیمگیری.
هوش مصنوعی لبه، به استفاده از تکنیکهای هوش مصنوعی تعبیهشده در نقاط پایانی اینترنت اشیا (IoT)، دروازهها[46] و سرورهای لبه، در برنامههای کاربردی از وسایل نقلیه خودران گرفته تا تحلیلهای جریانی[47] اشاره دارد.
مزایای تجاری هوش مصنوعی لبه عبارتاند از:
- بهبود بهرهوری عملیاتی، مانند ساخت سامانههای بررسی بصری[48]
- ارتقای تجربه مشتری
- کاهش تأخیر در تصمیم گیری، با استفاده از تجزیه و تحلیل محلی[49]
- کاهش هزینه اتصال، با ترافیک داده کمتر بین لبه و ابر
- در دسترس بودن راهکار ماندگار، صرف نظر از اتصال شبکه
هوش مصنوعی انسانمحور
این گروه از نوآوریها شامل اعتماد، مدیریت ریسک و امنیت هوش مصنوعی (TRiSM)[50]، هوش مصنوعی مسئول[51]، اخلاق دیجیتال[52]و کیتهای آموزشی هوش مصنوعی است. وقتی هوش مصنوعی جایگزین تصمیمات انسانی میشود، نتایج خوب و بد را به طور یکسان تقویت میکند. هوش مصنوعی مسئول با حل معضلاتی که ریشه در دوگانهی درآمدزایی و تحمل ریسک دارند، دستیابی به نتایج درست را امکانپذیر میسازد. هوش مصنوعی مسئول، مفهومی چتر مانند است که جنبههای مختلفی از انتخابهای اخلاقی مناسب در اتخاذ هوش مصنوعی، از جمله ارزش تجاری و اجتماعی، ریسک، اعتماد، شفافیت، انصاف، کاهش تعصب، توضیحپذیری، پاسخگویی، ایمنی، حریم خصوصی و انطباق با مقررات را در بر میگیرد. هوش مصنوعی مسئول 5 تا 10 سال طول می کشد تا به جریان اصلی بازار برسد، اما در نهایت تأثیری متحول کننده بر کسبوکارها خواهد داشت.
روند به ثمر رسیدن فناوریهای حوزه اخلاق دیجیتال، نزدیکتر (دو تا پنج ساله) بوده و احتمال میرود تأثیر بالایی بر کسبوکارها داشته باشد. اخلاق دیجیتال شامل سیستمهای ارزشی و اصول اخلاقی برای انجام تعاملات الکترونیکی بین افراد، سازمانها و اشیا است. این مسائل، به ویژه آنجایی که به حریم خصوصی و سوگیریها مربوط میشود، محل نگرانی بسیاری از افراد و سازمانها است. مردم که روز به روز از ارزشمند بودن اطلاعات خود آگاهی مییابند، از عدم شفافیت، سوء استفاده و نقض حریم سرخورده خواهند شد و همین امر تبدیل به یک چالش برای شرکتهای دیجیتال و فناور شده است. در این ارتباط، سازمانها برای کاهش خطرات مربوط به مدیریت و ایمن سازی داده های شخصی اقدام کرده، و همزمان دولتها هم قوانین سختگیرانهتری را وضع خواهند کرد.
بسیاری از سازمانها هنوز اخلاق دیجیتال را نادیده میگیرند، چون فکر میکنند این اخلاق در صنعت یا حوزه آنها صدق نمیکند، اما گارتنر پیشبینی میکند که تا سال 2024، 30 درصد از سازمانهای بزرگ از معیار جدیدی برای در نظر گرفتن «صدای جامعه» در ارزیابی اجتماعی اقدامات خود استفاده خواهند کرد. در آینده نه چندان دور، سازمانها باید اخلاق دیجیتال را در استراتژیهای هوش مصنوعی خود ادغام کنند تا نفوذ و شهرت خود را در بین مشتریان، کارمندان، شرکا و جامعه تقویت کنند.
نتیجهگیری
چرخه هایپسایکل گارتنر 2022 برای هوش مصنوعی دارای نوآوریهایی است که «باید بدانیم» که طبق پیشبینی مزایای گستردهای برای هر سازمانی ایجاد خواهند کرد. این نوآوریها فراتر از تکنیکهای روزمره هوش مصنوعی هستند که قبلاً برای افزودن هوش به برنامههای کاربردی تجاری، دستگاهها و ابزارهای بهرهوری، استفاده میشدند. نوآوریهایی که انتظار میرود طی دو تا پنج سال آینده مورد پذیرش قرار گیرند، از جمله هوش مصنوعی ترکیبی، هوش تصمیمگیری و هوش مصنوعی لبه، باید در اسرع وقت مورد توجه سازمانها قرار گیرند.
منابع
[1] مورد مطالعه: فناوری چاپگر سه بعدی، حسین خسروپور و همکاران، دو فصلنامه توسعه تکنولوژی صنعتی، پاییز و زمستان 1394 (Hype cycle) پیشبینی و تحلیل جایگاه فناوری براساس منحنی اشتیاق فناوری
[2] www.gartner.com
[3] هوش مصنوعی؛ روند توسعه، زنجیره ارزش و کاربردها، مهدی شامی زنجانی، 1398
[4] https://en.wikipedia.org/wiki/Gartner_hype_cycle
پینوشت
[1] Gartner Hypecycle
[2] Gartner
[3] Frohman
[4] Dark Mutuation
[5] Natural Language Question Answering
[6] Virtual Personal Assistant
[7] General Purpose Machine Intelligence
[8] Cognitive Expert Advisors
[9] Conversational User Interfaces
[10] Conversational AI Platforms
[11] Edge AI
[12] Artificial General Intelligence
[13] Explainable AI
[14] Emotion AI
[15] Adaptive ML
[16] Deep Learning
[17] Responsive AI
[18] Composite AI
[19] Generative AI
[20] AI-Assisted Design
[21] Quantum ML
[22] Digital Human
[23] AI Augmented Software
[24] Data-centric AI
[25] Model-centric AI
[26] Applications-centric AI
[27] Human-centric AI
[28] Training
[29] Synthetic data
[30] Knowledge Graphs
[31] data labeling
[32] annotation
[33] Computer Vision
[34] Natural Language Applications
[35] Synthetic Variation
[36] physics-informed AI
[37] composite AI
[38] causal AI
[39] generative AI
[40] foundation models
[41] Decision Intelligence
[42] Operational AI Systems
[43] AI cloud services
[44] Intelligent Applications
[45] Edge AI
[46] Gateways
[47] Streaming Analytics: streaming analytics is useful for the types of data sources that send data in small sizes (often in kilobytes) in a continuous flow as the data is generated.
[48] visual inspection systems
[49] Local
[50] AI trust, risk and security management (TRiSM)
[51] Responsible AI
[52] Digital ethics
