کمک به مدل های هوش مصنوعی برای دیدار با دنیای واقعی | اخبار MIT
سیستمهایی که از هوش مصنوعی برای ارتقای پیشبینی، برنامهریزی و تصمیمگیری در کسبوکارها استفاده میکنند در سالهای اخیر در حال گسترش بودهاند، اما در بسیاری از موارد، فاقد اطلاعات دقیق و خاص در مورد خود سازمان هستند که سودمندی آن ابزارها را محدود میکند.
Devavrat Shah، محقق اصلی در آزمایشگاه MIT برای سیستم های اطلاعات و تصمیم گیری (LIDS)، عضو هیئت علمی در بخش مهندسی برق و علوم کامپیوتر (EECS) و عضو موسسه داده، سیستم ها و جامعه (IDSS)، بر چگونگی طراحی روش هایی متمرکز شده است که می تواند با استفاده از محاسبات محدود، تصمیم گیری ثانیه به ثانیه را انجام دهد.
او میگوید: «به یک معنا، با مقدار کمی از منابع، شما باید کارهای سنگین زیادی را انجام دهید. به عنوان یک محقق، “علاقه من به توانایی توسعه روش هایی است که می تواند اطلاعات را از داده ها در مقیاس به حداکثر روشی موثر استخراج کند.”
پروفسور اندرو (1956) و ارنا ویتربی از سال 2005 در MIT تدریس می کند.
در سال 2019، او همچنین یک شرکت اسپین آف به نام Ikigai Labs را تأسیس کرد. ایکیگای یک مدل پایه برای داده های جدولی و سری زمانی بر اساس سال ها تحقیق در آزمایشگاه شاه ساخت که توسط MIT به این شرکت ثبت و مجوز داده شد. این مدل میتواند ورودی دادههای سازمانی را از منابع مختلف، به طور مداوم و در مقیاس دریافت کند، به طوری که با آزمایش پیشبینیهای خود در برابر نتایج واقعی، یاد میگیرد.
شاه توضیح میدهد که این سیستم توسعهای از مدلهای گرافیکی است که بهعنوان مثال توسط دستگاههای GPS برای تبدیل مقدار کمی از دادههای دریافتی از ماهوارهها به مدلی دقیق از موقعیت روی سطح زمین، یا توسط سیستمهای ارتباطی مانند آن در یک ساعت دیجیتال که با سرعت بالا به شیوهای کممصرف انرژی ارتباط برقرار میکند، استفاده میشود.
“علاقه من این بود: چگونه می توان چنین مدل های گرافیکی را برای داده های عمومی و جدولی طراحی کرد؟” او می گوید.
در حالی که بیشتر مدلهای هوش مصنوعی با استفاده از متن و تصویر آموزش داده شدهاند، این سیستم دادههای جدولی را به عنوان ورودی خود میگیرد – دادههای ساختاری مانند نوع آشنای قالب ردیف و ستونی که در صفحات گسترده استفاده میشود. و سپس نوعی برنامه ریزی در زمان واقعی را در مقیاس بسیار بزرگتر ارائه می دهد.
ایده Ikigai ارائه فناوری پیشبینی و تصمیمگیری برای کسبوکارهای بزرگ، مانند تولیدکنندگان کالاهای مصرفی و شرکتهای دارویی بود.
شاه مثال میزند که چگونه یک شرکت لوازم الکترونیکی مصرفی ممکن است از این سیستم استفاده کند.
فرض کنید در حال ساخت هدفون و انواع چیزهای مختلف هستید. و هر یک از محصولاتی که تولید میکنید قطعات کوچک زیادی دارد که از نقاط مختلف جهان میآیند. و هنگامی که دستگاه فروخته میشود، باید پشتیبانی و نگهداری شود. و باید نسخههای جدیدی از محصول را ارائه کنید، باید آنها را به بازار عرضه کنید، باید آنها را قیمت گذاری کنید … بنابراین سؤالاتی که در سه ماهه آینده میپرسیدند چقدر معمولی بود را میپرسیدند: در مکانهای مختلف فروخته میشود، و اگر قیمت را تغییر دهم یا اگر تبلیغاتی را معرفی کنم، چه اتفاقی برای تقاضا میافتد؟»
او می افزاید که همه این فرآیندها به یکدیگر وابسته هستند و در هر مرحله از فرآیندها باید تصمیماتی گرفته شود که پیامدهایی در طول زمان داشته باشد. او میگوید: «در برخی سطوح، دیجیتالی کردن این فرآیندها و توانایی انجام پیشبینیها و بهینهسازی مداوم آن چیزی است که در نهایت منجر به عملیات تجاری بهتر میشود.»
ایکیگای اخیراً توسط شرکت بین المللی Celonis خریداری شد، جایی که شاه در حال حاضر علاوه بر نقش هایش در MIT، دانشمند ارشد آن است. در نهایت، او امیدوار است مدلی که برای Ikigai توسعه داده است به Celonis کمک کند تا ابزارهایی را ارائه دهد که می توانند با داده ها و فرآیندهای تجاری خود شرکت یکپارچه شوند تا تجزیه و تحلیل های دنیای واقعی را ارائه دهند که می تواند به پیش بینی ها، برنامه ها و تصمیم گیری ها کمک کند.
شاه می افزاید که Celonis در دیجیتال سازی و خودکارسازی عملیات برای بیش از 1400 شرکت بزرگ در سراسر جهان تخصص داشته است. اکنون که این سیستمها کاملاً دیجیتالی شدهاند، بستری را برای نرمافزار Ikigai فراهم میکنند تا گام بعدی را بردارد، دادههای این سیستمهای دیجیتالی را میخواند تا مدلهای دقیقی برای شبیهسازی گزینههای مختلف، پیشبینی استراتژیهای بهینه، و پیشبینی نتایج مجموعهای از تصمیمها فراهم کند.
شاه میگوید: «وقتی لایه دیجیتالی این فرآیندها وجود داشته باشد و این لایه اطلاعاتی وجود داشته باشد، اکنون، در بالای آن، میتوانیم پشته Ikigai را قرار دهیم تا تصمیمگیری در مقیاسی بسیار بزرگتر از حالت دیگر امکان پذیر شود.»
در حالی که بسیاری از شرکتها روی جنبههای مختلف هوش مصنوعی کار میکنند، «ما بسیار بر بخشی از دامنهای متمرکز هستیم که بقیه دنیا به آن توجهی نمیکنند»، که حوزه دادههای ساختاریافته یا دامنه زمانی است. او می گوید که با شروع از چنین داده هایی، نسخه بسیار مقرون به صرفه ای از هوش مصنوعی را ارائه می دهد.
او میگوید: «تمرکز باریکتر همراه با فناوری واضحتر است، اما به اندازه کافی گسترده است که بسیار ارزشمند است.»
شاه میافزاید: «کلمهای که اخیراً در مطبوعات مشهور هوش مصنوعی مدرن مطرح شده است، «مدل جهانی» است. به یک معنا، این تلاش برای ساختن مدل جهانی فرآیند سازمانی است.