بابک حجت، معاون هوش مصنوعی تکاملی در معرفتو یکی از بنیانگذاران و مدیر عامل سابق Sentient. او مسئول فناوری اصلی بزرگترین سیستم هوش مصنوعی توزیع شده در جهان است. بابک همچنین بنیانگذار اولین صندوق تامینی مبتنی بر هوش مصنوعی در جهان، یعنی Sentient Investment Management بود. او یک کارآفرین سریالی است که تعدادی از شرکت های دره سیلیکون را به عنوان مخترع اصلی و فناور راه اندازی کرده است.
بابک قبل از تأسیس Sentient، مدیر ارشد مهندسی در Sybase iAnywhere بود، جایی که او مهندسی راه حل های موبایل را رهبری می کرد. او همچنین یکی از بنیانگذاران، CTO و عضو هیئت مدیره Dejima Inc بود. بابک مخترع اصلی فناوری اختراع شده و عامل محور Dejima است که در رابط های هوشمند برای محاسبات تلفن همراه و سازمانی به کار می رود – فناوری پشت سر اپل Siri.
بابک، محقق منتشر شده در زمینه های حیات مصنوعی، مهندسی نرم افزار عامل محور و هوش مصنوعی توزیع شده، 31 اختراع ثبت شده یا در حال انتظار به نام خود دارد. او در زمینههای متعدد هوش مصنوعی، از جمله پردازش زبان طبیعی، یادگیری ماشین، الگوریتمهای ژنتیک و هوش مصنوعی توزیعشده متخصص است و شرکتهای متعددی را در این زمینهها تأسیس کرده است. بابک دارای مدرک دکتری است. در هوش ماشینی از دانشگاه کیوشو، در فوکوکا، ژاپن.
با نگاهی به دوران حرفه ای خود، از تأسیس چندین شرکت مبتنی بر هوش مصنوعی تا پیشرو در آزمایشگاه هوش مصنوعی Cognizant، مهم ترین درس هایی که در مورد نوآوری و رهبری در هوش مصنوعی آموخته اید چیست؟
نوآوری نیاز به صبر، سرمایه گذاری و پرورش دارد و باید آن را پرورش داد و محدودیتی نداشت. اگر تیم مناسبی از نوآوران را ایجاد کرده اید، می توانید به آنها اعتماد کنید و به آنها آزادی هنری کامل بدهید تا انتخاب کنند چگونه و چه چیزی را تحقیق کنند. نتایج اغلب شما را شگفت زده می کند. از منظر رهبری، تحقیق و نوآوری نباید یک اتفاق خوب یا یک فکر بعدی باشد. من تیمهای تحقیقاتی را خیلی زود هنگام ایجاد استارتآپها راهاندازی کردهام و همیشه از مدافعان جدی سرمایهگذاری تحقیقاتی بودهام، و این کار نتیجه داده است. در زمانهای خوب، تحقیق شما را از رقبا جلوتر نگه میدارد، و در زمانهای بد، به شما کمک میکند تا تنوع و بقا داشته باشید، بنابراین هیچ بهانهای برای سرمایهگذاری کم، محدود کردن یا سنگین کردن آن با اولویتهای تجاری کوتاهمدت وجود ندارد.
بهعنوان یکی از مخترعان اولیه سیری اپل، تجربه شما در توسعه رابطهای هوشمند چگونه رویکرد شما را برای پیشروی ابتکارات هوش مصنوعی در Cognizant شکل داده است؟
فناوری زبان طبیعی که من در ابتدا برای سیری توسعه دادم مبتنی بر عامل بود، بنابراین مدت زیادی است که با این مفهوم کار می کنم. هوش مصنوعی در دهه 90 چندان قدرتمند نبود، بنابراین من از یک سیستم چند عاملی برای مقابله با درک و نگاشت دستورات زبان طبیعی به اقدامات استفاده کردم. هر عامل نشان دهنده زیرمجموعه کوچکی از حوزه گفتمان بود، بنابراین هوش مصنوعی در هر عامل دارای یک محیط ساده برای تسلط بود. امروزه، سیستمهای هوش مصنوعی قدرتمند هستند، و یک LLM میتواند کارهای زیادی انجام دهد، اما ما همچنان با آن بهعنوان یک کارگر دانش در یک جعبه رفتار میکنیم، دامنه آن را محدود میکنیم، شرح شغلی به آن میدهیم و آن را به سایر عوامل با مسئولیتهای مختلف مرتبط میکنیم. بنابراین هوش مصنوعی قادر است هر گردش کار تجاری را افزایش داده و بهبود بخشد.
به عنوان بخشی از وظایفم به عنوان مدیر ارشد فناوری هوش مصنوعی در Cognizant، من آزمایشگاه هوش مصنوعی پیشرفته خود را در سانفرانسیسکو اداره می کنم. اصل اصلی تحقیق ما تصمیم گیری مبتنی بر عامل است. از امروز، ما در حال حاضر 56 حق ثبت اختراع در ایالات متحده در مورد فناوری هسته ای هوش مصنوعی بر اساس این اصل داریم. ما همه وارد هستیم
آیا می توانید درباره تحقیقات و نوآوری های پیشرفته ای که در حال حاضر در آزمایشگاه هوش مصنوعی Cognizant در حال توسعه هستند توضیح دهید؟ چگونه این پیشرفت ها نیازهای خاص شرکت های Fortune 500 را برطرف می کند؟
ما چندین استودیو هوش مصنوعی و مراکز نوآوری داریم. آزمایشگاه هوش مصنوعی پیشرفته ما در سانفرانسیسکو بر گسترش وضعیت هنر در هوش مصنوعی تمرکز دارد. این بخشی از تعهد ما است که سال گذشته برای سرمایهگذاری 1 میلیارد دلاری در هوش مصنوعی مولد طی سه سال آینده اعلام شد.
به طور خاص، ما بر توسعه الگوریتم ها و فناوری های جدید برای خدمت به مشتریان خود متمرکز شده ایم. اعتماد، توضیح پذیری و تصمیم گیری های چندهدفه از جمله حوزه های مهمی است که ما دنبال می کنیم و برای شرکت های Fortune 500 حیاتی هستند.
در مورد اعتماد، ما علاقه مند به تحقیق و توسعه ای هستیم که درک ما را از اینکه چه زمانی می توانیم به تصمیم گیری هوش مصنوعی اعتماد کنیم تا به آن توجه کنیم و چه زمانی یک انسان باید درگیر شود، علاقه مندیم. ما چندین اختراع مربوط به این نوع مدل سازی عدم قطعیت داریم. به طور مشابه، شبکه های عصبی، هوش مصنوعی مولد و LLM ها ذاتا مات هستند. ما میخواهیم بتوانیم یک تصمیم هوش مصنوعی را ارزیابی کنیم و از آن سؤال کنیم که چرا چیزی را توصیه کرده است – اساساً آن را قابل توضیح میکند. در نهایت، ما میدانیم که گاهی اوقات، تصمیماتی که شرکتها میخواهند بتوانند اتخاذ کنند، بیش از یک هدف دارند – مثلاً کاهش هزینهها در حالی که افزایش درآمد با ملاحظات اخلاقی متعادل است. هوش مصنوعی میتواند به ما کمک کند تا با بهینهسازی استراتژیهای تصمیمگیری به شیوهای چند هدفه، بهترین تعادل را در بین همه این نتایج بدست آوریم. این یکی دیگر از زمینه های بسیار مهم در تحقیقات هوش مصنوعی ما است.
دو سال آینده برای هوش مصنوعی مولد حیاتی در نظر گرفته می شود. به نظر شما تغییرات محوری در این دوره چه خواهد بود و بنگاه ها چگونه باید آماده شوند؟
ما در حال رفتن به یک دوره انفجاری برای تجاری سازی فناوری های هوش مصنوعی هستیم. امروزه کاربردهای اولیه هوش مصنوعی بهبود بهره وری، ایجاد رابط های کاربری بهتر مبتنی بر زبان طبیعی، خلاصه کردن داده ها و کمک به کدنویسی است. در طول این دوره شتاب، ما بر این باوریم که سازماندهی فناوری کلی و استراتژیهای هوش مصنوعی حول اصل اصلی سیستمهای چند عاملی و تصمیمگیری به بهترین وجه شرکتها را قادر میسازد تا موفق شوند. در Cognizant، تاکید ما بر نوآوری و تحقیقات کاربردی به مشتریان ما کمک میکند تا از هوش مصنوعی برای افزایش مزیت استراتژیک خود با ادغام بیشتر در فرآیندهای تجاری استفاده کنند.
چگونه صنایع هوش مصنوعی مولد را تغییر شکل خواهد داد و هیجان انگیزترین موارد استفاده از آزمایشگاه هوش مصنوعی Cognizant کدامند؟
هوش مصنوعی مولد گام بزرگی برای کسبوکارها بوده است. شما اکنون این توانایی را دارید که یک سری از کارگران دانشی ایجاد کنید که می توانند به انسان ها در کارهای روزمره کمک کنند. خواه LLM ها از طریق چت بات های هوشمند یا مدیریت موجودی انبار از طریق یک رابط زبان طبیعی، خدمات مشتری را ساده می کنند.
اما آنچه بعداً می آید این است که واقعاً صنایع را تغییر می دهد، زیرا نمایندگان توانایی برقراری ارتباط با یکدیگر را پیدا می کنند. آینده مربوط به شرکت هایی خواهد بود که در دستگاه ها و برنامه های خود نمایندگانی داشته باشند که می توانند نیازهای شما را برطرف کنند و از طرف شما با سایر نمایندگان تعامل داشته باشند. آنها در کل کسب و کارها کار خواهند کرد تا به انسان ها در هر نقشی، از منابع انسانی و مالی گرفته تا بازاریابی و فروش، کمک کنند. در آینده نزدیک، کسب و کارها به طور طبیعی به سمت نمایندگی محور شدن گرایش پیدا خواهند کرد.
قابل ذکر است، ما در حال حاضر یک سیستم چند عاملی داریم که در آزمایشگاه ما به شکل توسعه یافته است هوش مصنوعی عصبی، یک تولید کننده موارد استفاده از هوش مصنوعی که به مشتریان اجازه می دهد تا به سرعت موارد استفاده تصمیم گیری هوش مصنوعی را برای تجارت خود بسازند و نمونه سازی کنند. این در حال حاضر نتایج هیجان انگیزی را ارائه می دهد، و ما به زودی موارد بیشتری را در این مورد به اشتراک خواهیم گذاشت.
معماری های چند عامله چه نقشی در موج بعدی تحول ژنرال هوش مصنوعی، به ویژه در محیط های سازمانی در مقیاس بزرگ خواهند داشت؟
در تحقیقات و گفتگوهایمان با رهبران شرکتها، سؤالات بیشتری در مورد اینکه چگونه میتوانند هوش مصنوعی تولیدی را در مقیاس تأثیرگذار کنند، دریافت میکنیم. ما بر این باوریم که نوید تحولآفرین سیستمهای هوش مصنوعی چند عاملی برای دستیابی به این تأثیر مهم است. یک سیستم هوش مصنوعی چند عاملی، عوامل هوش مصنوعی را که در سیستمهای نرمافزاری در حوزههای مختلف در سراسر سازمان ساخته شدهاند، گرد هم میآورد. به آن به عنوان سیستمی از سیستم ها فکر کنید که به LLM ها اجازه می دهد با یکدیگر تعامل داشته باشند. امروزه، چالش این است که، اگرچه اهداف، فعالیتها و معیارهای تجاری عمیقاً در هم تنیده شدهاند، اما سیستمهای نرمافزاری که توسط تیمهای متفاوت استفاده میشوند، مشکل ایجاد نمیکنند. به عنوان مثال، تأخیرهای زنجیره تأمین می تواند بر کارکنان مراکز توزیع تأثیر بگذارد. ورود به یک فروشنده جدید می تواند بر انتشارات Scope 3 تأثیر بگذارد. گردش مالی مشتری می تواند نشان دهنده کمبود محصول باشد. سیستمهای Siled به معنای اقدامات اغلب مبتنی بر بینشهایی هستند که صرفاً از یک برنامه استخراج شده و برای یک تابع اعمال میشوند. معماری های چند عاملی بینش ها و اقدامات یکپارچه را در سراسر تجارت روشن می کند. این قدرت واقعی است که می تواند تحول سازمانی را تسریع کند.
سیستمهای چند عامله (MAS) را در چند سال آینده از چه راههایی در حال تکامل میبینید و این چگونه بر چشمانداز وسیعتر هوش مصنوعی تأثیر خواهد گذاشت؟
یک سیستم هوش مصنوعی چند عامله به عنوان یک گروه کاری مجازی عمل میکند، درخواستها را تجزیه و تحلیل میکند و اطلاعات را از سراسر کسبوکار میگیرد تا راهحلی جامع نه تنها برای درخواستکننده اصلی، بلکه برای سایر تیمها نیز ارائه کند. اگر ما بزرگنمایی کنیم و به یک صنعت خاص نگاه کنیم، این می تواند عملیات در زمینه هایی مانند تولید را متحول کند. یک عامل منبع یابی فرآیندهای موجود را تجزیه و تحلیل می کند و اجزای جایگزین مقرون به صرفه تری را بر اساس فصول و تقاضا توصیه می کند. سپس این عامل منبع با یک عامل پایداری ارتباط برقرار می کند تا تعیین کند این تغییر چگونه بر اهداف زیست محیطی تأثیر می گذارد. در نهایت، یک نماینده نظارتی بر فعالیتهای انطباق نظارت میکند و اطمینان میدهد که تیمها گزارشهای کامل و بهروز را به موقع ارسال میکنند.
خبر خوب این است که بسیاری از شرکتها قبلاً شروع به یکپارچهسازی ارگانیک چتباتهای مبتنی بر LLM کردهاند، اما باید در مورد نحوه شروع اتصال این رابطها آگاه باشند. باید در مورد ریزه کاری عاملیت، انواع LLMهای مورد استفاده، و زمان و نحوه تنظیم دقیق آنها برای موثر ساختن آنها دقت شود. سازمانها باید از بالا شروع کنند، نیازها و اهداف خود را در نظر بگیرند و از آنجا به سمت پایین کار کنند تا تصمیم بگیرند چه چیزی میتواند عاملیت باشد.
چالشهای اصلی که شرکتها را از پذیرش کامل هوش مصنوعی باز میدارد چیست و Cognizant چگونه این موانع را برطرف میکند؟
علیرغم حمایت و سرمایه گذاری رهبری، بسیاری از شرکت ها از عقب ماندن از هوش مصنوعی می ترسند. طبق تحقیقات ما، شکافی بین تعهد استراتژیک رهبران و اعتماد به اجرای خوب وجود دارد. هزینه و در دسترس بودن استعدادها و عدم بلوغ درک شده راه حل های هوش مصنوعی نسل فعلی دو بازدارنده مهم هستند که شرکت ها را از پذیرش کامل هوش مصنوعی باز می دارند.
Cognizant نقش مهمی ایفا می کند که به شرکت ها کمک می کند تا سفر بهره وری به رشد هوش مصنوعی را طی کنند. در واقع، دادههای اخیر مطالعهای که ما با Oxford Economics انجام دادیم، به نیاز به تخصص خارجی برای کمک به پذیرش هوش مصنوعی اشاره میکند، به طوری که 43 درصد از شرکتها اعلام کردهاند که قصد دارند با مشاوران خارجی همکاری کنند تا برنامهای برای هوش مصنوعی مولد ایجاد کنند. به طور سنتی، Cognizant آخرین مایل را با مشتریان در اختیار دارد – ما این کار را با ذخیره سازی داده و مهاجرت ابری انجام دادیم، و عاملیت تفاوتی نخواهد داشت. این کاری است که باید بسیار سفارشی شود. این یک اندازه برای همه سفر نیست. ما کارشناسانی هستیم که میتوانیم به شناسایی اهداف کسبوکار و طرح پیادهسازی کمک کنیم و سپس نمایندگان سفارشی درست را برای رفع نیازهای کسبوکار بیاوریم. ما مردمی هستیم و همیشه بوده ایم.
بسیاری از شرکتها برای مشاهده بازگشت سرمایه فوری از سرمایهگذاریهای هوش مصنوعی خود تلاش میکنند. چه اشتباهات رایجی را مرتکب می شوند و چگونه می توان از آنها اجتناب کرد؟
هوش مصنوعی مولد زمانی بسیار مؤثرتر است که شرکتها آن را در زمینه دادههای خود بیاورند – یعنی آن را بر اساس پایه قوی دادههای سازمانی شخصیسازی کنند. همچنین، دیر یا زود، شرکتها باید گامی چالش برانگیز را برای تجسم مجدد فرآیندهای اساسی کسبوکار خود بردارند. امروزه بسیاری از شرکت ها از هوش مصنوعی برای خودکارسازی و بهبود فرآیندهای موجود استفاده می کنند. نتایج بزرگتری میتواند اتفاق بیفتد که آنها شروع به پرسیدن سؤالهایی از این قبیل کنند، اجزای این فرآیند چیست، چگونه آنها را تغییر دهم و برای ظهور چیزی که هنوز وجود ندارد آماده شوم؟ بله، این امر مستلزم تغییر فرهنگ و پذیرش ریسک است، اما زمانی که بسیاری از بخشهای سازمان را در یک کل قدرتمند سازماندهی کنیم، اجتنابناپذیر به نظر میرسد.
چه توصیه ای به رهبران نوظهور هوش مصنوعی دارید که به دنبال ایجاد تأثیر قابل توجه در این زمینه، به ویژه در شرکت های بزرگ هستند؟
تحول کسب و کار ماهیت پیچیده ای دارد. رهبران نوظهور هوش مصنوعی در شرکت های بزرگتر باید بر شکستن فرآیندها، آزمایش با تغییرات و نوآوری تمرکز کنند. این امر مستلزم تغییر در طرز فکر و ریسک های حساب شده است، اما می تواند سازمان قدرتمندتری ایجاد کند.
با تشکر از شما برای مصاحبه عالی، خوانندگانی که مایل به کسب اطلاعات بیشتر هستند باید از آن بازدید کنند معرفت.