گوگل در Google Cloud Next روی هوش مصنوعی مولد تمرکز می کند
به گزارش اپست به نقل از تک کرانچ، این هفته در لاس‌وگاس، ۳۰ هزار نفر برای شنیدن جدیدترین و بهترین‌های Google Cloud گرد هم آمدند. چیزی که آنها شنیدند هوش مصنوعی مولد بود، در تمام مدت. گوگل کلود در وهله اول یک فروشنده زیرساخت و پلتفرم ابری است. اگر این را نمی دانستید، ممکن است آن را در هجوم اخبار هوش مصنوعی از دست داده باشید.
قصد کم اهمیت جلوه دادن آنچه گوگل به نمایش گذاشت را نداریم، اما شبیه به Salesforce سال گذشته در نمایشگاه سیار شهر نیویورک، این شرکت نتوانست به جز کسب و کار اصلی خود، جز اشاره ای گذرا به آن توجه کند – البته به جز در زمینه هوش مصنوعی مولد.
گوگل مجموعه‌ای از پیشرفت‌های هوش مصنوعی را اعلام کرد که برای کمک به مشتریان برای استفاده از مدل زبان بزرگ (LLM) جミニ و بهبود بهره‌وری در سراسر پلتفرم طراحی شده‌اند. این یک هدف ارزشمند است، و البته در طول سخنرانی اصلی روز اول و سخنرانی اصلی توسعه‌دهنده در روز بعد، گوگل با تعداد زیادی از نسخه‌های نمایشی برای نشان دادن قدرت این راه‌حل‌ها، اعلامیه‌ها را پر کرد.
اما به نظر بسیاری بیش از حد ساده‌انگارانه به نظر می‌رسید، حتی با در نظر گرفتن این که نیاز به فشرده شدن در یک سخنرانی کلیدی با زمان محدود داشتند. آنها عمدتاً به نمونه‌هایی در اکوسیستم گوگل متکی بودند، در حالی که تقریباً هر شرکتی بخش زیادی از داده‌های خود را در مخازن خارج از گوگل ذخیره می‌کند.
برخی از نمونه‌ها در واقع احساس می‌کردند که بدون هوش مصنوعی نیز می‌توانستند انجام شوند. برای مثال، در یک دمو تجارت الکترونیک، ارائه دهنده برای تکمیل یک تراکنش آنلاین با فروشنده تماس گرفت. این برای به رخ کشیدن قابلیت های ارتباطی یک ربات فروش طراحی شده بود، اما در واقع این مرحله به راحتی توسط خریدار در وب سایت قابل تکمیل بود.
این بدان معنا نیست که هوش مصنوعی مولد موارد استفاده قدرتمندی ندارد، خواه ایجاد کد، تجزیه و تحلیل مجموعه ای از محتوا و توانایی پرسش از آن، یا توانایی پرسیدن سوال از داده های سیاهه برای درک علت خرابی وب سایت باشد. علاوه بر این، وظیفه و نقش عوامل مبتنی بر هوش مصنوعی مولد که این شرکت برای کمک به توسعه دهندگان فردی، افراد خلاق، کارمندان و دیگران معرفی کرده است، این پتانسیل را دارد که از هوش مصنوعی مولد به روش های ملموسی استفاده کند.
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 کنند، اما در واقعیت، پیاده سازی هر فناوری پیشرفته در سازمان های بزرگ یک چالش بزرگ است.
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 کنند، اما در واقعیت، پیاده سازی هر فناوری پیشرفته در سازمان های بزرگ یک چالش بزرگ است.
مانند سایر جهش‌های فناوری در ۱۵ 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 در حال دستکاری یا حتی کنار هم بودن 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 «تأخر» پذیرندگان ابری صحبت می‌کنیم که تلاش خود را برای تحول دیجیتال آغاز نکرده‌اند یا خیلی زود شروع کرده‌اند. او گفت 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.»
فروشندگان بزرگی مانند گوگل پیاده سازی این راه حل ها را ساده به نظر می رسند، اما مانند تمام فناوری های پیچیده، ظاهر ساده در قسمت جلویی لزوماً به این معنی نیست که در قسمت پشتی آن ساده است. همانطور که اغلب در این هفته شنیدم، وقتی صحبت از داده‌های مورد استفاده برای آموزش Gemini و سایر مدل‌های زبان بزرگ می‌شود، هنوز هم یک مورد «آشغال در داخل، زباله‌ها بیرون» است، و این حتی در مورد هوش مصنوعی مولد کاربرد بیشتری دارد.
اگر خانه داده خود را مرتب ندارید، شکل دادن به آن برای آموزش LLM ها در مورد مورد استفاده شما بسیار دشوار خواهد بود. کاشف رحمت الله، یکی از مدیران Deloitte که مسئولیت Google Cloud را در شرکت خود 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 را برای کمک به مهندسان داده برای ایجاد خطوط لوله داده برای اتصال به منابع داده در داخل و خارج از اکوسیستم گوگل ساخته است. 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 کرده است – 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، 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 سایرینی 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.
