تصمیم‌گیری با خلق کردن تفاوت بنیادینی دارد. اگر از هوش مصنوعی برای مدیریت عملیات استفاده می‌کنید، باید بدانید که در دنیای تصمیمات مقیاس‌پذیر، ثبات باید جایگزین خلاقیت شود.
Sutro استدلال می‌کند وقتی وظیفه اصلی یک مدل، پردازش داده‌های بدون ساختار برای تصمیمات عملیاتی است، ما وارد قلمرو هوش مصنوعی تحلیلی (Analytical AI) می‌شویم. این رویکرد درست در زمانی مطرح می‌شود که سازمان‌ها از شوک اولیه معرفی ChatGPT در اواخر سال ۲۰۲۲ عبور کرده‌اند. در حالی که هوش مصنوعی زاینده (Generative AI) — مثل نقاشی که سعی می‌کند هر بار اثر جدیدی خلق کند — بر خروجی‌های نوآورانه تمرکز دارد، هوش مصنوعی تحلیلی بر وظایف تفکیکی و دقیق متمرکز است. تفاوت این دو را می‌توان در مقایسه درخواست برای نوشتن یک شعر (زاینده) در برابر دسته‌بندی ۱۰,۰۰۰ تیکت پشتیبانی مشتری در پنج سطح اولویت (تحلیلی) دید.
همان‌طور که در تحلیل‌های پیشین ما درباره‌ی بهینه‌سازی هزینه‌های استنتاج اشاره کردیم، مدل‌های بزرگ‌تر همیشه پاسخ بهینه نیستند. طبق اعلام Sutro در راهنمای منتشر شده در ۲۸ اوت ۲۰۲۶، الزامات فنی این سامانه‌ها در سه محور با استقرار مدل‌های زبانی بزرگ (LLM) — مثل کتابخانه‌داری که میلیاردها صفحه را خوانده و حالا با همان لحن جواب می‌دهد — متفاوت است:
- سنجش‌پذیری: وظایف بر اساس مجموعه‌های داده مرجع (Ground Truth) که توسط متخصصان برچسب‌گذاری شده‌اند، اعتبارسنجی می‌شوند. در اینجا صحت یک معیار صفر و یکی است، نه یک حس کلی.
- انتخاب مدل: هدف ثبات است؛ بنابراین از کوچک‌ترین مدل زبانی کوچک (SLM) که معیارهای دقت را پاس کند استفاده می‌شود، نه لزوماً قدرتمندترین مدل موجود.
- تحمل تأخیر: چون این سیستم‌ها معمولاً با کاربر در لحظه تعامل ندارند، از دسته‌بندی (Batching) استفاده می‌کنند که هزینه‌ها را به‌شدت کاهش می‌دهد.
به گزارش این راهنما، این رویکرد مشابه تفکیک کلاسیک بین پردازش تراکنشی (OLTP) و پردازش تحلیلی (OLAP) در پایگاه‌های داده است. با تبدیل هوش مصنوعی به ابزاری شبیه به Map-Reduce، تیم‌ها می‌توانند تخصص دامنه را بدون تحمل هزینه‌های مدل‌های سنگین و کند، مقیاس کنند.
برای متخصصان، این یعنی تغییر در لایه‌های فنی. به‌جای تمرکز بر مهندسی پرامپت (Prompt Engineering) — هنر سؤال درست پرسیدن برای رسیدن به متن زیباتر — تمرکز بر ساخت توابع پاداش قابل‌راستی‌آزمایی و «داوران» است تا از توهم (Hallucination) مدل در تصمیم‌گیری جلوگیری شود. این چالش با بحث‌های گسترده‌تری درباره ماهیت استدلال در مدل‌های زبانی و احتمال توهم منطقی گره خورده است که نشان می‌دهد مرز بین محاسبه دقیق و بازشناسی الگوها کجاست.
مدیران محصول و مهندسان یادگیری ماشین اکنون می‌توانند با هوش مصنوعی به‌عنوان یک لایه تبدیلِ قابل‌اعتماد برخورد کنند که نویزهای بدون ساختار را به داده‌های ساختاریافته تبدیل می‌کند. این امر به تیم‌های عملیاتی اجازه می‌دهد تصمیمات حساس را که پیش‌تر نیاز به بررسی دستی انسان داشت، خودکار کنند.
در نهایت، ظهور هوش مصنوعی تحلیلی نشان می‌دهد ارزشمندترین ابزار برای سازمان‌ها، مدلی نیست که بیشتر حرف بزند، بلکه مدلی است که دقیق‌تر تصمیم بگیرد. هدف، افزایش بازدهی توسعه‌دهندگان از طریق تبدیل مدل زبانی به یک موتور منطقی مقیاس‌پذیر است.
گام بعدی شما
- پیش از انتخاب مدل، یک مجموعه داده مرجع (Ground Truth) برای وظیفه تصمیم‌گیری خود تعریف کنید.
- مدل را بر اساس نرخ صحت (Accuracy) انتخاب کنید، نه بر اساس توانایی‌های کلی یا هوش عمومی.
- برای کاهش هزینه‌ها، جریان‌های کاری را از حالت آنی به پردازش دسته‌ای (Batch) منتقل کنید.
اما داستان سخت‌افزاری این تحول حتی شگفت‌انگیزتر است — به تحلیل ما درباره‌ی تراشه‌های Blackwell مراجعه کنید.
گفتگو