مدتی است که هوش مصنوعی محاوره ای به عنوان یک شاخه در خط مقدم نوآوری در هوش مصنوعی قرار گرفته است. و با ظهور ابزارهای قدرتمندی مانند ChatGPT، همه چیز به طور تصاعدی سرعت گرفته است. تحولات اخیر در این حوزه تنها سوالات بیشتری را در مورد چگونگی تکامل هوش مصنوعی مکالمه پس از ChatGPT ایجاد کرده است.
مجله تحلیلی هند با آنکوش چوپرا، مدیر مرکز تعالی هوش مصنوعی در تردنس، تماس گرفتیم تا پاسخ های این مورد و موارد دیگر را در مورد آنچه برای ساخت یک ربات چت هوش مصنوعی مکالمه ای خوب لازم است را بررسی کنیم.
AIM: آیا می توانید وضعیت فعلی هوش مصنوعی محاوره ای و موارد استفاده از آن در صنایع مختلف را توضیح دهید؟
آنکوش: هوش مصنوعی مکالمه یک اصطلاح چتر است که شامل چت بات ها، دستیاران مجازی و دستیارهای صوتی مانند الکسا یا گوگل هوم است. در طول تاریخ، اگر نوع خاصی از فناوری بیشتر مورد استفاده قرار گیرد، سرعت پیشرفت در آن شاخه افزایش می یابد. و این دقیقا همان چیزی است که با NLP در چند سال گذشته اتفاق افتاده است. افراد بیشتری شروع به استفاده از دستیارهای صوتی کردند و ربات ها در سمت خدمات مشتری ظاهر شدند. با ربات‌های پرسش‌های متداول ساده شروع شد، اما اکنون به ربات‌هایی با عملکردهای بیشتر و بهتر تبدیل شده است.
جدا از صنعت خدمات مشتری، اعم از بانک‌ها، شرکت‌های مخابراتی یا خطوط هوایی، همه آنها چت‌بات‌های یکپارچه‌ای دارند که مشتریان ابتدا از طریق آنها هدایت می‌شوند تا حجم درخواست‌هایی را که همکاران خدمات مشتری انسانی باید با آنها سروکار داشته باشند، کاهش دهند. در تجارت الکترونیک نیز می تواند به توصیه های محصول کمک کند.
در مراقبت‌های بهداشتی، استفاده از هوش مصنوعی محاوره‌ای می‌تواند با عملکردهایی مانند زمان‌بندی قرار ملاقات و تشخیص تسریع شود. اما توصیه می‌شود در هنگام استفاده از چت‌بات‌ها احتیاط کنید، اگر جنبه منفی یک نتیجه اشتباه زیاد است. برای مثال، مواردی را دیده‌ایم که از سیستم‌های هوش مصنوعی برای مشاوره روانپزشکی استفاده می‌شد که خوب پیش نرفت. بنابراین، در حالی که ما از استفاده از آن برای عملکردهای حیاتی فاصله داریم، مطمئناً می توان از آن برای تریاژ اولیه بیماران، کمک به تشخیص اولیه و تنظیم قرار ملاقات استفاده کرد.
برنامه موبایل ما را دانلود کنید
در صنایع مالی نیز مشابه است، جایی که از سیستم‌های هوش مصنوعی برای ارائه مظنه سهام یا حتی موجودی حساب استفاده می‌شود. اما شما نمی خواهید آنها مشاوره واقعی سرمایه گذاری را ارائه دهند، مگر اینکه دخالت انسانی وجود داشته باشد. در مهمان نوازی، برخی از سیستم‌ها همچنین می‌توانند در دسترس بودن اتاق را به شما نشان دهند و به رزرو کمک کنند.
در آموزش آنلاین، ماژول‌های تست را می‌توان در این سیستم‌ها ادغام کرد و سیستم‌های هوش مصنوعی محاوره‌ای می‌توانند به دانش‌آموزان کمک کنند تا موضوعاتی را که باید بیشتر روی آن تمرکز کنند، شناسایی کنند.
AIM: چالش‌های ایجاد یک سیستم هوش مصنوعی مکالمه خوب چیست؟
آنکوش: این یک کار کاملا پیچیده است. هنگام ساختن یک سیستم هوش مصنوعی مکالمه باید روی سه چیز اصلی تمرکز کنیم: یکی، این سیستم باید قابلیت مکالمه خوبی داشته باشد. دو، سیستم باید آماده تولید باشد، بنابراین پس از طراحی، هزاران، اگر نه میلیون ها نفر، می توانند از آن استفاده کنند. و در نهایت، باید از اصول هوش مصنوعی مسئول نیز مراقبت کند.
اول از همه، برای داشتن قابلیت‌های مکالمه خوب، باید درک زبان طبیعی و توانایی تولید همزمان زبان‌ها، لهجه‌ها، لهجه‌ها و گروه‌های سنی مختلف را داشته باشد. ثانیاً، باید یک سیستم مدیریت گفتگوی خوب برای درک و حفظ زمینه گفتگو داشته باشد. در نهایت، داشتن یک سیستم بازنمایی دانش کارآمد بسیار مهم است، زیرا نه تنها دقت سیستم‌های مکالمه، بلکه سرعت آنها را نیز بهبود می‌بخشد. نمودار دانش یک انتخاب محبوب در میان بسیاری از موارد دیگر است که برای این مورد استفاده می شود.
سپس، سیستم باید برای تولید آماده شود، بنابراین مقیاس پذیری و قابلیت نگهداری در این زمینه بسیار مهم است. به عنوان مثال، در حال حاضر، با ChatGPT، می بینیم که پلتفرم گاهی اوقات از کار می افتد زیرا کاربران زیادی روی آن هستند. بدیهی است که آنها انتظار چنین پاسخی را نداشتند، بنابراین هنگام طراحی یک سیستم، باید بتوانید پایگاه کاربری خود را بسنجید و برای آن آماده باشید.
AIM: به نظر شما فضای هوش مصنوعی محاوره ای در آینده چگونه تکامل خواهد یافت و تاثیر آن چه خواهد بود؟
آنکوش: اخیراً شاهد پیشرفت فناوری‌های پشت سیستم‌های هوش مصنوعی مکالمه‌ای بوده‌ایم. مدل هایی مانند ChatGPT نتیجه این پیشرفت را نشان داده اند. خروجی تولید شده توسط ChatGPT چیزی کمتر از خارق العاده نبوده است (اغلب). ما می دانیم که گوگل در حال کار بر روی LaMDA است، که مدل زیربنایی برای چت بات آنها (Bard) است. این داستان‌های موفقیت، سازمان‌های بیشتری را تشویق می‌کند تا روی مدل‌های مشابه کار کنند که منجر به پیشرفت‌های بیشتر می‌شود.
دو چالش اصلی LLM وجود دارد که سیستم‌های هوش مصنوعی محاوره‌ای با آن مواجه هستند. اول، نیازهای سخت افزاری و دوم، توهمات. LLM ها دارای میلیاردها یا حتی بیش از یک تریلیون پارامتر در برخی موارد هستند و GPU و سایر نیازهای سیستمی بالایی دارند. این امر باعث می شود که آموزش، تنظیم دقیق و مصرف انرژی استنباط سنگین شود، که نه تنها منجر به هزینه بالا می شود، بلکه تأثیر منفی بر محیط زیست نیز دارد. توهم زمانی اتفاق می افتد که سیستم های هوش مصنوعی محاوره ای با اطمینان پاسخ های نادرست را ارائه می دهند. این یکی از بزرگترین تنگناها در حال حاضر هنگام استفاده مطمئن از این سیستم ها است.
من انتظار دارم تحقیقات بیشتری روی حل این دو مشکل متمرکز شود. ما باید تمرکز بیشتری روی توسعه مدل‌های زبانی کوچک‌تر داشته باشیم که در همان سطح همتایان بزرگ‌تر خود عمل می‌کنند و روش‌های تقطیر دانش کارآمدی را که می‌توانند در LLM اعمال کنند، شناسایی کنیم. من همچنین پیش بینی می کنم که تحقیقات بیشتری در مورد تشخیص، اصلاح و پیشگیری از توهمات انجام شود.
با پیشرفت در زمینه‌های فوق در طول زمان، سیستم‌های مکالمه حتی رایج‌تر خواهند شد و در صنایع مختلف برای کارهای متعدد به کار گرفته می‌شوند.
هدف: در مورد اینکه چگونه ChatGPT ممکن است مشاغل را از بین ببرد، ترس بی‌اساس زیادی وجود دارد. آیا فکر میکنید که این درست است؟
آنکوش: من فکر می کنم بخش بسیار کوچکی از این در نهایت حقیقت دارد. عملکردهای خاصی وجود دارد که در مورد آنها صحبت کردیم، مانند خدمات مشتری، که در آن مشتریان به دنبال اطلاعات اولیه مانند در دسترس بودن اتاق یا موجودی حساب هستند. این کارهای تکراری و پیش پا افتاده را می توان توسط ChatGPT انجام داد و ممکن است در آنجا شاهد تاثیر منفی باشیم. اما من این مدل‌ها را چیزی می‌دانم که اکنون می‌تواند به افراد کمک کند کارآمدتر شوند – با سیستم‌های هوش مصنوعی محاوره‌ای مبتنی بر LLM، نماینده مشتری احتمالاً می‌تواند سریع‌تر پاسخ سؤالات مشتری را پیدا کند. حتی با کدنویسی، سیستم‌های هوش مصنوعی مکالمه برای ایجاد تکه‌های کوچک کد خوب هستند، اما واقعاً نمی‌توانید از آنها انتظار داشته باشید که یک نرم‌افزار کامل را طراحی کنند. علاوه بر این، این مدل‌ها در هیچ حوزه موضوعی جدید یا نوظهوری که مدت‌هاست وجود نداشته است، خوب عمل نمی‌کنند، زیرا این مدل‌ها به داده‌های مرتبط (بسیاری از) برای یادگیری معنادار موضوع نیاز دارند.
