دستیاران هوش مصنوعی عمومی به سرعت در حال تبدیل شدن به رابط اصلی برنامههای مختلف هستند؛ از تجارت الکترونیک و پشتیبانی مشتری گرفته تا نرمافزارهای سازمانی. فروشندگان نرمافزار به طور فزایندهای جستجوی هوش مصنوعی، تجربیات مبتنی بر مکالمه و عوامل خودکار را به محصولات خود اضافه میکنند.
شرکتهایی که محصولات خود را حول اطلاعات اختصاصی میسازند، در موقعیت ممتازی برای بهرهمندی از این تغییر قرار دارند. چه ارائهدهنده اطلاعات مالی، بازار، تحقیقات حقوقی یا انتشار علمی باشند، محصولاتشان با تبدیل اطلاعات معتبر به بینشهای کاربردی، به متخصصان کمک میکنند تا تصمیمات بهتری بگیرند. هوش مصنوعی به این سازمانها اجازه میدهد تا آن تخصص را از طریق تجربیات کاملاً جدید کاربری ارائه دهند.
تغییر میدان رقابت به سمت هوشمندی در بازیابی دادهها
این سازمانها به طور فزایندهای نه تنها بر اساس کیفیت اطلاعات اختصاصی خود، بلکه بر اساس میزان هوشمندی در بازیابی، درک و تبدیل آن به ارزش برای مشتری رقابت میکنند. با تبدیل شدن هوش مصنوعی به رابط اصلی برای دانش اختصاصی، توانایی بازیابی، تأیید، رتبهبندی و تجمیع اطلاعات تقریباً به همان اندازه خود اطلاعات اختصاصی مهم میشود.
بخش عمدهای از توجه صنعت بر مدلهای زبانی فزاینده توانمندتر متمرکز شده است، اما این مدلها تنها به اندازه زمینهای که دریافت میکنند مؤثر هستند. طراحی گردشکارهای بازیابی که به طور مداوم اطلاعات معتبر، مرتبط و بهروز را ارائه میدهند، به سرعت به یکی از چالشهای مهندسی تعیینکننده برای برنامههای مبتنی بر هوش مصنوعی تبدیل میشود.
مهندسی بازیابی؛ بهینهسازی گردشکار به جای جستجوی ساده
برای دههها، مهندسی جستجو بر کمک به افراد برای یافتن اطلاعات صحیح متمرکز بوده است. چه جستجوی یک وبسایت، یک پایگاه داده حقوقی یا یک پلتفرم تحقیقات مالی، چالش همیشه بازیابی مرتبطترین نتایج با ایجاد تعادل بین اولویتهای رقیب مانند ارتباط، تأخیر، مقیاسپذیری و هزینه بود. در گذشته، کار سیستم جستجو بازیابی اطلاعات مرتبط بود و کار انسان ارزیابی آن.
هوش مصنوعی به طور بنیادی این نقش را تغییر میدهد. به جای بازیابی اطلاعات برای ارزیابی توسط افراد، سیستمهای بازیابی به طور فزایندهای زمینهای را تجمیع میکنند که مدلهای زبانی بزرگ و عوامل هوش مصنوعی از آن برای بررسی، استدلال و اقدام استفاده میکنند. هر تصمیم بازیابی اکنون بخشی از یک گردشکار خودکار میشود که در آن ارتباط، تازگی، تأخیر و اعتماد مستقیماً بر پاسخ نهایی تأثیر میگذارد.
مهندسی پرامپت بر نحوه استدلال یک مدل زبانی تأثیر میگذارد. مهندسی بازیابی تعیین میکند که مدل باید درباره چه چیزی استدلال کند.
این موضوع، چالش مهندسی را از فناوریهای فردی به سمت خود گردشکار بازیابی تغییر میدهد. هدف دیگر صرفاً یافتن اسناد مرتبط نیست، بلکه هماهنگسازی بازیابی، رتبهبندی، فیلتر کردن، استنتاج و بهروزرسانیهای بلادرنگ است تا با یکدیگر به شکلی کارآمد کار کنند. این رشته نوپا ارزش دارد که نام اختصاصی خود را داشته باشد: مهندسی بازیابی (Retrieval Engineering). هر دو حوزه مهندسی پرامپت و بازیابی اهمیت دارند، اما با خودمختارتر شدن برنامههای هوش مصنوعی، کیفیت بازیابی به طور فزایندهای کیفیت نتیجه نهایی را تعیین میکند.
چالش اصلی صرفاً جستجوی برداری نیست
با عملی کردن بازیابی معنایی در مقیاس بزرگ، پایگاههای داده برداری مسئله مهمی را حل کردند. اما بازیابی معنایی تنها یک مرحله از یک گردشکار بسیار بزرگتر است. برنامههای هوش مصنوعی تولیدی به طور فزایندهای شباهت برداری را با جستجوی کلیدواژه، فیلترهای ساختاریافته، قوانین کسبوکار، شخصیسازی، رتبهبندی مبتنی بر یادگیری ماشین و استنتاج بلادرنگ ترکیب میکنند تا زمینهای را که مدلهای زبانی به آن وابستهاند، تجمیع کنند.
چالش مهندسی دیگر انتخاب بهترین فناوری بازیابی نیست، بلکه هماهنگسازی گردشکارهای بازیابی به طور فزاینده پیچیدهتر است که دقیق، پاسخگو و قابل اعتماد عمل کنند. همانطور که برنامههای هوش مصنوعی از دستیاران مبتنی بر مکالمه به سیستمهای تحقیقات عمیق و عوامل خودمختار تکامل مییابند، بهینهسازی این گردشکارها به جای تمرکز بر اجزای منفرد، اهمیت حیاتی پیدا میکند. یک درخواست ساده کاربر ممکن است پیش از تولید پاسخ، دهها یا حتی صدها عملیات بازیابی را در پسزمینه فعال کند.
در آیندهای که هوش مصنوعی بار سنگینی از پردازش اطلاعات را به دوش میکشد، موفقیت پلتفرمهای مبتنی بر داده به سیستمهایی وابسته است که بتوانند با هماهنگی کامل، دقیقترین و بهروزترین زمینهها را برای استدلال مدلهای زبانی فراهم کنند.
