توادیست: کمترِ هوش مصنوعی، کاربردی‌تر و قابل‌اطمینان‌تر

چرا توادیست به «کمترِ هوش مصنوعی» معتقد است

گونکالو سیلوا، مدیر فناوری Doist، معتقد است سرعت تغییر در حوزه هوش مصنوعی آن‌قدر بالاست که نقشهٔ راه واحد، انتخاب یک ارائه‌دهندهٔ مدل یا یک روش توسعهٔ ثابت عملاً ناممکن شده است. به همین دلیل، Doist بیش از یک سال پیش سه اصل ساده اما تعیین‌کننده را برای ورود هوش مصنوعی در محصولاتش تعریف کرد: قابلیت‌ها باید هدفمند باشند، داده‌ها خصوصی و امن نگه داشته شوند و طراحی طوری انجام شود که با تغییر مدل‌ها بهتر شود.

سه اصل راهنمای Doist

• هدفمندی: هر قابلیت مبتنی بر هوش مصنوعی باید ارزش کاربردی مشخصی برای کاربر ایجاد کند.
• حریم خصوصی و امنیت: داده‌های کاربران محافظت و از افشای غیرضروری جلوگیری شود.
• انعطاف‌پذیری فنی: طراحی به‌گونه‌ای باشد که با تغییر ارائه‌دهندگان مدل یا به‌روزرسانی‌های مدلی سازگار بماند.

از ایده تا اجرا: وقتی هوش مصنوعی تنها مرحلهٔ تولید است

در پروژهٔ جدید Doist به نام Automations، تیم محصول از مدل‌های زبانی برای تبدیل درخواست‌های زبان طبیعی کاربر به مانیفست استفاده می‌کند؛ اما اجرای مانیفست با فراخوانی مکرر مدل صورت نمی‌پذیرد و به کد ثابت و قابل کنترل واگذار می‌شود. سیلوا می‌گوید مدل‌ها در فهم نیت کاربر بسیار خوب عمل می‌کنند، اما وقتی خودکار باید بار دهم یا صدم نیز رفتار کاملاً پیش‌بینی‌شده‌ای داشته باشد، اتکا به مدل‌ها ریسک‌زا است. بنابراین مدل برای فاز تولید مانیفست به‌کار گرفته می‌شود و اجرای تکراری به کد انتقال داده می‌شود.

بدین‌صورت دو مزیت کلیدی حاصل می‌شود: کنترل بهتر روی پیش‌بینی‌پذیری عملکرد و کاهش هزینه و تأخیر، چون اجرای کد روی CPU معمولاً ارزان‌تر و سریع‌تر از فراخوانی مداوم یک مدل بزرگ و پرهزینه است. مدل تنها یک‌بار فرایند را به مانیفست تبدیل می‌کند و برای اجرای مکرر نیازی به بازتولید کامل منطق نیست.

فلسفهٔ محصول: کاستن به جای افزودن

سیلوا این رویکرد را «کاستن به جای افزودن» می‌نامد. دسترسی آسان به ترکیب‌های مبتنی بر هوش مصنوعی وسوسهٔ عرضهٔ سریع قابلیت‌ها را بالا برده، اما Doist ترجیح می‌دهد ایده‌ها ابتدا آزموده شوند و تنها آن‌هایی که واقعاً ارزش‌افزوده ایجاد می‌کنند وارد محصول شوند. نمونهٔ اخیر، بازنشسته کردن نسخهٔ آزمایشی «Goals» در تاریخ ۱۳ ژوئیه بود؛ قابلیتی که سرمایه‌گذاری تیم را داشت اما معیارهای استفاده و تجربهٔ کاربر را برآورده نکرد.

نمونه‌سازی و آزمایش‌های گسترده

پیش از عرضهٔ قابلیت صوتی Ramble که گفتار را به وظایف ساختاریافته تبدیل می‌کند، تیم Doist حداقل ۱۸ ایدهٔ مبتنی بر هوش مصنوعی را نمونه‌سازی و اکثراً کنار گذاشت. بخشی از این حذف گسترده به این دلیل بود که شرکت در آن زمان هنوز برای آوردن هوش مصنوعی به محیط تولید آماده نبود؛ تجربهٔ عملی و مجموعهٔ تست‌های لازم شکل نگرفته بود.

برای حفظ کیفیت، Doist مجموعه‌ای از آزمون‌ها طراحی کرده که رفتار قابلیت‌ها را در برابر تغییر ارائه‌دهندگان مدل و ورودی‌های متنوع اندازه‌گیری می‌کنند. این رویکرد هم جلوی وابستگی به یک سرویس واحد را می‌گیرد و هم کمک می‌کند هزینه‌ها و ریسک‌های عملکردی کنترل شوند. در سطح فنی نیز تیم هرجا ممکن بوده مدل‌ها را از مسیر اجرای اصلی جدا نگه داشته و تنها از آن‌ها برای تفسیر نیت و تولید مانیفست استفاده می‌کند.

نگاهی به آینده

Doist قصد دارد Automations را از حالت بتای بسته در اوت یا اوایل سپتامبر به‌صورت عمومی عرضه کند. تجربهٔ این شرکت نشان می‌دهد که سازمان‌های نرم‌افزاری بهتر است به‌جای پیوستن بی‌قیدوشرط به موج هوش مصنوعی، چارچوب‌های مشخصی برای هدفمندسازی، حریم خصوصی و انعطاف‌پذیری فنی تعریف کنند. این رویکرد می‌تواند الگویی برای شرکت‌هایی باشد که می‌خواهند مقیاس‌پذیری و قابلیت‌اطمینان را هم‌زمان با بهره‌گیری از قدرت مدل‌های زبانی بزرگ حفظ کنند؛ برای آشنایی بیشتر می‌توان به صفحهٔ مدل‌های زبانی بزرگ مراجعه کرد.

به‌جای افزودن امکانات نامشخص، تمرکز روی «چه چیزی واقعاً به کاربران کمک می‌کند» و «چگونه آن کمک را قابل‌اطمینان و خصوصی نگه داریم» سیاستی است که توادیست دنبال می‌کند — رویکردی عملی‌تر از اتکای کامل به هر مدل نوظهور.