خلاصه مقاله
ایجاد یک پلتفرم توسعه هوش مصنوعی در بخش دولتی نیازمند یک ساختار مشخص، همکاری بین بخش‌های مختلف و رعایت اصول اخلاقی است. ارتش آمریکا با استفاده از مدل دانشگاه کارنگی ملون، در حال ساخت یک زیرساخت هوش مصنوعی انعطاف‌پذیر و مقیاس‌پذیر است که بتواند بر روی محیط‌های ابری یا محلی کار کند. این پلتفرم بر مبنای پلتفرم نرم‌افزاری مشترک (COES) بنا شده و با همکاری دانشگاه‌ها و شرکت‌های خصوصی توسعه یافته است. آموزش تیم‌های فناوری در سطوح مختلف، از مدیریت تا کارشناسان فنی، بخش مهمی از این تحول است. همچنین، تمرکز بر کاربردهای با پتانسیل بالا مانند تصمیم‌گیری عملیاتی و پردازش زبان طبیعی، و توجه به چالش‌هایی مانند قابلیت توضیح‌پذیری، تغییر مدل‌ها و شبیه‌سازی داده، از دیگر محورهای اصلی این راه‌اندازی است.
ساختار زیرساخت هوش مصنوعی
برای حرکت از سیستم‌های قدیمی به سمت مدرن‌سازی دیجیتال، ساختار مشخصی برای هوش مصنوعی ضروری است. این ساختار که توسط دانشگاه کارنگی ملون تعریف شده شامل چند لایه اصلی است:
- برنامه‌ریزی
- پشتیبانی از تصمیم‌گیری
- مدل‌سازی
- یادگیری ماشین
- مدیریت داده‌های بزرگ
- لایه دستگاه یا پلتفرم
این لایه‌ها باید به گونه‌ای طراحی شوند که بتوانند به راحتی در محیط‌های ابری یا محلی اجرا شوند و همزمان انعطاف‌پذیر و مقیاس‌پذیر باشند.
پلتفرم نرم‌افزاری مشترک (COES)
ارتش آمریکا از پلتفرم نرم‌افزاری مشترک (COES) استفاده می‌کند که در سال ۲۰۱۷ راه‌اندازی شد. این پلتفرم دارای ویژگی‌های کلیدی زیر است:
| ویژگی | توضیح |
|---|---|
| مقیاس‌پذیری | قادر به رشد و تناسب با نیازهای مختلف پروژه‌ها |
| چابکی | سرعت بالا در توسعه و اجرای برنامه‌ها |
| شکاف‌پذیری (MODULAR) | قابلیت جایگزینی و بروزرسانی بخش‌ها بدون تأثیر بر کل سیستم |
| قابل حمل بودن | قابلیت اجرا در محیط‌های مختلف سخت‌افزاری و ابری |
| منبع باز (OPEN) | دسترسی آزاد به کد و امکان همکاری گسترده |
این پلتفرم پایه‌ای ایده‌آل برای اجرای پروژه‌های هوش مصنوعی در محیط‌های دولتی فراهم می‌کند.
همکاری با بخش خصوصی به جای خرید آماده
ارتش آمریکا به جای خرید راه‌حل‌های آماده، بر همکاری با شرکت‌های خصوصی و دانشگاه‌ها مانند Visimo و دانشگاه کارنگی ملون تمرکز کرده است. این همکاری‌ها به دلایل زیر موثرتر هستند:
- محصولات آماده معمولاً برای محیط‌های خصوصی طراحی شده‌اند و با چالش‌های امنیتی و ساختاری بخش دولتی سازگار نیستند.
- همکاری مشترک امکان سفارشی‌سازی دقیق بر اساس نیازهای خاص نظامی و امنیتی را فراهم می‌کند.
- ایجاد نمونه اولیه مشترک، سرعت توسعه و کیفیت نهایی را افزایش می‌دهد.
آموزش نیروهای مختلف در هوش مصنوعی
برای موفقیت در توسعه هوش مصنوعی، آموزش سه گروه اصلی حیاتی است:
۱. نیروهای رهبری و مدیریتی
سخت‌ترین گروه آموزشی، مدیران اجرایی هستند، زیرا باید ارزش واقعی هوش مصنوعی را درک کنند. بدون پشتیبانی آن‌ها، تأمین بودجه و تأیید پروژه‌ها دشوار می‌شود.
۲. پرسنل فنی
این گروه شامل توسعه‌دهندگان نرم‌افزار، متخصصان داده و مهندسان یادگیری ماشین است. آن‌ها باید بتوانند مدل‌ها را بسازند، داده‌ها را مدیریت کنند و کدهای قابل اعتماد بنویسند.
۳. کاربران هوش مصنوعی
ارتش نیاز دارد کاربرانی داشته باشد که بتوانند نتایج مدل‌ها را تحلیل کنند و تصمیم عملیاتی بگیرند. آموزش این افراد، ارتباط بین فناوری و عملیات واقعی را تقویت می‌کند.
اهمیت فضای همکاری
تیم‌ها برای موفقیت به فضایی نیاز دارند که بتوانند در آن دانش را به اشتراک بگذارند، پروژه‌ها را توسعه دهند و به صورت گروهی حل مسئله کنند.
کاربردهای با بالاترین پتانسیل هوش مصنوعی
در میان کاربردهای مختلف هوش مصنوعی، دو حوزه برجسته‌تر از بقیه شناخته شده‌اند:
تصمیم‌گیری در شرایط عملیاتی
کمک به فرماندهان نظامی برای تصمیم‌گیری سریع و دقیق در شرایط پیچیده و با زمان محدود.
پردازش زبان طبیعی (NLP)
این فناوری به ویژه در وزارتخانه‌هایی مانند کار که با داده‌های انسانی، برنامه‌ها و سازمان‌ها سروکار دارند، می‌تواند انقلابی ایجاد کند. امکان استخراج اطلاعات از متن، خلاصه‌سازی گزارش‌ها و پاسخ‌گویی خودکار به پرسش‌ها، از ویژگی‌های اصلی آن است.
چالش‌ها و ریسک‌های اجرای هوش مصنوعی
با وجود پتانسیل بالا، اجرای هوش مصنوعی در دولت با چالش‌های مهمی همراه است:
دست‌اندرکار بودن انسان
اگرچه سیستم‌ها تصمیم می‌گیرند، انسان باید همواره در حلقه تصمیم‌گیری حضور داشته باشد تا خطاهای احتمالی کاهش یابد.
نیاز به نظارت مداوم
مدل‌های هوش مصنوعی می‌توانند با گذشت زمان تغییر کنند (مثلاً به دلیل تغییر داده‌ها). بنابراین، نیاز به ارزیابی مستمر و بررسی عملکرد وجود دارد.
مشکل داده‌های واقعی
در برخی موارد، داده واقعی کافی وجود ندارد و باید از شبیه‌سازی استفاده کرد. این رویکرد خود ریسک دارد، زیرا ممکن است رفتار واقعی سیستم را به درستی منعکس نکند.
قابلیت توضیح‌پذیری (Explainability)
سیستم‌های هوش مصنوعی باید بتوانند دلایل تصمیمات خود را به زبان قابل فهم ارائه دهند. این ویژگی برای ایجاد اعتماد، تأیید نتایج و همکاری انسان-ماشین ضروری است.
اهمیت استراتژی آزمایش از ابتدا
رهبران باید از همان اول پروژه، نحوه سنجش موفقیت را مشخص کنند. این شامل تعریف شاخص‌های عملکرد، معیارهای ارزیابی و روش‌های بازخورد است. بدون این برنامه، نمی‌توان میزان تأثیر پروژه را مشخص کرد.