مدیرعامل ابرآمد: هوش مصنوعی سازمانی با زیرساخت امن و پایدار ارزش می‌آفریند

سعید مرادی، مدیرعامل ابرآمد، و رها آسمانی، مدیر پلتفرم هوش مصنوعی این شرکت، در سمینار «آینده زیرساخت سازمان؛ نقش کلاد و هوش مصنوعی در تحول کسب‌وکارها» در رویداد «باهم ۱۴۰۵» گفتند آنچه هوش مصنوعی را در سازمان به ارزش واقعی تبدیل می‌کند، فقط مدل هوشمند نیست؛ زیرساخت و پلتفرمی است که مدل را از مرحله آزمایش به سرویسی امن، پایدار و مقرون‌به‌صرفه می‌رساند.

بازتعریف رابطه انسان، سازمان و ماشین در عصر هوش مصنوعی

مرادی سخنانش را با جمله‌ای از مارتین هایدگر، فیلسوف آلمانی، آغاز کرد که گفته: «اندیشناک‌ترین چیز در این زمانه اندیشناک این است که ما هنوز نمی‌اندیشیم.» هایدگر معتقد بود فناوری صرفا ابزار نیست؛ بلکه شیوه‌ای از دیدن است که تعیین می‌کند چه چیزی را ارزشمند و واقعی بدانیم؛ و مدیرعامل ابرآمد از همین منظر به سراغ تجربه سازمان‌ها رفت.

به گفته او، سازمانی که زیرساختش را به کلاد (Cloud) منتقل می‌کند، فقط سرورهایش را جابه‌جا نمی‌کند، بلکه رابطه‌اش با سرمایه، ریسک، مقیاس‌پذیری و نوآوری را تغییر می‌دهد. ورود هوش مصنوعی به سازمان نیز چنین است: این فناوری دانش، تجربه و قضاوت را در دسترس‌تر می‌کند و از این راه، رابطه انسان، سازمان و ماشین را از نو شکل می‌دهد.

همین ویژگی، هوش مصنوعی را از موج‌های پیشین فناوری جدا می‌کند. مرادی یادآوری کرد که چرخ، ماشین بخار، کامپیوتر و اینترنت هر کدام توان بشر را در حرکت، تولید، محاسبه و ارتباط افزایش دادند، اما هوش مصنوعی برای نخستین‌بار در مقیاسی گسترده به قلمرو فعالیت‌های شناختی پا گذاشته است. خروجی آن نیز برخلاف فناوری‌های گذشته قطعی نیست و ماهیتی احتمالاتی دارد؛ ویژگی‌ای که پیچیدگی تازه‌ای برای سازمان‌ها به همراه می‌آورد.

مدیرعامل ابرآمد در مواجهه با این پیچیدگی، دو روایت رایج «فروپاشی» و «رستگاری» را نادرست دانست، زیرا هر دو فناوری را سرنوشتی محتوم می‌بینند. به باور او، آنچه در این دوره اهمیت پیدا می‌کند توانمندی‌هایی است که ماشین جایگزینشان نمی‌شود: درست پرسیدن، تشخیص سوگیری‌ها و فرض‌های نادرست، دیدن پیامدها، پذیرفتن مسئولیت اخلاقی و حقوقی، و «مکث»؛ مکثی که به سازمان فرصت می‌دهد پیش از حرکت بداند به کدام سمت می‌رود.

تناقض عصر هوش مصنوعی

مرادی سپس از سطح نظری به واقعیت اقتصادی این فناوری رسید و از آنچه «تناقض عصر هوش مصنوعی» نامید سخن گفت:

هوش امری نامرئی به نظر می‌رسد، اما بر یکی از گران‌ترین زیرساخت‌هایی تکیه دارد که بشر ساخته است. انویدیا دیتاسنترها را «کارخانه‌های هوش مصنوعی» می‌نامد؛ کارخانه‌هایی که برق مصرف و توکن تولید می‌کنند و معیار رقابتشان «توکن بر وات» است. به گفته او، حدود ۵۵ درصد هزینه جهانی هوش مصنوعی صرف همین زیرساخت، یعنی تراشه، شبکه و تأسیسات، می‌شود.

این بار با رشد مدل‌ها سنگین‌تر هم شده است. از معرفی معماری ترنسفورمر در ۲۰۱۷ و ورود چت‌جی‌پی‌تی به زندگی روزمره در ۲۰۲۲ تا مدل‌های استدلالی امروز، اندازه و توان مدل‌ها پیوسته بالا رفته است. بخشی از این مدل‌ها با وزن‌های باز منتشر می‌شوند و می‌توان آن‌ها را روی زیرساخت داخلی اجرا کرد، اما اجرایشان به GPU نیاز دارد؛ سخت‌افزاری که مدیرعامل ابرآمد آن را «طلای این روزها» خواند و شتاب تحولش به حدی است که پیش از بازگشت سرمایه منسوخ می‌شود.

با این حال، مشکل فقط گرانی GPU نیست؛ نحوه استفاده از آن هم هست. مرادی به گزارشی استناد کرد که نشان می‌داد سازمان‌ها تنها حدود پنج درصد ظرفیت GPUهای در اختیارشان را به کار گرفته بودند، چرا که از ترس کمبود در اوج بار، حدود ۲۰ برابر نیازشان ظرفیت رزرو کرده بودند. از نگاه او، راه‌حل نه ارزان کردن GPU، که تبدیل ظرفیت به «ظرفیت قابل بهره‌برداری» است؛ ظرفیتی که به‌صورت اشتراکی در اختیار کاربران متعدد قرار گیرد.

به این‌ها باید هزینه‌های پنهان را هم افزود: تأسیسات، سرمایش، برق، استهلاک و امنیت، و در مورد هوش مصنوعی، آموزش و ارزیابی و بازآموزی مدل، اتصال به سامانه‌های موجود و حفاظت از داده. مرادی این بخش را با جمله‌ای جمع‌بندی کرد که به محور بحث سمینار بدل شد: «هزینه توکن به‌تنهایی مسئله نیست؛ مسئله این است که هر توکن به چه میزان ارزش کسب‌وکار وصل می‌شود.»

از دمو تا سرویس قابل اتکا

رها آسمانی بحث را از همین نقطه پی گرفت و به این پرسش پرداخت که چگونه می‌توان از مدل هوشمند به سرویسی رسید که چنین ارزشی را واقعاً ایجاد کند. به گفته او، پرسش امروز سازمان‌ها دیگر این نیست که از هوش مصنوعی استفاده کنند یا نه، بلکه این است که چه کسی زودتر و مطمئن‌تر این مسیر را طی می‌کند. او مدل هوشمند را به موتور خودرو تشبیه کرد: جزئی ضروری، اما نه کل خودرو. سرویس قابل اتکا زمانی شکل می‌گیرد که امنیت، پایداری، مقیاس‌پذیری و پایش هم در کنار مدل قرار گیرد.

فاصله میان این دو، به توضیح آسمانی، همان فاصله دمو و سرویس واقعی است. دمو با چند کاربر و داده نمونه در ساعت ارائه کار می‌کند و خطایش با یک اجرای دوباره جبران می‌شود؛ سرویس واقعی اما باید شبانه‌روز به صدها کاربر هم‌زمان پاسخ دهد، با داده محرمانه سازمان کار کند و هر خطایش هزینه مالی و اعتباری دارد. آسمانی برای عبور از این فاصله پنج چالش را برشمرد که نخستین آن امنیت داده است.

به گفته او، فرمول‌های تولید، آمار فروش، فهرست مشتریان و قراردادها نباید از سازمان خارج شوند و دسترسی هر کاربر و هر سرویس به داده باید دقیقاً تعریف شود. این نگرانی فرضی هم نیست: آسمانی گفت در همین روزهای رویداد سازمان‌های متعددی گفته‌اند فاکتورهای فروششان را برای تحلیل به سرویس‌های عمومی خارجی می‌سپارند؛ کاری که او ریسکش را بسیار بالا دانست.

چالش دوم پایداری است. مدیر پلتفرم هوش مصنوعی ابرآمد سرویسی را مثال زد که با تصویربرداری از کلینکر کوره سیمان بر فرایند تولید نظارت می‌کند؛ اگر چنین سرویسی نیمه‌شب از کار بیفتد، خط تولید متوقف می‌شود. پاسخ این خطر پایش ۲۴ ساعته، جایگزینی و ترمیم خودکار سرویس و انتشار تدریجی نسخه‌های جدید مدل است. چالش سوم، یعنی مقیاس، از همین جنس است: سرویس باید مانند خط تولیدی که بسته به سفارش شیفت اضافه یا کم می‌کند، در ساعت‌های پرترافیک به صورت خودکار افزایش مقیاس دهد و توان پاسخگویی به درخواست‌های بیشتری را داشته باشد.

چهارمین چالش، کیفیت پاسخ است. به گفته او، مدل‌ها «با اطمینان بسیار بالا اشتباه می‌کنند» و با تغییر شرایط، مانند جنگ یا نوسان ارزی، «پیر» هم می‌شوند؛ پس باید دائم پایش و در صورت لزوم بازآموزی یا جایگزین شوند. اتکا به اسناد و دانش خود سازمان این خطا را کاهش می‌دهد، اما در تصمیم‌های حساس، مانند تغییر داروی یک بیمار، بازبینی انسانی همچنان ضروری است.

هزینه در استنتاج است

پنجمین چالش، هزینه، همان مسئله‌ای بود که مدیرعامل ابرآمد نیز بر آن تأکید کرده بود. آسمانی میان آموزش مدل و استنتاج، یعنی اجرای مدل برای پاسخ به درخواست‌ها، تمایز گذاشت و توضیح داد که با گسترش استفاده از مدل‌ها، بخش اصلی هزینه اکنون به استنتاج منتقل شده است. واحد این هزینه توکن است و مهار آن به بهینه‌سازی ورودی و خروجی مدل بستگی دارد.

او برای این بهینه‌سازی چند راهکار مطرح کرد: استفاده از قابلیت استدلال فقط در موارد ضروری، سپردن پرسش‌های ساده به مدل‌های ساده‌تر، ذخیره موقت ورودی‌های تکراری، پردازش دسته‌ای کارهای غیرفوری در ساعت‌های کم‌بار، و انتقال دانش مدل‌های بزرگ به مدل‌های کوچک‌تر. به گفته آسمانی، مجموع این بهینه‌سازی‌ها می‌تواند هزینه را تا ۷۰ درصد کاهش دهد.

پلتفرم به‌جای تیم‌های پراکنده

پاسخ دادن به همه این چالش‌ها در داخل سازمان اما، به گفته مدیر پلتفرم هوش مصنوعی ابرآمد، به تیمی از متخصصان زیرساخت و شبکه نیاز دارد که جذب و نگهداشت آن دشوار و پرهزینه است. راه‌حل او پلتفرم هوش مصنوعی است؛ لایه‌ای که این وظایف را متمرکز می‌کند و او آن را به اتاق کنترل نیروگاه تشبیه کرد. در این تصویر، کلاد در پایین‌ترین سطح مانند ساختمانی خالی است، پلتفرم هوش مصنوعی کارگاهی مجهز در دل آن، و سرویس‌هایی مانند جست‌وجوی هوشمند در دانش سازمانی، تبدیل جلسات به صورت‌جلسه و خودکارسازی فرایندها محصول نهایی این زنجیره‌اند.

آسمانی افزود که در راهکار ابرآمد، مدل‌ها در داخل سازمان مستقر می‌شوند و داده به بیرون از سازمان ارسال نمی‌شود؛ پاسخی مستقیم به همان نگرانی امنیتی که در آغاز سخنانش مطرح کرده بود. سرویس‌هایی مانند کنترل کیفیت تماس و ایجنت‌های سازمانی نیز روی همین بستر و با پایش دائمی کیفیت، پایداری و مقیاس ارائه می‌شوند.

اهمیت مکث در دنیای پرشتاب

سعید مرادی در پایان سمینار، رشته بحث را به نقطه آغاز بازگرداند. او گفت هوش مصنوعی زمانی ارزش اقتصادی ایجاد می‌کند که داده، ظرفیت انسانی و قواعد کسب‌وکار در کنار هم قرار گیرند، و کلاد در این میان سه نقش دارد: زیرساخت مشترکی که نیازهای روزمره‌ای مانند پشتیبان‌گیری، بازیابی و مدیریت دسترسی را پوشش می‌دهد؛ بستری برای اتصال مدل‌ها به APIها و نرم‌افزارهای سازمانی؛ و ظرفیت محاسباتی برای اجرا و آموزش مدل‌ها، همراه با حفاظت از داده و تأمین کیفیت و امنیت.

به گفته مدیرعامل ابرآمد، موضوع در نهایت فقط ظرفیت محاسباتی نیست، بلکه تغییر رابطه میان انسان، سازمان و تصمیم‌گیری ماشینی است. او سخنانش را با جمله‌ای به پایان برد که بار دیگر به مفهوم «مکث» بازمی‌گشت: «در دنیایی که همه با سرعت در حال حرکت‌اند، شاید فرق سازمان‌های آینده در این باشد که برخی با شتاب به سوی آینده می‌روند و برخی پیش از حرکت می‌ایستند، مکث می‌کنند و می‌پرسند: به کدام سمت؟»