هوش مصنوعی فقط ابزاری برای تحقیقات سریع‌تر نیست – بلکه کاتالیزوری برای کشف است. برای پشتیبانی از این امر، الزویر، رهبر جهانی در پشتیبانی از اطلاعات پیشرفته و تصمیم‌گیری، ScienceDirect AI، یک ابزار هوش مصنوعی مولد پیشرفته برای محققان، را راه‌اندازی کرده است.این ابزار برای تغییر نحوه کار محققان طراحی شده است و آنها را قادر می‌سازد تا فوراً بینش‌های قابل اعتماد را از میلیون‌ها مقاله تمام متن و فصل‌های کتاب در ScienceDirect، بزرگترین پلتفرم جهان برای تحقیقات قابل اعتماد و بررسی شده توسط همتا، استخراج، خلاصه و مقایسه کنند.استوارت ویمن، رئیس بازارهای شرکتی در الزویر، اهمیت ابزار جدید را توضیح می‌دهد.
هوش مصنوعی با تسریع توسعه محصول و تصمیم‌گیری، صنایع تحقیقاتی فشرده، از داروسازی و مواد شیمیایی گرفته تا هوافضا و خودروسازی را متحول می‌کند.
محققان دیگر نمی‌خواهند صرفاً به جستجوی دستی و داده‌های خام تکیه کنند. در عوض، آنها انتظار دارند از جستجوی زبان طبیعی از طریق پلتفرم‌های کاربرپسند برای جستجوی یافته‌ها استفاده کنند. ابزارهای پیشرفته مبتنی بر هوش مصنوعی این تقاضا را برآورده می‌کنند و دستیابی به بینش‌ها، مقایسه یافته‌ها و تولید فرضیه‌های جدید را در کسری از زمان آسان‌تر می‌کنند، چه برای کشف دارو، مواد پیشرفته یا طراحی خودروهای نسل بعدی.
با این حال، استانداردهای سختگیرانه صنایع مبتنی بر شواهد و تحت نظارت به این معنی است که بینش‌های تولید شده توسط هوش مصنوعی باید آستانه‌های بالایی برای دقت و پاسخگویی داشته باشند. در زمینه‌هایی که تصمیمات دارای پیامدهای علمی، ایمنی یا نظارتی هستند، هر بینشی باید قابل تأیید و تکرارپذیر باشد.
ادغام هوش مصنوعی در گردش‌های کاری تحقیق و توسعه بیش از سرعت، به اعتبارسنجی قوی، تخصص عمیق در حوزه و پایبندی دقیق به استانداردهای صنعت برای حفظ یکپارچگی تحقیق و تضمین انطباق نیاز دارد.
چهار چالش استفاده از هوش مصنوعی در تحقیق و توسعه
1: توهم و اطلاعات نادرست
توانایی هوش مصنوعی در تجزیه و تحلیل و خلاصه‌سازی مجموعه داده‌های گسترده قدرتمند است، اما بی‌عیب و نقص نیست. مدل‌های هوش مصنوعی مولد می‌توانند توهم ایجاد کنند، به ویژه مدل‌هایی که به صورت عمومی در دسترس هستند و فقط بر اساس داده‌های وب آموزش دیده‌اند. توهمات، خروجی‌های نادرست یا گمراه‌کننده‌ای هستند که می‌توانند پروژه‌ها را از مسیر خود خارج کرده و منجر به تصمیمات نادرست، مسائل نظارتی و هدر رفتن منابع شوند. محققان شرکتی کاملاً از این چالش آگاه هستند و ۸۴٪ از آنها نگرانی خود را در مورد اینکه هوش مصنوعی ممکن است باعث اشتباهات یا اتفاقات ناگوار شود، گزارش می‌دهند.
۲: فقدان دانش خاص حوزه
بسیاری از ابزارهای هوش مصنوعی تجاری موجود در دسترس عموم برای کاربردهای گسترده طراحی شده‌اند و فاقد تخصص فنی در صنایع تخصصی هستند. این امر می‌تواند منجر به تفسیرهای نادرست، به ویژه در مورد زبان علمی و فنی خاص حوزه شود.
۳: قابلیت ردیابی و تکرارپذیری بینش‌های تولید شده توسط هوش مصنوعی
صنایع تحقیق و توسعه محور به تصمیم‌گیری مبتنی بر شواهد متکی هستند. بینش‌های قابل تأیید و تکرارپذیر ضروری هستند، با این حال بسیاری از پلتفرم‌های هوش مصنوعی به عنوان “جعبه‌های سیاه” با شفافیت محدود در مورد چگونگی رسیدن یک مدل به پاسخ خود عمل می‌کنند. از آنجایی که مقرراتی مانند قانون هوش مصنوعی اتحادیه اروپا الزامات سختگیرانه‌تری را برای پاسخگویی و مدیریت ریسک معرفی می‌کنند، اطمینان از قابل ردیابی بودن و مبتنی بر شواهد بودن خروجی‌های هوش مصنوعی به طور فزاینده‌ای حیاتی است.
۴: استفاده از هوش مصنوعی در سایه
با افزایش دسترسی به ابزارهای هوش مصنوعی، محققان و مهندسان ممکن است بدون نظارت مناسب به مدل‌های هوش مصنوعی تایید نشده روی آورند – پدیده‌ای که به عنوان «هوش مصنوعی در سایه» شناخته می‌شود. تحقیقات نشان می‌دهد که بیش از نیمی (۵۵٪) از محققان شرکتی از آپلود اطلاعات محرمانه در پلتفرم‌های هوش مصنوعی مولد عمومی منع شده‌اند، اما استفاده غیررسمی از هوش مصنوعی همچنان ادامه دارد. این امر خطر نقض داده‌ها، نشت IP و عدم رعایت مقررات را به همراه دارد.
چگونه یک پلتفرم هوش مصنوعی مسئول برای تحقیق و توسعه بسازیم
به جای محدود کردن هوش مصنوعی، سازمان‌ها باید با اتخاذ ابزارهای قابل اعتماد و هدفمند با محافظ‌های دقیق، استفاده از آن را به طور فعال بپذیرند. این رویکرد مسئولانه به کسب‌وکارها اجازه می‌دهد تا از مزایای گردش کار سریع‌تر و قابلیت‌های نوآوری هوش مصنوعی بهره‌مند شوند، در حالی که انطباق را حفظ می‌کنند، از داده‌های حساس محافظت می‌کنند و ریسک را کاهش می‌دهند.
برای اینکه هوش مصنوعی یک دارایی ارزشمند در تحقیق و توسعه باشد، پلتفرم‌ها باید چندین ویژگی کلیدی داشته باشند. اولاً، یک پلتفرم هوش مصنوعی با طراحی خوب باید برای یک صنعت خاص ساخته شود، بر روی منابع داده خاص دامنه مورد اعتماد آموزش ببیند و قادر به تفسیر دقیق زبان فنی باشد. دستیابی به این هدف نیازمند دریافت نظرات متخصصان موضوعی است که می‌توانند منابع داده قابل اعتماد را تأیید کرده و از همسویی هوش مصنوعی با استانداردهای نظارتی اطمینان حاصل کنند. امنیت و انطباق نیز باید در اولویت باشد؛ شرکت‌ها نمی‌توانند ریسک افشای اسرار تجاری را بپذیرند، چه فرمول دارویی جدید باشد و چه فناوری باتری اختصاصی.
قابلیت استفاده نیز مهم است – شرکت‌ها باید در پلتفرم‌های هوش مصنوعی سرمایه‌گذاری کنند که محققان را به وجد می‌آورد و آنها را قادر می‌سازد تا اطلاعات را به روش‌های شهودی تجزیه و تحلیل کنند. یکی از ویژگی‌های ارزشمند، تجزیه و تحلیل مقایسه‌ای داخلی است که امکان خلاصه‌سازی سریع روش‌ها و نتایج مختلف را در چندین مقاله فراهم می‌کند. به عنوان مثال درشکل ۱ نشان می‌دهد که یک محقق در علوم غذایی از هوش مصنوعی برای ساده‌سازی بررسی متون با استخراج بینش‌های کلیدی استفاده کرده است تا زمان صرف شده برای تجزیه و تحلیل دستی تحقیقات را به طور قابل توجهی کاهش دهد.
مقایسه آزمایش‌ها توسط هوش مصنوعی SD
یکی دیگر از کارکردهای ضروری، توانایی تعامل مکالمه‌ای با هوش مصنوعی در مورد داده‌ها است. به جای مصرف منفعلانه تحقیقات، یک دستیار مطالعه مبتنی بر هوش مصنوعی با پیشنهاد سوالات تکمیلی بر اساس زمینه مطالعه، کاوش عمیق‌تر را تشویق می‌کند. به عنوان مثال، هنگام بررسی مقاله‌ای در مورد تصویربرداری تومور مغزی، هوش مصنوعی ممکن است محقق را به پرسیدن این سوال ترغیب کند: “این پیشرفت‌های تصویربرداری چگونه به درک پیش‌آگهی تومورهای مغزی کمک می‌کنند؟” این تعامل پویا تضمین می‌کند که محققان فقط پاسخ‌ها را پیدا نمی‌کنند – آنها خطوط جدید تحقیق را کشف می‌کنند (شکل ۲).
در نهایت، برای افزایش اعتماد محققان و ذینفعان به هوش مصنوعی، بینش‌های تولید شده باید به طور کامل ارجاع داده شوند و به منابع بررسی شده توسط همتا پیوند داده شوند تا محققان بتوانند ادعاها را تأیید کرده و یافته‌ها را بازتولید کنند. در حالت ایده‌آل، این ارجاعات باید کاربران را به پاراگراف یا خط متنی که هوش مصنوعی از آن استخراج کرده است، هدایت کنند. چنین مسیرهای حسابرسی همچنین به انطباق با قوانین در آینده، با تکامل مقررات هوش مصنوعی، کمک خواهد کرد.
هوش مصنوعی هوشمندتر، تحقیقات قوی‌تر
مثال‌های بالا نشان می‌دهند که چگونه ادغام موفقیت‌آمیز هوش مصنوعی در تحقیق و توسعه و توسعه محصول به تعادل فناوری، داده‌ها و تخصص در حوزه مربوطه بستگی دارد. مدل‌های پیشرفته هوش مصنوعی می‌توانند مجموعه داده‌های گسترده را به سرعت پردازش کنند، اما بدون منابع داده قابل اعتماد و اعتبارسنجی تخصصی، سازمان‌ها در معرض خطر ایجاد بینش‌های گمراه‌کننده یا ناقص قرار می‌گیرند. با اولویت‌بندی مقیاس‌پذیری، قابلیت اعتماد و انطباق، کسب‌وکارها می‌توانند ضمن حفظ یکپارچگی فنی و تحقیقاتی، از پتانسیل هوش مصنوعی به طور کامل بهره‌برداری کنند.
هنگامی که هوش مصنوعی با مسئولیت‌پذیری به کار گرفته شود، فقط ابزاری برای تحقیقات سریع‌تر نیست – بلکه کاتالیزوری برای کشف است و بینش‌های جدیدی را آشکار می‌کند که در غیر این صورت ممکن است در انبوهی از اطلاعات مدفون بمانند. کسانی که هوش مصنوعی را با رویکردی استراتژیک و مبتنی بر شواهد می‌پذیرند، در بهترین موقعیت برای تبدیل داده‌ها به نوآوری در دنیای واقعی قرار خواهند گرفت.
www.rndtoday
