در این مصاحبه اختصاصی ، ما با تامی تران، یک مهندس نرم افزار در شیب دارکه سفر شغلی آن از بهینه سازی موتورهای بازی در یوبی سافت گرفته تا مقابله با چالش های بزرگ هوش مصنوعی در متا و رمپ است. تامی بینش خود را در مورد انتقال به هوش مصنوعی و ML ، اجرای راه حل های نوآورانه ضمن حفظ قابلیت اطمینان پلتفرم و نقش هوش مصنوعی در هدایت تجارت و رشد اقتصادی ایالات متحده به اشتراک می گذارد. این مکالمه از مشاوره برای شرکتهای کوچکتر که در مورد هوش مصنوعی گرفته تا بحث در مورد آینده هوش مصنوعی و واقعیت افزوده ، با چشم اندازهای عملی و چشم اندازهای آینده نگر بسته بندی شده اند ، بسته بندی شده است. غواصی کنید تا بررسی کنید که چگونه تامی تخصص فنی را با تأثیر استراتژیک پل می کند.
چه چیزی الهام بخش انتقال شما از توسعه بازی در Ubisoft به اعمال Advanced AI و ML برای چالش های در مقیاس بزرگ در متا و رمپ است؟
در حالی که کار می کند مدل سازی مبتنی بر نمودار وت شبیه سازی های زمان واقعی در Ubisoft ، من اصول اصلی بهینه سازی یک موتور بازی را درک کردم-با استفاده از جریان داده های عظیم ، تصمیم گیری در زمان واقعی و مدل سازی پیش بینی-مستقیماً در مورد چالش های پیچیده AI در سایر بخش ها قابل استفاده هستند. توسعه بازی به من آموخت مقدار محاسبات با کارایی بالا و چگونه می توان سیستم های زمان واقعی را به حد خود سوق داد. در متا و رمپ ، فرصتی دیدم که با ادغام این روشهای محاسباتی پیشرفته را بیشتر انجام دهم تکنیک های پیشرفته AIاز معماری مبتنی بر ترانسفورماتور برای تولید متن به یادگیری تقویت کننده برای تخصیص منابع-به سیستم عامل های در مقیاس بزرگ. این تغییر به من اجازه می دهد با موضوعات مهم مانند کسب درآمد AD ، و بهینه سازی داده های مشتری ، که همه آنها به طور قابل توجهی سود اقتصادی و کارآیی عملیاتی را در شرکت های مستقر در ایالات متحده هدایت می کنند.
تأثیر دنیای واقعی راه حل های هوش مصنوعی خود را ، به ویژه هنگام کمیت صرفه جویی در هزینه یا سود درآمد ، چگونه می توان اندازه گیری می کنید؟
من به آزمایشات ساختاری-مانند آزمایش A/B یا راهزنان چند مسلح-متکی هستم تا تأیید کنم که یک مدل AI خاص واقعاً باعث بهبود می شود. به عنوان مثال ، من یک مدل را در زیر مجموعه ای از کاربران یا بخش های داده مستقر می کنم و عملکرد آن را در برابر یک گروه کنترل با استفاده از معیارهای خوب تعریف شده مانند نرخ تبدیل یا هزینه برای هر خرید مقایسه می کنم. از طرف مالی ، من این پیشرفت ها را در معیارهای مربوط به تجارت – مانند درآمد ماهانه ، استفاده از منابع یا هزینه های عملیاتی ترسیم می کنم. با پیوند مداوم خروجی های مدل به نتایج سطح شرکت ، می توانم نشان دهم که چگونه هر تغییر AI محور مستقیماً به سود قابل اندازه گیری ترجمه می شود ، خواه این به معنای مشارکت بالاتر کاربر ، کاهش هزینه های زیرساخت ها یا عملیات فروش کارآمدتر باشد. این اعتبارسنجی مبتنی بر داده نه تنها ROI را اثبات می کند بلکه باعث ایجاد اعتماد به نفس در بین ذینفعان می شود و راه را برای اتخاذ گسترده تر ابتکارات هوش مصنوعی هموار می کند. O1
چگونه می توانید با حفظ یک بستر داده قوی و قابل اعتماد مشتری ، ویژگی های نوآورانه AI را متعادل کنید؟
من یک استراتژی گسترده را اتخاذ می کنم. در ابتدا ، ویژگی های جدید هوش مصنوعی-از جمله تجزیه و تحلیل احساسات پیشرفته یا توصیه های متن تولیدی-در زیر مجموعه کوچکی از داده های دنیای واقعی آزمایش می شوند ، به طور معمول در یک مرحله “پرتاب تاریک” که در آن خروجی ها فقط برای تعداد معدودی از ذینفعان داخلی قابل مشاهده هستند. ما معیارهای عملکرد (دقت ، تأخیر) و شاخص های قابلیت اطمینان (گزارش های خرابی ، سیاهههای خطا) را جمع می کنیم. هنگامی که این ویژگی ثبات و ارزش واضح را نشان می دهد ، ما آن را به تدریج در کل بستر داده های مشتری مقیاس می کنیم. در کنار آن ، ما مکانیسم های برگشتی روشن را حفظ می کنیم به گونه ای که اگر سرویس AI خرابی یا رفتار غیر منتظره ای را تجربه کند ، گردش داده های ضروری بی تأثیر باقی می مانند. این رویکرد تضمین می کند که هوش مصنوعی برش می تواند با قابلیت اطمینان بحرانی مأموریت همزیستی داشته باشد.
به شرکتهای کوچکتر آمریکایی چه توصیه ای می کنید که به دنبال معرفی AI بدون تیم های بزرگ و اختصاصی هوش مصنوعی هستند؟
شرکت های کوچکتر می توانند با تعریف یک پروژه آزمایشی متمرکز با اهداف ملموس – مانند خودکار کردن بخش هایی از خدمات مشتری خود یا تولید بینش بازاریابی هدفمند ، شروع کنند. آنها بلافاصله به یک بخش هوش مصنوعی تمام عیار احتیاج ندارند. یک کارگروه کوچک و عملکردی متقابل می تواند یک مشکل با تأثیر بالا را شناسایی کند ، داده های مربوطه را جمع کند و از ابزارهای خارج از قفسه یا مدل های از پیش آموزش داده شده برای آزمایش استفاده کند. از آنجا ، من آنها را تشویق می کنم تا از خدمات AI مبتنی بر ابر (AWS ، GCP ، Azure) استفاده کنند که چارچوب های ML محاسباتی مقیاس پذیر و کاربر پسند را ارائه می دهند. تعامل با مشاوران یا ملاقات های محلی AI برای راهنمایی نیز کمک می کند. ترکیبی از یک دامنه متوسط و تعریف شده و به راحتی در دسترس ، اغلب منجر به پیروزی های اولیه می شود که باعث افزایش اعتماد به نفس می شود و برای تلاش های پیشرفته تر باعث ایجاد حرکت می شود و با تقویت نوآوری های هوش مصنوعی ، از اقتصاد ایالات متحده بهره می برد.
آیا می توانید سناریویی را توصیف کنید که برای ارائه یک ویژگی AI محور نیاز به هماهنگی شدید عملکردی داشته باشد؟
من در زمینه تهیه یک راه حل تجزیه و تحلیل احساسات کار کردم تا به یک سازمان فروش کمک کنم تا به طور مؤثر مدیریت و پاسخ به ایمیل های دریافتی را انجام دهم. این پروژه شامل همکاری نزدیک بین مدیران محصول ، دانشمندان داده ، مهندسان و تیم رهبری فروش است. در حالی که دانشمندان داده ها مدل پردازش زبان طبیعی (NLP) را تصحیح کردند – با بیان دقیق تر در طبقه بندی لحن پیام – گروه مهندسی متمرکز بر ادغام یکپارچه این مدل در بستر ارتباطی موجود بود. رهبری برچسب های اولویت را تعریف کرده و نحوه استفاده از خروجی ها در گردش کار روزانه را راهنمایی می کند. آنچه باعث موفقیت تلاش شد ، حلقه بازخورد در زمان واقعی از تیم فروش بود. در هر زمان که این مدل یک ایمیل را نادرست طبقه بندی کند ، ورودی فوری آنها باعث ایجاد شکاف در داده های آموزش ما می شود و اقدامات عملی را برای بهبود عملکرد به ما می دهد. با ترکیب تخصص دامنه از فروش با دانش ML از تیم علوم داده ، ما ویژگی ای را ارائه دادیم که هم زمان پاسخ و هم رضایت کلی مشتری را به میزان قابل توجهی افزایش داد.
از کجا می بینید که هوش مصنوعی بیشترین تأثیر را در مشاغل آمریکایی و اقتصاد کلی در پنج تا ده سال آینده داشته است؟
من معتقدم که اتوماسیون گسترده وظایف عملیاتی-از تدارکات زنجیره تأمین تا پردازش پشت دفتر-بهره وری فوق العاده ای خواهد داشت. در عین حال ، تجربیات هوش مصنوعی شخصی ، تعامل با مشتری را افزایش می دهد ، از راه حل های پیش بینی مراقبت های بهداشتی گرفته تا سیستم عامل های آموزش الکترونیکی تطبیقی. با پالایش این راندمان AI محور ، شرکت های آمریکایی برای پس انداز میلیاردها دلار ، ضمن سرمایه گذاری مجدد این پس انداز در تحقیقات بیشتر ، نوآوری محصول و ایجاد شغل ، می توانند صرفه جویی کنند. علاوه بر این ، تکامل همزمان AI و محاسبات Edge به این معنی است که حتی شرکت های کوچکتر نیز می توانند ML پیشرفته را بدون نیاز به زیرساخت های گسترده مهار کنند. این دموکراتیک سازی هوش مصنوعی باعث رشد گسترده اقتصادی خواهد شد و ایالات متحده را در حاشیه رهبری جهانی فناوری نگه می دارد.
چه توصیه ای برای مهندسان به دنبال ترکیب تخصص فنی هوش مصنوعی با بینش های تجاری استراتژیک دارید؟
ابتدا ، اصول ML را تسلط دهید: با چارچوب هایی مانند Pytorch یا Tensorflow ، تجربه دست و پا گیر را بدست آورید ، پردازش داده های در مقیاس بزرگ (Spark ، Hadoop) را کشف کنید و تنظیم خطوط لوله MLOPS قوی را انجام دهید. دوم ، بیاموزید که Jargon AI را به معیارهای تجاری ملموس ترجمه کنید – به مدیران نشان دهید که چگونه یک افزایش 2 ٪ در دقت مدل می تواند میلیون ها دلار در درآمد اضافی تولید کند یا صرفه جویی قابل توجهی در هزینه داشته باشد. سرانجام ، ملاحظات اخلاقی و حریم خصوصی را از ابتدا در اولویت قرار دهید. این نه تنها مانع از موانع قانونی می شود بلکه باعث ایجاد اعتماد به کاربران می شود ، که برای استقرار هوش مصنوعی به طور فزاینده ای بسیار مهم است. با مخلوط کردن یک بنیاد فنی عمیق با درک اهداف سازمانی ، شما به عنوان یک مهندس که تأثیر معنی دار و در مقیاس بزرگ دارد ، ایستادگی خواهید کرد.
نقش خود را در کمک به ایالات متحده در حفظ رهبری جهانی خود در هوش مصنوعی چگونه می بینید؟
یکی از ماموریت های اصلی من دموکراتیک کردن دانش هوش مصنوعی است. با استفاده از مهندسین مربیگری و شکل دادن به برنامه های آموزشی ، من به ایجاد شکاف بین تحقیقات برجسته و کاربردهای عملی کمک می کنم. این شامل موارد زیر است: هدایت دانش آموزان پیشرفته یا مهندسین خردسال در بهترین روشها در استقرار مدل ، MLOP ها و اطمینان از خطوط لوله داده قوی. مشاوره در مورد مشاغل در مورد پیمایش موانع نظارتی در هنگام اتخاذ راه حل های تحول آمیز هوش مصنوعی. ترویج فرهنگ هوش مصنوعی اخلاقی و پایدار به گونه ای که هرچه نوآوری می کنیم ، اعتماد عمومی را نیز حفظ می کنیم. چنین مربیگری فقط به نفع زبان آموزان فردی نیست – این موتور نوآوری گسترده تر ایالات متحده را سوخت می دهد. هنگامی که نسل بعدی پزشکان هوش مصنوعی برای ادغام فن آوری های جدید با مسئولیت پذیری آماده است ، آمریکا در صدر رقابت جهانی باقی می ماند ، رشد اقتصادی و مشاغل با ارزش بالا را ایجاد می کند که رهبری را در بخش فناوری حفظ می کند.
چگونه می توانید به تدریس اصول هوش مصنوعی به سازمان ها یا مهندسانی که تازه وارد این زمینه هستند نزدیک شوید؟
من با تجزیه اصول اصلی AI – مانند تهیه داده ها ، معماری مدل و معیارهای عملکرد – ماژول های قابل کنترل شروع می کنم. به عنوان مثال ، من مفاهیم اساسی مانند مهندسی ویژگی یا تبار شیب را در جلسات به سبک کارگاه که شامل تمرینات کد نویسی دستی است ، پوشش خواهم داد. نکته اصلی تعادل عمق نظری با کاربردهای دنیای واقعی است ، بنابراین مردم بلافاصله می بینند که چگونه AI می تواند مشکلات تجاری خاص خود را حل کند. برای اطمینان از یادگیری مؤثر ، من اغلب از نوت بوک های تعاملی (به عنوان مثال ، Jupyter یا Colab) استفاده می کنم که زبان آموزان را به مرحله به مرحله از طریق یک مجموعه داده و فرایند آموزش مدل می روند. این رویکرد بازخورد فوری ، اعتماد به نفس را ایجاد می کند و پایه و اساس محکمی را برای تکنیک های پیشرفته تر ایجاد می کند-هماهنگ کردن مهندسین جدید و ذینفعان غیر فنی که می خواهند پتانسیل استراتژیک AI را درک کنند.
چه چیزی شما را در مورد تقاطع هوش مصنوعی تولیدی ، واقعیت افزوده و تجربه مشتری در دهه آینده هیجان زده می کند؟
همگرایی AI و AR مولد روشهای کاملاً جدیدی را برای تعامل با محتوای دیجیتال باز می کند – تظاهرات محصول شخصی تصور شده یا تجربیات آموزشی همهجانبه که فوراً با ورودی کاربر سازگار هستند. این تکامل با هوش مصنوعی غنی و متنی که همه چیز را از کمپین های بازاریابی گرفته تا کارهای راحتی روزانه هدایت می کند ، نحوه خرید ، یادگیری و معاشرت را تغییر می دهد. از دیدگاه وسیع تر ، این فناوری ها پتانسیل اقتصادی و اجتماعی عظیمی را برای ایالات متحده دارند که می توانند با ایجاد بازارهای جدید و نقش های شغلی رشد کنند ، در عین حال راه حل های مقرون به صرفه برای چالش های مهم در مراقبت های بهداشتی ، خرده فروشی و آموزش نیز ارائه می دهند. این یک دوره هیجان انگیز است ، و من متعهد هستم که به شکل گیری مسئولیت پذیری و ابتکاری کمک کنم.
چگونه اطمینان می دهید که مدل های هوش مصنوعی شما با اهداف تجاری و استانداردهای اخلاقی هماهنگ هستند؟
من مدیریت مدل شفاف و همکاری ذینفعان را در اوایل ادغام می کنم. قبل از استقرار یک مدل ، مدیران محصول ، افسران انطباق و دانشمندان داده ها اهداف مورد نظر و مشکلات احتمالی اخلاقی خود را بررسی می کنند – مانند داده های آموزش مغرضانه یا تأثیرات ناخواسته اجتماعی. ما همچنین حسابرسی مداوم را اجرا می کنیم ، جایی که خروجی های مدل برای ناهنجاری ها یا شاخص های تعصب کنترل می شوند. در صورت بروز مشکلات ، ما داده های آموزش یا معماری مدل را در صورت لزوم تطبیق می دهیم. با ترکیب نظارت انسانی با بررسی های فنی قوی ، ما اطمینان می دهیم که هوش مصنوعی ما با موفقیت تجاری و بهزیستی اجتماعی هماهنگ است.
چگونه می توانید حریم خصوصی و انطباق داده ها (به عنوان مثال ، GDPR) را در حالی که هنوز به عملکرد مدل AI قوی رسیدید ، کنترل کنید؟
من محافظت از حریم خصوصی و عملکرد مدل را با ساختار خطوط لوله داده تعادل می دهم تا فقط حداقل ویژگی های لازم – که اغلب ناشناس یا جمع شده است – برای آموزش مدل های قوی. به عنوان مثال ، تحت محدودیت های GDPR ، من حریم خصوصی دیفرانسیل را برای داده های کاربر پیاده سازی کردم ، و اطمینان حاصل کردم که هیچ اطلاعاتی قابل شناسایی شخصی در معرض دید قرار نگرفته است. هنگامی که سیگنال های سطح کاربر محدود بودند ، من به روشهایی مانند الگوریتم های راهزن چند مسلح یا تعبیه های متنی که کمتر به داده های شخصی گرانول وابسته هستند ، روی آوردم. این قدرت پیش بینی کننده حفظ شده ضمن احترام به مقررات حریم خصوصی. علاوه بر این ، هر استقرار مدل شامل حسابرسی های رعایت دوره ای برای تأیید تراز استفاده از داده ها با استانداردهای قانونی و اعتماد کاربر است.