هوش مصنوعی مولد (GenAI) پتانسیل دارد که دولت‌ها را بسیار کارآمدتر و مؤثرتر کند. تأثیر GenAI بر بخش عمومی بسیار قابل‌توجه خواهد بود. به عنوان مثال، در اولین مقاله از این مجموعه، نشان دادیم که بهبودهای بالقوه در بهره‌وری ناشی از GenAI می‌تواند تا سال 2033 در تمامی سطوح دولتی به ارزش 1.75 تریلیون دلار در سال برسد. ابزارهای GenAI کار کارمندان بخش عمومی را تقویت کرده و زمان لازم برای انجام برخی وظایف را کاهش می‌دهند و به آن‌ها امکان می‌دهند تا زمان بیشتری را به کارهای با ارزش‌افزوده بالاتر اختصاص دهند. مشابه سایر صنایع، این امر نحوه عملکرد بخش عمومی و ماهیت وظایف و فعالیت‌های کارکنان دولت را به طور اساسی متحول خواهد کرد.
برای شروع به‌کارگیری هوش مصنوعی مولد (GenAI) نیازی به سرمایه‌گذاری‌های اولیه بزرگ در فناوری نیست. در بیشتر موارد، یک رویکرد تدریجی که بر آزمایش و توسعه مستمر قابلیت‌ها متناسب با سطح بلوغ هوش مصنوعی سازمان متمرکز باشد، بهترین نتایج را دارد. با اجرای راهبردی هوش مصنوعی مولد در حوزه‌های هدفمند، رهبران بخش دولتی می‌توانند با بهبودهای مؤثر در ارائه خدمات، افزایش کارایی عملیاتی و تعامل بهتر با شهروندان، ضمن کاهش ریسک و افزایش مهارت‌ها و قابلیت‌ها، تحولاتی را ایجاد کنند که امکان توسعه بیشتر این فناوری را فراهم می‌کند.
این مقاله دومین بخش از یک راهنمای سه‌قسمتی برای دولت‌ها درباره‌ی بهره‌برداری از پتانسیل هوش مصنوعی مولد (GenAI) است. مقاله اول، با عنوان «از فرصت‌ها تا ارزش»، به معرفی دستاوردهای بهره‌وری و تغییرات خدماتی می‌پردازد که با فناوری هوش مصنوعی مولد امکان‌پذیر شده‌اند. مقاله سوم، «رویکردها و سیاست‌ها برای مدیریت ریسک و مسئولیت»، نقشه‌ی راهی را برای جلوگیری از پیامدهای ناخواسته و مضر ارائه خواهد داد. در اینجا، به عوامل کلیدی می‌پردازیم که می‌توانند به بخش‌های دولتی و نهادهای عمومی کمک کنند تا از مزایای هوش مصنوعی مولد در تمام سطو سازمان خود بهره‌مند شوند.
چگونه نهادهای دولتی می توانند پتانسیل GenAI را شناسایی کنند
پروژه‌های آزمایشی در مراحل اولیه پیاده‌سازی هوش مصنوعی مولد (GenAI) فرصتی بی‌نظیر برای یادگیری فراهم می‌کنند. این پروژه‌ها معمولاً شامل یک تیم کوچک هستند که به توسعه‌ی یک نمونه اولیه و محصول قابل قبول حداقلی (MVP) می‌پردازند. با افزایش تجربه و اعتماد به نفس تیم‌ها، این تلاش‌ها می‌توانند به سطح سازمانی با تمرکز بر استحکام، قابلیت اطمینان، پایداری، و عملکرد ارتقا یابند. (به نمایش ۱ مراجعه کنید.)
برای آزادسازی پتانسیل هوش مصنوعی مولد، به شش عامل کلیدی سازمانی نیاز است:
- رهبری
- افراد و مهارت‌ها
- مشارکت‌ها
- فناوری
- داده
- سیاست‌ها و حاکمیت
ما در این مقاله به بررسی پنج مورد اول از این عناصر می‌پردازیم. مقاله بعدی در این سری به بررسی عمیق ششمین و آخرین عامل خواهد پرداخت.
1. رهبری
آزمایش و یادگیری. رهبران ارشد باید به راه‌اندازی و پیشبرد پذیرش هوش مصنوعی مولد در بخش عمومی بپردازند. سازمان‌ها باید بر آموزش عملی کارکنان و کسب تجربه عملی تمرکز کنند و از ابزارها در حین کار استفاده کنند. تا به سرعت افراد را با نحوه استفاده از هوش مصنوعی مولد و مدیریت ریسک‌ها آشنا کنند. از رهبران دولتی خواسته می‌شود که چالش‌های اخلاقی و فنی جدید و پیچیده را مدیریت کنند. آن‌ها باید در مورد پیاده‌سازی و استفاده از فناوری، نحوه نظارت بر آن و چگونگی مدیریت ریسک‌های احتمالی تصمیم‌گیری کنند. برای این کار، آن‌ها به درک عمیق از ابزارهای هوش مصنوعی مولد، پتانسیل تحولی آن‌ها و ریسک‌ها و محدودیت‌هایشان نیاز خواهند داشت.
در حال حاضر، بسیاری از کارکنان ممکن است نگران تأثیر بالقوه هوش مصنوعی مولد بر شغل‌ها و چشم‌اندازهای شغلی خود باشند. تحقیقات اخیر BCG نشان داده است که نگرش رهبران نسبت به هوش مصنوعی مولد در مقایسه با کارکنان خط مقدم به شدت متفاوت است. رهبران معمولاً نسبت به این فناوری خوش‌بین‌تر هستند (62% در مقابل 42%) و کمتر نگران هستند (22% در مقابل 39%) از پیامدهای آن.
بنابراین، رهبران دولتی باید آماده باشند تا به نگرانی‌های کارکنان پاسخ دهند، به طور علنی بحث کنند که هوش مصنوعی مولد چگونه ممکن است بر ترکیب و اندازه آینده نیروی کار تأثیر بگذارد. در ارتقاء مهارت‌ها و آموزش مجدد کارکنانی که نقش‌ها و فعالیت‌هایشان ممکن است به درجات مختلف تغییر کند، سرمایه‌گذاری کنند. پیام‌ها باید بر استفاده ایمن و اخلاقی و آزمایش عملی تمرکز کنند. همراه با مشوق‌ها و حمایتی که این موارد را در فرهنگ سازمانی تقویت کند. همچنین، ایجاد چارچوب‌هایی برای استفاده ایمن و مسئولانه از هوش مصنوعی به کارکنان کمک می‌کند تا انتظارات و مرزها را درک کنند و اطمینان حاصل کنند که در چارچوب سیاست‌های مصوب عمل می‌کنند.
سرمایه‌گذاری در آموزش و فرهنگ نوآوری
یکی از راه‌ها برای پاسخ به نگرانی‌های کارکنان، کمک به آن‌ها در توسعه آگاهی و آشنایی بیشتر با ابزارهای هوش مصنوعی مولد است. به محض اینکه کارکنان به طور فردی تجربه بیشتری کسب کنند، خوش‌بینی آن‌ها افزایش می‌یابد. کاربران منظم هوش مصنوعی مولد کمتر نگران آن هستند (22% در مقابل 42%)، که بخشی از آن به این دلیل است که آن‌ها ارزش بالقوه و محدودیت‌های آن را می‌بینند. (به نمودار 2 مراجعه کنید.) رهبران بخش عمومی باید از بحث‌های کارکنان درباره هوش مصنوعی مولد به طور فعال حمایت کنند، علاقه‌مندان را به بیان نظرات خود تشویق کنند و به ارائه demonstrations بپردازند و خود را به طور مستقیم درگیر کنند.
پروژه‌های اولیه هوش مصنوعی مولد باید به گونه‌ای طراحی شوند که به کارکنان این امکان را بدهند که به طور مستقیم پتانسیل‌های آن را مشاهده کنند. به عنوان مثال، کارکنان دولت شهر یوکوسوکا در ژاپن در حال آزمایش هوش مصنوعی مولد برای یادداشت‌برداری از جلسات، خلاصه‌سازی مواد موجود، نوشتن متن و بررسی خطاها هستند. این موارد استفاده با ریسک نسبتاً کم، به کارکنان کمک می‌کند تا بهتر درک کنند که چگونه می‌توانند از هوش مصنوعی مولد در کارهای روزمره خود استفاده کنند و به راحتی با این ابزارها آشنا شوند. در سنگاپور، دولت به کارکنان بخش عمومی این فرصت را می‌دهد که به طور مستقیم در توسعه ابزارهای جدید از طریق برنامه “پیشگامان هوش مصنوعی” مشارکت کنند. هر تیم قبل از مشارکت، آموزش‌های هدفمندی دریافت می‌کند و با رهبران دولتی همکاری خواهد کرد تا برنامه‌های جدید هوش مصنوعی مولد را ارائه دهند.
تصحیح، مقیاس‌گذاری و بهینه‌سازی. رهبران همچنین نقش حیاتی در گسترش استفاده از هوش مصنوعی مولد در هر بخش از سازمان ایفا خواهند کرد. به عنوان مثال، آن‌ها می‌توانند با استفاده استراتژیک از نداهای رفتاری، پذیرش این فناوری را افزایش داده و فرهنگ سازمانی را تغییر دهند. نداهای خاص ممکن است شامل موارد زیر باشد:
- فراهم کردن دسترسی آسان و قابل دسترس به ابزارهای هوش مصنوعی مولد
- برجسته‌سازی و جشن گرفتن کاربردهای هوش مصنوعی مولد در ارتباطات داخلی
- برگزاری نشست‌های داخلی که در آن کارکنان بتوانند دموی هوش مصنوعی مولد خود را به نمایش بگذارند
- انتشار اطلاعات درباره نمونه‌ها، بهترین شیوه‌ها و درس‌ها
- بازی‌سازی آموزش با اعطای نشان‌ها و گواهی‌نامه‌ها
این تلاش‌ها موجب ایجاد تمایل به نوآوری می‌شود، پذیرش راه‌حل‌های هوش مصنوعی مولد را تسریع می‌کند. در نهایت فرهنگی را ایجاد می‌کند که در آن استفاده مسئولانه از هوش مصنوعی مولد به عنوان امری جذاب، شهودی و ایمن در نظر گرفته می‌شود.
2. افراد و مهارت ها
آزمایش و یادگیری
در کوتاه‌مدت، گروه‌های چندوظیفه‌ای بهترین راه برای پیشبرد موارد آزمایشی هستند. این گروه‌ها باید شامل مالکان کسب‌وکار و کاربران، مهندسان یادگیری ماشین و هوش مصنوعی برای طراحی و بهینه‌سازی راه‌حل‌های هوش مصنوعی مولد، دانشمندان داده‌ای که بر روی تحول و مدیریت داده‌ها تمرکز دارند، کارشناسان IT که می‌توانند راهنمای ادغام باشند و مشاوران سیاست و حاکمیت هوش مصنوعی مولد باشند تا اطمینان حاصل شود که راه‌حل‌ها به طور مسئولانه طراحی و پیاده‌سازی می‌شوند.
سازمان‌ها باید با انتخاب پروژه‌های با ریسک کمتر که می‌توانند به راحتی بر آن‌ها تسلط پیدا کنند، مانند تهیه یا سنتز مستندات، شروع کنند. به تدریج، آن‌ها می‌توانند مهارت بیشتری کسب کنند و توانایی‌هایی را که هنوز برای انجام وظایف پیچیده‌تر، مانند ارائه خدمات جدید به عموم، ندارند شناسایی کنند. این ارزیابی مداوم می‌تواند به یک اداره کمک کند تا تصمیم بگیرد چه زمانی و کجا باید در پلتفرم‌های داده بزرگ‌تر و دیگر ابزارها و فرآیندهای هوش مصنوعی مولد سرمایه‌گذاری کند.
تصحیح، مقیاس‌گذاری و بهینه‌سازی
هوش مصنوعی مولد تأثیر قابل توجهی بر نقش‌های بخش عمومی خواهد داشت و مهارت‌های جدیدی نیاز خواهد بود. وظایف تکراری، سنتز دانش و فرآیند تولید محتوا بهبود می یابد و حتی متحول می شود. بسیاری از نقش‌ها دوباره طراحی خواهند شد تا تغییرات در نحوه کار مردم را منعکس کنند. (به نمودار 3 مراجعه کنید.) به عنوان مثال، وزارت دفاع ایالات متحده در حال حاضر در حال توسعه یک ابزار هوش مصنوعی مولد برای خودکارسازی تهیه مستندات خرید است. این ابزار می‌تواند مستندات پیچیده خرید را در 15 دقیقه تولید کند، در حالی که قبلاً این کار چند روز طول می‌کشید. این امر به کارکنان خرید اجازه می‌دهد تا بر روی وظایف با ارزش افزوده بالاتر، مانند توسعه روابط با تأمین‌کنندگان، تعامل با شرکت‌کنندگان در مناقصه و بهینه‌سازی هزینه‌های خرید تمرکز کنند.
با این حال، توانایی انجام این فعالیت‌های با ارزش بالاتر احتمالاً به سرمایه‌گذاری‌های بیشتری در آموزش، بازآموزی و ارتقای مهارت‌ها نیاز خواهد داشت. کارکنان و کارفرمایان از وجود شکاف مهارتی برای هوش مصنوعی مولد آگاه هستند. به عنوان مثال، دفتر مدیریت پرسنل ایالات متحده (OPM) این چالش ناشی از هوش مصنوعی مولد و هوش مصنوعی به طور کلی را شناسایی کرده است. OPM یک یادداشت برای مدیران ارشد منابع انسانی منتشر کرده است که راهنمایی‌هایی به ادارات در خصوص هدف‌گذاری مهارت‌های مربوط به هوش مصنوعی—مانند استخراج و تبدیل داده‌ها، تست و اعتبارسنجی و طراحی سیستم‌ها—که برای گسترش قابلیت‌های هوش مصنوعی و هوش مصنوعی مولد در سطح دولت لازم است، ارائه می‌دهد.
ارتقای منابع انسانی
منابع اضافی برای ارتقاء مهارت‌ها و آموزش کارکنان در زمینه ابزارهای هوش مصنوعی مورد نیاز است. تحقیقات BCG نشان داده است که 86% از کارکنان خط مقدم بر این باورند که برای انطباق با تغییرات نیاز به آموزش دارند، اما تنها 14% از آن‌ها آموزش رسمی دریافت کرده‌اند تا بدانند این ابزارها چگونه شغل‌هایشان را تغییر خواهند داد. برخی دولت‌ها در حال حاضر در حال سرمایه‌گذاری برای کاهش این شکاف هستند. به عنوان مثال، دولت دبی اعلام کرده است که آموزش‌های هدفمندی در زمینه فناوری هوش مصنوعی مولد به کارکنان بخش عمومی ارائه خواهد داد. این آموزش‌ها کارکنان را با دانش بنیادینی درباره هوش مصنوعی مولد، شامل فرصت‌ها و ریسک‌های آن، آشنا می‌کند تا با ابزارهای مختلف هوش مصنوعی مولد آشنا شوند. موارد استفاده عملی را در اختیارشان قرار دهد که نشان‌دهنده چگونگی افزایش کارایی، اثربخشی و کیفیت خدمات توسط این ابزارها است.
هوش مصنوعی مولد آینده کار در دولت را با تغییر گردش‌کارها و بازآفرینی فرآیندها متحول خواهد کرد. رهبران بخش عمومی باید به طور استراتژیک عمل کنند تا نیروی کار خود را برای حمایت از این انتقال بازسازماندهی کنند. دولت‌ها می‌توانند با هم‌راستا کردن برنامه‌های ارتقاء مهارت و استخدام با نیازهای مهارتی، نیروی کار خود را توانمند کنند. تا به خوبی در نقش‌ها قوی و متحول عمل کنند.
آزمایش و یادگیری
همکاری با دیگر نهادها—شرکت‌های فناوری، صنعت، دانشگاه‌ها و کارشناسان—یک عامل کلیدی خواهد بود. دولت‌ها معمولاً در جذب و نگه‌داشت مهارت‌های فناوری لازم دچار مشکل هستند. یک پیشنهاد ارزش قوی برای کارمندان (EVP) برای پر کردن شکاف‌های قابلیت‌ها ضروری خواهد بود. باید با مشوق‌هایی مانند حقوق و دستمزد، انعطاف‌پذیری شغلی، مسیرهای شغلی تخصصی سفارشی و کوتاه، و برنامه‌های یادگیری مستمر پشتیبانی شود. در مراحل اولیه پیاده‌سازی، همکاری‌ها همچنین به دولت اجازه می‌دهند به سرعت به دانش و مهارت‌های داخلی کمبود دسترسی پیدا کند. سازمان‌های خارجی دیدگاه‌های ارزشمندی درباره سیاست، مقررات و موارد استفاده با ارزش بالا به ارمغان می‌آورند. به عنوان مثال، دولت کانادا با همکاری دانشگاه مونترال و اعطای بودجه‌ای برای توسعه و پیاده‌سازی استراتژی‌های جدید طراحی و پذیرش هوش مصنوعی در سه بخش اولویت‌دار: کشف دارو، شرایط اضطراری محیطی و لجستیک سیستم‌های بهداشتی ارائه نماید.
تصحیح، مقیاس‌گذاری و بهینه‌سازی
همکاری‌ها همچنین در توسعه نقشه‌راه، ارتقاء مهارت‌ها، هماهنگی پنل‌ها و گروه‌های کاری منعطف دیگر، و تسهیل دسترسی به فناوری‌های پیشرفته نقش دارند. آن‌ها به عنوان کاتالیزورها و شتاب‌دهنده‌هایی عمل می‌کنند که به سازمان‌های دولتی این امکان را می‌دهند که بسیار سریع‌تر از آنچه که به تنهایی می‌توانستند، مقیاس‌گذاری کنند. به عنوان مثال، دولت استرالیا با مایکروسافت همکاری کرده است تا آزمایشی شش‌ماهه از Microsoft 365 Copilot را انجام دهد. مایکروسافت در این برنامه به ادارات مشارکت‌کننده آموزش، onboarding و کمک به پیاده‌سازی ارائه می‌دهد، و 7,400 کارمند دولتی از ژانویه تا ژوئن 2024 در این آزمایش شرکت خواهند کرد. نمودار 4 انواع مختلف همکاری‌هایی را نشان می‌دهد که دولت‌ها می‌توانند تشکیل دهند و از آن‌ها به عنوان بخشی از پیشرفت در پیاده‌سازی هوش مصنوعی مولد بهره ببرند.
4. فناوری
آزمایش و یادگیری
هر نهاد دولتی نیازها و موارد استفاده منحصربه‌فردی دارد، همراه با سطح آمادگی فناوری خاص خود و همچنین محدودیت‌هایی در استفاده از الگوریتم‌ها و داده‌ها. اجزای کلی پشته فناوری هوش مصنوعی مولد در نمودار 5 نشان داده شده است. این اجزا شامل یک رابط کاربری (مانند ChatGPT)؛ الگوریتم‌ها و مدل‌های بنیادی هوش مصنوعی مولد (مانند OpenAI GPT، Google Gemini، Anthropic Claude)؛ مجموعه‌های داده متنوع، گسترده و قابل دسترس؛ و زیرساخت محاسباتی است.
بسیاری از افراد با استفاده از راه‌حل‌های آماده هوش مصنوعی مولد، کارهای زیادی را انجام می دهند. این ابزارها می‌توانند پیاده‌سازی موارد استفاده اولیه را سریع‌تر، آسان‌تر و با هزینه کمتری انجام دهند. آزمایش‌های ابتدایی می‌تواند به دولت‌ها کمک کند تا قابلیت کلی راه‌حل‌های هوش مصنوعی مولد را ارزیابی کنند. در حالی که کارکنان با حداقل تعهد و ریسک با این فناوری آشنا می‌شوند.
تصحیح، مقیاس‌گذاری و بهینه‌سازی
برای پیاده‌سازی هوش مصنوعی مولد، کارشناسان باید دامنه گسترده‌ای از پلتفرم‌ها، مدل‌های بنیادی و مسیرهای پیاده‌سازی را در نظر بگیرند. انتخاب مدل بنیادی باید بر اساس نیازهای مورد استفاده قرار گیرد. این نیازها ممکن است شامل نوع خروجی‌هایی باشد که می‌تواند تولید کند (متن، تصویر، ویدئو، کد یا فرمت‌های دیگر)، سطح تنظیمات دقیق مورد نیاز و تطابق آن با حساسیت داده‌ها و دستورالعمل‌های هوش مصنوعی مسئولانه باشد.
علاوه بر این، سطح کنترل اداره بر روی مدل نیز باید مورد توجه قرار گیرد. به عنوان مثال، اگر نیاز به کنترل قابل توجهی وجود داشته باشد، ممکن است یک مدل متن‌باز که می‌توان آن را به طور آزاد تغییر داد و اصلاح کرد، به جای یک مدل مالکیتی انتخاب شود. تصمیمات خرید پلتفرم باید بر اساس ارزیابی این موضوع باشد. که آیا فروشندگان می‌توانند به‌طور ایمن خدمات را در جغرافیای شما مطابق با نیازهای هوش مصنوعی مسئولانه و امنیتی شما ارائه دهند.
سازگاری پلتفرم‌ها و مدل‌ها
سازگاری بین پلتفرم‌ها و مدل‌های موجود نیز باید مورد توجه قرار گیرد، زیرا این امر می‌تواند موانع پیاده‌سازی را کاهش دهد. به عنوان مثال، وزارت آموزش و پرورش استرالیای جنوبی با مایکروسافت همکاری کرده است تا یک چت‌بات هوش مصنوعی به نام EdChat را به عنوان بخشی از یک آزمایش 8 هفته‌ای با 180 معلم و 1,500 دانش‌آموز در 8 مدرسه توسعه دهد. با استفاده از پلتفرم ابری Microsoft Azure موجود خود، آن‌ها توانستند یک راه‌حل مبتنی بر OpenAI GPT-4.0 را پیاده‌سازی کنند. نمودار 6 معیارهایی برای انتخاب مدل‌ها و پلتفرم‌ها پیشنهاد می‌دهد که بسیاری از افراد می‌توانند با استفاده از راه‌حل‌های آماده هوش مصنوعی مولد، کارهای زیادی انجام دهند.
برخی از حوزه‌ها در حال بررسی نیاز به سرمایه‌گذاری برای ساخت مدل‌های زبان بزرگ (LLM) خود هستند. در برخی کشورهایی که زبان انگلیسی زبان اصلی نیست، مانند فرانسه و ژاپن، توجه زیادی به توسعه LLMهای می کنند. قابلیت حاکمیتی نیز ممکن است برای برخی از برنامه‌ها در حوزه‌های دفاعی و امنیت ملی الزامی باشد. با این حال، هزینه ساخت یک مدل بنیادی جدید بسیار بالا است و در اکثر موارد، توجیه اقتصادی ندارد. یک گزینه به جای ساخت یک مدل کاملاً جدید، می‌تواند همکاری با یک تأمین‌کننده باشد که بتواند یک مدل درون‌سازمانی را تنظیم مجدد کند و از مزایای تولید افزوده بازیابی (RAG) بهره ببرد.
چالش ها و راهکارهای پیاده سازی
پیاده‌سازی‌های هوش مصنوعی مولد مبتنی بر ابر معمولاً انعطاف‌پذیرتر، مقرون به صرفه‌تر و به‌روز نگه‌داشتن آن‌ها با آخرین تحولات در این حوزه سریعاً در حال تغییر آسان‌تر است. جایی که نیاز حیاتی به جداسازی کامل داده‌ها وجود دارد و جایی که لایه‌های انتزاعی و استراتژی‌های ناشناس‌سازی داده‌ها در مقیاس کافی محافظت ارائه نمی‌دهند، سازمان‌ها بیشتر به دنبال راه‌حل‌های درون‌سازمانی خواهند بود. بسیاری از سازمان‌ها برای اهداف مختلف گزینه‌ها را ترکیب خواهند کرد، همانطور که در نمودار 7 نشان داده شده است.
5. داده
آزمایش و یادگیری
مانند تمام کاربردهای هوش مصنوعی، ارزش هوش مصنوعی مولد به شدت با حجم و کیفیت داده‌های آموزشی مدل زیرین مرتبط است. مدل‌های هوش مصنوعی مولد می‌توانند از داده‌های غیرساختاریافته، متنوع و چندرسانه‌ای بیشتری نسبت به هوش مصنوعی‌های سنتی (یادگیری عمیق، یادگیری ماشین) بهره ببرند، اما کیفیت خروجی‌ها همچنان به کیفیت ورودی‌ها بستگی دارد. ورودی برای اکثر مدل‌های هوش مصنوعی مولد شامل ترکیبی از متن، گرافیک، صوت، ویدئو و سایر داده‌هایی است که از اینترنت عمومی به دست آمده و با دیگر منابع داده‌ای که تولیدکنندگان مدل‌ها تامین یا به دست آورده‌اند، ترکیب می‌شود. در حالی که تلاش‌های قابل توجهی برای اصلاح و کاهش تعصب‌های ناخواسته انجام می‌شود، کاربران باید خطرات ذاتی بالقوه موجود در هر مدل هوش مصنوعی که بر اساس داده‌های زیرین است را درک کنند.
تصحیح، مقیاس‌گذاری و بهینه‌سازی
نقشه‌راه افزایش قابلیت‌های هوش مصنوعی مولد نیازمند سرمایه‌گذاری در به‌روزرسانی پلتفرم‌های دیجیتال و مدرن‌سازی فناوری‌های قدیمی است. ایجاد یک پلتفرم داده مشترک به دولت‌ها کمک می‌کند تا داده‌های خود را به‌راحتی قابل دسترسی کنند و هوش مصنوعی مولد را به‌طور سراسری در سازمان‌ها یکپارچه سازند. این فرآیند شامل بهبود حکمرانی داده، افزودن قابلیت‌های هوش مصنوعی به پلتفرم‌ها، و دسترسی به منابع داده‌ای متنوع می‌باشد.
برای بهره‌برداری کامل از داده‌ها، دولت‌ها به پلتفرم‌های مدولار نیاز دارند تا داده‌ها را به‌طور مؤثر در سراسر سازمان به اشتراک بگذارند و از سیستم‌های قدیمی آزاد کنند. برخی از رهبران دولتی نگران کیفیت داده‌ها و پشتیبانی آن‌ها از برنامه‌های هوش مصنوعی مولد هستند. با مدرن‌سازی تدریجی معماری فناوری و استفاده از GenAI، دولت‌ها می‌توانند به سرعت از این فناوری بهره‌برداری کرده و از مزایای آن بهره‌مند شوند.
مدیریت و حکمرانی داده
در عین حال، دولت‌ها باید این محیط جدید را با احتیاط مدیریت کنند. استفاده هوش مصنوعی مولد از داده‌های غیرساختاریافته نیازمند رویکردهای جدیدی در حکمرانی و مدیریت چرخه حیات داده‌ها است. به عنوان مثال، LLMهای چندرسانه‌ای ممکن است از ورودی‌هایی از مستندات، تماس‌های صوتی یا تماس‌های ویدئویی استفاده کنند. این امر خطر استفاده از داده‌های جمع‌آوری‌شده برای مقاصدی خارج از هدف یا مصارف مجاز را افزایش می‌دهد.
عملکرد حکمرانی داده در یک سازمان باید به‌طور نزدیک درگیر باشد. مهم است که بتوان به‌طور واضح منشأ داده‌ها را پیگیری و ثبت کرد و مستند کرد که داده‌ها چگونه به‌دست آمده، از چه کسانی و چه مجوزها یا محدودیت‌های استفاده‌ای بر آن‌ها اعمال می‌شود. این عملکرد همچنین باید مدیریت طبقه‌بندی داده‌ها را انجام دهد و اطمینان حاصل کند که داده‌ها به‌طور مناسب برچسب‌گذاری شده‌اند. حکمرانی داده به‌ویژه در بخش عمومی اهمیت زیادی دارد تا از فراتر رفتن از حد مجاز جلوگیری کند و اطمینان حاصل کند که استفاده از داده‌ها در چارچوب‌های قانونی، اخلاقی و حریم خصوصی باقی می‌ماند.
نتیجه گیری: تعادل بین احتیاط و بینش
با توجه به پیامدهای تصمیماتشان، بسیاری از سازمان‌های دولتی به‌طور محتاطانه‌ای فناوری‌های جدید را به کار می‌برند. با این حال، دولت‌ها باید به پتانسیل فناوری‌های جدید نیز نگاه کنند تا بتوانند به‌طور کارآمدتر و مؤثرتر به تأثیرات مورد نظر خود دست یابند و ارزش عمومی بیشتری ایجاد کنند. پنج عامل توانمندساز مطرح‌شده در این مقاله—رهبران، افراد و مهارت‌ها، شراکت‌ها، فناوری و داده—باید به‌گونه‌ای تنظیم شوند که تعادل بین مزایای بالقوه و ریسک‌های مرتبط را برقرار کنند.
سفر هر دولت به سمت توانمندسازی با هوش مصنوعی مولد (GenAI) متفاوت خواهد بود. باید بر اساس نیازهای منحصر به‌فرد ناشی از نقش، ساختار و خدماتی که ارائه می‌دهد، طراحی شود. نقطه شروع و زمینه‌های تمرکز هر سازمان تحت تأثیر بلوغ هوش مصنوعی آن و اهداف خاص موارد استفاده قرار خواهد گرفت. خوشبختانه، می‌توان هوش مصنوعی مولد را به‌صورت تدریجی و به‌صورت چرخه‌ای اتخاذ و توسعه داد. به عنوان مثال اضافه کردن ابزارهای جدید هوش مصنوعی مولد، یادگیری نحوه عملکرد آن‌ها و ادغام آن‌ها در پلتفرم‌های فناوری و سازمانی موجود قبل از حرکت به سمت دوره بعدی. اما ضرورت قوی برای شروع در مسیر یادگیری وجود دارد.
همانطور که مشاهده کردیم، هر پیاده‌سازی هوش مصنوعی مولد در زمینه عمومی نیازمند تمرکز قوی بر حکمرانی، مدیریت ریسک و امنیت است. مقاله سوم در این سری با عنوان “روش‌ها و سیاست‌ها برای ریسک و مسئولیت” به‌طور بیشتری به این نقاط خواهد پرداخت.
جمع بندی و خلاصه مقاله
- هوش مصنوعی مولد (GenAI) روش کار در بخش عمومی و نوع وظایف و فعالیت‌های کارکنان را متحول خواهد کرد. بهبودهای چشم‌گیری را در ارائه خدمات، کارایی عملیاتی و تعامل با شهروندان ایجاد می‌کند. تا سال ۲۰۳۳، بهبودهای احتمالی در بهره‌وری از طریق هوش مصنوعی مولد می‌تواند سالانه به ارزش ۱.۷۵ تریلیون دلار در سطح جهانی در تمام سطوح دولتی باشد.
- کلید بهره‌برداری از این مزایا، آزمایش و یادگیری از پروژه‌های پایلوت هدفمند GenAI است. سپس، با اصلاح، گسترش و بهینه‌سازی، این پروژه‌ها به سطح سازمانی با استحکام، قابلیت اطمینان، پایداری و عملکرد بالا می‌رسند. زمان شروع این مسیر همین حالاست.
- این رویکرد تکراری شامل شش عامل توانمندساز سازمانی است: رهبری، افراد و مهارت‌ها، شراکت‌ها، فناوری، داده و سیاست‌ها و حکمرانی.
- سفر هر دولت به سمت GenAI باید بازتابی از اهداف خاص موارد استفاده، ساختار و خدمات ارائه‌شده باشد. هر پیاده‌سازی GenAI در بخش عمومی نیازمند تمرکز قوی بر حکمرانی، مدیریت ریسک و امنیت است.
- این مقاله بخشی از سری مطالب مرتبط با هوش مصنوعی مولد در بخش عمومی است.
