آیا هر کاری را که می توان با هوش مصنوعی انجام داد، باید انجام داد؟
در این یادداشت
برای ساختن یک گزارش کوتاه، می توانیم از یک مدل بزرگ بخواهیم چند مرحله تحلیل انجام دهد، پاسخ ها را دوباره بازنویسی کند و نتیجه را در قالبی زیبا تحویل دهد. شاید خروجی عالی باشد. اما اگر همین کار با یک محاسبه ساده یا ابزار سبک تر انجام می شد، آیا انتخاب ما منطقی بوده است؟
در بحث پایداری، مسئله فقط مصرف برق مراکز داده نیست. استفاده از زیرساخت محاسباتی به انرژی، آب برای بعضی روش های خنک سازی، تجهیزات و زنجیره تامین وابسته است. در کنار این هزینه ها، هوش مصنوعی می تواند به کاهش اتلاف انرژی و مواد هم کمک کند. پس نمی شود آن را یکسره خوب یا بد دانست. باید سود و هزینه هر کاربرد را در کنار هم دید.
یک مسئله، چند راه حل
فرض کنید کارخانه ای می خواهد مصرف انرژی خط تولید را کاهش دهد. شاید مدل پیش بینی پیچیده ای لازم باشد تا الگوی مصرف و شرایط تولید را تحلیل کند. شاید هم داده نشان بدهد بخش بزرگی از اتلاف به تنظیم نبودن یک برنامه ساده زمان بندی مربوط است. اگر راه دوم جواب بدهد، استفاده از آن نه عقب گرد فنی است و نه کم کاری.
من در چنین تصمیمی از تیم می خواهم ابتدا خط مبنا را نشان دهد: امروز چه مقدار انرژی، زمان یا ماده مصرف می شود؟ قرار است چقدر بهبود پیدا کند؟ برای به دست آوردن این بهبود چه زیرساختی لازم است؟ بدون خط مبنا، ادعای سبز بودن یا نبودن پروژه بیشتر تبلیغ است.
مدل بزرگ همیشه انتخاب بهتر نیست
انتخاب اندازه و نوع مدل باید به کیفیت مورد نیاز وابسته باشد. برای طبقه بندی ساده متن ممکن است مدل سبک تر کافی باشد. برای استدلال پیچیده بر چند سند، شاید سیستم قدرتمندتری نیاز داشته باشیم. همچنین می توان به جای پردازش مداوم، بعضی کارها را دسته ای انجام داد یا نتایج پرتکرار را با کنترل تازگی دوباره استفاده کرد.
البته صرفا کوچک کردن مدل همیشه به معنای کاهش اثر محیطی در کل چرخه عمر نیست. نوع سخت افزار، میزان استفاده، محل استقرار و نیاز به بازآموزی نیز اهمیت دارند. اندازه گیری بهتر از شعار است.
پایداری را کنار کیفیت و هزینه بنشانید
در انتخاب فناوری معمولا سه معیار را بررسی می کنیم: کیفیت، سرعت و هزینه. برای کاربردهای بزرگ بهتر است مصرف منابع نیز وارد مقایسه شود. نه به عنوان جمله ای تزئینی در پایان گزارش، بلکه به عنوان یکی از معیارهای تصمیم.
در قرارداد با تامین کننده هم می توان درباره شفافیت مصرف منابع و سیاست های زیرساخت سوال کرد. پاسخ ها شاید کامل نباشند، اما پرسیدن سوال باعث می شود موضوع به تدریج قابل مدیریت شود.
قاعده ای برای تصمیم های روزمره
پیش از افزودن یک قابلیت هوشمند از خودتان بپرسید: چه مسئله ای حل می شود؟ راه ساده تری وجود دارد؟ بهبود حاصل نسبت به منابع مصرف شده ارزش دارد؟ می توانیم پس از اجرا ادعای خود را اندازه بگیریم؟
اثر محیط زیستی فقط برق مدل نیست
وقتی درباره مصرف منابع هوش مصنوعی صحبت می کنیم، معمولا تمرکز بر برق مراکز داده است. این بخش مهمی از ماجراست، اما همه آن نیست. ساخت تجهیزات پردازشی، نیاز به مواد اولیه، خنک سازی، مصرف آب و از رده خارج شدن سخت افزار نیز اثر محیط زیستی دارند. همچنین کاربرد هوش مصنوعی ممکن است رفتار مصرف را تغییر دهد. اگر تولید محتوای تبلیغاتی بسیار ارزان شود، شاید حجم آن چند برابر شود؛ در این صورت افزایش کارایی هر درخواست لزوما به کاهش مصرف کل منجر نخواهد شد.
از سوی دیگر نباید به این نتیجه شتاب زده برسیم که استفاده از هوش مصنوعی همیشه زیان محیط زیستی دارد. پیش بینی بهتر مصرف انرژی، کاهش ضایعات تولید یا بهینه سازی حمل و نقل می تواند دستاورد واقعی ایجاد کند. پرسش مدیریتی این است که در یک کاربرد مشخص، منفعت محیط زیستی و اقتصادی در برابر هزینه منابع چگونه قرار می گیرد. پاسخ را نمی توان فقط از نام فناوری یا اندازه مدل فهمید.
برای مسئله ساده، راه حل سنگین نسازیم
فرض کنید شرکتی می خواهد میانگین فروش روزانه را گزارش کند. اگر داده در جدول مرتب موجود است، یک پرس و جوی ساده و قابل بازبینی احتمالا بهتر از فراخوانی چندباره مدل زبانی خواهد بود. در مقابل، اگر باید صدها گزارش متنی ناهمگون بررسی شوند، مدل زبانی ممکن است ارزش قابل توجهی داشته باشد. انتخاب مناسب ابزار هم کیفیت را بهتر می کند و هم هزینه و مصرف منابع را کاهش می دهد.
این اصل درباره اندازه مدل هم صادق است. مدل بزرگ تر لزوما برای هر کار بهتر نیست. برای دسته بندی ساده درخواست ها ممکن است راه حل سبک کافی باشد، به ویژه اگر بتوان عملکرد آن را با نمونه های واقعی تایید کرد. اما صرف کوچک کردن مدل نیز هدف نیست؛ اگر خطا باعث بازکاری گسترده شود، هزینه کل ممکن است افزایش یابد. باید کیفیت، سرعت، مصرف و پیامد خطا را همزمان سنجید.
شاخص مناسب انتخاب کنیم
گزارش تعداد درخواست های پردازش شده به تنهایی چیزی درباره بهره وری محیط زیستی نمی گوید. بهتر است بدانیم برای هر کار موفق چه مقدار محاسبه، ذخیره سازی و انتقال داده لازم بوده است. البته به دست آوردن ارقام دقیق همیشه آسان نیست و ممکن است ارائه دهندگان اطلاعات یکسانی منتشر نکنند. در چنین شرایطی باید حدود برآورد و فرض های آن را روشن کنیم و از ادعای دقت بی پایه بپرهیزیم.
یک روش عملی، مقایسه چند راه حل برای کاربرد واحد است. مثلا برای استخراج اطلاعات از سند، روش ساده مبتنی بر قالب، مدل سبک و مدل بزرگ را با داده یکسان بسنجیم. نرخ خطا، زمان پردازش، هزینه و میزان بازبینی انسانی را ثبت کنیم. حتی اگر نتوانیم اثر کربنی را دقیق اندازه بگیریم، انتخاب روش کم مصرف تر با کیفیت مناسب می تواند تصمیم معقولی باشد.
از اثر بازگشتی غافل نشویم
در اقتصاد بارها دیده ایم که ارزان تر شدن یک خدمت می تواند مصرف آن را افزایش دهد. هوش مصنوعی هم ممکن است همین اثر را ایجاد کند. وقتی نوشتن متن، تولید تصویر یا تحلیل داده ساده می شود، سازمان شاید خروجی های بیشتری بخواهد، حتی اگر همه آنها ارزش اضافه نکنند. در این حالت بهینه سازی فنی هر درخواست کافی نیست. باید درباره ضرورت خود درخواست ها هم فکر کرد.
برای نمونه، تهیه ده نسخه از یک گزارش که هیچ مدیری آنها را نمی خواند، حتی اگر بسیار سریع انجام شود، نشانه بهره وری نیست. می توان پیش از خودکارسازی از مصرف کننده خروجی پرسید واقعا به چه تصمیمی کمک می کند. حذف گزارش بی استفاده گاهی از بهینه سازی پردازش آن مفیدتر است. پایداری از پرسیدن «آیا لازم است؟» آغاز می شود و سپس به «چگونه کارآمدتر انجام دهیم؟» می رسد.
پایداری باید وارد خرید و طراحی شود
اگر سازمان از خدمات بیرونی استفاده می کند، می تواند در ارزیابی تامین کننده درباره شفافیت مصرف انرژی، مدیریت تجهیزات و روش گزارش دهی سوال کند. اگر زیرساخت داخلی دارد، بهره برداری از ظرفیت موجود و زمان بندی پردازش های غیر فوری اهمیت پیدا می کند. اما نباید معیار محیط زیستی را در برابر امنیت یا کیفیت به صورت ساده قرار دهیم؛ تصمیم معمولا نیازمند مصالحه آگاهانه میان چند هدف است.
از تیم محصول بخواهید در سند طراحی، علاوه بر هزینه و کیفیت، دلیل انتخاب سطح محاسبات را توضیح دهد. آیا راه ساده تری بررسی شده؟ آیا خروجی واقعا استفاده می شود؟ آیا می توان درخواست های تکراری را کاهش داد؟ چنین سوال هایی پایداری را از شعار عمومی به تصمیم فنی و مدیریتی قابل اجرا تبدیل می کنند.
پرسش از تامین کننده را دقیق مطرح کنید
اگر درباره مصرف منابع یک سرویس سوال می کنیم، بهتر است بدانیم دقیقا چه داده ای می خواهیم. برآورد انرژی به ازای درخواست، روش محاسبه انتشار، محل اجرای پردازش و شیوه مدیریت سخت افزار موضوعات متفاوتی اند. ممکن است فروشنده همه اطلاعات را نداشته باشد؛ در این صورت باید میزان شفافیت و محدودیت مقایسه را ثبت کنیم. مقایسه عددهایی که با روش متفاوت محاسبه شده اند، ممکن است به نتیجه غلط منجر شود.
برای تصمیم های داخلی نیز لازم است واحد اندازه گیری مشخص باشد. هزینه انرژی کل مرکز داده با انرژی منتسب به یک خدمت یکسان نیست. همچنین کاهش زمان پردازش لزوما به همان نسبت مصرف منابع را کاهش نمی دهد. بهتر است از ادعاهای دقیق بدون روش روشن دوری کنیم و بیشتر بر انتخاب های قابل دفاع تمرکز داشته باشیم: حذف پردازش بی استفاده، استفاده از راه حل متناسب و پایش روند مصرف.
این موضوع برای مدیران فرصت گفت و گوی سالم میان فناوری و پایداری سازمان ایجاد می کند. هدف متهم کردن تیم فنی به مصرف انرژی نیست؛ هدف این است که اثر منابع در کنار کیفیت، امنیت و اقتصاد دیده شود. تصمیم خوب ممکن است مصالحه داشته باشد، اما باید آگاهانه باشد.
گاهی پاسخ این است که بله، ارزش استفاده از هوش مصنوعی بسیار بیشتر از هزینه آن است. گاهی هم بهترین تصمیم استفاده نکردن از آن است. بلوغ فنی یعنی هر دو پاسخ را بتوان با دلیل بیان کرد.