در دنیایی که هوش مصنوعی مولد (Generative AI) در حال تغییر شکل دادن به هر جنبهای از نحوه ساخت، تعامل و استقرار فناوری است، یک اجماع رو به رشد وجود دارد: ما فقط شاهد یک چرخه تبلیغاتی دیگر نیستیم، بلکه در آستانه یک تغییر اساسی در محاسبات ایستادهایم. به گفته هوگو باون-اندرسون، دانشمند داده مستقل و مدرس هوش مصنوعی، این لحظه «جام مقدس» است که مهندسان نرمافزار، دانشمندان و متخصصان فناوری دههها در انتظار آن بودهاند.
از نظر هوگو، این اغراق نیست. این واقعیتی است که ریشه در نحوه تعامل ما با ماشینها دارد - نه از طریق کد یا رابطها، بلکه به طور فزاینده از طریق زبان طبیعی.
این مقاله بر اساس قسمت اخیر پادکست ODSC Ai X است. شما میتوانید قسمت کامل را در اسپاتیفای، اپل و ساوندکلاد گوش دهید.
صحبت کردن به زبان ماشینها
تا همین اواخر، ارتباط با رایانهها نیازمند دانش تخصصی بود - نوشتن کد، یادگیری APIها، مدیریت زیرساخت. اکنون، با ظهور مدلهای زبانی بزرگ (LLM) مانند GPT-4، Claude، Gemini و Mistral، ما وارد دنیایی میشویم که زبان انسانی در حال تبدیل شدن به رابط جدید است. ما میتوانیم به ماشینها با استفاده از prompts دستور بدهیم و پاسخهای هوشمندانه و متنی دریافت کنیم.
این درها را برای طیف گستردهتری از متخصصان - مدیران محصول، تحلیلگران کسبوکار، طراحان UX و مدیران اجرایی - برای تعامل مستقیم با سیستمهای هوش مصنوعی باز میکند. هوگو گفت: «همه میتوانند درگیر شوند زیرا این زبان طبیعی است که ما با آنها تعامل داریم. برای ساختن یا تأثیرگذاری بر محصولات هوش مصنوعی نیازی نیست که یک کدنویس متخصص باشید.»
با این حال، هوگو به سرعت چالشها را گوشزد میکند: توهمات، غیر قطعی بودن، منسوخ شدن سریع ابزارها و زیرساختهای شکننده. این واقعیتها به این معنی است که در حالی که مانع ورود کمتر است، ساختن سیستمهای هوش مصنوعی قوی و آماده تولید همچنان نیازمند نظم، همکاری و درک عمیق از مهندسی سیستمها است.
از اثبات مفهوم تا تولید: کار واقعی آغاز میشود
به نظر هوگو، یکی از بزرگترین اشتباهاتی که تیمها مرتکب میشوند، گرفتار شدن در چیزی است که او آن را «برزخ اثبات مفهوم» مینامد. ابزارهای هوش مصنوعی مولد، ساختن نسخههای نمایشی پر زرق و برق را آسان میکنند. اما تبدیل آن نسخههای نمایشی به نرمافزار قابل اعتماد و مقیاسپذیر، موضوع دیگری است.
توسعه نرمافزار سنتی شامل یک افزایش آهسته هیجان است: از "Hello World" تا توسعه ویژگی، آزمایش واحد، استقرار و مقیاسبندی. توسعه مبتنی بر هوش مصنوعی این سناریو را برعکس میکند. با هیجان شروع میشود - یک نسخه نمایشی چشمگیر - و اغلب با ناامیدی به پایان میرسد، زمانی که تیمها با توهمات، شکست در آزمایش، بهروزرسانیهای غیرقابل پیشبینی مدل و فقدان زیرساخت ارزیابی مواجه میشوند.
برای عبور از این مرحله، هوگو بر اهمیت توسعه مبتنی بر ارزیابی تأکید میکند. این به معنای ثبت دادهها، ساخت خطوط لوله نظارت قوی و اتصال معیارهای سطح خرد (به عنوان مثال، دقت پاسخ) به اهداف تجاری سطح کلان (به عنوان مثال، رضایت کاربر یا تأثیر درآمد) است. کافی نیست که اندازهگیری کنید که آیا یک چتبات به سؤالات به درستی پاسخ میدهد یا خیر؛ شما باید بپرسید: «آیا به تبدیل یک سرنخ کمک کرد؟ آیا باعث کاهش ریزش مشتری شد؟»
هوش مصنوعی به عنوان یک ورزش تیمی
یک موضوع کلیدی در فلسفه هوگو، نیاز به همکاری بین نقشها است. مهندسان دیگر نمیتوانند به طور مجزا کار کنند و prompts و کد را بهینه کنند. مدیران محصول باید معیارهای ارزیابی را درک کنند. ذینفعان تجاری باید موفقیت را به صورت قابل اندازهگیری تعریف کنند. و همه - از طراحان گرفته تا مدیران اجرایی - باید درک اساسی از نحوه کار LLMها و جایی که میتوانند از هم بپاشند، داشته باشند.
اینجاست که رویکرد هوگو به آموزش میدرخشد. به جای اینکه مردم را تحت فشار قرار دهد تا بر هر ابزار یا چارچوب جدیدی مسلط شوند، او تیمها را تشویق میکند تا بر اصول تمرکز کنند: آزمایش ساختاریافته، حلقههای بازخورد متقابل عملکردی و تمرین رفتار با سیستمهای هوش مصنوعی به عنوان محصولات پویا و در حال تحول.
او همچنین از نمونهسازی داخلی، استقرار در مقیاس کوچک و تکرار مبتنی بر بازخورد حمایت میکند. اغلب، موضوع کمتر در مورد دستیابی به کمال و بیشتر در مورد یادگیری سریع، آزمایش فرضیهها و تنظیم مسیر است.
چرخه عمر جدید توسعه نرمافزار
محصولات بومی هوش مصنوعی نیازمند یک چرخه عمر جدید توسعه نرمافزار هستند - چرخهای که DNA مشترکی با گردش کار ML سنتی دارد اما با ماهیت منحصر به فرد LLMها سازگار است. هوگو آن را به چند مرحله تقسیم میکند:
- به سرعت نمونهسازی کنید با استفاده از ابزارهایی مانند LangChain، LlamaIndex یا اسکریپتهای سفارشی پایتون.
- به صورت داخلی مستقر کنید و شروع به جمعآوری دادههای کاربر واقعی (یا مصنوعی) کنید.
- به طور بیوقفه ارزیابی کنید، حالتهای خرابی را شناسایی کرده و آنها را با زمینه تجاری تشخیص دهید.
- تکرار کنید با بهبود prompts، تغییر embeddings یا تنظیم دقیق مدلها.
- به اهداف تجاری متصل شوید با مرتبط کردن پیشرفتها با نتایج قابل اندازهگیری.
به طور انتقادی، این سیستمها هرگز "تمام" نمیشوند. LLMها به طور طبیعی احتمالی هستند. لحظهای که ارسال میکنید، یک سفر طولانی نظارت، بازخورد و بهبود مستمر را آغاز میکنید.
از کدنویسی با احساسات تا مهندسی با هدف
یکی از مشاهدات سرگرمکنندهتر اما دقیقتر هوگو این است که ما وارد دوران "کدنویسی حسی" شدهایم - جایی که شما یک ایده مبهم را در یک ابزار هوش مصنوعی تایپ میکنید و امیدوارید که کد قابل استفاده را بیرون بریزد. او میگوید این برای یک نمونه اولیه خوب است، اما اگر در حال ساختن سیستمهای حیاتی هستید، همچنان باید درک کنید که برنامه شما چه کاری انجام میدهد.
این بدان معنا نیست که شما باید همه چیز را از ابتدا بنویسید. در واقع، هوگو توصیه میکند با چارچوبهایی مانند LlamaIndex یا CrewAI شروع کنید، سپس آنها را به پایتون وانیلی برگردانید تا قبل از ایجاد پیچیدگی، به طور کامل رفتار سیستم خود را درک کنید.
و در حالی که بسیاری از ابزارها prompts و منطق را انتزاع میکنند، هوگو از توسعهدهندگان میخواهد که کنترل را به دست گیرند: prompts خود را بنویسید، ورودیها و خروجیها را بررسی کنید و معماریهای مختلف را آزمایش کنید. «اگر نمیتوانید بگویید چه promptای در زیر هود استفاده میکند، چیزی را به تولید ارسال نکنید.»
مدیران محصول: زمان پیشرفت است
اگر مهندسان نرمافزار نیاز به پذیرش مهندسی هوش مصنوعی دارند، مدیران محصول باید به همکاران با سواد هوش مصنوعی تبدیل شوند. این به معنای تسلط بر LangChain نیست، اما به معنای:
- درک اینکه مدلهای مولد چه کاری میتوانند و نمیتوانند انجام دهند
- تعریف شخصیتهای کاربری و سناریوها
- طراحی ارزیابیهایی که به اهداف محصول باز میگردند
- برقراری ارتباط واضح با مهندسان و دانشمندان داده
در نهایت، پیام هوگو به مدیران محصول این است: هر چه بیشتر قابلیتها و محدودیتهای LLMها را درک کنید، در شکل دادن به محصولات ارزشمند و کاربر محور بهتر خواهید بود.
مجموعه مهارتهای همیشه سبز
با سرعت گرفتن انتشار مدل - GPT-4.5، Claude 3.7، Gemini 1.5، Mistral و بسیاری دیگر - وسوسه انگیز است که هر ابزار جدیدی را دنبال کنید. اما دوره هوگو، "ساخت با LLMها از اصول اولیه"، بر مهارتهای همیشه سبز تمرکز دارد: چیزهایی که با حذف مدل بعدی منسوخ نمیشوند.
درباره مهمان:
هوگو باون-اندرسون یک مشاور مستقل داده و هوش مصنوعی با تجربه گسترده در صنعت فناوری است. او میزبان Vanishing Gradients و High Signal، پادکستهایی است که به بررسی تحولات در علم داده و هوش مصنوعی میپردازند. پیش از این، هوگو به عنوان رئیس روابط توسعهدهندگان در Outerbounds خدمت میکرد و در Coiled و DataCamp نقشهایی داشت، جایی که کار او در آموزش علم داده به بیش از 3 میلیون یادگیرنده رسید. او در دانشگاه ییل، آزمایشگاه کلد اسپرینگ هاربر و کنفرانسهایی مانند SciPy و PyCon تدریس کرده است و از حامیان پرشور دموکراتیکسازی مهارتهای داده و ابزارهای متنباز است. او همچنین به طور منظم دورههایی را در زمینه ساخت برنامههای LLM برای دانشمندان داده و مهندسان نرمافزار تدریس میکند.