فناوری های آینده دار هوش مصنوعی برای سرمایه‌گذاری و یادگیری با چرخه گارتنر

چرخه هایپ گارتنر (Gartner Hype Cycle) یک مدل مفهومی است که روند پذیرش فناوری‌های نوین را به تصویر می‌کشد. این چرخه به ما کمک می‌کند تا درک بهتری از مراحل تکامل تکنولوژی‌های نوظهور داشته باشیم و بدانیم که هر تکنولوژی در چه وضعیتی از بلوغ خود قرار دارد، این چرخه به کسب‌وکارها، توسعه‌دهندگان و متخصصان کمک می‌کند تا تصمیم‌گیری‌های آگاهانه‌تری در مورد سرمایه‌گذاری، یادگیری، و توسعه فناوری‌ها داشته باشند.
امروزه سرمایه گذاری در هوش مصنوعی با تمرکز بر هوش مصنوعی مولد، که در بیشتر موارد، هنوز ارزش تجاری پیش بینی شده خود را ارائه نکرده است، به اوج رسیده است. این تحقیق به رهبران هوش مصنوعی و متخصصان این حوزه کمک می‌کند تا با معرفی طیف گسترده‌ای از نوآوری‌های هوش مصنوعی، که بسیاری از آنها به سرعت در حال پیشرفت هستند، سایر تکنیک‌های شایسته سرمایه‌گذاری را شناسایی کنند.
چرخه هایپ گارتنر نقشه ای عینی ارائه می دهد که به شما کمک می کند خطرات و فرصت های واقعی نوآوری را درک کنید، بنابراین می توانید از تصمیم گیری زودهنگام، تسلیم شدن خیلی زود، پذیرش خیلی دیر، یا معطل ماندن خیلی طولانی اجتناب کنید، ضمننا می‌توانید از طریق این لینک ویدئو یوتوب مربوط به این مقاله را نیز مشاهده کنید.

ابتدا باید به این سوال پاسخ بدهیم که چرخه هایپ گارنتر چیست و چه مراحلی دارد؟ به طور خلاصه، چرخه گارتنر شامل پنج مرحله است که نشان می‌دهد هر فناوری در کجای مسیر رشد، انتظارات و پذیرش عمومی قرار دارد:

1. Innovation Trigger (شروع نوآوری)

این مرحله آغاز یک فناوری جدید است، زمانی که تحقیق و توسعه برای این فناوری شروع شده، اما هنوز به‌طور عملیاتی وارد بازار نشده است و هنوز خیلی ناشناخته هستند و شاید فقط توسط عده‌ای خاص استفاده شوند، فناوری هایی که در این مرحله قرار دارند ممکن است پتانسیل زیادی داشه باشند اما هنوز امکان استفاده عملی از آن ها وجود ندارد، در این زمان سرمایه گذاری و یادگیری ممکن است پرخطر باشد ولی در صورت موفقیت، نتایج چشم گیرید را برای سرمایه گذاران خواهد داشت!

مثال: تکنولوژی‌هایی مثل Quantum AI یا Artificial General Intelligence در این مرحله قرار دارند. هنوز نیاز به زمان و تحقیق دارند تا به بهره‌وری کامل برسند.

2. Peak of Inflated Expectations (اوج انتظارات غیرواقعی)

در این مرحله، تکنولوژی جدید توجه زیادی را به خود جلب می‌کند و انتظارات بسیاری از آن ایجاد می‌شود. در این مرحله تبلیغات و هایپ زیادی وجود دارد و در اغلب موارد درباره این تکنولوژی ها بزرگ نمایی می‌شود و برخی پروژه ها نیز شکست می‌خورند، رسانه‌ها و تحلیلگران، اغراق‌آمیز از مزایای این فناوری‌ها صحبت می‌کنند و این باعث ایجاد هیجان و سرمایه‌گذاری‌های بی‌رویه می‌شود. در واقع، مردم از تکنولوژی جدید هیجان‌زده هستند و فکر می‌کنند که همه مشکلات را حل می‌کند. فناوری هایی که در این مرحله قرار دارند مشکلات و چالش های زیادی دارند که باید حل شود و ممکن است انتظاراتی که از آن ها وجود دارد بیش از حد باشد و حتی به شکست آن ها بی انجامد!

سرمایه گذاری و یادگیری تکنولوژی هایی که در این مرحله قرار دارند نیز پر ریسک است زیرا از طرفی انتظارات از آن ها بالا رفته و هیاهو و تبلیغات زیادی در جامعه از این فناوری وجود دارد، اما با وجود تمام این اقبال ها ممکن است این تکنولوژی ها آن چنان که نشان می‌دهند نباشند و با شکست مواجه شوند، که این موضوع ریسک سرمایه گذاری را در این مرحله افزایش می‌دهند و همچنان در صورتی که شما بتوانید بدون توجه به تبلیغات و هایپی که وجود دارد فناوری های اینده دار را برای سرمایه گذاری انتخاب کنید جزو پیشگامان این فناوری خواهید بود و سود زیادی خواهید کرد.

مثال: Generative AI و AI Engineering در این مرحله قرار دارند، چون توجه زیادی را جلب کرده‌اند اما همچنان محدودیت‌هایی دارند.

3. Trough of Disillusionment (دره ناامیدی)

در این مرحله، بسیاری از پروژه‌ها و تکنولوژی‌هایی که هایپ زیادی داشتند با شکست مواجه می‌شوند یا به بهره‌وری نمی‌رسند. انتظارات به شدت کاهش پیدا می‌کند زیرا فناوری به اندازه انتظارات اولیه عمل نمی‌کندو علاقه به آن ها نیز کاهش می‌یابد در نتیجه فقط تکنولوژی‌های قوی‌تر باقی می‌مانند. در این مرحله تکنولوژی هایی که شرکت ها و توسعه دهندگان همچنان به آن ها متعهد باشند و توسعه آن ها متوقف نشده باشد پتانسیل واقعی دارند و در اینده نیز می‌توانند رشد کنند و مفید باشند.

مثال: Cloud AI Services در این مرحله است؛ از اوج انتظارات به مرحله‌ای رسیده که انتظارات کمی تعدیل شده و حالا به دنبال کارایی واقعی آن هستیم.

4. Slope of Enlightenment (شیب روشنایی)

فناوری هایی که توانسته اند از مرحله قلبی یعنی دره نا امیدی گذر کنند، به تدریج می‌توانند راه حل های عملی و واقعی برای مشکلاتشان پیدا کنند، در این مرحله این تکنولوژی ها شروع به نشان دادن کاربرد های واقعی خود می‌کنند و اعتماد به آن ها دوباره بازمیگردد و استفاده از آن ها مجددا افزایش می‌یابد و شرکت‌ها شروع به استفاده از این فناوری در محصولات و خدمات خود می‌کنند و بازار برای آن ها شکل می‌گیرد، سرمایه‌گذاری و یادگیری تکنولوژی‌هایی که در این مرحله هستند، معمولاً کم‌ریسک‌تر است زیرا بازار آن‌ها به ثبات رسیده است و قابلیت بهره‌برداری دارند.

مثال: Knowledge Graphs و Autonomous Vehicles در این مرحله هستند و در حال حاضر به‌صورت واقعی مورد استفاده قرار می‌گیرند.

5. Plateau of Productivity (قله بهره‌وری)

در این مرحله تکنولوژی به بلوغ کامل می‌رسد و به صورت گسترده در بسیاری از زمینه ها مورد استفاده قرار می‌گرد، هزینه استفاده از این فناوری ها پایین تر آمده و سود آور و قابل اعتماد شده اند، فناوری هایی که در این مرحله قرار دارند به ثبات و بره‌وری رسیده اند و یادگیري، سرمایه گذاری و استفاده از آن ها منطقی است و بازار کار و فروش خوبی برای خدمات مرتبط با آن وجود دارد.

مثال: Computer Vision در این مرحله قرار دارد و به‌طور گسترده در صنایع مختلفی مثل خودروهای خودران، امنیت، و تشخیص تصاویر مورد استفاده قرار می‌گیرد.

مدت زمان رسیدن به قله بهره‌وری

نکته دیگری که این چرخه به ما نشان می‌دهد Time to Plateau Will Be Reached یا همان زمانی است که پیش‌بینی می‌شود یک فناوری به مرحله بهره‌وری یا ثبات خود برسد، این مرحله در چرخه گارتنر “Plateau of Productivity” نامیده می‌شود، که نشان می‌دهد فناوری موردنظر به‌طور گسترده در صنعت و بازار پذیرفته شده و از نظر کارایی و عملکرد به نقطه‌ی ایده‌آلی رسیده است.
در چرخه گارتنر، تکنولوژی‌های مختلف در مراحل مختلف تکامل قرار دارند و زمان‌های متفاوتی برای رسیدن به این نقطه ثبات پیش‌بینی می‌شود. برای هر فناوری، مدت زمانی که طول می‌کشد تا به مرحله بهره‌وری برسد با نمادها و رنگ‌های مختلف نمایش داده شده است:

1. کمتر از 2 سال (سفید): فناوری‌هایی که به سرعت به مرحله بهره‌وری می‌رسند و در کوتاه‌مدت می‌توانند سودمند باشند.
2. 2 تا 5 سال (آبی روشن): فناوری‌هایی که میان‌مدت هستند و برای رسیدن به بهره‌وری کامل به چند سال زمان نیاز دارند.
3. 5 تا 10 سال (آبی تیره): فناوری‌هایی که طولانی‌تر طول می‌کشد تا به بهره‌وری برسند، معمولاً هنوز در مرحله توسعه یا تحقیق هستند.
4. بیش از 10 سال (مثلث زرد): فناوری‌هایی که هنوز در مراحل اولیه توسعه قرار دارند و نیاز به سال‌ها تحقیق و آزمایش دارند تا به بهره‌وری برسند.

این مدت‌ها به کسب‌وکارها و سرمایه‌گذاران کمک می‌کند تا تصمیم بگیرند که آیا باید اکنون روی یک فناوری سرمایه‌گذاری کنند یا منتظر بمانند تا فناوری به بلوغ برسد.

مزایای استفاده از چرخه گارنتر برای فناوری های هوش مصنوعی

در واقع چرخه گارتنر به ما در تعیین زمان مناسب برای سرمایه‌گذاری، انتخاب مسیر یادگیری و تشخیص پروژه‌های پرریسک در این حوزه به ما کمک شایانی می‌کند که در ادامه به توضیح این بیشتر این موارد می‌پردازیم:

• تعیین زمان مناسب برای سرمایه‌گذاری

این چرخه به ما در فهمیدن زمان مناسب برای سرمایه گذاری در فناوری های هوش مصنوعی کمک می‌کند، همچنین به سرمایه‌گذاران کمک می‌کند تا فناوری‌هایی را که پتانسیل رشد بالایی دارند شناسایی کنند، مثلا سرمایه گذاری در فناوری که در مرحله اوج انتظارات غیر واقعی است ریسک بالایی وجود دارد، زیرا ممکن است زمان زیادی طول بکشد که به بهره‌وری برسد یا اصلا این اتفاق برایش رقم نخورد!

• انتخاب مسیر یادگیری

این چرخه می‌تواند به ما نشان دهد که یادگیری کدام یک فناوری های هوش مصنوعی در حال حاضر بهتر است و ارزش بالاتری در آینده از نظر شغلی برای شما خواهد داشت، مثلا در صورتی که یک فناوری در مرحله شیب روشنایی باشد می‌توان نتیجه گرفت که زمان مناسبی برای یادگیری آن است و شما می‌توانید با اطمینان بیشتری مسیر شغلی خود را انتخاب کنید.

• تشخیص پروژه‌های پرریسک

یکی از مهم ترین کاربرد های چرخه گانتر تشخیص پروژه های پر ریسک است، یعنی ما بتوانیم تشخیص بدهیم که کدام فناوری ها در حال حاضر هنوز در مرحله تحقیقات و توسعه هستند و یا تبلیغات و هایپ زیادی در رابطه با آن ها وجود دارد و ممکن است بر خلاف جنجال و هیاهویی که در اطراف آن وجود دارد با شکست مواجه شوند و نتیجه ای را برای افرادی که برای یادگیری و سرمایه گذاری روی آن اقدام می‌کنند نداشته باشد.

• تصمیم‌گیری استراتژیک

شرکت‌ها و دولت ها می‌توانند از این چرخه برای تصمیم‌گیری در مورد سرمایه‌گذاری در فناوری‌های جدید و ادغام آن‌ها در محصولات و خدمات خود استفاده کنند.

• مدیریت انتظارات

این چرخه به مدیران و کارکنان کمک می‌کند تا انتظارات واقع‌بینانه‌ای از فناوری‌های جدید داشته باشند و از هیجان بیش از حد جلوگیری کنند.

در ادامه به بررسی فناوری های AI ذکر شده در چرخه گارنتر خواهیم پرداخت:

1. Autonomic Systems (سیستم‌های خودمختار)

سیستم‌های AI که به‌صورت خودکار مدیریت می‌شوند و به‌صورت پویا خود را تطبیق می‌دهند، این سیستم ها قادر به مدیریت و کنترل خود، بدون نیاز به دخالت مداوم انسان هستند و می‌توانند وظایف پیچیده را انجام داده، با محیط اطراف خود تعامل داشته و بر اساس اطلاعات دریافتی تصمیم‌گیری کنند. برای مثال پروژه‌های خودروی خودران تسلا از سیستم‌های خودمختار برای مدیریت و کنترل ماشین استفاده می‌کنند.

2. Quantum AI (هوش مصنوعی کوانتومی)

این هوش مصنوعی ترکیب محاسبات کوانتومی با هوش مصنوعی برای حل مسائل پیچیده‌تر و بهینه‌سازی الگوریتم‌ها می‌باشد، در واقع هوش مصنوعی کوانتومی شاخه‌ای از هوش مصنوعی است که از اصول مکانیک کوانتومی برای حل مسائل پیچیده‌ای استفاده می‌کند که برای کامپیوترهای کلاسیک بسیار زمان‌بر یا غیرممکن است. مثلا Google AI Quantum با پروژه Google’s Sycamore، که یک پروژه کوانتومی است که ترکیب محاسبات کوانتومی و هوش مصنوعی را برای حل مسائل پیچیده مانند شبیه‌سازی مولکول‌ها به‌کار می‌برد.

3. First-Principles AI (هوش مصنوعی اصول اولیه)

مدلی از AI که به جای داده‌های آموزشی گسترده، بر اساس قوانین پایه و اصول اولیه کار می‌کند، در واقع در این فناوری به دنبال شبیه‌سازی دقیق‌تر فرآیندهای تفکر انسانی هستیم، در این رویکرد، به جای آموزش مدل‌ها بر روی داده‌های عظیم و شناسایی الگوها، سعی می‌شود تا اصول اساسی و بنیادی هوش انسان درک شده و در مدل‌های هوش مصنوعی پیاده‌سازی شوند. مثلا پروژه‌هایی مثل AlphaZero از کمپانی DeepMind بر اساس اصول اولیه یادگیری بازی‌های شطرنج، Go و دیگر بازی‌های استراتژیک، بدون نیاز به داده‌های اولیه بزرگ ساخته شده است.

4. Embodied AI (هوش مصنوعی متجسد)

هوش مصنوعی متجسد یا Embodied AI شاخه‌ای از هوش مصنوعی است که بر روی ساخت سیستم‌های هوش مصنوعی متمرکز است که دارای یک بدن فیزیکی هستند و می‌توانند با محیط فیزیکی خود تعامل داشته باشند. این سیستم‌ها نه تنها قادر به پردازش اطلاعات هستند، بلکه می‌توانند از طریق حواس خود با جهان اطرافشان ارتباط برقرار کرده و بر اساس این تعاملات، رفتار خود را تغییر دهند. مثلا روبات‌های هوشمندی مثل Boston Dynamics که در محیط‌های واقعی حرکت می‌کنند و وظایف فیزیکی را انجام می‌دهند، نمونه‌ای از هوش مصنوعی متجسد هستند.

5. Multiagent Systems (سیستم‌های چندعاملی)

مجموعه‌ای از عوامل هوش مصنوعی که با یکدیگر در تعامل هستند و برای رسیدن به یک هدف مشترک همکاری می‌کنند. سیستم‌های سربازان مجازی که توسط ارتش آمریکا برای شبیه‌سازی و همکاری میان عوامل مختلف AI در محیط‌های جنگی توسعه داده شده است، نمونه‌ای از سیستم‌های چندعاملی است.

6. AI Simulation (شبیه‌سازی با AI)

استفاده از هوش مصنوعی برای شبیه‌سازی سیستم‌های پیچیده مانند محیط‌های صنعتی، شبیه‌سازی ترافیک شهری، شبیه‌سازی اقتصاد و…

7. Causal AI (هوش مصنوعی علیتی)

نوعی از AI که روابط علیتی بین داده‌ها را تحلیل می‌کند، نه فقط همبستگی‌ها، هوش مصنوعی علیتی سعی می‌کند تا بفهمد چرا رویدادها رخ می‌دهند و چه عواملی باعث ایجاد آن‌ها می‌شوند. برای مثال پلتفرم Causal AI توسط شرکت‌هایی مانند CausaLens توسعه داده شده است که به سیستم‌های AI امکان می‌دهد بین همبستگی و علیت تفاوت قائل شوند.

8. AI-Ready Data (داده آماده برای AI)

داده‌هایی که به‌صورت سازمان‌دهی‌شده و بهینه برای استفاده توسط مدل‌های هوش مصنوعی آماده شده‌اند.
مثال: DataRobot یک پلتفرم است که داده‌ها را به‌صورت AI-ready آماده می‌کند، یعنی داده‌ها را به‌شکل مناسب برای مدل‌های AI پردازش و پاکسازی می‌کند.

9. Decision Intelligence (هوش تصمیم‌گیری)

استفاده از هوش مصنوعی برای کمک به فرآیند تصمیم‌گیری با ترکیب داده‌ها و الگوریتم‌ها، مثلا سیستم‌های هوش مصنوعی مثل Google Analytics از داده‌ها برای کمک به مدیران در تصمیم‌گیری‌های تجاری استفاده می‌کنند. این ابزارها داده‌ها را تحلیل کرده و پیشنهادهایی برای بهبود کارایی ارائه می‌دهند.

10. Neuro-Symbolic AI (هوش مصنوعی نوروسیمبولیک)

ترکیب روش‌های یادگیری عمیق با منطق‌های نمادین برای ایجاد هوشی که بتواند استدلال کند و یاد بگیرد، پروژه‌های IBM Watson نیز از این رویکرد استفاده می‌کنند.

11. Composite AI (هوش مصنوعی مرکب)

استفاده از چندین نوع مدل AI مختلف به صورت همزمان برای بهبود دقت و کارایی می‌باشد، مثلا Amazon Web Services (AWS) از هوش مصنوعی مرکب برای ارائه سرویس‌های مختلف مثل تشخیص تصویر، پردازش زبان طبیعی، و یادگیری ماشین در کنار هم استفاده می‌کند.

12. Artificial General Intelligence (هوش مصنوعی عمومی)

هوش مصنوعی عمومی (Artificial General Intelligence یا AGI) به نوعی از هوش مصنوعی اشاره دارد که توانایی انجام هر کاری را که یک انسان هوشمند می‌تواند انجام دهد، دارا باشد. این به معنای آن است که یک سیستم AGI باید بتواند یاد بگیرد، درک کند، استدلال کند، خلاقیت داشته باشد و به طور کلی، هر وظیفه‌ای را که نیازمند هوش انسانی است، انجام دهد. هنوز پروژه‌ای که دقیقاً با عنوان AGI عمل کند وجود ندارد، اما پروژه‌های مانند DeepMind در تلاش هستند تا به این سطح از هوش مصنوعی برسند. برنامه‌هایی مثل AlphaGo با پیروزی در بازی‌های پیچیده به نوعی از AGI نزدیک شده‌اند.

13. Sovereign AI (هوش مصنوعی مستقل)

هوش مصنوعی مستقل به قابلیت های یک کشور یا سازمان برای توسعه و اجرای سیستم های هوش مصنوعی اشاره دارد که به طور دقیق سیاست ها، فرهنگ، تاریخ و ارزش های ملی و منطقه ای را با استفاده از داده ها و زیرساخت های خود منعکس می کند و باعث ایجاد حاکمیت یک کشور در این فناوری می‌شود، مثلا GAIA-X، یک پروژه اروپایی برای ایجاد یک زیرساخت ابری مستقل و هوش مصنوعی است که به کشورها اجازه می‌دهد از داده‌های خود بدون وابستگی به پلتفرم‌های خارجی استفاده کنند.

GAIA-X، یک پروژه اروپایی برای ایجاد یک زیرساخت ابری مستقل و هوش مصنوعی است که به کشورها اجازه می‌دهد از داده‌های خود بدون وابستگی به پلتفرم‌های خارجی استفاده کنند.

14. AI TRiSM (مدیریت ریسک هوش مصنوعی)

ابزارها و فرآیندهایی برای مدیریت ریسک‌ها و اطمینان از عملکرد صحیح و امن هوش مصنوعی است، مثلا از IBM Watson در سیستم‌های مالی استفاده می‌شود و برای اطمینان از ایمنی و کنترل مدل‌های AI در محیط‌های حساس، مدیریت ریسک را با استفاده از الگوریتم‌های AI TRiSM اجرا می‌کند.

15. Prompt Engineering (مهندسی پرامپت)

به بهینه‌سازی ورودی‌ها و دستورات (پرامپت‌ها) برای مدل‌های زبان بزرگ و سایر مدل‌های AI گفته می‌شود تا بهترین خروجی را تولید کنند، مثلا در GPT-4o، مهندسی پرامپت بسیار مهم است. بهینه‌سازی ورودی‌ها به کاربران این امکان را می‌دهد که از این مدل‌ها پاسخ‌های دقیق‌تر و مرتبط‌تر بگیرند. ابزارهایی مثل OpenAI Playground به کاربران اجازه می‌دهد پرامپت‌ها را تنظیم کنند.

16. Responsible AI (هوش مصنوعی مسئولیت‌پذیر)

هوش مصنوعی که با در نظر گرفتن اخلاق، حریم خصوصی، و شفافیت در تصمیم‌گیری‌ها طراحی شده است. برای مثال پلتفرم‌های Google و Microsoft به شدت روی ایجاد اصول اخلاقی برای توسعه و پیاده‌سازی هوش مصنوعی کار می‌کنند. برای مثال، ابزارهای Azure AI از مایکروسافت مجموعه‌ای از قابلیت‌های کنترل و نظارت را برای جلوگیری از تعصب و تبعیض در مدل‌های AI ارائه می‌دهند.

17. AI Engineering (مهندسی AI)

مهندسی هوش مصنوعی (AI Engineering) رشته‌ای نوظهور و هیجان‌انگیز است که با هدف طراحی، توسعه و استقرار سیستم‌های هوشمند و خودکار فعالیت می‌کند. این رشته، تلفیقی از علوم کامپیوتر، ریاضیات، آمار و مهندسی است و به دنبال ایجاد ماشین‌هایی است که بتوانند وظایف پیچیده را مانند تفکر، یادگیری و حل مسئله انجام دهند.

18. Edge AI (هوش مصنوعی در لبه)

هوش مصنوعی لبه یا Edge AI به فناوری‌ای گفته می‌شود که در آن، الگوریتم‌های یادگیری ماشین و یادگیری عمیق به جای اجرای در ابر (Cloud) یا سرورهای مرکزی، مستقیماً روی دستگاه‌های سخت‌افزاری محلی (مانند تلفن‌های هوشمند، سنسورها، دوربین‌ها و …) اجرا می‌شوند. به عبارت ساده‌تر، هوش مصنوعی به لبه شبکه منتقل می‌شود و محاسبات پیچیده در همان محلی که داده تولید می‌شود، انجام می‌شود. مثلا دستگاه‌های IoT می‌توانند داده‌های محلی را پردازش کرده و تصمیمات هوشمندانه‌ای بگیرند و یا خودروهای خودران می‌توانند داده‌های سنسورها را در زمان واقعی پردازش کرده و تصمیمات رانندگی بگیرند. هوش مصنوعی لبه یک فناوری نوظهور است که پتانسیل متحول کردن بسیاری از صنایع را دارد.

19. Foundation Models (مدل‌های پایه)

مدل‌های پایه یا Foundation Models در واقع مدل‌های یادگیری ماشینی بسیار بزرگی هستند که روی مجموعه داده‌های عظیم و متنوعی آموزش دیده‌اند، مانند مدل های زبانی بزرگ GPT و gemini و cluade و توانایی هایشان در انجام طیف گسترده ای از وظایف.

20. Synthetic Data (داده‌های مصنوعی)

داده‌هایی که به‌طور مصنوعی توسط مدل‌های AI تولید شده‌اند تا در آموزش مدل‌ها استفاده شوند، مثلا شرکت‌هایی مثل Synthetic داده‌های مصنوعی برای آموزش مدل‌های AI تولید می‌کنند که در صنایع بهداشتی و مالی کاربرد دارد.

21. ModelOps (عملیات مدل)

مدیریت و بهینه‌سازی چرخه عمر مدل‌های هوش مصنوعی از ساخت تا پیاده‌سازی است، پلتفرم‌های DataRobot و SageMaker از Amazon ابزارهایی را برای مدیریت چرخه عمر مدل‌های AI، از ساخت تا پیاده‌سازی و نظارت، ارائه می‌دهند.

22. Generative AI (هوش مصنوعی مولد)

هوش مصنوعی که می‌تواند با استفاده از الگوریتم‌های پیچیده یادگیری ماشین، به ویژه شبکه‌های عصبی، متن، تصاویر، موسیقی، کدهای برنامه‌نویسی و… را تولید کند، ابزارهایی مثل DALL·E برای تولید تصاویر از طریق پرامپت‌ها و ChatGPT برای تولید متن مثال‌های معروفی از هوش مصنوعی مولد هستند.

23. Neuromorphic Computing (محاسبات نورومورفیک)

مدلی از محاسبات که معماری آن بر اساس مغز انسان طراحی شده و به‌طور ویژه برای محاسبات هوش مصنوعی بهینه شده است، برای مثال Intel تراشه‌هایی با معماری نورومورفیک ساخته که به تقلید از ساختار مغز انسان طراحی شده‌اند و برای اجرای کارهای هوش مصنوعی بهینه شده‌اند.

24. Smart Robots (روبات‌های هوشمند)

روبات‌هایی که با استفاده از AI می‌توانند در محیط‌های پیچیده تصمیم‌گیری کرده و کارهای خاصی را به‌صورت خودکار انجام دهند، مثلا ربات Sophia که توسط Hanson Robotics ساخته شده، توانایی تعامل هوشمندانه با انسان‌ها و انجام کارهای مختلفی را دارد.

25. Cloud AI Services (خدمات AI ابری)

خدمات هوش مصنوعی ابری به مجموعه‌ای از ابزارها، پلتفرم‌ها و سرویس‌هایی گفته می‌شود که به کاربران اجازه می‌دهد تا از قابلیت‌های هوش مصنوعی بدون نیاز به داشتن زیرساخت سخت‌افزاری و نرم‌افزاری پیچیده بهره‌مند شوند. این خدمات به صورت آنلاین و از طریق اینترنت در دسترس هستند و به کاربران امکان می‌دهند تا مدل‌های یادگیری ماشین را آموزش دهند، استقرار دهند و از آن‌ها استفاده کنند، سرویس‌های Google Cloud AI و Azure AI به شرکت‌ها اجازه می‌دهند تا بدون نیاز به زیرساخت‌های پیچیده، مدل‌های AI را اجرا و مدیریت کنند.

26. Autonomous Vehicles (وسایل نقلیه خودران)

وسایل نقلیه‌ای که با استفاده از هوش مصنوعی و بدون نیاز به راننده می‌توانند به‌صورت خودکار حرکت کنند، Tesla Autopilot و پروژه خودروی خودران Waymo از AI برای کنترل و هدایت خودروها به‌صورت خودکار استفاده می‌کنند.

27. Knowledge Graphs (گراف‌های دانش)

نمایش ساختاریافته‌ای از داده‌ها که اطلاعات را به‌صورت مفاهیم مرتبط به هم نشان می‌دهد و برای بهبود استنتاج AI استفاده می‌شود. مثلا Google Search از Knowledge Graphs برای ارائه نتایج جستجوی دقیق و متنی استفاده می‌کند و ارتباطات بین مفاهیم مختلف را درک می‌کند.

28. Intelligent Applications (برنامه‌های هوشمند)

نرم‌افزارهایی که از هوش مصنوعی برای ارائه قابلیت‌های پیشرفته مثل توصیه‌ها یا پیش‌بینی‌ها استفاده می‌کنند، مثل اپلیکیشن‌های مثل Spotify که از AI برای پیشنهاد موزیک‌های مناسب کاربران استفاده می‌کند.

29. Computer Vision (بینایی ماشین)

شاخه‌ای از AI که به ماشین‌ها و سیستم‌ها امکان می‌دهد تصاویر و ویدیوها را تحلیل کنند و از آن‌ها اطلاعات استخراج کنند. مثلا پلتفرم‌های Amazon Rekognition و Google Vision AI برای تحلیل تصاویر و ویدیوها و تشخیص اشیا، چهره‌ها، و دیگر مفاهیم بصری استفاده می‌شوند.

آیا این اطلاعات چرخه گارنتر علمی است؟

چرخه هایپ گارتنر (Gartner Hype Cycle) یک ابزار تحلیلی است که توسط شرکت تحقیقاتی گارتنر برای بررسی روند پذیرش و بلوغ فناوری‌ها در بازار استفاده می‌شود. این چرخه به‌طور گسترده‌ای مورد استفاده قرار گرفته و شناخته شده است، اما باید توجه داشت که این ابزار علمی نیست، بلکه یک مدل تحلیلی است. در نتیجه، برخی محدودیت‌ها و نقدها درباره آن وجود دارد:

مزایای چرخه هایپ گارتنر:

1. درک روندهای فناوری: این چرخه به افراد و سازمان‌ها کمک می‌کند تا روند پذیرش و استفاده از فناوری‌ها را بهتر درک کنند و بتوانند استراتژی‌های مناسبی برای سرمایه‌گذاری و استفاده از آن‌ها داشته باشند.
2. پیش‌بینی‌های مفید: گارتنر با استفاده از این مدل، پیش‌بینی‌هایی درباره زمان‌بندی و بلوغ فناوری‌ها ارائه می‌دهد که می‌تواند در تصمیم‌گیری‌های کسب‌وکارها مفید باشد.
3. تاریخچه موفق: چرخه هایپ برای فناوری‌های مختلفی مانند کلود کامپیوتینگ، اینترنت اشیا، و حتی هوش مصنوعی در گذشته استفاده شده و بسیاری از این پیش‌بینی‌ها به واقعیت نزدیک بوده‌اند.

معایب و محدودیت های چرخه هایپ گارنتر:

1. کیفیت داده‌ها و پیش‌بینی‌ها: از آنجایی که این چرخه بر اساس تحلیل‌های کیفی و دیدگاه‌های کارشناسان تهیه می‌شود، ممکن است همیشه دقیق نباشد. به‌خصوص در مورد فناوری‌های بسیار جدید که اطلاعات کمی درباره آن‌ها موجود است.
2. تمرکز بر انتظارات: چرخه هایپ بیشتر به انتظارات و هیجان عمومی می‌پردازد و ممکن است به اندازه کافی به جنبه‌های فنی و عملیاتی فناوری‌ها توجه نکند.
3. غیر علمی بودن: این چرخه بیشتر یک ابزار مدیریتی و تحلیلی است تا یک مدل علمی دقیق. بنابراین، نباید به عنوان یک پیش‌بینی قطعی و علمی در نظر گرفته شود.
4. تاثیرگذاری بر بازار: بعضی از منتقدان معتقدند که خود این چرخه ممکن است به ایجاد یا تقویت هیجان‌ها و انتظارات بیش از حد در بازار کمک کند، که می‌تواند منجر به نوسانات غیرضروری در سرمایه‌گذاری‌ها و توسعه فناوری‌ها شود.

پس حتما در نظر بگیرید که چرخه هایپ گارتنر ابزاری مفید برای درک روندهای فناوری و تصمیم‌گیری است، اما نباید آن را به عنوان یک پیش‌بینی علمی دقیق در نظر گرفت. این ابزار به‌خوبی برای بسیاری از فناوری‌های دیگر کار کرده است، اما همیشه باید با در نظر گرفتن سایر عوامل و تحلیل‌های دیگر از آن استفاده شود.
البته در نظر داشته باشید موسسه گارتنر (Gartner) دارای ارزش پژوهشی بالایی است و به عنوان یکی از معتبرترین منابع در حوزه تحلیل و پیش‌بینی روندهای فناوری و مدیریت اطلاعات شناخته می‌شود و بسیاری از شرکت‌ها و مدیران ارشد فناوری اطلاعات از تحلیل‌ها و گزارش‌های گارتنر برای تصمیم‌گیری‌های استراتژیک و سرمایه‌گذاری در حوزه فناوری استفاده می‌کنند.

از چرخه گارنتر چه میفهمیم و کدام فناوری ها را باید انتخاب کنیم؟

در چرخه گارتنر، هر فناوری بر اساس پیش‌بینی زمان رسیدن به بهره‌وری (Plateau of Productivity) دسته‌بندی می‌شود، و هر فناوری در هر مرحله ای از چرخه گارنتر می‌تواند به مرحله قله بهره وری برسد یا اینکه با شکست مواجه شود و همچنین زمان رسیدن به مرحله آخر چرخه گارنتر برای فناوری های مختلف متفاوت است، در نتیجه شما با بررسی چرخه گارنتر و زمان رسیدن هر فناوری هوش مصنوعی به بهره وری می‌توانید گزینه های مناسب برای سرمایه گذاری و یادگیری متناسب با شرایط خودتان را بیابید. مثلا فناوری Composite AI مناسب برای سرمایه‌گذاری کوتاه‌مدت است زیرا در زمان سریع تری به بهره وری می‌رسد اما Quantum AI مناسب برای سرمایه گذاری بلندمدت با ریسک بالا، نیازمند دانش عمیق و زیرساخت‌های پیچیده است در آخر اینکه این چرخه به ما نشان می‌دهد که هر تکنولوژی جدید چگونه در طول زمان از هیجان و تبلیغات اولیه به سمت بلوغ و استفاده گسترده حرکت می‌کند.