فناوری های جدید به معنای دام های جدید است. در اینجا سه مورد از خطرات بزرگ استفاده از هوش مصنوعی در مهندسی آورده شده است.
هوش مصنوعی (AI) در سال‌های اخیر به سرعت در حال رشد بوده است که به لطف پیشرفت‌هایی در محاسبات و الگوریتم‌های آماری ، جهش‌های واقعا خیره‌کننده‌ای به جلو داشته است. قابل پیش بینی است که هوش مصنوعی به زودی در همه حوزه ها وجود خواهد داشت، و مهندسی نیز از این قاعده مستثنی نیست. امکاناتی هوش مصنوعی برای مهندسان فراهم میکند وسوسه‌انگیز است، اما مانند هر فناوری جدید، هوش مصنوعی خطراتی را به همراه دارد.
همچنین بخوانید: هوش مصنوعی در کنترل کیفیت
ماهیت خطرات به طور طبیعی به نحوه انتخاب سازمان ها برای استقرار هوش مصنوعی بستگی دارد، اما در زمینه مهندسی، سه خطر خاص وجود دارد که همه کاربران باید از آن آگاه باشند.
شماره 1 – اطلاعات غلط
سیستم‌های هوش مصنوعی – به‌ویژه مدل‌های زبانی بزرگ (LLM) – گاها اطلاعات نادرست تولید میکنند. متأسفانه، ساختار ذاتی LLM و یادگیری ماشینی به طور کلی به شکلی است که خروجی های این سیستم ها استنتاج های آماری هستند، که هرگز نمی توان صحت آنها را تضمین کرد.
پتانسیل سیستم های هوش مصنوعی برای اطلاع رسانی نادرست به مهندسانی که از آنها استفاده می کنند، واقعاً به یک خطر جدی تبدیل می شود.
شماره 2 – کار خاکستری
زمانی که فناوری‌های جدید به جای آن که کار را برای کاربران آسان‌تر کند ، برعکس دشوارتر میکند، کاربران از راه حل هایی استفاده میکنند که به آن اصطلاحا «کار خاکستری» میگویند.
به عنوان مثال، تصور کنید یک تولید کننده تصمیم می گیرد یک سیستم بینایی ماشین جدید را به خط تولید موجود اضافه کند تا تعداد عیوب تولید شده را کاهش دهد.اگر سیستم برای اینکه بتواند کار کند از کارگران بخواهد که اطمینان حاصل کنند که هر محصول دقیقاً در موقعیت مناسبی قرار گرفته است، ممکن است کارگران برای اینکه تلاش اضافه نکنند سعی کنند کار هایی کنند که سیستم را دور بزنند و کارایی سیستم به این صورت پایین بیاید.
در زمینه هوش مصنوعی، کار خاکستری معمولاً شامل تطبیق داده ها از منابع متفاوت، از جمله حسگرها، پایگاه های داده و ابزارها یا برنامه های مختلف است. برای مثال، یک مهندس که بر روی یک برنامه تعمیر و نگهداری کار می کند، ممکن است نیاز به جمع آوری داده ها از طراحان، مشتریان و خط تولید داشته باشد. اگر خروجی آن برنامه تعمیر و نگهداری از گزارشات بزرگ‌تر شود، تیم مهندسی پشت این گزارش ممکن است زمان بیشتری را برای مرتب‌سازی داده‌ها صرف کند تا انجام هر مهندسی واقعی.
شماره 3 – هدر رفت
هوش مصنوعی اغلب به دلیل کارایی آن یا به طور خاص به دلیل بهره وری بالقوه ای که ارائه می دهد مورد تحسین قرار می گیرد. با این حال کارکرد آن به شدت نیازمند منابع است.
به طور معمول، مدل‌های یادگیری ماشینی باید چندین نسل از آموزش را پشت سر بگذارند تا اینکه عملاً مفید شوند، به این معنی که هر مدل جدید نشان‌دهنده مصرف برق بیشتر است. به این واقعیت اضافه کنید که بسیاری از مدل‌ها کپی‌های زائد هستند که صرفاً برای اهداف تجاری ایجاد شده‌اند و خطر ایجاد زباله اضافی با استفاده از هوش مصنوعی کاملاً آشکار می‌شود. علاوه بر این، حتی اگر تمایلی به نگرانی در مورد مصرف منابع از منظر تغییرات آب و هوایی ندارید، باید بدانید که شرکت‌های هوش مصنوعی با دریافت هزینه بیشتر از مشتریان خود برای هر درخواستی که انجام می‌دهند، آن را جدی می‌گیرند.