Ավելի քան մեկ դար գիտական հանրությունը պարբերաբար տարվել է իր իսկ հնացման գաղափարով։ Դարասկզբի այն ամբարտավանությունից, որ ֆիզիկան «լուծված» գիտություն է, մինչև 20-րդ դարի վերջին տիրապետող «պատմության ավարտի» մասին թեզերը, մենք հակված ենք մեր կուտակած գիտելիքները շփոթելու իրականության ամբողջական քարտեզի հետ։ Այսօր մենք բախվում ենք այդ պատմության նոր տարբերակին՝ հավատին, որ բավարար հաշվողական հզորության և բավականաչափ մեծ տվյալների առկայության դեպքում արհեստական բանականությունը (ԱԲ) պարզապես «կլուծի» գիտությունը՝ զուտ օրինաչափությունների բացահայտման միջոցով։
Սակայն, վերլուծելով կորպորատիվ ԱԲ-ի ներկայիս ուղղությունը, ավելի ու ավելի ակնհայտ է դառնում, որ դեպի իրական գիտական և առևտրային բեկում տանող ճանապարհը միայն տվյալների հսկայական մասշտաբավորումը չէ, այլ մեքենայական տրամաբանության (Machine Reasoning) ներդրումը։ Թեև լեզվական մեծ մոդելները (LLMs) տիրապետում են վիճակագրական կանխատեսումների արվեստին, նրանք հաճախ դժվարանում են կիրառել խիստ դեդուկտիվ տրամաբանությունը, որն անհրաժեշտ է բեկումնային նորարարությունների համար։ Գործարար ղեկավարների համար «հավանականային կոռելյացիայի» և «պատճառահետևանքային տրամաբանության» տարբերությունը հասկանալն այլևս ակադեմիական վարժություն չէ, այլ թվային վերափոխման հաջորդ կարևոր փուլը։
Տվյալների վրա հիմնված աշխարհում կոռելյացիայի սահմանափակումները
Կորպորատիվ հատվածում մենք վերջին տասնամյակը ծախսեցինք հսկայական տվյալների շտեմարաններ (data lakes) կառուցելու վրա՝ հուսալով, որ եթե ալգորիթմի մեջ բավականաչափ տեղեկատվություն մտցնենք, մեր ամենաբարդ բիզնես խնդիրների պատասխանները պարզապես ինքնաբերաբար կհայտնվեն։ Սա բանականության նկատմամբ «կոպիտ ուժի» (brute force) մոտեցում է։ Իրականում, առանց տրամաբանական կառուցվածքի տվյալները պարզապես աղմուկ են։
Երբ դիտարկում ենք, թե ինչպես է գործում գեներատիվ ԱԲ-ն այսօր, տեսնում ենք, որ այն հիանալի է ամփոփումներ կատարելու, հաջորդ բառը կանխատեսելու և պատմական տվյալներում միտումներ բացահայտելու մեջ։ Բայց գիտությունը, ինչպես նաև բարձր մակարդակի բիզնես ռազմավարությունը, պահանջում են ավելին, քան պարզապես պատմական օրինաչափություններ. դրանք պահանջում են «բաշխումից դուրս» (out-of-distribution) իրադարձությունները հաղթահարելու ունակություն, որտեղ պատմական տվյալներ գոյություն չունեն։ Պարզ ավտոմատացումից դեպի իրական ճանաչողական ընդլայնման անցնելու համար ընկերությունները պետք է անցում կատարեն այնպիսի համակարգերի, որոնք առաջնահերթություն են տալիս նեյրո-սիմվոլիկ ԱԲ-ին (Neuro-symbolic AI). վերջինս միավորում է նեյրոնային ցանցերի ինտուիտիվ օրինաչափությունների բացահայտումը սիմվոլիկ համակարգերի կանոնների վրա հիմնված տրամաբանության հետ։
Ժամանակակից ձեռնարկության համար այս տեղաշարժի բիզնես ազդեցությունը խորն է.
- Ռիսկերի նվազեցում. Միայն օրինաչափությունների համընկնման վրա հիմնված համակարգերը հակված են «հալյուցինացիաների», քանի որ չեն հասկանում տիրույթի հիմքում ընկած սահմանափակումները։ Տրամաբանությամբ օժտված ԱԲ-ն կիրառում է անվտանգության մեխանիզմներ՝ հիմնված ֆիզիկայի, տնտեսագիտության կամ կազմակերպչական քաղաքականության վրա։
- Հետազոտությունների և մշակումների (R&D) ROI-ի բարելավում. Փորձերի ու սխալների ճանապարհից հրաժարվելով և դեպի տրամաբանության վրա հիմնված սիմուլյացիաներ անցնելով՝ ընկերությունները կարող են նվազեցնել նոր ապրանքների շուկա դուրս գալու ժամկետները՝ արդյունավետորեն մոդելավորելով հազարավոր փորձարկումների արդյունքները մինչև թեկուզ մեկ ֆիզիկական նմուշի արտադրությունը։
- Պատճառահետևանքային պատկերացումներ՝ կոռելյացիայի փոխարեն. Ստանդարտ Հաճախորդների հետ հարաբերությունների կառավարման (CRM) համակարգերը ցույց են տալիս, թե ով է գնել ապրանքը։ Ձեր տվյալների բազայում ինտեգրված տրամաբանող ԱԲ-ն կարող է բացատրել, թե ինչու են նրանք գնել այն կոնկրետ համատեքստում՝ հնարավորություն տալով կատարել ոչ թե պարզապես նկարագրական, այլ կարգադրական (prescriptive) վերլուծություն։
Ավտոմատացումից դեպի ինքնավար գործակալներ
Ընթացիկ տեխնոլոգիական ցիկլի նպատակը մարդկային փորձագետներին փոխարինելը չէ, այլ նրանց արժեքային շղթայում ավելի բարձր դիրքի տեղափոխելը։ Դիտարկելով Fortune 500 ընկերությունների որդեգրման միտումները՝ տեսնում ենք, որ ամենահաջողակ կազմակերպություններն այն ընկերություններն են, որոնք իրենց ուշադրությունը պարզ առաջադրանքների ավտոմատացումից տեղափոխում են ԱԲ գործակալների (AI Agents) տեղակայմանը։ Ի տարբերություն ստատիկ չաթ-բոտի, գործակալը ինքնավար սուբյեկտ է, որն ունակ է բազմաստիճան պլանավորման, հետադարձ կապի և նպատակների շուրջ տրամաբանելու։
Եթե գործակալին հանձնարարված է օպտիմալացնել մատակարարման շղթան, ապա օրինաչափությունների համընկնման վրա հիմնված մոտեցումը կարող է առաջարկել պատվիրել ավելի շատ ապրանք՝ պարզապես այն պատճառով, որ անցած ամիս վաճառքները բարձր են եղել։ Տրամաբանական կարողություններով օժտված գործակալը, փոխարենը, կգնահատի արտաքին փոփոխականները՝ մակրոտնտեսական միտումները, աշխարհաքաղաքական ռիսկերը և լոգիստիկ խոչընդոտները՝ պարզելու, թե արդյոք այդ աճը կայուն է, թե սեզոնային անոմալիա։ Սա է տարբերությունը «խելացի» գործիքի և «ռազմավարական» ակտիվի միջև։
Քանի որ բիզնեսները ինտեգրում են այս տրամաբանական շարժիչները, նրանք բացահայտում են, որ խոչընդոտն այլևս տվյալների հասանելիությունը չէ, այլ այդ տվյալները տրամաբանական եզրակացության հնարավորություն տվող կառուցվածքի բերելը։ Այն ընկերությունները, որոնք այժմ խրված են
