استفاده از هوش مصنوعی راهی برای هم‌افزایی در اکوسیستم استارتاپی کشور
به گزارش lastech، «رویداد تجربه‌محور هوش مصنوعی در صنعت» روز ۲۹ اردیبهشت‌ماه به میزبانی کارگزاری مفید در مرکز همایش‌های بین‌المللی صداوسیما برگزار شد. در این همایش که با هدف انتقال تجربیات متخصصان، کارشناسان و فعالان حوزه هوش مصنوعی (Artificial Intelligence) تشکیل شد، هشت سخنران به ارائه مباحث مربوط به بهره‌گیری از هوش مصنوعی و علوم داده در صنعت پرداختند.
حمیدرضا مختاریان، مدیر ارشد تیم دیجیتال مفید؛ علی الهی، مدیر واحد هوش مصنوعی تپسی؛ عباس حسینی، همبنیانگذار تپ‌سل؛ دامون نشتاعلی، مدیرعامل هومن‌ژن پارس؛ علی زارع‌زاده، مدیر تیم هوش مصنوعی کارگزاری مفید؛ محمد شکوهی‌نیا، دانشمند ارشد کاربرد داده مایکروسافت؛ پیام اسفندیاری، مدیر ارشد سابق دیتای بلوبانک و مرضیه طاهایی، دانشمند یادگیری ماشین شرکت هواوی، در بخش‌های مختلف این رویداد سخنرانی کرده و ضمن انتقال تجربیات خود از حضور در شرکت‌های مختلف، درباره چگونگی کار در حوزه هوش مصنوعی، فرصت‌ها و چالش‌های کاربرد این حوزه در صنعت توضیحاتی را ارائه کردند.
ظرفیت‌های فراوان کشور برای پیشرفت در حوزه هوش مصنوعی
در ابتدای این رویداد، حمیدرضا مختاریان، مدیر ارشد تیم دیجیتال کارگزاری مفید، در سخنرانی کوتاهی از تجربیات برخی کشورهای جهان در زمینه هوش مصنوعی و به‌کارگیری آن در حوزه‌های مختلف صحبت کرد و ضمن اشاره به چین به‌عنوان اولین کشور در این حوزه، اعلام کرد که چینی‌ها در دوران کرونا با ۴۸ درصد، بیشترین میزان سرمایه‌گذاری در زمینه هوش مصنوعی را داشته‌اند. آمریکا با ۴۲ درصد سرمایه‌گذاری در این عرصه پس از چین در رتبه دوم جهان قرار دارد.
مختاریان پیشرفت‌های کشور چین در حوزه هوش مصنوعی را نتیجه برنامه‌ریزی دقیقی دانست که از سال ۲۰۱۷ به‌طور جدی آغاز شده و این کشور همچنان هم برنامه‌های دقیقی برای پیشرفت در این حوزه در سال‌های پیش رو دارند. مدیر ارشد تیم دیجیتال کارگزاری مفید در ادامه با اشاره به ظرفیت‌ها و توانمندی‌های موجود در ایران، کشورمان را دارای پتانسیل پیشرفت در حوزه هوش مصنوعی دانست و گفت:
نباید فراموش کنیم که ما در کشور خودمان چیزی از چین کم نداریم. ما استعدادهای جوان بسیار زیاد و دسترسی به بانک داده‌ها داریم که مزیت بسیار بزرگی است؛ چراکه داده‌های فراوان و باکیفیت می‌تواند برای پیشرفت در هوش مصنوعی به ما کند.
مهم‌ترین کاربردهای هوش مصنوعی در تپسی
دومین سخنران این همایش علی الهی، مدیر واحد هوش مصنوعی تپسی بود که در ابتدا به تجربه بیزنس‌های دیجیتال در دنیا و مزیت‌هایی که برای کاربران ایجاد می‌کنند، پرداخت و در ادامه، ضمن ارائه تجربه کلی سرویس‌های هوشمند حمل‌ونقل آنلاین در کشور، به‌صورت جزئی درباره تجربیات تپسی از به‌کارگیری هوش مصنوعی توضیحاتی را ارائه کرد.
الهی درباره اصلی‌ترین کاربرد هوش مصنوعی در سرویس‌های مختلف خدمات آنلاین گفت: «کار اصلی هوش مصنوعی سوق دادن کاربر به سمت استفاده از ابزارهای ارائه‌شده در اپلیکیشن‌ها است؛ اما رسیدن به مدل مناسب برای هر کاربر حساسیت بالا و پیچیدگی‌های زیادی دارد.» او در ادامه به کاربردهای مختلف هوش مصنوعی در تپسی پرداخت. به گفته الهی، فرایند تعیین مبدأ و مقصد، تعیین و ارائه قیمت سفرها، یافتن و انتخاب سفیر مناسب برای هر سفر و تخمین زمان سفر مهم‌ترین کاربردهای هوش مصنوعی در تپسی است.
تپسی برای آگاهی از رفتار کاربران و سفیران خود از ابزارهای مختلف هوش مصنوعی بهره می‌گیرد تا از یک سو، رضایت مسافران خود را جلب کند و از سوی دیگر، سفیرانش را به تداوم همکاری تشویق کند. تجربه مدیر واحد هوش مصنوعی تپسی حاکی از آن است که شناسایی ویژگی‌ها و تمایلات کاربران و رانندگان، هم موجب تجربه کاربری بهتر شده و هم درآمد سفیر را افزایش می‌دهد. بدیهی است که تحقق این اهداف در نهایت باعث افزایش درآمد کل کسب‌وکار خواهد شد.
علی الهی در ادامه ارقامی در خصوص برخی دستاوردهای تپسی از به‌کارگیری هوش مصنوعی ارائه کرد. موضوع تخمین زمان سفر یکی از مهم‌ترین چالش‌هایی است که هوش مصنوعی برای رفع آن به کار گرفته شده و به گفته مدیر واحد هوش مصنوعی تپسی، این مجموعه در ۵ سال اخیر بر این سرویس متمرکز شده و درحال‌حاضر یکی از بهترین سرویس‌های موجود در ایران در زمینه تخمین زمان سفر را دراختیار دارد.
او درباره تأثیر بهبود این سرویس در اپلیکیشن‌های حمل‌ونقل هوشمند گفت: «یک درصد بهتر کردن این سرویس می‌تواند درآمد یک مجموعه را تا چند صد میلیون افزایش دهد.» علاوه‌براین، به گفته الهی، تپسی به کمک هوش مصنوعی، موفق شده است مدت زمان انتظار برای یافتن سفیر را ۳۰ درصد کاهش دهد که نشان از تأثیرگذاری این حوزه در کسب‌وکارها و صنعت دارد.
لزوم درک داده‌ها و طراحی مدل‌های ساده در تبلیغات دیجیتال
عباسی حسینی، همبنیانگذار تپ‌سل، دیگر سخنران این رویداد بود که در ارائه خود به استفاده از یادگیری ماشینی در حوزه تبلیغات دیجیتال پرداخت. او در ابتدا با ارائه تعریفی از چیستی تبلیغات دیجیتال، به اصلی‌ترین تفاوت آن با تبلیغات سنتی پرداخت؛ به گفته حسینی، هدررفت بالای سرمایه و عدم امکان سنجش میزان اثرگذاری و آورده‌های تبلیغات سنتی، مثل بیلبوردهای تبلیغاتی در سطح شهر، مهم‌ترین نقص‌های این شیوه از تبلیغات است که در تبلیغات دیجیتال، با به‌کارگیری فناوری و هوش مصنوعی چنین ضعف‌هایی وجود ندارد.
او در ادامه با تأکید بر همین ویژگی‌ها، هدف از استفاده از ارائه‌دهندگان تبلیغات دیجیتال را افزایش درآمد و کاهش هزینه برای تبلیغ‌کنندگان دانست. این سرویس‌ها برای تحقق این هدف از هوش مصنوعی بهره می‌برند تا اطلاعات کاربر را جمع‌آوری و پردازش کرده، متناسب با آن تبلیغات مناسب برای هر کاربر را یافته و در جای مناسب به او نشان دهند.
همبنیانگذار تپ‌سل انتشاردهنده (publisher)، تبلیغ‌کننده (advertiser) و کاربر را سه ضلع حاضر در تبلیغات دیجیتال معرفی کرده که شرکت ارائه‌دهنده تبلیغات دیجیتال برای ارائه خدمات خود باید از هر ۳ ضلع داده به دست آورد و با تحلیل آن‌ها تبلیغاتش را طراحی و عرضه کند. به گفته حسینی، این داده‌ها و اطلاعات باید در سطح فراوانی دردسترس شرکت باشد و همچنین، لازم است به لحاظ کیفی نیز این دیتا تفسیرپذیر باشد.
در ادامه عباس حسینی درباره اصلی‌ترین توصیه خود به مجموعه‌هایی که از هوش مصنوعی بهره می‌گیرند، گفت: «مجموعه‌ها باید به‌جای استفاده از پیچیده‌ترین مدل‌ها و تلاش برای ایجاد تناسب مدل با دیتای موجود، داده‌های خاص مورد نیاز خود را جمع‌آوری و متناسب با آن مدل‌های ساده طراحی کنند.» او همچنین به ضرورت تغییر مداوم مدل‌های تبلیغی و بهبود بخشیدن مستمر آن‌ها در مجموعه‌های تبلیغات دیجیتال اشاره کرد.
تحریم؛ چالش مهم به‌کارگیری هوش مصنوعی در ژنتیک
در چهارمین سخنرانی رویداد تجربه‌محور هوش مصنوعی در صنعت، دامون نشتاعلی، مدیرعامل هومن‌ژن پارس، به کاربرد هوش مصنوعی در حوزه جالب توجهی اشاره کرده و در این زمینه به ارائه تجربیات شرکت خود پرداخت. نشتاعلی که در حوزه ژنتیک فعالیت می‌کند، ضمن ارائه توضیحاتی درباره به‌کارگیری هوش مصنوعی در این حوزه علمی و کاربردهای آن، به چالش‌ها و مشکلات موجود در این زمینه نیز اشاره کرد.
مدیرعامل هومن‌ژن پارس مشکلاتی در خصوص ذخیره اطلاعات و تأمین هزینه‌های لازم برای به کار گرفتن هوش مصنوعی در حوزه ژنتیک را اصلی‌ترین چالش‌های موجود دانست. به گفته نشتاعلی، در دنیا هم هنوز تکنولوژی تا حدی پیشرفت نکرده است که بتواند یک سلول را از صفر تا صد بخواند و بررسی کند. علت این موضوع هم درصد خطای بالا و هزینه‌های جانبی انجام این فرایندها است.
هومن نشتاعلی تحریم را چالش جدی دیگری دانست و در این باره گفت:
به واسطه تشدید تحریم‌ها، برخی دستگاه‌ها، کیت‌ها و تجهیزات در ایران بسیار نادر است. برخی از این دستگاه‌ها حدود یک میلیون دلار قیمت دارند و هم خود دستگاه و هم سوخت مورد نیازشان تحریم است.
او در ادامه به کاربردهای به‌کارگیری هوش مصنوعی در حوزه ژنتیک پرداخت و درباره برخی ظرفیت‌ها که به کمک آن ایجاد می‌شود، توضیح داد. به گفته نشتاعلی، داده‌های تولیدشده در این حوزه می‌تواند در زمینه‌های گوناگونی مانند بیمه، پزشکی، تولید دارو، خدمات درمانی و… کاربرد داشته باشد.
نحوه کار هوش مصنوعی در این حوزه، شامل چند مرحله می‌شود؛ ابتدا داده‌ها از منابع اطلاعات ژنتیکی جمع‌آوری می‌شوند، سپس این داده‌ها پردازش و تحلیل می‌شوند. پس از آن، نتایج این تحلیل‌ها در حوزه‌های مختلفی مثل مطالعات جمعیتی به کار گرفته می‌شود.
مدیرعامل هومن‌ژن در انتها به یکی از پروژه‌های این مجموعه اشاره کرد که با استفاده از هوش مصنوعی در حوزه مطالعات ژنتیکی موفق به شبیه‌سازی چهره ازطریق خواندن ژن‌ها شده است. او همچنین به این نکته اشاره کرد که آزمایشگاه‌های ژنتیکی، بیمارستان‌ها، شرکت‌های دارویی، اشخاص و… مشتریان اصلی این شرکت بوده و از خدمات آن بهره‌مند می‌شوند.
کسب رضایت مشتریان؛ علت اصلی استفاده از هوش مصنوعی
علی زارع‌زاده مدیر تیم هوش مصنوعی کارگزاری مفید، در سخنرانی خود تجربه‌های مختلف این مجموعه در استفاده از هوش مصنوعی را روایت کرده و از طراحی مدل‌هایی گفت که در جهت کسب رضایت مشتریان تهیه و ارائه شده است. او با اشاره به این که مرکز خدمات مشتریان مفید یکی از ۱۰ مرکز تماس بزرگ ایران است، درباره انگیزه اصلی کارگزاری مفید از ایجاد این مرکز گفت:
براساس آخرین نظرسنجی‌ای که از مدیران اجرایی شرکت‌های بزرگ انجام شده، علت اصلی استفاده از هوش مصنوعی نه افزایش درآمد یا سهولت کار برای کسب‌وکارها، بلکه کسب رضایت مشتریان است.
او هدف اصلی مرکز خدمات مشتریان مفید را پایش تمام تماس‌ها دانست که در آن باید هر دو سمت تماس، یعنی مشتری‌ها و اپراتورها، مورد بررسی قرار گیرند. این پایش هم به رضایتمندی بیشتر مشتریان منجر می‌شود و هم عملکرد اپراتورها و کارشناس‌های مجموعه را بهبود می‌بخشد. زارع‌زاده در ادامه به روش انجام این پایش پرداخت و چنین توضیح داد:
به کمک ابزار هوش مصنوعی و با در نظر گرفتن فاکتورهای مختلفی مثل میانگین زمان پاسخگویی، صدای افراد، میزان سکوت در تماس و… می‌توان به میزان رضایت هر مشتری دست پیدا کرده و وضعیت رضایت مشتریان را تحلیل کرد.
مدیر تیم هوش مصنوعی کارگزاری مفید در ادامه به ضعف‌ها و چالش‌های این روش نیز اشاره کرد. به گفته او، بررسی ویژگی‌های کمی در صوت ممکن نیست و بنابراین، واحد هوش مصنوعی این مجموعه برای تحلیل این اطلاعات راهکاری مثل تبدیل صوت به متن را به کار گرفته است. به این منظور، این واحد مدلی را طراحی کرد که به گفته زارع‌زاده درصد خطای بسیار اندکی داشته و به دقت انسانی رسیده است.
با توجه به کاربردهای تأثیرگذار هوش مصنوعی در حوزه‌های مختلف صنعت، علی زارع‌زاده عدم استفاده از این هوش را عامل عقب ماندن صنایع از ترندهای روز دانست که آن‌ها را با مشکلات فراوانی ایجاد خواهد کرد. او همچنین بر لزوم برگزاری رویدادها و نشست‌هایی در این حوزه تأکید کرد و گفت:
به‌اشتراک‌گذاری تجربیات باعث هم‌افزایی در استفاده از هوش مصنوعی شده و به شکل‌گیری اکوسیستم در این حوزه کمک می‌کند.
زارع‌زاده علت عدم ایجاد این اکوسیستم تا امروز را اعتقاد برخی شرکت‌ها به محرمانگی فرایندها، آمار و ارقام دانست که مانع از بیان تجربیات آن‌ها می‌شود.
نقش پررنگ یادگیری عمیق در حوزه سلامت
در بخش دیگری از این همایش، محمدشکوهی‌نیا، دانشمند ارشد شرکت مایکروسافت و استاد دانشگاه استنفورد، درباره یادگیری عمیق سخنرانی کرده و به بیان تجربیات روز دنیا در این حوزه پرداخت.
او در ابتدای این ارائه به این نکته اشاره کرد که ۹۰ درصد داده‌های فعلی موجود در جهان در ۲ سال گذشته تولید شده است. دسترسی گسترده به اینترنت اشیا و دستگاه دارای سنسور که ازطریق اینترنت باهم در ارتباط هستند، یکی از علل اصلی افزایش و رشد تولید داده در سال‌های اخیر بوده است. برای مثال، هر ماشین خودران به‌تنهایی به اندازه ۲ هزار و ۶۰۰ کاربر اینترنت داده تولید می‌کند.
او در ادامه به توضیح حوزه یادگیری عمیق پرداخت و گفت این مفهوم اولین بار حدود ۴ دهه قبل مطرح و مقاله‌ای درباره آن منتشر شد. این حوزه از سه جزء داده، پردازش و الگوریتم تشکیل و امروز تبدیل به یکی از محبوب‌ترین و پرکاربردترین حوزه‌های علمی تبدیل شده است. دانشمند ارشد مایکروسافت، کعبه آمال حوزه هوش مصنوعی را رسیدن به سطح هوش یک کودک با کمترین میزان خطا دانست و البته در ادامه گفت این حوزه تا رسیدن به این نقطه هنوز راهی طولانی در پیش دارد.
دانشمند ارشد مایکروسافت در بخش دیگری از سخنرانی خود، درباره کاربرد و نقش یادگیری عمیق در برخی حوزه‌ها از جمله سلامت و صنعت توضیح داد. شکوهی‌نیا با اشاره به این که درحال‌حاضر ۲٫۱ میلیون نفر در جهان بر اثر تصادف از دنیا می‌روند، از نقش یادگیری عمیق در کاهش این آمار خبر داد. به گفته او، به کمک یادگیری عمیق این آمار کاهش خواهد یافت؛ چراکه برای مثال، ماشین‌های خودران قادر به پیش‌بینی تصادف چند دهم ثانیه پیش از وقوع آن هستند و بدین‌ترتیب، به‌راحتی می‌توانند از وقوع تصادف و از بین رفتن جان انسان‌ها جلوگیری کنند.
کاربرد دیگر یادگیری عمیق در حوزه سلامت، پیش‌بینی بیماری زودتر از تشخیص پزشک است. درحال‌حاضر، پیش‌بینی‌ها حاکی از آن است که در سال‌های پیش رو، به کمک برخی پیشرفت‌ها در ابزارهای پوشیدنی، مانند ساعت‌های هوشمند، افراد از وضعیت سلامت جسمانی خود مطلع می‌شوند و بدین‌ترتیب می‌توانند از بروز مشکلات فیزیکی در بدن خود جلوگیری کنند.
یادگیری عمیق همچنین می‌تواند با استفاده از برخی روش‌ها از وقوع پاندمی‌های آینده جلوگیری کنند. استاد دانشگاه استنفورد در این باره گفت:
مایکروسافت در سال ۲۰۱۳ پروژه‌ای را در دستور کار قرار داده که احتمالاً در سال ۲۰۲۵ از آن رونمایی می‌شود. در این پروژه یک پهپاد حشرات را می‌گیرد و روی خون آن‌ها آزمایش‌هایی را انجام می‌دهد. بدین‌ترتیب، گونه حیواناتی را که در آن محیط زندگی می‌کنند شناسایی شده و احتمال شیوع بیماری‌ها ازطریق این حیوانات سنجیده می‌شود. با این پیش‌بینی اقدامات پیشگیرانه در خصوص بیماری‌ها انجام گرفته و از بروز آن‌ها جلوگیری می‌شود.
ضرورتی به نام هوش مصنوعی شفاف و توضیح‌پذیر
پیام اسفندیاری، مدیر ارشد سابق دیتای بلوبانک، با هدف تشریح ماهیت و ضرورت به‌کارگیری هوش مصنوعی توضیح‌پذیر به انتقال تجربیات خود در این حوزه پرداخت.
او در ابتدا درباره اصلی‌ترین ویژگی فضای استارتاپی ایران و حوزه‌هایی که هوش مصنوعی بیشتر در آن‌ها به کار گرفته می‌شود توضیح داد. اسفندیاری فضای استارتاپ‌های کشور را تشنه‌ی داده و راه‌حل‌های مبتنی بر یادگیری ماشینی معرفی کرد. او معتقد است درحال‌حاضر کاربرد عمده هوش مصنوعی در ایران در حوزه مالی (نظیر بیمه و اعتبارسنجی) و سلامت است.
این مدیر ارشد دیتا، با توجه به حوزه تخصصی خود، این سخنرانی عمدتاً بر موضوع به‌کارگیری داده‌های دقیق و شفاف در هوش مصنوعی متمرکز بوده و اسفندیاری معتقد است تیم‌های داده در تمام شرکت‌ها و سرتاسر جهان باید داده‌های ساده، صریح و شفافی داشته باشند که برای کسب‌وکارهای مختلف قابل توضیح باشد؛ چراکه صاحبان کسب‌وکارها باید به‌طور دقیق بدانند که مدل‌ها و خدمات هوش مصنوعی چه شرایطی دارند و چگونه کار می‌کنند.
بر همین اساس، پیام اسفندیاری توضیح‌پذیر بودن داده‌ها -به‌ویژه در حوزه صنعت- را ضروری دانست، چراکه این داده‌ها فرایند تصمیم‌گیری را ساده و قابل فهم می‌کند و درصد خطا را کاهش می‌دهد. او با تأکید بر اینکه حتی یک تا دو درصد خطا در صنعت عدد بالایی است که می‌تواند باعث ایجاد خطرهای جدی و زمین خوردن یک صنعت شود، از صاحبان کسب‌وکارها خواست که همواره از تیم هوش مصنوعی و داده خود، داده‌ی توضیح‌پذیر طلب کنند.
او همچنین، به تیم‌های فعال در این عرصه توصیه کرد که همیشه از ساده‌ترین مدل‌ها استفاده کنند، در هر شرایطی با تسلط کامل بر مدل خود توانایی دفاع از مراحل مختلف آن را داشته باشند و در صورت مواجهه با مشکل در مدل خود، آن را کنار نگذارند، بلکه همواره در پی فهم علت ناکارآمدی مدل خود باشند.
مدیر ارشد حوزه داده، در انتها به اهمیت استفاده از هوش مصنوعی توضیح‌پذیر برای افزایش آگاهی در سطح کلان جامعه، یعنی نزد دولت‌ها، مدیران و مسئولان، پرداخت و تأکید که این یکی از وظایف فعالان حوزه هوش مصنوعی است که به‌صورت ساده و شفاف این حوزه، مسائل و چالش‌هایش را توضیح دهند تا فهم و درک بهتری نسبت به آن ایجاد شود. اسفندیاری معتقد است تنها در این صورت می‌توان دولت‌ها و مردم را نسبت به این حوزه و ظرفیت‌های آن آگاه و مطمئن کرد.
چرا هوش مصنوعی به اندازه کافی کارآمد نیست؟
در آخرین سخنرانی این رویداد، مرضیه طاهایی، دانشمند یادگیری ماشین شرکت هواوی، به ارائه مباحثی با موضوع «به سوی هوش مصنوعی کارآمد» پرداخت تا توضیح دهد در آینده چطور می‌توان این حوزه را کارآمدتر و کاربردی‌تر کرد. او ابتدا از گران بودن و بصرفه نبودن هوش مصنوعی به‌عنوان دلیل اصلی ناکارآمد بودن هوش مصنوعی یاد کرد.
به گفته طاهایی، هرچند این روزها پیشرفت‌های چشمگیری در حوزه هوش مصنوعی رخ داده و ماشین‌ها حتی قادر به نگارش متن، شعر و… و برقراری گفت‌وگوها هستند که تشخیص تمایز میان آن‌ها و نمونه‌های انسانی به‌سختی ممکن است، اما این قابلیت‌ها درحال‌حاضر بسیار گران و هزینه‌بر هستند؛ در مواردی هزینه‌های آن به ۶٫۴ میلیون دلار می‌رسد و همین ویژگی از کارآمد بودن آن‌ها می‌کاهد.
طاهایی در ادامه به محدودیت دیگری اشاره کرد که باعث کم‌کاربرد بودن هوش مصنوعی در شرایط فعلی شده است. این دانشمند حوزه یادگیری ماشین معتقد است به دلیل برخی محدودیت‌ها، مانند محدودیت حافظه دستگاه‌ها، هوش مصنوعی هنوز قابل پیاده‌سازی روی دستگاه‌های خرد نیست. علاوه‌براین، آوردن هوش مصنوعی در بستر IOT (اینترنت اشیا) نیز هنوز محقق نشده است.
دانشمند حوزه یادگیری ماشین شرکت هواوی در خصوص احتمال کاهش هزینه‌های هوش مصنوعی نیز گفت:
ممکن است این تصور وجود داشته باشد که با گذر زمان و با افزایش ظرفیت‌ها هزینه راه‌اندازی و آموزش این مدل‌ها کاهش پیدا کند اما واقعیت این است که در سال‌های اخیر این هزینه دائماً در حال افزایش بوده و همین مسئله باعث می‌شود تنها یک جمعیت خاص کمپانی‌های بزرگ توان و امکان استفاده از آن‌ها را داشته باشند.
البته مرضیه طاهایی در ادامه به روش‌هایی اشاره کرد که می‌توانند هزینه‌های هوش مصنوعی را کاهش دهند تا آن را بهینه‌تر و کارآمدتر کنند. فشرده‌سازی (ازطریق حذف المان‌های غیر مهم مدل، کاهش پهنای بیت، کوچک‌سازی و…)، تلفیق کردن برخی داده‌ها در صورت امکان، کاهش حجم دیتا، استفاده از داده‌های مفید و کنار گذاشتن داده‌های غیرمفید و… از جمله اقدامات تخصصی و تأثیرگذاری است که می‌تواند منجر به کارآمدتر شدن هوش مصنوعی شود تا در محصولات و سرویس‌های مختلفی بتوان از آن‌ها استفاده کرد.
