آخرین مایل هوش مصنوعی: از بین بردن شکاف بین بینش و عمل

در چند سال گذشته، توجه به مدل‌های هوش مصنوعی کاملا معطوف بوده است.

سازمان‌ها روی هوش مصنوعی، پلتفرم‌های یادگیری ماشینی و مدل‌های بزرگ زبان سرمایه‌گذاری کرده‌اند. قابلیت های جدید تقریبا هر هفته ظاهر می شوند. با این حال، با وجود این همه پیشرفت، یک سوال آشنا همچنان در اتاق های هیئت مدیره و جلسات رهبری مطرح می شود - ارزش کسب و کار کجاست؟

بخشی از پاسخ این است که خود فناوری دیگر مانع اصلی نیست. ابزارهای قدرتمند هوش مصنوعی در حال حاضر در دسترس بیشتر سازمان‌ها هستند. آنچه همچنان دشوار است تبدیل بینش های تولید شده توسط هوش مصنوعی به تصمیمات و نتایج تجاری قابل اندازه گیری است.

این آخرین مایل هوش مصنوعی است که در آن بسیاری از پروژه ها شتاب خود را از دست می دهند. یک مدل ممکن است یک توصیه را در چند ثانیه ارائه دهد، اما عمل به آن اغلب بسیار پیچیده‌تر است. داده‌ها ممکن است ناقص باشند، زمینه بحرانی ممکن است در جای دیگری باشد و تیم‌های حاکمیتی ممکن است به خروجی اطمینان نداشته باشند.

در نتیجه، بسیاری از سازمان‌ها خود را در حال سرمایه‌گذاری هنگفتی روی هوش مصنوعی می‌بینند، در حالی که در تلاش برای حرکت فراتر از پایلوت‌ها و اثبات‌های مفهومی هستند. بخش گم شده اغلب توانایی اتصال اطلاعات به واقعیت نحوه عملکرد واقعی کسب و کار است.

گلوگاه واقعی هوش مصنوعی

وقتی مدیران در مورد برنامه های موفق هوش مصنوعی صحبت می کنند، به ندرت بر پیچیدگی مدل تمرکز می کنند. آنچه مهم است نتیجه است. به عنوان مثال، اینکه آیا ضررهای ناشی از تقلب کاهش می یابد، آیا می توان مشتریان را سریعتر وارد کرد، یا اگر زمان از کار افتادگی کاهش می یابد. این نتایج به خیلی بیشتر از خود هوش مصنوعی بستگی دارد.

برای اینکه هوش مصنوعی ارزش ایجاد کند، به دید واضحی از آنچه در سراسر کسب و کار اتفاق می‌افتد، زمینه کافی برای درک معنای آن رویدادها و توانایی عملکرد در چارچوب‌های حفاظی نیاز دارد. هنگامی که هر یک از این عناصر از بین می روند، اعتماد به توصیه ها سخت تر می شود، اتوماسیون متوقف می شود و پذیرش آسیب می بیند.

بسیاری از سازمان ها متوجه می شوند که گلوگاه واقعی بین مدل و فرآیند کسب و کار قرار دارد. داده ها در سراسر سیستم ها تکه تکه شده اند و زمینه اساسی وجود ندارد. اغلب، اطلاعات برای مفید بودن خیلی دیر به دست می‌آیند. تیم های مختلف مفاهیم تجاری یکسان را به روش های مختلف تعریف می کنند. اینها مشکلات جدیدی نیستند، اما هوش مصنوعی آنها را به وضوح بیش از هر زمان دیگری آشکار کرده است.

ما این چالش را به طور مرتب در خدمات مالی می بینیم. یکی از مؤسسات سرمایه‌گذاری زیادی در کشف کلاهبرداری مبتنی بر هوش مصنوعی انجام داده بود، اما بازرسان همچنان تلاش می‌کردند تا به سرعت عمل کنند زیرا سوابق مشتری، تاریخچه تراکنش‌ها و سیگنال‌های کلاهبرداری خارجی در چندین سیستم پخش شده بود. هنگامی که این منابع در یک دیدگاه قابل اعتماد و کنترل شده گرد هم آمدند، ضررهای ناشی از تقلب کاهش یافت، موارد مثبت کاذب کاهش یافت، و فرآیندهای ورود کارآمدتر شدند.

هوش مصنوعی نیاز به دید وسیع تری از کسب و کار دارد

یکی از دلایلی که بسیاری از سازمان‌ها برای وارد کردن هوش مصنوعی به تولید تلاش می‌کنند این است که این فناوری نسبت به تحلیل‌های سنتی به دیدگاه بسیار گسترده‌تری از تجارت بستگی دارد.

بیشتر شرکت‌ها سال‌ها روی پلتفرم‌های ERP، برنامه‌های کاربردی CRM و پایگاه‌های داده عملیاتی سرمایه‌گذاری کرده‌اند. این سیستم‌ها سابقه معتبر کسب‌وکار باقی می‌مانند و بسیاری از اطلاعات مورد نیاز هوش مصنوعی را برای کار مؤثر فراهم می‌کنند.

برای تصمیم گیری خوب، هوش مصنوعی به طور فزاینده ای به اطلاعات خارج از آن سیستم های اصلی نیاز دارد. ممکن است برای درک اختلال در زنجیره تامین به داده های تامین کننده نیاز داشته باشد. ممکن است به اطلاعاتی از شرکا، برنامه های کاربردی SaaS یا منابع اطلاعاتی خارجی برای ارائه زمینه کسب و کار نیاز داشته باشد. همچنین به طور فزاینده‌ای نیاز به دسترسی به سیگنال‌های عملیاتی زنده دارد، خواه این تعاملات با مشتری، هشدارهای کلاهبرداری، دستگاه‌های متصل یا جریان‌های رویدادی باشد که نشان می‌دهد در حال حاضر چه اتفاقی می‌افتد.

شما می توانید این را به عنوان سه لایه اطلاعات در نظر بگیرید: اولین مورد، داده های معتبری است که در سیستم های اصلی سازمانی نگهداری می شود.

دوم، اطلاعات زمینه ای از شرکا، تامین کنندگان و منابع خارجی است که به توضیح علت وقوع رویدادها کمک می کند.

سوم آگاهی عملیاتی بلادرنگ است، سیگنال هایی که نشان می دهد در لحظه چه اتفاقی می افتد. اکثر سازمان ها در مدیریت لایه اول پیشرفت چشمگیری داشته اند. تعداد بسیار کمتری راه موثری برای ترکیب هر سه پیدا کرده اند. یک تولیدکننده جهانی که با آن کار کردیم با چالش مشابهی روبرو شد.

مدل‌های هوش مصنوعی آن می‌توانند خرابی تجهیزات را پیش‌بینی کنند، اما اطلاعات مهم در مورد برنامه‌های تولید، تاخیرهای تامین‌کننده و فعالیت‌های تعمیر و نگهداری در سیستم‌های مختلف وجود دارد. اتصال این منابع به تیم ها زمینه لازم را برای شناسایی زودتر خطرات، کاهش زمان خرابی و تصمیم گیری عملیاتی بهتر داد.

در نتیجه، هوش مصنوعی اغلب با تصویری ناقص از واقعیت عمل می کند. ممکن است بفهمد دیروز چه اتفاقی افتاده است، اما آنچه را که اکنون اتفاق می‌افتد، درک نمی‌کند. ممکن است به سوابق داخلی دسترسی داشته باشد، اما فاقد زمینه خارجی مورد نیاز برای ارائه یک توصیه مطمئن باشد.

اینجاست که چالش آخرین مایل شروع به ظهور می کند.

اثر اکوسیستم

ظهور هوش مصنوعی همچنین نحوه تفکر سازمان ها در مورد اشتراک گذاری داده ها را تغییر می دهد. برای سال‌ها، بیشتر کسب‌وکارها عمدتا بر روی سیستم‌های داخلی خود متمرکز بودند. امروزه بسیاری از تصمیمات مهم به اطلاعاتی بستگی دارد که فراتر از مرزهای سازمانی قرار دارند.

تولیدکننده ای که به اختلالات زنجیره تامین پاسخ می دهد نیاز به دید تامین کنندگان و شرکای تدارکات دارد. بانکی که سعی در کشف کلاهبرداری دارد به همان اندازه از سیگنال های خارجی سود می برد که داده های مشتریان داخلی. سازمان های بخش دولتی اغلب به اطلاعاتی از چندین سازمان برای بهبود خدمات و نتایج نیاز دارند.

موضوع مشترک این است که هوش به طور فزاینده ای در یک اکوسیستم به جای یک شرکت واحد جریان دارد. نتایج AI قابل اعتماد به دسترسی قابل اعتماد به داده ها در هر کجا که آن داده ها وجود دارد بستگی دارد.

بنابراین رهبران فناوری با یک عمل متعادل کننده روبرو هستند: دسترسی به داده ها در محیط های توزیع شده با حفظ حاکمیت، امنیت و مالکیت. بدون این پایه، حتی پیشرفته ترین مدل ها برای ارائه نتایج ثابت تلاش می کنند.

بستن آخرین مایل

اگر از موج اول پذیرش هوش مصنوعی سازمانی یک درس بیرون بیاید، این است که موفقیت کمتر به استقرار مدل دیگری بستگی دارد و بیشتر به ایجاد شرایطی بستگی دارد که به هوش مصنوعی اجازه می دهد به طور موثر عمل کند.

که با داده های قابل اعتماد شروع می شود. کاربران تجاری نیاز به اطمینان دارند که اطلاعات تغذیه کننده سیستم های هوش مصنوعی دقیق، به روز و به طور مداوم کنترل می شود. چالش همچنین در دسترس قرار دادن آن به روشی است که هوش مصنوعی بتواند بدون ایجاد سیلوهای جدید یا افزودن پیچیدگی بیشتر از آن استفاده کند. هوش مصنوعی نیاز به دسترسی به سیستم‌های تجاری اصلی، داده‌های اکوسیستم خارجی و سیگنال‌های عملیاتی بلادرنگ دارد. اگر آنها قطع بمانند، کیفیت خروجی همیشه محدود خواهد بود.

چرا درک مهم است

با این حال، داده ها به تنهایی به ندرت داستان کامل را بیان می کنند. هوش مصنوعی نه تنها باید خود داده ها را درک کند، بلکه باید زمینه کسب و کار اطراف آن را نیز درک کند. به عنوان مثال، از کجا آمده است، چگونه با اطلاعات دیگر مرتبط است، و سیاست های حاکم بر استفاده از آن. این زمینه اغلب چیزی است که یک توصیه مفید را از یک توصیه گمراه کننده جدا می کند. بدون آن، حتی داده های دقیق می تواند منجر به تصمیم گیری های ضعیف شود.

اینجاست که زمینه فعال وارد می‌شود. هوش مصنوعی درک غنی‌تری را برای تفسیر صحیح اطلاعات، اتصال آن به محیط کسب‌وکار گسترده‌تر، و تصمیم‌گیری‌های مبتنی بر پایه، مرتبط و به خوبی کنترل می‌کند.

تبدیل بینش به عمل

گام نهایی جایی است که بسیاری از سازمان‌ها هنوز با مشکل مواجه هستند. بینش ها باید به عمل تبدیل شوند.

اغلب اوقات، هوش مصنوعی توصیه هایی را ایجاد می کند که در داشبورد، گزارش ها یا برنامه های جداگانه قرار می گیرند. بیشترین ارزش زمانی حاصل می‌شود که اطلاعات مستقیما در جریان‌های کاری عملیاتی گنجانده شود و به افراد کمک کند سریع‌تر تصمیم‌گیری کنند یا به طور کلی فرآیندهای معمول را خودکار کنند. اینجاست که هوش مصنوعی فراتر از آزمایش حرکت می کند و نتایج تجاری قابل اندازه گیری را ارائه می دهد.

برای رهبران فناوری، یک آزمون مفید پرسیدن چند سوال ساده است. آیا هوش مصنوعی می تواند در صورت وقوع رویدادها به اطلاعات دسترسی پیدا کند یا به داده های دیروز متکی است؟

آیا می تواند منابع داخلی و خارجی را برای ایجاد یک تصویر کامل ترکیب کند؟

آیا سیاست های حاکمیتی به طور مداوم در محیط های مختلف اعمال می شود؟

آیا مردم به اندازه کافی به خروجی ها اعتماد دارند تا بر اساس آنها عمل کنند؟ اگر پاسخ هر یک از این سؤالات منفی است، سرمایه گذاری بعدی احتمالا باید بر روی پایه داده متمرکز شود تا خود مدل.

دستاوردهای بعدی از کجا حاصل خواهد شد

سازمان‌هایی که بیشترین بازده را از هوش مصنوعی به دست می‌آورند، لزوما آن‌هایی نیستند که جدیدترین فناوری را به کار می‌گیرند. بیشتر اوقات، آنها کسانی هستند که راهی برای اتصال داده های قابل اعتماد، زمینه کسب و کار و فرآیندهای عملیاتی پیدا کرده اند.

در بانکداری، این ممکن است به معنای کاهش زیان ناشی از تقلب و در عین حال تسریع در ورود به سیستم باشد. در تولید، می تواند به معنای شناسایی زودتر اختلالات و کاهش زمان خرابی باشد. در بخش دولتی، ممکن است شامل بهبود خدمات شهروندان از طریق همکاری بهتر بین بخش ها باشد. در هر مورد، ارزش نه از خود مدل، بلکه از جاسازی اطلاعات در تصمیمات عملیاتی و گردش کار ناشی می شود.

این آخرین مایل هوش مصنوعی است. برای بسیاری از سازمان ها، این بزرگترین مانع برای موفقیت است. همچنین ممکن است بزرگترین فرصت باشد.

ما بهترین چت ربات هوش مصنوعی را برای تجارت معرفی کرده ایم.

این مقاله به عنوان بخشی از TechRadar Pro Perspectives، کانال ما برای معرفی بهترین و باهوش ترین ذهن ها در صنعت فناوری امروز تهیه شده است.

نظرات بیان شده در اینجا نظرات نویسنده است و لزوما نظرات TechRadarPro یا Future plc نیست. اگر مایل به مشارکت هستید، اطلاعات بیشتری را در اینجا بیابید: https://www.techradar.com/pro/perspectives-how-to-submit