آیا هوش مصنوعی شما می‌تواند از داده‌های مشتری که قبلا دارید استفاده کند؟

"آرزوها واقعا زیاد است. آمادگی کم است."

رئیس و مدیر عامل Genpact، Balkrishan "BK" Kalra از این خط نزدیک به پایان وبینار "AI Impact Forum" هفته گذشته استفاده کرد، پس از گفتگو در مورد آنچه که شرکت ها باید اصلاح کنند تا هوش مصنوعی را فراتر از آزمایش ها و به عملیات روزمره منتقل کنند.

استدلال او این بود که بخش دشوار به طور فزاینده ای در داخل شرکت قرار می گیرد. داده‌ها ممکن است هنوز تکه‌تکه باشند، فرآیندهای کسب‌وکار می‌تواند در تیم‌ها و بازارها متفاوت باشد و کارمندان برای کمک به طراحی مجدد نحوه انجام کار به تسلط کافی در فناوری نیاز دارند. مدل های توانمندتر به خودی خود این مشکلات را برطرف نمی کنند.

Kalra به ویژه در مورد اینکه شرکت‌ها در حال حاضر کجا هستند مستقیما صحبت کرد: "زمان اثبات مفاهیم گذشته است. زمان آزمایش‌ها گذشته است." او گفت که مرحله بعدی در مورد مقیاس است و اینکه آیا این استقرارها عملکرد تجاری را بهبود می بخشد یا خیر.

من در خلاصه‌ای از وبینار (جایی که می‌توانید بحث کامل را نیز تماشا کنید) به این بحث وارد می‌شوم، از جمله اینکه چرا Kalra معتقد است داده‌ها، فرآیندها و بدهی استعدادها می‌توانند کاری را که شرکت‌ها می‌توانند با هوش مصنوعی انجام دهند محدود کنند.

ضبط سیگنال این هفته یک نسخه بسیار خاص از مشکل آمادگی را انتخاب می کند. ممکن است شرکت ها قبلا داده های مشتری مورد نظر خود را برای یک ابتکار هوش مصنوعی داشته باشند و همچنان متوجه شوند که مجوز ضمیمه شده به آن استفاده جدید را پوشش نمی دهد.

در ادامه بخوانید که چرا مجوزهای مشتری موجود می تواند مشکل ساز شود وقتی هوش مصنوعی به داده های قدیمی هدف جدیدی می دهد.

مدیر عامل Syrenis: رضایت مشتری موجود ممکن است کاربردهای جدید هوش مصنوعی را پوشش ندهد

آدام بینکس، مدیر عامل Syrenis، که نرم افزار مدیریت رضایت و ترجیحات سازمانی را تولید می کند، شرکت ها را مشاهده کرده است که مجوزهای مشتریان موجود را در حالی که سعی می کنند از همان داده های قدیمی در سیستم های هوش مصنوعی جدید استفاده کنند، بازبینی می کنند.

بینکس به نیوزویک گفت: «من ماه‌ها در اتاق‌هایی نشسته‌ام که یک کمپین یا یک پروژه هوش مصنوعی متوقف شده است، نه به این دلیل که کسی مشکلی پیدا کرده است، بلکه به این دلیل که کسی نمی‌تواند به طور قطع بگوید که مشکلی وجود ندارد.

Binks خرده‌فروشی را توصیف کرد که سال‌ها داده‌های تماس با مشتری را در اختیار داشت و یک مدل توسعه مبتنی بر هوش مصنوعی در اطراف آن ساخته بود. قبل از راه‌اندازی، این شرکت مجوزهای جمع‌آوری‌شده برای کمپین‌های قبلی را در چند بازار بررسی کرد.

او گفت: "هیچ کس کار اشتباهی انجام نداده بود - اجازه به این اندازه طولانی نشد."

خرده‌فروش با توضیحی به زبان ساده از هدف جدید به مشتریان بازگشت و با مخاطبان کمتری راه‌اندازی کرد، که بینکس گفت بهتر از فهرست اصلی بود.

همین عدم تطابق زمانی رخ می‌دهد که شرکت‌ها اطلاعاتی را برای استفاده از هوش مصنوعی استفاده می‌کنند که خارج از آن چیزی است که مشتری در ابتدا درک کرده و با آن موافقت کرده است. Binks گفت که نقطه شروع این است که مشخص کند چرا داده ها جمع آوری شده اند، در آن زمان به مشتری چه گفته شده است و آیا یک برنامه جدید با این مجوز مطابقت دارد یا خیر.

Binks گفت که مشکل اغلب با نحوه مونتاژ سیستم های سازمانی شروع می شود.

او گفت: «مساله‌ای که بیشتر در مورد سازمان‌های بزرگ‌تر می‌بینیم این است که آنها پشته‌های فناوری خود را حول مشتری طراحی نکرده‌اند، بلکه آنها را حول بخش‌ها، محصولات و مشکلات تجاری فردی طراحی کرده‌اند.

بازاریابی، خدمات مشتری و واحدهای تجاری فردی ممکن است هر کدام به پلتفرم‌ها و روش‌های مختلف سازماندهی داده‌های مشتری متکی باشند، در حالی که اکتساب‌ها و ارائه‌دهندگان شخص ثالث سیستم‌های بیشتری را اضافه می‌کنند که به نظر می‌رسد هر کدام رکورد قطعی انتخاب مشتری را دارند.

حتی معنای ترجیح می‌تواند متفاوت باشد: Binks می‌گوید «تماس نگیرید» ممکن است پیامدهای متفاوتی برای پیام‌های بازاریابی، خدمات مشتری و ارتباطات تنظیم‌شده داشته باشد.

هنگامی که مشتری مجوز خود را تغییر می دهد یا پس می گیرد، ممکن است به روز رسانی به نرم افزار مدیریت ارتباط با مشتری، پلت فرم های بازاریابی، ابزارهای تجزیه و تحلیل، پردازنده های خارجی و سایر سیستم هایی که از آن اطلاعات استفاده می کنند برسد.

بینکس گفت: «جریان‌های کاری هوش مصنوعی باید قبل از استفاده از داده‌ها یا انجام یک اقدام، وضعیت رضایت فعلی را بررسی کنند، نه اینکه به یک نسخه تاریخی از سابقه تکیه کنند».

عارضه دیگر این است که چه اتفاقی برای اطلاعاتی می افتد که قبل از تغییر یا لغو مجوز مشتری وارد یک مدل یا فرآیند آموزشی شده است. بینکس گفت که کسب‌وکارها باید بتوانند مکان ارسال داده‌ها، سیستم‌هایی که از آن استفاده می‌کنند و اینکه آیا انتخاب‌های بعدی مشتری در آن سیستم‌ها اعمال شده است را ردیابی کنند.

او سیستمی را مثال زد که پیش‌بینی می‌کند مشتری احتمالا آن را ترک می‌کند و به دنبال آن یک عامل هوش مصنوعی پیشنهادی را تغییر می‌دهد، تماس را آغاز می‌کند، یک سرویس را تنظیم می‌کند یا فرآیند دیگری را آغاز می‌کند. بینکس گفت، در آن مرحله، مرزهای روشن باید مشخص کند که سیستم چه اقداماتی را می تواند انجام دهد، از چه اطلاعاتی می تواند استفاده کند و چه زمانی یک فرد باید تصمیم را بررسی کند.

مسئولیت این کنترل ها شامل عملکردهایی از جمله حریم خصوصی، فناوری و بازاریابی می شود. بینکس گفت: «آنچه اغلب با شکست مواجه می شود، فضای بین این توابع است. "حریم خصوصی فرض می کند که فناوری قوانین را اجرا کرده است. فناوری فرض می کند که بازاریابی مجوز را درک می کند. بازاریابی فرض می کند داده هایی که دریافت می کند برای استفاده ایمن هستند."

بینکس گفت که رهبران اغلب رضایت را به عنوان چیزی در نظر می گیرند که وقتی مشتری برای اولین بار روی یک دکمه کلیک می کند، حتی اگر مجوز به هدف خاصی گره خورده باشد، می تواند تغییر کند و باید با جمع آوری، ترکیب و عمل کردن سیستم های مختلف به داده ها، به آن متصل بماند.

به گفته Binks، مردم اغلب وارد بحث های رضایت می شوند و انتظار دارند آنچه را که نمی توانند با داده های مشتری انجام دهند، بشنوند.

او گفت: «سازمان‌هایی که این حق را دریافت می‌کنند در نهایت از داده‌های بیشتری استفاده می‌کنند، نه کمتر، زیرا می‌توانند آنچه را که مجاز به انجام آن هستند ثابت کنند و از بحث داخلی در مورد آن دست بردارند».

غلبه بر موانع تحول هوش مصنوعی در صنایع قدیمی

سرمایه گذاری در هوش مصنوعی در حال افزایش است و شرکت های با سابقه راه هایی برای وارد کردن این فناوری به سازمان هایی پیدا می کنند که بر اساس سال ها روابط با مشتری، عملیات پیچیده، سیستم های حیاتی و مسئولیت های نظارتی شکل گرفته اند. چالش تبدیل پایلوت های امیدوارکننده به نتایج تجاری پایدار بدون ایجاد اختلال در نقاط قوتی است که باعث موفقیت آن شرکت ها شده است.

در یک وبینار هوش مصنوعی نیوزویک که توسط Cognizant ارائه می شود، گابریل اسنایدر، سردبیر اجرایی نیوزویک، سازمانی، بحثی را با عنوان «غلبه بر موانع تغییر هوش مصنوعی در صنایع قدیمی» مدیریت خواهد کرد. این گفتگو به چگونگی اتصال سازمان‌های مستقر هوش مصنوعی به سیستم‌ها و جریان‌های کاری موجود، شفاف‌سازی مالکیت و حاکمیت و همسویی سرمایه‌گذاری‌های فناوری با افراد، فرآیندها و نتایج قابل اندازه‌گیری کسب‌وکار را بررسی خواهد کرد.

مت سانچز، مدیر عامل یاهو، دورگا ملادی، معاون اجرایی و مدیر کل برنامه ریزی فناوری، راه حل های لبه و مرکز داده در کوالکام و کیتی جورج، معاون شرکت تغییر نیروی کار در مایکروسافت، به گفتگو خواهند پیوست.

به بحث زنده در 21 اکتبر بپیوندید. رایگان ثبت نام کنید.

در 22 اکتبر، دکتر رنجیت تینایکار، میزبان «انجمن تأثیر هوش مصنوعی» نیوزویک، با فردوس بااتنا، معاون اجرایی و مدیر ارشد فناوری و تحول در S&P Global، در مورد اینکه چگونه شرکت‌های بزرگ پیشرفت‌های هوش مصنوعی را به نتایج کسب‌وکار تبدیل می‌کنند و چرا داده‌های قابل اعتماد و متمایز اهمیت فزاینده‌ای مهم می‌کنند، می‌نشیند.

با تکیه بر تجربه Bhathena در S&P Global، FIS Global و CVS Health، این گفتگو بررسی می‌کند که چگونه سازمان‌ها داده‌ها را کنترل و قابل استفاده مجدد می‌کنند، جریان‌های کاری را حول قابلیت‌های جدید طراحی مجدد می‌کنند و سرعت را با اعتماد، امنیت و انعطاف‌پذیری متعادل می‌کنند. آنها همچنین بررسی خواهند کرد که چگونه رهبران می‌توانند سرمایه‌گذاری‌های فناوری را بر مشکلات مشتری متمرکز نگه دارند و شناسایی کنند که مزیت رقابتی واقعی کجا می‌تواند پدیدار شود.

پنجشنبه 22 اکتبر ساعت 14 به بحث زنده بپیوندید. ET. رایگان ثبت نام کنید.

یکی از بینش های اخیری که در مورد هوش مصنوعی آموخته اید چیست؟

دستگاه‌های پزشکی همیشه برای من یک پارادوکس ارائه می‌دهند. آنها برای پزشکی مدرن پایه‌ای بوده‌اند و نقشی اساسی در نحوه تشخیص، نظارت و درمان پزشکان داشتند.

چالش تاثیر بالینی نبوده، بلکه این است که چگونه این مقوله در مدل سرمایه گذاری استاندارد قرار می گیرد. شرکت‌های دستگاه‌ها در طول تاریخ با چیزی که من به عنوان یک «ثلاث نامقدس» فکر می‌کنم مواجه بوده‌اند: زمان‌بندی طولانی توسعه، ریسک نظارتی، و پذیرش آهسته بالینی و تجاری.

از لحاظ تاریخی، بسیاری از دستگاه‌های پزشکی ابزارهای بالینی مجزا و هدفمندی بوده‌اند که حول یک مداخله بالینی خاص ساخته شده‌اند. حتی زمانی که تأثیر بیمار بسیار زیاد بود، فرصت تجاری اغلب در آن بازار اولیه محدود می شد.

"آها" من این است که هوش مصنوعی ممکن است با تغییر آنچه که یک دستگاه پزشکی می تواند تبدیل شود، معادله ریسک-پاداش را تغییر دهد. در حالی که کار سخت تولید شواهد، قوانین ناوبری و پذیرش درآمد همچنان باقی است، بهترین دستگاه‌های مجهز به هوش مصنوعی اکنون می‌توانند به پلتفرم‌های هوش بالینی تبدیل شوند که از تشخیص زودهنگام، کشف نشانگرهای زیستی جدید و یک مدل پیش‌بینی‌کننده‌تر پزشکی پشتیبانی می‌کنند و به طور معناداری سقف را برای تأثیر بیمار و نتایج در مقیاس خطرپذیر افزایش می‌دهند.

این باعث شده است که در مورد دستگاه ها در سه بعد فکر کنم: قابلیت، تنظیم، و ترکیب ارزش داده.

اول، هوش مصنوعی می‌تواند دستگاه را فراتر از موارد استفاده اولیه آن گسترش دهد. پس از استقرار دستگاه، هر الگوریتم تایید شده اضافی می تواند کاربرد بالینی و بازار قابل آدرس دهی خود را در مناطق بیماری جدید گسترش دهد.

دوم، هوش مصنوعی می تواند در جایی که یک دستگاه می تواند استفاده شود گسترش یابد. هنگامی که راهنمایی و تفسیر در ابزار گنجانده می شود، فناوری هایی که زمانی به متخصص نیاز داشتند می توانند به مراقبت های اولیه و سایر نقاط مراقبت منتقل شوند.

سوم، دستگاه ها می توانند ارزش داده ترکیبی ایجاد کنند. هنگامی که در تنظیمات دنیای واقعی مورد استفاده قرار می گیرند، می توانند مجموعه داده هایی تولید کنند که از اعتبار سنجی بیشتر، توسعه الگوریتم های جدید و موارد استفاده بالینی اضافی پشتیبانی می کند.

Optain، یک پورت Aegis، یکی از نمونه‌های آن است که من از نزدیک دیده‌ام. دوربین کم‌هزینه شبکیه آن می‌تواند غربالگری رتینوپاتی دیابتی را به مراقبت‌های اولیه وارد کند، در حالی که الگوریتم‌های تایید شده اضافی در نهایت می‌توانند به ارزیابی شاخص‌های گسترده‌تری از سلامت عروقی، متابولیک و عصبی کمک کنند.

در یک سیستم مراقبت بهداشتی با محدودیت منابع، منبع کمیاب فقط سرمایه نیست. توجه بالینی، ظرفیت گردش کار، و پهنای باند سازمانی برای تغییر است.

هنگامی که یک دستگاه در جریان کار بالینی ادغام می شود، هوش مصنوعی می تواند با پشتیبانی از الگوریتم های تایید شده اضافی، بینش بالینی گسترده تر و ارزش بیشتر برای بیماران و پزشکان، به این استقرار در طول زمان با ارزش تر شود.

درس خود را برای به اشتراک گذاشتن دارید؟ به من ایمیل بزنید: a.mills@newsweek.com

MaintainX AI اصلاحات گذشته را در هنگام خرابی تجهیزات دوباره نمایان می کند

تعمیر تجهیزات تخصصی کارخانه زمانی که مدارک ناقص باشد و تیم های خارجی که آن را نصب کرده اند ترک کرده باشند، ممکن است دشوار باشد. Proterra که سیستم‌های باتری را برای وسایل نقلیه تجاری و تجهیزات می‌سازد، از MaintainX برای مدیریت تعمیر و نگهداری تجهیزات در کارخانه تولیدی خود در گریر، کارولینای جنوبی استفاده می‌کند، جایی که حداقل اسناد را برای برخی ماشین‌آلات خودکار داشت.

Nick Haase، یکی از بنیانگذاران و مدیر ارشد MaintainX، یک شرکت Autodesk که نرم‌افزاری برای تیم‌های تعمیر و نگهداری و عملیات تولید می‌کند، گفت که Proterra سفارشات کاری، رویه‌ها و اسکرین‌شات‌ها را متمرکز کرد و سابقه تعمیرات و مراحل عیب‌یابی قبلی خود را ایجاد کرد.

در طول یک خرابی حساس به زمان، تکنسین‌ها می‌توانند از هوش مصنوعی MaintainX بخواهند تا سال‌ها سفارش‌های کاری را برای شکست‌های مشابه جستجو کند، نحوه رسیدگی به آنها را خلاصه کند و مراحل بعدی را توصیه کند.

هاس گفت: «همان مدل با سال‌ها سفارش‌های کاری مرتبط و تخصص در تولید، بیشتر شبیه یک همکار با تجربه رفتار می‌کند، کسی که همیشه در دسترس است و قبلا شکست را دیده است».

Haase گفت که سازنده با آسان‌تر کردن تعمیرات قبلی، زمان خرابی را کاهش داده است. هوش مصنوعی همچنین می تواند الگوهای خرابی مکرر را شناسایی کند که به تکنسین ها کمک می کند تا برنامه های تعمیر و نگهداری پیشگیرانه را اصلاح کنند.

در طی چهار سال، آن سوابق به یک کتابخانه مرجع برای تجهیزاتی تبدیل شدند که با اسناد کمی به دست آمدند. و هر تعمیر نمونه دیگری را اضافه می‌کند که تکنسین‌ها می‌توانند دفعه بعد که یک دستگاه مشکل مشابهی ایجاد می‌کند بازیابی کنند.

آیا یک مورد جالب استفاده از هوش مصنوعی برای به اشتراک گذاشتن با ما دارید؟ به من ایمیل بزنید: a.mills@newsweek.com

■ شرکت‌های مسافرتی از هوش مصنوعی استفاده می‌کنند تا کشف سفر را به سمت توصیه‌های مکالمه سوق دهند، در حالی که از این فناوری برای رزرو، خدمات مشتری و عملیات فرودگاه و خطوط هوایی نیز استفاده می‌کنند. [نیوزویک]

■ HeadFirst Global 11 کسب‌وکار را تحت Vertage ادغام می‌کند، زیرا پلتفرمی ایجاد می‌کند که به شرکت‌ها کمک می‌کند تا کار را بر اساس نتایج تعریف کنند و ترکیبی از استعدادها و عوامل هوش مصنوعی مورد نیاز برای ارائه آنها را تعیین کنند. [ورتیج]

■ بررسی سیسکو و Omdia از 1000 رهبر عملیات IT و شبکه نشان داد که 51 درصد در حال حاضر هوش مصنوعی عاملی را اجرا می کنند که در تولید عمل می کند، در حالی که 24 درصد با هوش مصنوعی بدون نظارت انسان راحت هستند. [سیسکو]

■ SAP خط مشی اخلاقی جهانی هوش مصنوعی خود را برای تقویت پادمان ها، مسئولیت پذیری و ایمنی برای هوش مصنوعی سازمانی، با ارزیابی های اخلاقی اجباری و نظارت انسانی که در فرآیند حاکمیت آن گنجانده شده است، به روز کرد. [SAP]

ردیابی حرکت های اجرایی در سراسر چشم انداز هوش مصنوعی

جارد کویل، پس از خدمت به عنوان مدیر ارشد هوش مصنوعی برای قاره آمریکا در SAP، به آناپلان به عنوان معاون اجرایی، هوش مصنوعی پیوست و مرکز تعالی هوش مصنوعی خود را از ایده‌پردازی و نقشه راه از طریق تحویل و پذیرش سازمانی هدایت کرد.

کریس هارت که از معاونت علوم داده و نقش AI/ML در Eli Lilly می آید، به عنوان مدیر ارشد داده و AI به ProQR ملحق شده است و استراتژی هوش مصنوعی خود را در کشف و توسعه دارو برای پلت فرم ویرایش RNA خود رهبری می کند.

Florian Quarré که از شریک ارشد و رئیس نقش تحول دیجیتال در HealthScape Advisors است، به عنوان مدیر ارشد هوش مصنوعی و تحلیلگر به Premier پیوسته است و استراتژی هوش مصنوعی، داده، تجزیه و تحلیل و فناوری سازمانی را رهبری می کند.

تاد لور، مدیر ملی مشتریان و بازارهای KPMG، نایب رئیس و رئیس فناوری و نوآوری مشتری خواهد شد و رهبری گروه جدیدی را بر عهده خواهد داشت که بر ایجاد مشاغل بومی هوش مصنوعی و گسترش محصولات فناوری جدید متمرکز است.

وی ژنگ، که توسعه هوش مصنوعی Conductor و استراتژی گسترده‌تر هوش مصنوعی و داده‌های شرکت را به‌عنوان مدیر ارشد محصول رهبری می‌کرد، به‌عنوان مدیر عامل به عنوان Conductor ارتقاء یافت که بهینه‌سازی موتور پاسخ را در فصل بعدی خود قرار می‌دهد.

کسی را در حال حرکت در هوش مصنوعی می شناسید؟ اطلاعات تغییر شغل را به a.mills@newsweek.com ارسال کنید

جالب ترین یا غیرمنتظره ترین روشی که اخیرا از هوش مصنوعی استفاده کرده اید چیست؟

«پشته مدیر عامل من قبلا کلود، ChatGPT، NotebookLM و برخی جریان‌های Make.com بود. اکنون همه برنامه‌های سفارشی‌سازی شده در Lovable و Claude Code هستند. «Later Gator» که به نام کتاب مورد علاقه دخترم نامگذاری شده است، فهرست کارهای من را مدیریت می‌کند و مجبور می‌کند در مورد هر چیزی دست نخورده تصمیم بگیرم بعد از 48 ساعت، پیش‌نویس‌های مجازی من. ایمیل‌ها و مهم‌ترین اسناد من را رصد می‌کند.

این ابزارها دقیقا همانطور که من فکر می کنم کار می کنند. و من همه آنها را بدون پیشینه مهندسی فقط در چند ساعت ساختم. اگر ساختن اپلیکیشن‌های خودتان دلهره‌آور به نظر می‌رسد، اینطور نیست. در واقع به همین دلیل است که ما یک آزمایشگاه هوش مصنوعی دوست‌داشتنی را به MasterClass Executive اضافه کردیم، برنامه 12 هفته‌ای که با OpenAI و Chicago Booth ساخته شده است. ما می‌خواهیم هر فردی با دانستن اینکه چگونه ابزارهایی مانند این را برای خود بسازد، برنامه را ترک کند."

جادوی هوش مصنوعی را تجربه می کنید؟ در مورد آن در a.mills@newsweek.com به ما بگویید