اتصال عوامل هوش مصنوعی به دانش سازمانی

با وجود تمام داده هایی که سیستم های هوش مصنوعی به طور مداوم جمع آوری و تجزیه و تحلیل می کنند، عوامل هوش مصنوعی سازمانی اغلب از یک نقص عجیب رنج می برند: کمبود دانش. دانش بیشتر از داده ها، درک معنای داده ها در زمینه سازمان های فردی است. عوامل هوش مصنوعی برای استدلال در مورد موقعیت ها، تصمیم گیری و در نهایت اقدام به این درک نیاز دارند. بدون دانش کافی، نمایندگان مستعد تصمیم گیری های ناقص و غیرقابل اعتماد هستند.

تحقیقات ما نشان می‌دهد که کمبود دانش دلیل عمده‌ای است که موارد استفاده از هوش مصنوعی عاملی هرگز به تولید نمی‌رسند. فشار رقابتی رسیدگی به این موضوع را ضروری می کند. سازمان‌ها باید پروژه‌های عاملی خود را گسترش داده و مقیاس‌بندی کنند تا دستاوردهای بهره‌وری را که هوش مصنوعی وعده می‌دهد، بدست آورند. کوتاه آمدن باعث هدر رفتن سرمایه‌گذاری شده در این پروژه‌ها می‌شود و زمین را به رقبایی واگذار می‌کند که در حال حاضر عوامل خود را به طور مؤثرتری کار می‌کنند.

گزارش را دانلود کنید

هدف این گزارش که بر اساس نظرسنجی از 300 مدیر اجرایی داده، هوش مصنوعی و سایر فناوری ها تهیه شده است، سه مورد است. اول، به دنبال سنجش قابلیت‌های دانش عاملی سازمان‌ها (یعنی توانایی آن‌ها برای دادن درک متنی کامل به عوامل هوش مصنوعی از داده‌هایی است که دریافت می‌کنند) در دانش معنایی، حافظه اپیزودیک و دانش رویه‌ای.

دوم، این گزارش چالش‌هایی را که سازمان‌ها در بهبود دسترسی به دانش و در نهایت به کار بردن بیشتر موارد استفاده از عامل در تولید مواجه هستند، بررسی می‌کند. سوم، اقداماتی را که سازمان ها برای غلبه بر این چالش ها انجام می دهند، بررسی می کند.

یافته های کلیدی شامل موارد زیر است:

نقاط ضعف داده و دانش به طور مداوم پیشرفت عامل هوش مصنوعی را متوقف می کند. به طور متوسط، تنها یک سوم (34٪) پروژه های هوش مصنوعی عامل سازمان ها آن را به تولید می رساند. حتی شرکت های با فناوری پیشرفته نیز با این مشکل دست و پنجه نرم می کنند. سیستم‌های داده قدیمی، نگرانی‌های مربوط به امنیت و حفظ حریم خصوصی، و کمبود دانش و زمینه، نکات کلیدی شکست هستند.

توانایی های دانش قوی با موفقیت عامل ارتباط دارد. گروه کوچکی از رهبران تولید (سازمان‌هایی که به طور متوسط ​​61 درصد پروژه‌های عاملی فراتر از آزمایشی پیشرفت می‌کنند) نسبت به بقیه توانایی‌های دانش قوی‌تری دارند، به‌ویژه وقتی صحبت از معناشناسی به میان می‌آید. این مزیت با نرخ تولید بالاتر آنها همراه است.

داده های تکه تکه شده دسترسی به دانش را بسیار پیچیده می کند. تکه تکه شدن داده ها (اشتراک گذاری ناکافی داده ها در بین سیستم ها) معمولا به عنوان یک چالش اصلی برای گسترش دسترسی عوامل به دانش ذکر شده است (55٪ ذکر شده است). در مقابل، رهبران تولید به احتمال زیاد نگرانی های امنیتی و حفظ حریم خصوصی را به عنوان یک نگرانی عمده می بینند (72٪ از این گروه به آنها اشاره کردند).

هدف بیشتر شرکت‌ها تقویت پیوند بین داده‌ها و عاملان است. در میان مراحلی که می تواند تصمیمات عاملی با کیفیت بالاتری را به همراه داشته باشد، مدیران انتظار دارند بیشترین تأثیر را از تقویت بنیان ساختاری بین داده های سازمان و عوامل هوش مصنوعی آن حاصل شود. کارشناسانی که ما با آنها مصاحبه کردیم، یک لایه دانش را راه اصلی برای دستیابی به این هدف می دانند.

اولویت های سرمایه گذاری برای تقویت دانش از خطوط لوله تا نمودارهای دانش را شامل می شود. برای گسترش دسترسی عامل به دانش، سازمان‌ها سرمایه‌گذاری‌ها را در فناوری‌های بازیابی، مانند خطوط لوله جذب، APIهای آماده هوش مصنوعی، و تولید افزوده‌شده با بازیابی (RAG) اولویت‌بندی خواهند کرد. در عوامل ارزیابی هوش مصنوعی؛ و در نمودارهای دانش

گزارش را دانلود کنید

این محتوا توسط Insights، بازوی محتوای سفارشی MIT Technology Review، نه اعضای تحریریه آن تولید شده است. این توسط انسان ها تحقیق و نوشته شده است، با هر ابزار هوش مصنوعی که ممکن است محدود به فرآیندهای تولید تحت نظارت انسان باشد.