از هرج و مرج تا وضوح: چگونه داده های بدون ساختار به اتوماسیون نیرو می دهد

داده‌های بدون ساختار مانند یک کتابخانه عظیم است که در آن کتاب‌ها بدون عنوان، فهرست، و سیستم قفسه‌بندی نیستند. همه دانش وجود دارد، اما استفاده از آن تا زمانی که سازماندهی نشده باشد غیرممکن است.

در حالی که سرمایه‌گذاری‌های هوش مصنوعی سازمانی طی سال‌های اخیر افزایش یافته است، کمتر از نیمی از این پروژه‌های هوش مصنوعی در دو سال گذشته نتایج تجاری قابل‌اندازه‌گیری را به همراه داشته‌اند. در حالی که پیاده‌سازی این فناوری برای سازمان‌ها در سراسر جهان یک جاه‌طلبی باقی می‌ماند، این یک سیگنال واضح است که تحقق ارزش همچنان بزرگترین چالش صنعت است.

نتایج مختلط با این حال پیشرفت ارزشمندی را ارائه کرده است. این آزمون و خطا مشکل واقعی را که برای سال‌ها گریبانگیر شرکت‌ها بوده است را آشکار کرده است: آنها به سادگی پایه‌ای برای هیچ نوآوری دیجیتالی ندارند، چه رسد به هوش مصنوعی. و سازمان ها بالاخره با این واقعیت بیدار می شوند.

بخش کلیدی این پایه در داده های ساختار نیافته یک شرکت یافت می شود. اینها ایمیل‌ها، اسناد، فایل‌های PDF، تصاویر، ویدئوها، گزارش‌های چت، فرم‌ها، گزارش‌ها، یادداشت‌های بالینی، تعاملات با مشتری هستند که خارج از پایگاه‌های داده ساختاریافته زندگی می‌کنند و از 80% تا 90% محتوای یک شرکت را تشکیل می‌دهند.

این داده‌های بدون ساختار برای استقرار موفقیت‌آمیز هوش مصنوعی و اتوماسیون عاملی در شرکت بسیار مهم است زیرا زمینه لازم را برای عوامل هوش مصنوعی سازمانی فراهم می‌کند تا به گونه‌ای عمل کنند که با کسب‌وکار هماهنگ باشد و عاملان را قادر می‌سازد تا خود را با زمینه کسب‌وکار در حال تغییر سازگار کنند. هنگامی که به درستی انجام شود، با نظارت و حاکمیت انسانی مقیاس‌پذیر، عوامل سازمانی بر اساس ترکیبی از داده‌های آماده هوش مصنوعی، زمینه تجاری عمیق و تخصص صنعت عمل می‌کنند.

هوش مصنوعی عامل کمتر شبیه کد و بیشتر شبیه یک همکار عمل می کند. دقیقا همین رشد توانایی است که به این معنی است که پیشبرد هزینه بدون برنامه خطرناک است. گزارش‌های اخیر نشان می‌دهد که کمیته حساب‌های عمومی بریتانیا دریافته است که داده‌های با کیفیت پایین که در سیستم‌های قدیمی به دام افتاده‌اند، مانع بزرگی برای هوش مصنوعی است، که دلیل دیگری بر این است که داده‌های تکه‌تکه، حاکمیت متزلزل و اهداف مبهم هوش مصنوعی عامل را از مسیر خارج می‌کند، مگر اینکه پایه‌های اولیه پیش بیاید.

بنابراین، قبل از صرف زمان، تلاش و بودجه، هر سازمانی باید دو سوال اساسی بپرسد: آیا زیرساخت شما برای هوش مصنوعی عاملی آماده است و آیا نتایجی که در نظر دارید به وضوح تعریف شده است؟

آماده کنید، سپس مستقر کنید

برخلاف هوش مصنوعی کمکی که به درخواست‌ها پاسخ می‌دهد، عوامل سازمانی برای عمل طراحی شده‌اند. از آنجایی که عوامل سازمانی به جای اینکه فقط به عنوان یک دستیار عمل کنند، وظایف را انجام می دهند، معرفی آنها مستلزم یک حسابرسی کامل از گردش کار و داده های شما است. برای ارائه ارزش، آنها باید از طریق همان زمینی که افراد انجام می‌دهند حرکت کنند: سیستم‌هایی که کار در آن ثبت می‌شود، کانال‌هایی که مشتریان در آن تعامل دارند، و قوانینی که همه چیز را مطابقت می‌دهد.

این مستلزم یک استراتژی آگاهانه و رویکرد حکمرانی روشن است. اگر با عواملی مانند پلاگین ها رفتار کنید، آنها به طور بالقوه می توانند تلاش های تکراری، ایجاد تنگناها، یا انجام اقدامات نادرست و ناخواسته را انجام دهند که در نهایت منجر به کار بیشتر برای افرادی می شود که در وهله اول با پیاده سازی ابزارهای هوش مصنوعی سعی در کمک به آنها داشتید.

به همین دلیل است که کار باید قبل از استقرار شروع شود. حتی قبل از اینکه به پیاده‌سازی هوش مصنوعی فکر کنیم، کسب‌وکارها به پلتفرمی نیاز دارند که به آنها امکان اتصال و استفاده از ترابایت داده‌های بدون ساختاری را بدهد که دسترسی به آن‌ها در طول تاریخ دشوار بوده و حتی کنترل و فعال‌سازی در مقیاس سخت‌تر بوده است.

محتوایی مانند ایمیل‌ها، عکس‌ها و ویدیوها همگی می‌توانند اطلاعات و زمینه‌های ارزشمندی را در اختیار نمایندگان قرار دهند تا کارآمدتر کار کنند. با این حال، تا کنون، بسیاری از این داده‌ها به‌جای آموزش سیستم‌های هوشمندتر، گرد و غبار دیجیتالی را جمع‌آوری کرده و مورد استفاده قرار نگرفته‌اند.

استراتژی قبل از مقیاس

یک اشتباه رایج هنگام استفاده از هر فناوری جدید این است که سازمان ها اغلب سعی می کنند قبل از اینکه بتوانند راه بروند، بدود. در حالی که تصور اینکه چگونه هوش مصنوعی، به ویژه نمایندگان، کل کسب و کار را متحول خواهند کرد، فریبنده است، اولین قدم این است که بفهمیم اتوماسیون کجا می‌تواند تاثیر واقعی داشته باشد.

برای مثال حساب های پرداختنی (AP) را در نظر بگیرید. در AP، عوامل برای کارهایی که قابل تکرار و محدود به قانون هستند مناسب هستند. آن‌ها می‌توانند فاکتورها را از هر کانالی دریافت کنند، آنها را به داده‌های تمیز و ساختاریافته تبدیل کنند، فیلدهای کلیدی را تأیید کنند، و تطبیق سه‌طرفه با سفارش‌های خرید و کالاها را انجام دهند - قبل از ارسال به سیستم مالی.

مهمتر از همه، از آنجا که آنها در داخل پشته موجود قرار دارند، تأییدکنندگان بدون پرش بین برنامه ها آنچه را که نیاز دارند می بینند، و امضای تلفن همراه زمان چرخه را محدود نگه می دارد. هر مرحله ثبت می شود، بنابراین مسیرهای حسابرسی و بررسی های تقلب بعدا بسته نمی شود، بلکه بخشی از جریان است.

در حالی که این اتوماسیون باعث صرفه جویی در ساعت‌ها تلاش می‌شود، دخالت انسان همچنان چسبی است که آن را نگه می‌دارد. یک نماینده می‌تواند بیشتر بار کاری معمول را انجام دهد، اما حفظ قضاوت انسان در جایی که نتایج را تغییر می‌دهد ضروری است.

اول هدف، بعد خودکار

در سال 2026، هوش مصنوعی دیگر یک آزمایش نخواهد بود. شرکت‌های پیشرو در حال حاضر این فناوری را در مقیاس بزرگ به کار می‌برند، و آنهایی که به آن به عنوان یک اجرای آزمایشی نگاه می‌کنند، توسط رقبایانی که بر پایه‌های قوی ساخته شده‌اند، عقب خواهند ماند. مرحله آزمایش به پایان رسیده است و سازمان ها باید شروع به یادگیری کنند، چه از اشتباهات خود و چه از کسانی که موفق شده اند.

شروع به معنای درست کردن اصول اولیه است. این بدان معناست که داده‌های موجود خود را مدیریت و اصلاح کنید و زیرساخت‌های متصل را پیاده‌سازی کنید که در کنار نوآوری مقیاس‌پذیر باشد. نکته مهم این است که این سرمایه‌گذاری‌ها بسیار بیشتر از «ارتقای هوش مصنوعی» هستند. آنها تغییراتی در نحوه تصمیم گیری و چگونگی اثبات آینده سازمان شما هستند.

برندگان در این دوره جدید کسانی نخواهند بود که اول بودند، بلکه کسانی هستند که زمان می‌گذارند و استراتژی می‌کنند، تعیین می‌کنند که اتوماسیون در کجا تاثیر واقعی خواهد داشت و به سیستم‌های هوش مصنوعی خود مبانی و منابعی را می‌دهند که برای کمک به شکوفایی کسب‌وکار شما نیاز دارند.

آنچه در سال پیش رو خواهد آمد

در طی 12 ماه آینده، نمایندگان سازمانی از ابزارهای کمکی به اپراتورهای تحت کنترلی تغییر خواهند کرد که محتوای بدون ساختار را در مقیاس تفسیر، اعتبارسنجی و عمل می‌کنند. استقلال کدگذاری شده با خط مشی، کنترل‌های انسان در حلقه و هوش محتوایی یکپارچه، همکاری چند عامله را به یک الگوی گردش کار استاندارد تبدیل می‌کند.

تریاژ، اعتبارسنجی، انطباق، و هماهنگی که به طور هماهنگ در امور مالی، منابع انسانی، خدمات مشتری، مراقبت های بهداشتی، دولت و بیمه انجام می شود، امری عادی خواهد بود. اتوماسیون زبان طبیعی به رابط جهانی تبدیل خواهد شد و به تیم ها اجازه می دهد فرآیندها را بدون توسعه تخصصی طراحی، شبیه سازی و استقرار دهند، در حالی که بازخورد حلقه بسته به طور مداوم زمان چرخه، مدیریت استثنا و پردازش مستقیم را بهبود می بخشد.

در عین حال، بسته‌های مهارت عامل عمودی و طرح‌های تکراری، پذیرش را تسریع می‌کنند و مدل‌های عملیاتی درجه تولید را پیش می‌برند. کارگزاران کار را مشاهده می‌کنند، بهینه‌سازی‌ها را پیشنهاد می‌کنند، و به طور ایمن تحت استقلال مبتنی بر نقش با مسیرهای حسابرسی کامل و حفاظت از عقب‌نشینی اجرا می‌کنند.

ستون فقرات یک لایه محتوای یکپارچه و یکپارچه است که مخازن و برنامه‌ها را بدون مهاجرت اجباری به هم متصل می‌کند، بنابراین عوامل می‌توانند به‌طور قابل اعتمادی زمینه را جمع‌آوری کنند، شواهد را به اسناد منبع پیوند دهند و اقدامات پایین‌دستی را آغاز کنند که نتایج قابل اندازه‌گیری را ارائه می‌دهند.

خط پایانی: مرحله آزمایشی به پایان رسیده است. شرکت‌هایی که اکنون پایه‌های داده، حاکمیت و توانمندسازی خود را به کار می‌گیرند، با اتوماسیون عاملی سریع‌تر، هوشمندتر و ایمن‌تر کار خواهند کرد. کسانی که منتظر می مانند، سال 2026 را صرف تماشای رقبا خواهند کرد که محتوای بدون ساختار را به یک موتور اکشن تبدیل می کنند - و عقب می مانند.

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