انتقال هوش مصنوعی از آزمایشی به تولید با داده ها شروع می شود

پذیرش هوش مصنوعی به سرعت پیش رفته است. نظرسنجی جهانی مک‌کینزی در سال 2025 نشان داد که 88 درصد از پاسخ‌دهندگان می‌گویند که سازمان‌هایشان به طور مرتب از ابزارهای هوش مصنوعی در حداقل یک کار تجاری استفاده می‌کنند، در مقایسه با 78 درصد در سال گذشته، با این حال تنها 7 درصد می‌گویند هوش مصنوعی به طور کامل در سراسر سازمان مقیاس‌پذیر است و 30 درصد در مرحله آزمایشی گیر کرده‌اند.

برای تیم های بازاریابی، این شکاف زمانی آشکارتر می شود که یک خلبان هوش مصنوعی با پیچیدگی پشته داده های موجود روبرو شود. یک پایلوت می‌تواند نشان دهد که یک مدل هوش مصنوعی وقتی دارای یک وظیفه تعریف‌شده و داده‌هایی است که به دقت انتخاب شده است، چه توانایی‌هایی دارد، اما انتقال این قابلیت به یک محیط سازمانی زنده اغلب بسیار سخت‌تر است.

این مشکل اغلب در زیر خود مدل قرار دارد. داده‌های بازاریابی در پلتفرم‌ها، انبارها و سیستم‌های داخلی پخش می‌شوند، با ساختارها و تعاریف متفاوت، تعیین معنای واقعی اعداد برای هوش مصنوعی دشوار است.

خلبان تا زمانی که با دنیای واقعی روبرو شود کار می کند

دلیلی وجود دارد که خلبانان هوش مصنوعی می توانند در ابتدا قانع کننده به نظر برسند. دامنه معمولا محدود است، کنترل داده‌ها آسان‌تر است و سؤالات مطرح شده نسبتا ساده هستند.

با این حال، تولید سطح جدید و متفاوتی از پیچیدگی را معرفی می کند. به عنوان مثال، یک سیستم هوش مصنوعی که در یک پشته بازاریابی سازمانی کار می کند ممکن است با چندین نسخه از یک معیار، با نام فیلدهای مختلف و قوانین متفاوت برای نحوه محاسبه آنها مواجه شود. بدون درک کنترل شده از آن محیط، مدل می تواند مانند یک جعبه سیاه عمل کند و مفروضات خود را بسازد.

هزینه یک مثال ساده است. یک پلتفرم ممکن است آن را تحت یک نام فیلد ذخیره کند در حالی که دیگری از چیزی کاملا متفاوت استفاده می کند. برای انسانی که داده‌های سازمان را درک می‌کند، این تمایز ممکن است واضح باشد، اما برای یک مدل هوش مصنوعی که بدون آن لایه دانش عمل می‌کند، اولین تطابق قابل قبول می‌تواند مانند پاسخ درست به نظر برسد.

این عدم وضوح مشکل ایجاد می کند زیرا خروجی که دریافت می کنید می تواند کاملا معتبر به نظر برسد. هوش مصنوعی می‌تواند از یک فرض نادرست پاسخ مطمئنی ایجاد کند و کسب‌وکارها را با بینش‌هایی که تا زمانی که به یک تصمیم تجاری برسد مفید به‌نظر می‌رسد، می‌دهد.

بنیادهای داده به یک لایه دانش نیاز دارند

بنابراین بهبود کیفیت داده تنها بخشی از چالش است. هوش مصنوعی همچنین نیاز به درک معنای متصل به آن داده دارد.

مخصوصا برای تیم های بازاریابی، این به معنای ایجاد تعاریف متعارف برای مفاهیم مهم و ترسیم آن تعاریف در پلتفرم های مختلف جایی است که آنها ظاهر می شوند. همچنین به معنای گرفتن قوانینی است که سازمان برای اندازه‌گیری عملکرد استفاده می‌کند، به طوری که هوش مصنوعی از همان چارچوبی کار می‌کند که افراد مسئول تفسیر خروجی‌های آن هستند.

یک لایه دانش پایه بین انبار داده و هوش مصنوعی که با داده ها کار می کند را فراهم می کند و نحوه تفسیر معیارها را رمزگذاری می کند، کدام زمینه ها با پلتفرم ها مطابقت دارند و کدام قوانین تجاری باید قبل از قابل اعتماد تلقی شدن تجزیه و تحلیل اعمال شوند. چنین لایه‌هایی در بالای انبارهای داده موجود قرار می‌گیرند، به این معنی که سازمان‌ها نیازی به سرمایه‌گذاری پرهزینه برای جایگزینی زیرساخت‌های خود ندارند.

نکته کلیدی این است که یک نقطه شروع مشخص به هوش مصنوعی بدهید. به جای انتخاب هر نسخه از معیاری که ابتدا با آن مواجه می شود، سیستم درک حاکمیتی از معنای آن مفهوم در سازمان دارد و می تواند آن را به درستی تفسیر کند.

متن باید آنچه را که اکنون در حال وقوع است منعکس کند

هر چند تعاریف استاتیک به تنهایی کافی نیستند. عملکرد بازاریابی در کنار کسب و کار تغییر می کند، به این معنی که هوش مصنوعی همچنین نیاز به دسترسی به زمینه پیرامون یک تحقیق خاص دارد.

یک کمپین ممکن است به نظر برسد که عملکرد بدتر شده است، اما در واقع دلیل اصلی آن تغییر بودجه اخیر است. یک حرکت ناگهانی در نتایج همچنین می‌تواند با یک تبلیغ جدید یا یک تست بازار زنده همزمان باشد. بدون این اطلاعات، یک سیستم هوش مصنوعی می تواند تغییر را به طور دقیق شناسایی کند، اما همچنان به نتیجه اشتباه در مورد علت آن می رسد.

این تمایز را می توان با جدا کردن دانش بازاریابی پایدار از زمینه ای که برای هر تحقیق حل می شود منعکس کرد. اینجاست که همکاری بین تیم های بازاریابی و داده مهم می شود. رهبران بازاریابی اهداف پشت کمپین ها و نحوه تفسیر عملکرد را درک می کنند، در حالی که رهبران داده سیستم ها، ساختارها و کنترل هایی را که از طریق آن اطلاعات مدیریت می شود، درک می کنند.

کنار هم قرار دادن این دیدگاه ها، پایه مفیدتری برای هوش مصنوعی ایجاد می کند. تعاریف را می توان قبل از اینکه در جریان کار خودکار گنجانده شود توافق کرد، در حالی که الزامات حاکمیتی می تواند بخشی از فرآیند تحلیلی باقی بماند تا اینکه پس از تولید خروجی معرفی شود.

تولید به اعتماد به نفس نیاز دارد، نه پایلوت دیگری

مرحله بعدی پذیرش هوش مصنوعی سازمانی به عملیاتی کردن این پایه ها بستگی دارد. تحقیقات مک‌کینزی نشان می‌دهد که اکثر سازمان‌ها با وجود رشد سریع در پذیرش، هنوز بین آزمایش و مقیاس‌بندی اولیه قرار دارند.

بنابراین اولویت برای بازاریابان باید این باشد که قبل از اضافه کردن مدل دیگری، آنچه را که در اطراف مدل قرار دارد بررسی کنند. آیا معیارهای مربوطه به طور مداوم تعریف شده اند؟ آیا هوش مصنوعی می تواند بفهمد که این معیارها چگونه در بین سیستم ها ارتباط دارند؟ آیا می داند کدام تصمیمات تجاری در حال حاضر عملکرد را شکل می دهند؟

یک لایه دانش با ساختار مناسب می تواند ارتباط گمشده بین داده های سازمانی و استدلال هوش مصنوعی را فراهم کند. این به مدل ها درک کنترل شده ای از محیطی که در آن در حال فعالیت هستند می دهد و فرضیاتی را که باید خودشان بسازند کاهش می دهد.

این مسئله تولید را تغییر می دهد. سازمان‌ها می‌توانند به جای این که بپرسند آیا یک مدل جدیدتر به اندازه کافی توانایی دارد یا خیر، روی این موضوع تمرکز کنند که آیا هوش مصنوعی دانش لازم برای کارکرد قابل اعتماد آن را داده است یا خیر.

این مدل‌ها به تکامل خود ادامه خواهند داد، اما برای کسب‌وکارهایی که تلاش می‌کنند سرمایه‌گذاری هوش مصنوعی را به ارزش قابل اندازه‌گیری تبدیل کنند، اقدام فوری‌تر این است که مطمئن شویم آن مدل‌ها چیزی قابل اعتماد برای استدلال دارند.

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