اوراکل هشدار می دهد که استفاده از هوش مصنوعی ارزش برابر ندارد، زیرا مشاغل با هزینه های غیرقابل پیش بینی دست و پنجه نرم می کنند

تقاضا برای هوش مصنوعی همچنان در حال رشد است، اما هوش مصنوعی بیشتر به معنای بازدهی بهتر نیست

کسب‌وکارها در حالی که از آزمایشی به تولید می‌رسند، هزینه‌ها را دست‌کم می‌گیرند

به نظر می رسد قیمت گذاری بر اساس صندلی و مصرف هر دو جایگاه خود را دارند حمد حسین، رئیس استراتژی هوش مصنوعی اوراکل، هشدار می‌دهد که کسب‌وکارها در خطر اشتباه گرفتن پذیرش هوش مصنوعی عمومی در نیروی کار خود با ارزش واقعی واقعی هستند، زیرا بسیاری از مشتریان آن اکنون در حال تلاش برای مدیریت هزینه‌های غیرقابل پیش‌بینی هوش مصنوعی هستند.

ما قبلا می‌دانیم که سه کسب‌وکار از هر پنج کسب‌وکار موافق هستند که افزایش غیرقابل پیش‌بینی صورت‌حساب، به لطف مطالعه اخیر Splunk، فشار بیشتری را نسبت به هزینه پایه بالاتر اما صاف‌تر به آن‌ها وارد می‌کند، اما به نظر می‌رسد که فروشندگان ابری از قبل این را نیز می‌دانند.

حسین در صحبت با گروهی از روزنامه نگاران در رویداد اخیر اوراکل AI World، توضیح داد که در حالی که تقاضا برای هوش مصنوعی همچنان در حال رشد است، کسب و کارها باید بیشتر بر روی نتایج قابل اندازه گیری تمرکز کنند تا اینکه صرفا هوش مصنوعی را به خاطر آن اتخاذ کنند.

پذیرش هوش مصنوعی ارزش برابری ندارد

حسین گفت: «یکی از اشتباهات مهلکی که مشتریان می توانند انجام دهند این است که ممکن است استفاده را به عنوان ارزش درک کنند. "و اینطور نیست."

شرکت‌ها باید در نظر داشته باشند که آیا تجربه‌های بیشتر، کارآیی‌های بیشتر، محصولات بیشتر و به همین ترتیب ایجاد می‌کنند یا خیر – به جای اینکه صرفا از هوش مصنوعی بیشتری استفاده کنند یا خیر.

همه اینها در حالی رخ می دهد که آنها تلاش می کنند نوعی تعادل بین سرمایه گذاری کافی در هوش مصنوعی برای ایجاد تأثیر معنادار بر نتایج کسب و کار و در عین حال حفظ دید و کنترل هزینه ها داشته باشند. این همان عنصر دومی است که بسیاری اکنون با آن دست و پنجه نرم می کنند.

در واقع، حتی بزرگ‌ترین شرکت‌ها و پذیرندگان اولیه هوش مصنوعی که موفقیت قابل‌توجهی را تجربه کرده‌اند، به دنبال راه‌هایی برای کاهش هزینه‌ها هستند و فقط برای هوش مصنوعی ضروری هزینه می‌کنند.

هزینه های غیرقابل پیش بینی در حال حاضر تبدیل به یک تمرکز اصلی شده است

مطالعات متعدد قبلا تأثیری را که هزینه‌های غیرقابل پیش‌بینی بر مصرف‌کنندگان هوش مصنوعی می‌گذارد، آشکار کرده‌اند، و این به دنبال دوره‌ای از گذار از مدل‌های تخت و مبتنی بر صندلی به قیمت‌گذاری متغیر و مبتنی بر مصرف است، زیرا خود فروشندگان هوش مصنوعی به دنبال کارکرد اقتصادی هستند.

حسین هشدار داد که بسیاری از مشتریان در معرض خطر دست کم گرفتن پیامدهای مالی عرضه ابزارها در مقیاس بزرگتر هستند. وی افزود: اقتصاد تولید با اقتصاد پایلوت کاملا متفاوت است.

با نگاهی به آینده، حسین اشاره کرد که یک رویکرد ترکیبی به عنوان سناریوی "بهترین هر دو جهان" در حال ظهور است. شرکت‌ها هنوز هم می‌توانند از جدیدترین و پیشرفته‌ترین مدل‌های مرزی برای انجام بیشترین حجم کاری خود استفاده کنند، اما برخی از کارهای سبک‌تر ممکن است فقط به پردازنده‌های مرکزی معمولی بدون هزینه پردازنده‌های گرافیکی و کلا هوش مصنوعی پیشرفته نیاز داشته باشند.

به نظر می رسد جایی در میانه راه حل جدیدی است که ما واقعا امسال در مقیاس بزرگ شاهد آن هستیم - با تکیه بر مدل های وزن باز.

یکی از راه‌های [متعادل کردن هزینه‌ها و تأثیر] همچنین استفاده از خوشه‌های اختصاصی هوش مصنوعی است، جایی که آنها مبالغ ثابتی را برای یک خوشه می‌پردازند، که ممکن است مدل‌های وزن باز داشته باشد، بنابراین به ازای هر توکن پرداخت نمی‌کنند.»

حسین توضیح داد که دسترسی به مجموعه‌ای از منابع محاسباتی از پیش تعریف‌شده و یک مدل کمی پیشرفته‌تر به شرکت‌ها فضایی می‌دهد تا کار کمتر خود را با قیمت ارزان‌تر – اما مهمتر از آن قابل پیش‌بینی‌تر- انجام دهند.

برخلاف دسترسی به یک مدل شخص ثالث از طریق یک API، اجرای یک مدل وزن باز بر روی زیرساخت اختصاصی خود به سازمان‌ها اجازه می‌دهد تا حجم کاری خاصی را بدون متحمل شدن هزینه اضافی برای توکن‌ها پردازش کنند.

البته، آنها همچنان باید برای زیرساخت محاسباتی زیربنایی بپردازند، اما هزینه قابل پیش بینی و بودجه مناسب تری را ارائه می دهد.

رئیس استراتژی هوش مصنوعی اوراکل انتظار ندارد قیمت گذاری مبتنی بر مصرف به طور کلی ناپدید شود. آونگ قبلا از صندلی‌ها به توکن‌ها تغییر کرده است، اما او اکنون می‌بیند که به عقب برمی‌گردد تا جایی در وسط قرار بگیرد، جایی که به سازمان‌ها بیشتر این فرصت داده می‌شود تا انتخاب کنند کدام استراتژی قیمت‌گذاری به بهترین وجه با نیازهایشان مطابقت دارد.

حسین به اشتراک گذاشت: «ما با قیمت گذاری ثابت شروع کردیم. اما بعد متوجه شدیم که برخی کاربران سنگین و برخی کم مصرف هستند.

هوش مصنوعی بیشتر به معنای ROI بالاتر یا سریعتر نیست

اما صرف نظر از اینکه مشتریان چگونه برای هوش مصنوعی خود هزینه پرداخت می کنند، حسین استدلال می کند که معیار واقعی موفقیت باید بازدهی باشد که این سرمایه گذاری ها در واقع به دست می آورند، و بیشتر همیشه بهتر نیست.

تعریف AI ROI برای سال‌ها موضوع حل‌نشده‌ای بوده است، اما Hussain نگاهی اجمالی به برخی از محاسباتی که شرکت‌ها می‌توانند برای تعیین موفقیت آن‌ها انجام دهند، و همچنین برای کمک به هدایت استراتژی‌های خود در ابتدا ارائه کرد.

در سمت بالایی معادله کسری که حسین به تفصیل به منفعت و پذیرش اشاره کرد – سرمایه‌گذاری‌های هوش مصنوعی باید نوعی مزیت ایجاد کند، خواه قفل کردن بهره‌وری بیشتر، کسب درآمد بیشتر یا چیز دیگری باشد – اما کارگران همچنین باید هوش مصنوعی جدید را اتخاذ کنند. وی هشدار داد: سود ضرب در صفر صفر است.

اما پس از آن شما عمل متعادل کننده را در نیمه پایینی آن کسر - هزینه انجام می دهید. هزینه های مستقیمی که از خرید هوش مصنوعی و محاسبات ناشی می شود، اما همچنین هزینه های غیرمستقیم مربوط به ارتقاء زیرساخت و آموزش کارکنان.

بحث ما همچنین نشان داد که تنها حدود 20 درصد از سازمان ها 75 درصد ارزش را به دست می آورند، و حسین فکر می کند که می داند چرا.

چیزی که این 20 درصد را از بقیه 80 درصد متمایز می کند، این واقعیت است که آنها می توانند کسب و کار خود را دوباره سیم کشی کنند، یا اینکه واقعا با استفاده از هوش مصنوعی کسب و کار خود را دوباره تصور می کنند.

آینده ممکن است چندان روشن نباشد، اما پیام اصلی این است که شخصی‌سازی کلیدی است، و رویکردهای ترکیبی در حال ظهور احتمالا حداقل برخی از کلیدهای آن را در اختیار دارند.

این ترکیبی از نظر میزان حجم کاری است که در وهله اول باید توسط هوش مصنوعی انجام شود، اما همچنین ترکیبی است به روشی که مصرف کنندگان واقعا برای محاسبه خود پرداخت می کنند.

در نهایت، با سخت‌تر شدن پیش‌بینی هزینه‌های هوش مصنوعی، موفق‌ترین پذیرندگان کسانی خواهند بود که مؤثرترین راه‌ها را برای تبدیل سرمایه‌گذاری‌ها به ROI پیدا می‌کنند – نه فقط آن‌هایی که بیشترین بودجه و گسترده‌ترین سبدهای هوش مصنوعی را دارند.