بزرگترین موانع برای تحول هوش مصنوعی در داخل کسب و کار است

مایکروسافت دستیار هوش مصنوعی Copilot خود را به روشی که ابزارهای جدید دیگر را معرفی کرده بود، برای نیروی فروش خود عرضه کرد. کارمندان این فناوری را آزمایش کردند، سپس استفاده از آن را متوقف کردند.

کیتی جورج، معاون شرکت، هوش مصنوعی و تحول کاری در مایکروسافت، در جریان وبینار نیوزویک در 21 اکتبر با عنوان «غلبه بر موانع تغییر هوش مصنوعی در صنایع قدیمی» گفت: «آنها آن را در جریان کارشان مفید نمی‌دانستند».

این شرکت با فرستادن مهندسان به نمایندگان فروش سایه پاسخ داد و متوجه شد که آنها واقعا چگونه کار خود را انجام می دهند. این همکاری به ابزارهای تخصصی تری منجر شد، از جمله Sales Chat، مجموعه ای از دستورات ساخته شده در Copilot که به مدیران حساب کاربری کمک می کند تا برای جلسات آماده شوند، و نمایندگانی که فرآیندها را ساده می کنند و مربیگری را ارائه می دهند.

جورج گفت، مهندسان مستقیما با "افرادی که کار را انجام می دهند، کسانی که دانش ضمنی از آنچه مهم است دارند" کار کردند.

مت سانچز، رئیس و مدیر عامل یاهو، به جورج در پانل پیوستند. دورگا ملادی، معاون اجرایی و مدیر کل برنامه ریزی فناوری، راه حل های لبه و مرکز داده در کوالکام؛ و رودریگو مادانز، افسر فناوری و هوش مصنوعی جهانی در EY. گابریل اسنایدر، سردبیر اجرایی نیوزویک، این وبینار را که توسط Cognizant ارائه شده بود، مدیریت کرد.

در یاهو، سانچز با مانع متفاوتی روبرو شد. تیم‌ها در پروژه‌های جانبی هوش مصنوعی را آزمایش می‌کردند، اما ابزارها و سیستم‌های توسعه موجود شرکت برای کارگزاران روی نرم‌افزار اصلی آن آماده نبود.

سانچز می‌گوید: «این به نوعی تبدیل به یک لحظه آهسته به‌سرعت برای شرکت شد.

یاهو آزمایش‌هایی را اجرا کرد تا آزمایش کند که آیا صرف چهار تا شش هفته برای بازنگری کد و ابزارهای توسعه، به مهندسان اجازه می‌دهد تا سریع‌تر حرکت کنند یا خیر. نتایج، رهبران تجاری را متقاعد کرد که تلاش خود را در سراسر شرکت، یک تیم مهندسی در یک زمان، گسترش دهند.

ملادی گفت که چنین آماده سازی می تواند فراتر از نرم افزار باشد.

او می‌گوید: «قبل از اینکه بتوانید هوش مصنوعی را برای هر مشکلی که وجود دارد شروع کنید، کارهای اساسی زیادی باید انجام شود.

در ابتدای جلسه، اسنایدر به تحقیقات منتشر شده توسط Cognizant اشاره کرد که نشان می دهد چند شرکت برای تبدیل سرمایه گذاری های هوش مصنوعی خود به پیشرفت های قابل اندازه گیری تلاش کرده اند. در نظرسنجی از 1200 رهبر ارشد کسب و کار، تنها 32 درصد از آنها دستاوردهای ملموس در بهره وری کسب و کار را گزارش کردند، در حالی که حدود یک چهارم گفتند که سازمان های آنها استقرار هوش مصنوعی را متوقف یا متوقف کرده اند.

این مطالعه همچنین نشان داد که اولویت های سرمایه گذاری مهم هستند. در میان شرکت‌هایی که زیرساخت‌های فناوری کمتر بالغی دارند، آنهایی که سرمایه‌گذاری‌های غیرفنی غیرفنی و گسترده‌تر هوش مصنوعی را دنبال می‌کنند، نسبت به شرکت‌هایی که بر پایه‌های فنی مانند ظرفیت محاسباتی و آمادگی داده تمرکز می‌کنند، 60 درصد بیشتر احتمال دارد که استقرار را متوقف کنند یا آن را رها کنند.

جورج استدلال می‌کرد که شرکت‌ها باید اجازه دهند اهداف تجاری تعیین کنند که کدام سیستم‌ها و داده‌ها مستحق سرمایه‌گذاری هستند، نه اینکه پروژه‌های زیرساختی گسترده را بدون هدف مشخص انجام دهند.

مشکل سرمایه گذاری تا حدی بی هدف در هوش مصنوعی به ویژه در مهندسی نرم افزار قابل مشاهده است.

جورج گفت: "اگر فقط یک قطعه از آن را با استفاده از عوامل افزایش دهید، فقط گلوگاه را به جلو یا عقب منتقل می کنید و در واقع نتایج بهتری دریافت نمی کنید."

کدنویسی سریعتر باعث می شود مهندسان زمان بیشتری را صرف بررسی کدهای تولید شده توسط هوش مصنوعی کنند. جورج گفت، در مایکروسافت، تیم‌هایی که دستاوردهای مهم‌تری داشته‌اند، تأکید بیشتری بر مشخصات واضح، تخصص قابل استفاده مجدد، مرزهای تعریف‌شده برای نمایندگان و رویکردهای جدید برای آزمایش و اعتبارسنجی دارند.

سانچز یک توسعه مرتبط را در یاهو توضیح داد. مهندسان زمان بیشتری را صرف معماری نرم افزار می کنند، نیازمندی ها را تعریف می کنند و ارزیابی می کنند که آیا خروجی انتظارات را برآورده می کند یا خیر. تولید کد سریعتر همچنین تصمیم گیری دقیق برای ساختن را مهم تر می کند.

او گفت: "مشتری شما فقط می تواند تغییرات زیادی را در محصول شما جذب کند. بنابراین شما باید واقعا در مورد جایی که واقعا این منابع را به کار می گیرید فکر کنید."

جورج همچنین به استفاده مایکروسافت از هوش مصنوعی برای شناسایی آسیب‌پذیری‌ها در مراکز داده ابری و کمک به حسابرسان داخلی برای ارزیابی ریسک‌ها اشاره کرد. او استدلال کرد که این قابلیت ها می توانند ارزش استراتژیک بیشتری نسبت به بهبود بهره وری یکباره ایجاد کنند.

ملادی در کوالکام کاربردهایی را در امور مالی، فروش، منابع انسانی و مدیریت محصول، از جمله برنامه‌ریزی پیچیده مربوط به هماهنگی برنامه‌های نیمه‌رسانای متعدد و مالکیت معنوی که بر آن تکیه می‌کنند، توضیح داد. تغییرات در یک پروژه می‌تواند بر روی پروژه‌های دیگر تأثیر بگذارد و تیم‌ها را ملزم به بررسی مجدد طرح‌های خود کند. هوش مصنوعی می تواند به کارمندان کمک کند تا جایگزین ها را مقایسه کنند و عواقب آن را بسنجید.

تصمیم گیری در مورد محل اجرای بارهای کاری هوش مصنوعی مجموعه دیگری از سوالات را ایجاد می کند. ملادی گفت که رهبران فناوری باید کارکنانی را که بدون اتصال اینترنتی قابل اعتماد کار می کنند، نیازهای پردازش مدل های مختلف، هزینه اجرای آنها و محدودیت های داده های حساس را در نظر بگیرند.

این عوامل ممکن است محاسبات ابری را برای یک کار و پردازش بر روی دستگاه یا سرورهای شرکت را برای کار دیگر مورد توجه قرار دهند. ملادی رویکردی را تشریح کرد که در آن رهبران فناوری سیاست‌های مربوطه را در حالی که سیستم‌ها در آن مرزها کار می‌کنند، تعیین می‌کنند.

او گفت: «این عوامل هستند که در نهایت تصمیم می‌گیرند که چه چیزی در هر نقطه از زمان کجا اجرا شود.

استقلال فزاینده این سیستم‌ها نیز نظارت را پیامدتر می‌کند. ملادی بر گاردریل ها و قابلیت ردیابی، به ویژه توانایی بررسی چگونگی تصمیم گیری خودکار، شناسایی محل وقوع خطا و تعیین مواردی که باید اصلاح شود، تأکید کرد.

مادانز توضیح داد که چگونه یک خلبان موفق در یک کشور می تواند با موانع نظارتی غیرمنتظره ای روبرو شود که یک شرکت آن را در سطح بین المللی گسترش دهد. الزامات حاکمیت داده، حفظ حریم خصوصی و حفظ می تواند گسترش گسترده تر را پیچیده کند.

Madanes گفت: "این تبدیل به یک نمایشگر یا چیز بسیار سختی می شود که آنها پیش بینی نکرده بودند."

چیزی که به نظر می‌رسد یک گسترش ساده است، می‌تواند تیم‌ها را مجبور کند که معماری و کار مهندسی مجدد خود را که معتقد بودند آماده هستند، بازبینی کنند. این مشکل به ویژه زمانی دشوار می شود که متخصصان انطباق به اندازه کافی برای شناسایی محدودیت ها درگیر نشده باشند.

مادانز دو سطح مکمل رهبری را پیشنهاد کرد. رهبری استراتژیک باید شامل مدیران تجاری و مالی باشد، در حالی که یک گروه عملیاتی مهندسی، محصول، منابع انسانی، حقوقی و انطباق را گرد هم می‌آورد تا موانع را پیش از توقف پروژه برطرف کند.

مادانز گفت: "شما باید هر دوی آنها را انجام دهید. هر دلار را ثابت کنید و سریع حرکت کنید."

یاهو از مدل رهبری مشابهی پیروی کرد. سانچز گفت که با مدیر ارشد مالی شرکت برای رهبری تلاش‌های آن، با حمایت گروهی متقابل از مهندسین و رهبران محصول که رویکردهای جدید را بررسی می‌کنند و دیگری که به دغدغه‌های فرهنگی و کارکنان اختصاص دارد، همکاری می‌کند.

سانچز گفت که این شرکت همچنین باید کارگرانی را که هویت حرفه‌ای آنها با روال‌های قدیمی مرتبط است، در نظر بگیرد.

او گفت: "این می تواند ترسناک یا چالش برانگیز باشد یا واقعا از نظر احساسی پر از دردسر باشد. شما باید نسبت به آن بسیار همدل باشید."

یاهو مربیگری، منابع و همکارانی را ارائه کرد که می توانستند به کارمندان کمک کنند تا با ابزارها اعتماد به نفس خود را افزایش دهند. برخی از کارگران که در ابتدا تمایلی نداشتند به مشارکت کنندگان قوی تبدیل شدند. این شرکت همچنین یک مسیر انصراف بدون خطا برای افرادی که احساس می‌کردند تغییرات برای آنها مناسب نیست، ایجاد کرد.

سانچز از مدیران خواست تا «دزدان دریایی خود را پیدا کنند»، کارمندانی که قبلا هوش مصنوعی را آزمایش کرده‌اند، و به آنها قدرت دهند تا به دیگران کمک کنند تا رویکردهای جدید اتخاذ کنند.

مایکروسافت رویکردی ساختاریافته برای این نوع یادگیری از همتایان در پیش گرفته است. جورج جلسات هفتگی تقریبا 15 کارمند در همان نقش را توصیف کرد که توسط یک همکار با تجربه هوش مصنوعی رهبری می شد. شرکت کنندگان در مورد اینکه چگونه ابزارها را به کار گرفتند، چه کار کردند و چه برنامه ای برای امتحان بعدی دارند بحث می کنند. او گفت که وارد کردن کارکنان به طور مستقیم در طراحی مجدد مسئولیت های خود می تواند به غلبه بر اضطراب و ایجاد اعتماد به نفس کمک کند.

از آنجایی که کارگزاران اجرای بیشتری را به عهده می گیرند، جورج انتظار دارد که کارمندان به قضاوت تجاری قوی تر، تخصص حوزه و درک چگونگی تناسب بخش های مختلف یک سازمان با یکدیگر نیاز داشته باشند. او گفت که کارگران در ابتدای کار خود به فرصت هایی برای توسعه زودتر این مهارت ها نیاز دارند.

جورج گفت: "ما نمی توانیم هیچ شغل خاصی را برای آینده اثبات کنیم، اما می توانیم به شما کمک کنیم تا آینده شغلی خود را ثابت کنید."

امیدواریم در دو وبینار نیوزویک آینده به ما بپیوندید.

روز چهارشنبه، 4 نوامبر، ساعت 11 صبح به وقت شرقی، دکتر رنجیت تینایکار با فردوس بااتنا، معاون اجرایی و مدیر ارشد فناوری و تحول در S&P Global، برای "هوش مصنوعی سازمانی وقتی کار می کند به نظر می رسد؟" آنها در مورد اینکه چگونه شرکت ها می توانند داده های قابل اعتماد را به کار ببندند، جریان های کاری را دوباره طراحی کنند و سرمایه گذاری های هوش مصنوعی را به نتایج تجاری قابل اندازه گیری تبدیل کنند، بحث خواهند کرد.

و سپس سه شنبه 10 نوامبر ساعت 14. گابریل اسنایدر از نیوزویک ET، "انتخابات هوش مصنوعی: چگونه هوش مصنوعی دوره های میان دوره ای 2026 را شکل داد" با حضور ناتانیل پرسیلی از دانشکده حقوق استنفورد، برنت بوکانن از Cygnal، نیک پنیمن از شماره یک و اندرو مامو از The Bench مدیریت خواهد کرد.

با استفاده از کارت امتیازی سیاست هوش مصنوعی نیوزویک، این پنل بررسی خواهد کرد که چگونه موضوعاتی مانند مراکز داده، مشاغل و مقررات در انتخابات شکل گرفته و نتایج چه چیزی را در مورد سیاست هوش مصنوعی نشان می دهد.