بهترین دارایی هوش مصنوعی شما سالهاست که اینجا کار می کند | نظر

مدیر اجرایی و مدیر عامل Wipro Limited

یک طوفان تابستانی بزرگ در حال وقوع بود. سیستم توزیع هوش مصنوعی این شرکت محلی، شهرستانی را با بالاترین سرعت باد پیش‌بینی‌شده به‌عنوان بیشترین قرار گرفتن در معرض این شرکت مشخص کرد. این مدل به خدمه مستقر در یک انبار منطقه ای در آنجا توصیه کرد تا آماده باشند.

او بر روی یک منطقه خدماتی در دو شهرستان دورتر تمرکز کرد، یک بخش باریک که به راحتی نادیده گرفته می شد با خطوط تغذیه قدیمی در زیر درختان بالغ، یک ایستگاه فرعی در نزدیکی یک نهر مستعد سیل، یک بیمارستان بزرگ، و یک پل به تازگی بسته شده در مسیر دسترسی اصلی - واقعیتی که در داده های مدیریت خاموشی منعکس نشده است. بنابراین، او این توصیه را نادیده گرفت. طرح اندازه‌گیری‌شده‌تر او، چند ساعت قبل از طرح الگوریتم، نیرو را به مدار بحرانی بازگرداند.

این سناریو مبرم‌ترین چالش در حال حاضر برای هوش مصنوعی را نشان می‌دهد: بدون درک عمیق و دقیق از نحوه عملکرد چیزها در دنیای واقعی، حتی بهترین مدل هوش مصنوعی نیز از نظر عملکردی از بین می‌رود. به همین دلیل است که بسیاری از خلبانان هوش مصنوعی و شواهد مفهومی در دنیای واقعی فارغ التحصیل نمی شوند.

در یک مطالعه جهانی، درصد شرکت‌هایی که بسیاری از ابتکارات هوش مصنوعی خود را قبل از رسیدن به تولید رها می‌کنند، از 17 درصد به 42 درصد در سال افزایش یافته است، به طوری که سازمان‌ها به طور متوسط ​​گزارش داده‌اند که 46 درصد از پروژه‌ها بین اثبات مفهوم و پذیرش گسترده کنار گذاشته می‌شوند. هیئت مدیره ها به دنبال بازده سرمایه گذاری های خود و کوتاه آمدن هستند.

این اتفاق می افتد حتی اگر فناوری بهتر، سریع تر، ارزان تر و به طور گسترده در دسترس باشد. امروزه یک شرکت می تواند مدل های قدرتمند را بدون ساختن مدل های خود از ابتدا آزمایش کند. با این حال، رسیدن از یک نسخه آزمایشی امیدوارکننده به یک راه حل کاملا کاربردی که مردم بتوانند از آن استفاده کنند، اعتماد کنند و به آن تکیه کنند، گریزان است.

این به این دلیل است که یک سیستم هوش مصنوعی به چیزی بیش از داده نیاز دارد. باید کار را درک کند – نه اینکه کار چیست، بلکه چگونه، در واقعیت عملیات روزمره، واقعا انجام می شود. این سیستم به درک معنایی کسب و کار و نحوه اولویت بندی کار، نحوه انجام کار و مدیریت شکست ها نیاز دارد.

به عنوان مثال، یک سیستم هوش مصنوعی باید بداند که چگونه یک بانک پرداخت را تسویه می‌کند، زمانی که یک دستورالعمل روتین دارای پیامدهای تحریمی است یا اینکه چرا یک متخصص ادعاها، یک اختلاف را به عنوان یک موضوع اداری و دیگری را به عنوان یک علامت هشدار می‌پذیرد. باید بداند که کدام هشدار تعمیر و نگهداری می تواند تا صبح منتظر بماند و کدام یک خطر ایمنی را نشان می دهد. این تمایزها به ندرت در یک نقشه فرآیند نشان داده می شوند. آنها در تجربه افرادی زندگی می کنند که استثنائات را مدیریت کرده اند، عواقب آن را دیده اند و آنچه را که قوانین رسمی نمی توانند بیان کنند، آموخته اند.

مرحله بعدی هوش مصنوعی به استفاده از آن تخصص بستگی دارد. هوش مصنوعی موفق، با تجربه ترین افراد یک شرکت را زودتر وارد کار هوش مصنوعی می کند – نه برای یادگیری نحوه استفاده از یک ابزار جدید، بلکه به عنوان شریکی در تصمیم گیری در مورد اینکه سیستم هوش مصنوعی چه چیزی باید بداند، چه کاری باید انجام دهد و کجا باید متوقف شود.

که با یافتن استثناها شروع می شود. اکثر گردش کارها روی کاغذ منظم به نظر می رسند. در عمل، آنها حاوی درخواست‌های قضاوت، راه‌حل‌ها، تاریخچه مشتری، الزامات قانونی و شرایطی هستند که بر اساس فصل، جغرافیا، محصول یا شرایط تغییر می‌کنند. مدلی که فقط در مسیر استاندارد یا تغییرات ساده آموزش دیده باشد ممکن است عملکرد قابل تحسینی داشته باشد - درست تا زمانی که مسیر استاندارد دیگر اعمال نمی شود. همچنین، در میان داده‌های آموزشی روتین، چند الگوی استثنا وجود دارد که یادگیری از آن استثناها را برای مدل‌ها دشوار می‌کند.

همچنین به معنای اندازه گیری آنچه مهم است. یک مدل ممکن است زمان مورد نیاز برای تکمیل یک کار را کاهش دهد، اما سرعت به تنهایی اطلاعات کمی در مورد ارزش تجاری دارد. اقدامات صحیح ممکن است شامل جلوگیری از تلفات، تماس‌های تکراری کمتر، بازیابی سریع‌تر یک سرویس حیاتی، بهبود انطباق یا زمان بیشتر برای تمرکز افراد ماهر بر موارد دشوار باشد. این اقدامات باید فراتر از بهره‌وری مستقیم باشد و ویژگی‌های تجاری شرکت را شناسایی و منعکس کند.

در نهایت، سازمان ها باید تصمیم بگیرند که یک فرآیند چه تعداد خطا را می تواند جذب کند. توصیه یک محصول به یک خریدار و ارائه یک پرداخت با ارزش بالا هر دو اشکال اتوماسیون هستند. نباید با آنها یکسان رفتار کرد. کارمندان باتجربه می توانند به تعیین اینکه چه زمانی هوش مصنوعی باید پیشنهاد دهد، چه زمانی می تواند اقدامی انجام دهد و چه زمانی یک فرد باید مسئول تصمیم خود باقی بماند کمک کنند. مسئولیت نهایی همیشه با یک انسان است.

ما این بازی را در تمرین دیدیم. ما با همکاری با یک بیمه گر تخصصی ایالات متحده، با استفاده از Wipro Intelligence، یک سیستم هوش مصنوعی ساختیم تا به پذیره نویسان کمک کند تا اسناد متراکم و متناقضی را که همراه با ارسال های پیچیده تجاری با ریسک هستند را پردازش کنند: گزارش های بازرسی، صحافی ها، فرم ها، و گزارش های ارزیابی ریسک.

این فناوری می‌توانست بیش از 100 نقطه داده مرتبط را استخراج کند و ناهنجاری‌ها را شناسایی کند، اما کار واقعی این بود که معنای آن سیگنال‌ها را مشخص کند. پذیره نویسان باتجربه به تمایز یک ناهماهنگی بی ضرر از یک قرار گرفتن در معرض مادی کمک کردند، جزئیات روایتی را که باید بازبینی را آغاز کند، شناسایی کردند، و مرزهای روشنی را برای زمانی که سیستم می‌تواند تصمیم‌گیری را تسریع بخشد - و زمانی که باید پرونده را به شخص بازگرداند، تعیین کردند. نتیجه این بود که بیمه‌گر هوش مصنوعی نبود. این بیمه‌گر سریع‌تر بود: زمان رسیدگی از یک ساعت به دقیقه کاهش یافت، در حالی که قضاوت انسان در جایی که بیشترین اهمیت را داشت باقی ماند.

برای مدیران عامل، پیام واضح است. هوش مصنوعی را نمی‌توان به‌عنوان یک پروژه فناوری که به تیم فناوری واگذار شده است، تلقی کرد. این یک پروژه طراحی مجدد کسب و کار است که باید در راس آن قرار گیرد. با یک گردش کار شروع کنید که در آن تصمیم بهتر یا وضوح سریعتر ارزش مشخصی دارد. افرادی را که بهترین کار را می دانند در کنار افرادی قرار دهید که فناوری را می سازند. به آنها تعریف مشترکی از موفقیت بدهید. و بر اساس دانش کارشناسان عملیاتی خود، مدل را با وظیفه واقعی در دست تطبیق دهید. همه گردش کارها به بزرگترین و پیچیده ترین مدل ها نیاز ندارند.

شرکت‌هایی که هوش مصنوعی را به کار می‌اندازند، آن‌هایی هستند که می‌دانند با ارزش‌ترین دارایی هوش مصنوعی آن‌ها در حال حاضر کجاست – در سر افرادی که می‌دانند کارها واقعا چگونه انجام می‌شوند.

سرینی پالیا، مدیر اجرایی و مدیر عامل Wipro Limited، یک شرکت پیشرو در زمینه خدمات فناوری و مشاوره مبتنی بر هوش مصنوعی است. او رهبری یک تیم جهانی متشکل از 240000 کارمند در 65 کشور را بر عهده دارد که با مشتریان در سراسر صنایع برای تسریع اختراع مجدد کسب و کار از طریق هوش مصنوعی، مدرن سازی عملیات و باز کردن فرصت های جدید برای رشد در چشم انداز به سرعت در حال تغییر کار می کند. دیدگاه بیان شده در این مقاله متعلق به خود نویسنده است.