داده های هوش مصنوعی همه جا هستند اما باید مرتبط باشند | نظر

ما به عنوان یک جامعه سال ها تلاش کرده ایم تا قفل اطلاعات را باز کنیم. اکنون مشکل سخت‌تر این است که بدانیم کدام اطلاعات مستحق توجه ما هستند.

من معتقدم چالش بزرگ بعدی داده دسترسی نیست. داده ها همه جا هستند. موتورهای جستجو می توانند آن را در چند ثانیه آشکار کنند. هوش مصنوعی می تواند آن را خلاصه کند، مقایسه کند و به سؤالات مربوط به آن پاسخ دهد. سوزن انبار کاه را به خاطر دارید؟ سوزن ها دیگر پنهان نیستند.

چالش واقعی در حال حاضر تشخیص است. یافتن داده‌های مناسب است که برای یک کسب‌وکار خاص مهم است، تشخیص اینکه چه زمانی تغییر می‌کند، و دقیقا در لحظه مناسب به فرد مناسب ارائه می‌شود.

شرکت مشاوره جهانی McKinsey در سال جاری گزارش داد که تقریبا دو سوم از شرکت‌ها با عوامل هوش مصنوعی آزمایش کرده‌اند، اما کمتر از 10 درصد آنها را برای ارائه ارزش ملموس مقیاس‌بندی کرده‌اند. از هر 10 شرکت، هشت شرکت از محدودیت های داده به عنوان یک مانع یاد می کنند.

اعداد باید باعث توقف ما شوند. ما در حال ساختن هوش پیچیده ای بر روی یک سوال بسیار قدیمی هستیم. این سیستم واقعا باید به چه اطلاعاتی توجه کند؟

من در مورد آن مانند استخدام یک کارمند جدید درخشان فکر می کنم. شما به آن شخص قابلیت های خارق العاده ای می دهید، سپس یک میز به او می دهید و می گویید «برو». بعد چه اتفاقی می افتد؟ آنها هنوز به زمینه نیاز دارند. آنها باید بدانند چه چیزی مهم است، چه چیزی مهم نیست، چه چیزی مستحق تشدید تنش است و چه زمانی نیاز دارید که از آنها بشنوید. به یک کارمند بسیار توانمند اطلاعات اشتباه بدهید و آنها می توانند خیلی سریع در مسیر اشتباه حرکت کنند.

تکنولوژی قدرتمند است. همچنین از آن خواسته می‌شود که مفروضاتی داشته باشد که هیچ سیستمی نمی‌تواند به طور جادویی استنباط کند. یک عامل هوش مصنوعی به طور خودکار نمی داند چه چیزی برای کسب و کار شما اهمیت دارد، زمانی که یک شرایط معنی دار تغییر کرده است یا اینکه آیا یک تغییر خاص مستحق توجه شما است.

هزینه انجام این اشتباه به طور فزاینده ای واقعی است. گزارشی در سال 2025 توسط ابتکار NANDA MIT نشان داد که 95 درصد از سازمان‌ها در مطالعه آن بازدهی صفر از سرمایه‌گذاری‌های مولد هوش مصنوعی خود را مشاهده می‌کنند.

این رقم به طور گسترده به عنوان "95٪ از خلبانان هوش مصنوعی شکست می خورد" خلاصه شده است، اگرچه تحقیقات و روش شناسی اساسی تفسیر دقیق تری را ایجاب می کند. در هر صورت، این هشدار غیرقابل انکار است: دسترسی به هوش مصنوعی قدرتمند ارزش تجاری را تضمین نمی کند.

سیستمی که ارتباط را به صورت پویا درک می کند. سیستمی که می‌تواند سیگنال را شخصی‌سازی کند، به اطلاعات زنده متصل شود، تغییرات معنی‌دار را تماشا کند و هنگام فرا رسیدن لحظه‌ی حساس، هشداری را ایجاد کند.

بخشی از اطلاعات تحویل داده شده دو ساعت پس از تصمیم گیری ممکن است دقیق اما کاملا بی فایده باشد. همان اطلاعاتی که دو ساعت قبل از اینکه هر کسی آماده عمل شود تحویل داده می‌شود، می‌تواند در نویز ناپدید شود. ارزش در لحظه حقیقت می نشیند، زمانی که کسی واقعا می تواند کاری با آن انجام دهد.

در اینجا دو آینده وجود دارد. یکی دنیایی است که در آن سیستم های هوشمند بی سر و صدا شرایط مهم را تماشا می کنند، تغییرات معنادار را نشان می دهند و به افراد فضایی برای تصمیم گیری بهتر می دهند.

دیگری دنیایی است مملو از هشدارها، داشبوردها و پاسخ های تولید شده توسط هوش مصنوعی که به تدریج به نویز پس زمینه تبدیل می شوند. در اولی، هوش اعتماد را به دست می آورد. در مرحله دوم، مردم یاد می گیرند که آن را نادیده بگیرند.

خبر خوب این است که فناوری مورد نیاز برای اولین آینده در حال حاضر وجود دارد. دیگر نپرسید که چقدر بیشتر از هوش مصنوعی می توانیم مستقر کنیم. سوالات سخت تری بپرسید: چه اطلاعاتی واقعا مهم هستند؟ چقدر فعلی است؟ چه چیزی یک تغییر معنادار را تشکیل می دهد؟ چه کسی باید بداند؟ و چقدر سریع؟

این سوالات در اتاق هیئت مدیره قرار دارند، نه در انتهای چک لیست پیاده سازی هوش مصنوعی. ما زمان کافی برای دسترسی به اطلاعات صرف کرده ایم. مشکلی که در حال حاضر کسب‌وکارها با آن روبرو هستند بسیار دقیق‌تر است: دانستن اینکه چه داده‌هایی مهم هستند، دانستن اینکه چه زمانی تغییر می‌کنند و مطمئن شوید که فرد مناسب آن‌ها را به موقع می‌بیند تا اقدام کند.

این مشکل داده های کسب و کار است که ارزش حل آن را دارد.

Deborah A. Taylor موسس و مدیر عامل CalQLogic، یک شرکت فناوری مستقر در لس آنجلس و متخصص در اتوماسیون و تجزیه و تحلیل داده است.