مرحله بعدی هوش مصنوعی نوآوری نیست، نظم سرمایه است

در چند سال گذشته، هوش مصنوعی Enterprise عمدتا با آزمایش تعریف شده است. سازمان‌ها برای بررسی موارد استفاده، آزمایش برنامه‌های آزمایشی و دسترسی تیم‌ها به جدیدترین مدل‌ها عجله کردند. معیارهای موفقیت اغلب با پذیرش و سرعت مرتبط بوده است.

اکنون در سراسر اتاق های هیئت مدیره، گفتگو در مورد هوش مصنوعی در حال تغییر است. مدیران مالی دیگر نمی پرسند ابزارهای هوش مصنوعی چه کاری می توانند انجام دهند، بلکه می پرسند چه کاری انجام داده است، چه ارزشی ایجاد کرده است، و اینکه آیا این ارزش هزینه رو به رشد محاسبات را توجیه می کند یا خیر.

فصل بعدی هوش مصنوعی Enterprise با اینکه چه کسی بیشترین عامل را مستقر می کند یا بیشترین توکن را مصرف می کند، تعریف نمی شود. مشخص می شود که چه کسی بیشترین نتایج تجاری را از کارآمدترین استفاده از محاسبات ایجاد می کند. هوش مصنوعی وارد مرحله انضباط سرمایه خود می شود.

هزینه پنهان هوش مصنوعی عامل

بسیاری از کسب‌وکارها فراتر از ربات‌های چت و کمک‌های هوش مصنوعی به سمت عوامل هوش مصنوعی حرکت می‌کنند که می‌توانند وظایف را تکمیل کنند، تصمیم‌گیری کنند و با حداقل نیروی انسانی عمل کنند. مزایای کسب و کار می تواند قابل توجه باشد، اما باید آنها را در مقابل هزینه در نظر گرفت.

برای متعادل کردن این ملاحظات، شرکت‌ها اغلب کوچک شروع می‌کنند و از یک عامل هوش مصنوعی برای پشتیبانی از یک فرآیند خاص استفاده می‌کنند. همانطور که نتایج اولیه نشان می دهد، نمایندگان بیشتری در کارکردهای مختلف کسب و کار، مانند امور مالی، خدمات مشتری، تدارکات و عملیات زنجیره تامین معرفی می شوند.

مزایا می توانند به سرعت رشد کنند، اما هزینه ها نیز ممکن است. بر خلاف نرم‌افزارهای سنتی، که هزینه‌ها اغلب به تعداد کاربران مرتبط است، هزینه‌های هوش مصنوعی بر اساس استفاده - که با توکن‌ها (یعنی بلوک‌های تکی داده‌های پردازش شده توسط مدل‌های هوش مصنوعی) تعیین می‌شوند، تعیین می‌شود.

هر اعلان، تصمیم، گردش کار و تعامل، نشانه ها را مصرف می کند. همانطور که عوامل بیشتری مستقر می شوند و استقلال بیشتری به آنها داده می شود، این هزینه ها می تواند به سرعت افزایش یابد. در نتیجه، کسب و کارها باید در مورد سرمایه گذاری های هوش مصنوعی متفاوت فکر کنند.

اندازه گیری تاثیر در هر توکن

کسب و کارها باید نحوه ارزیابی هوش مصنوعی را به طور کلی تغییر دهند. به جای تمرکز بر تعداد توکن های مصرف شده یا هزینه هر توکن، باید بر درک تأثیر هر توکن جداگانه تأکید کرد. به عبارت دیگر، نتیجه کسب و کار ایجاد شده برای هر واحد محاسبه مصرف شده.

بخشی از چالش این است که عملیات به طور منظم به یک معادله ورودی-خروجی ساده ترجمه نمی شود. نه هر اقدامی که یک کارمند انجام می‌دهد و نه هر اقدامی که یک عامل هوش مصنوعی انجام می‌دهد، تأثیر فوری بر روی خط بالا یا پایین ندارد. به عنوان مثال، یک نماینده ممکن است تاخیر در پرداخت را تعقیب کند یا یک محموله را تغییر مسیر دهد، اما ارزش اغلب تنها زمانی ظاهر می شود که این اقدامات به فرآیند گسترده تر متصل شوند.

بدون زمینه عملیاتی، اندازه گیری دقیق تأثیر بسیار دشوار است. هوش مصنوعی همچنان می‌تواند توصیه‌هایی ایجاد کند، اما رهبران نمی‌توانند به طور قابل اعتماد ببینند که آیا این توصیه‌ها رضایت مشتری یا رشد درآمد را بهبود می‌بخشد. اینجاست که ضایعات توکن اتفاق می‌افتد و شرکت‌ها هوش مصنوعی را خریداری می‌کنند تا اطلاعاتی را که سازمانشان از قبل دارد، دوباره کشف کنند، در حالی که در تلاش برای تشخیص خودکارسازی مفید از فعالیت‌های گران قیمت هستند.

زمینه عملیاتی نیز به عوامل کمک می کند تا بهتر کار کنند. هنگامی که یک عامل فرآیندی را که در آن عمل می کند را درک می کند، می تواند تصمیمات هدفمندتری را با درخواست های کمتر، تلاش های مجدد کمتر و اصلاحات انسانی کمتر اتخاذ کند. این بدان معناست که نمایندگان دقیق تر، کارآمدتر و با نحوه اجرای واقعی کسب و کار هماهنگ تر می شوند.

ظهور رمز رام کردن

همانطور که هزینه ها بیشتر قابل مشاهده است، حکمرانی هوش مصنوعی برای شرکت ها به طور فزاینده ای حیاتی شده است. اکنون بسیاری در حال ایجاد چارچوب هایی برای نظارت و مدیریت مصرف هوش مصنوعی هستند. هدف لزوما کاهش استفاده از توکن نیست، بلکه افزودن سطحی از مسئولیت پذیری است که قبلا وجود نداشت. رام کردن یک غول غیرقابل کنترل

CIOها و رهبران کسب و کار باید بدانند که کدام ابتکارات هوش مصنوعی نتایج قابل اندازه گیری ایجاد می کند و کدام یک صرفا فعالیت ایجاد می کند. این بدان معناست که مصرف هوش مصنوعی را مستقیما به شاخص های عملکرد تجاری مانند رضایت مشتری، کارایی عملیاتی، رشد درآمد یا عملکرد تحویل متصل کنید.

با گذشت زمان، شرکت ها همچنین ممکن است اقدامات پیچیده ای را توسعه دهند که سرمایه گذاری هوش مصنوعی را به بازده اقتصادی مرتبط می کند. معیاری که در نهایت اهمیت دارد، توکن های مصرف شده نیست، بلکه ارزش ایجاد شده به ازای هر توکن مصرف شده است.

زمینه یک دارایی استراتژیک است

بیشتر دارایی های فناوری اطلاعات در طول زمان مستهلک می شوند. سیستم ها قدیمی می شوند، بدهی های فنی جمع می شود و هزینه های نگهداری افزایش می یابد. زمینه متفاوت عمل می کند. هر فرآیند تجاری ترسیم شده، هر تصمیم مدون، و هر رابطه عملیاتی ثبت شده، دارایی را ایجاد می کند که می تواند توسط سیستم های هوش مصنوعی آینده مورد استفاده مجدد قرار گیرد.

از این نظر، زمینه کمتر شبیه یک ذخیره‌سازی داده استاتیک و بیشتر شبیه یک حلقه یادگیری عمل می‌کند. هر استقرار هوش مصنوعی درک سازمان را از نحوه انجام کار در واقع غنی می کند. به عنوان مثال، کدام تاییدیه ها تصمیمات کند هستند یا کدام نتایج نشان دهنده موفقیت است. وقتی این دانش به لایه زمینه سازمان بازگردانده می شود، هر سیستم هوش مصنوعی بعدی به جای یادگیری مجدد همان الگوها، از یک خط پایه قوی تر شروع می شود.

منطق کسب و کار، ساختارهای حاکمیتی و درک عملیاتی از یک پروژه هوش مصنوعی، پایه و اساس پروژه های آینده را تشکیل می دهد و یک اثر ترکیبی ایجاد می کند. کسب‌وکارهایی که زمینه را ایجاد و مدیریت می‌کنند، می‌توانند قابلیت‌های جدید هوش مصنوعی را سریع‌تر، دقیق‌تر و با هزینه کمتر نسبت به سازمان‌هایی که با هر ابتکاری از صفر شروع می‌کنند، به کار گیرند.

از پذیرش هوش مصنوعی تا اقتصاد هوش مصنوعی

مکالمه هوش مصنوعی در حال بلوغ است. در چند سال گذشته، تمرکز بر توانایی بوده است. سازمان‌ها عجله کرده‌اند تا مدل‌های جدید را آزمایش کنند و آنچه را که هوش مصنوعی می‌تواند انجام دهد بررسی کنند. دهه آینده را اقتصاد تعریف می کند.

سازمان‌هایی که موفق می‌شوند لزوما آن‌هایی نیستند که بیشترین بودجه هوش مصنوعی یا آخرین مدل‌ها را دارند. آنها کسانی هستند که حکمرانی روشن را ایجاد می کنند، زمینه قابل استفاده مجدد را ایجاد می کنند، ضایعات غیر ضروری را حذف می کنند و بر نتایج قابل اندازه گیری تجاری متمرکز می شوند.

برندگان سازمان‌هایی خواهند بود که این اصول را به یک الگوی عملیاتی و عملی تکرارپذیر تبدیل می‌کنند که می‌تواند به طور مداوم در صدها یا حتی هزاران عامل هوش مصنوعی اعمال شود. در نهایت، مزیت رقابتی نه با استفاده از بیشترین هوش مصنوعی، بلکه از استفاده موثرتر و کارآمدتر از آن حاصل خواهد شد.

ما بهترین سازنده وب سایت هوش مصنوعی را 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