مزیت هوش مصنوعی فراتر از مدل است

در چند سال گذشته، مکالمه هوش مصنوعی سازمانی تحت سلطه مدل ها بوده است. به نظر می رسد هر هفته یک معیار جدید، یک هیئت مدیره رهبر جدید، یا بحث جدیدی در مورد اینکه کدام مدل باهوش ترین است را به همراه دارد. سازمان‌ها اغلب تصمیمات فناوری را بر اساس پیشرفت‌های تدریجی در عملکرد مدل می‌گرفتند، با این فرض که خود مدل منبع اصلی مزیت رقابتی است، اما این فرض به سرعت در حال منسوخ شدن است.

همانطور که مدل های پایه به بهبود ادامه می دهند، آنها نیز در قابلیت همگرا هستند. در عین حال، هزینه استقرار هوش مصنوعی در مقیاس در حال تبدیل شدن به یک نگرانی مبرم‌تر برای شرکت‌ها نسبت به کاهش سودهای نهایی در عملکرد معیار است.

در نتیجه، تمرکز از خود مدل به هر چیزی که آن را احاطه کرده است تغییر می‌کند: سیستم‌هایی که هوش مصنوعی را در محیط‌های تجاری دنیای واقعی مفید، قابل کنترل و اقتصادی می‌سازند.

سوالی که شرکت ها به طور فزاینده ای می پرسند این نیست که "از کدام مدل استفاده کنیم؟" در عوض، آنها می پرسند، "چگونه هوش مصنوعی را به کار قابل اعتماد تبدیل کنیم؟"

ظهور مهار هوش مصنوعی

پاسخ با چیزی شروع می شود که می توان آن را مهار توصیف کرد. یک مدل هوش مصنوعی به تنهایی قدرتمند است، اما ناقص است. برای ارائه ارزش تجاری، به زمینه، دسترسی به ابزارها و داده های سازمانی، حافظه، کنترل ها و نرده های محافظ نیاز دارد. این عناصر با هم، داربستی را تشکیل می دهند که یک مدل همه منظوره را به سیستمی تبدیل می کند که قادر به انجام کارهای مفید است و تعیین می کند که یک سیستم هوش مصنوعی چقدر کارآمد می شود.

دو سازمان ممکن است یک مدل اساسی را به کار گیرند اما به نتایج بسیار متفاوتی دست یابند. ممکن است فرد با ناهماهنگی، هزینه های بالا و نتایج ضعیف دست و پنجه نرم کند. دیگری ممکن است ارزش تجاری قابل اعتماد و قابل اندازه گیری ایجاد کند. تفاوت اغلب در کیفیت تسمه اطراف مدل است تا خود مدل.

با ادامه کالایی شدن مدل ها، این واقعیت مهم تر می شود. در بسیاری از موارد، سازمان ها به همان قابلیت های پیشرو هوش مصنوعی دسترسی خواهند داشت. آنچه آنها را متمایز می کند، توانایی آنها برای عملیاتی کردن آن قابلیت ها به طور کارآمد و ایمن و حرکت از ایجاد اطلاعات به کاربرد اطلاعاتی است.

چرا حلقه ها بیشتر از درخواست ها اهمیت دارند

یک مفهوم مرتبط چیزی است که ممکن است حلقه نامیده شود. بسیاری از سازمان‌ها هنوز به تعاملات هوش مصنوعی به عنوان پیام‌ها و پاسخ‌های مجزا نگاه می‌کنند. اما کار سازمانی به ندرت به این شکل عمل می کند. فرآیندهای کسب و کار واقعی شامل اهداف، تأیید، اصلاح و معیارهای تکمیل است. یک حلقه یک واحد کار کنترل شده را تعریف می کند.

به جای ایجاد پاسخ ساده، سیستم یک کار را انجام می دهد، پیشرفت را در برابر هدف تایید می کند، در صورت لزوم اشتباهات را تصحیح می کند و زمانی که نتیجه به دست می آید متوقف می شود. این تمایز به ظاهر ظریف پیامدهای بسیار زیادی دارد.

هنگامی که سیستم‌های هوش مصنوعی به جای اعلان‌های یکباره از طریق حلقه‌ها کار می‌کنند، ردیابی‌های عملیاتی و سوابق عملکرد تولید می‌کنند. از این ردیابی ها می توان برای ارزیابی نتایج، بهبود گردش کار و اصلاح اجرای آینده استفاده کرد. با گذشت زمان، این یک سیستم یادگیری ایجاد می کند که به جای نیاز به مداخله دستی مداوم، از طریق استفاده مؤثرتر می شود.

در عمل، این بدان معناست که شرکت‌ها دیگر ابزارهای هوش مصنوعی مجزا را به کار نمی‌برند. آنها در حال ساختن سیستم های یادگیری تکرارپذیر هستند - سیستم هایی که هر چه بیشتر کار را انجام دهند، بهبود می یابند.

چالش ارکستراسیون

همانطور که پذیرش هوش مصنوعی گسترش می یابد، سازمان ها با واقعیت دیگری روبرو می شوند: به ندرت یک مهار وجود دارد. اکثر شرکت ها در چندین عملکرد، واحدهای تجاری و محیط های نظارتی فعالیت می کنند. هر دامنه ممکن است به ابزارها، منابع داده، گردش کار و الزامات حاکمیتی متفاوتی نیاز داشته باشد.

مهاری که برای توسعه نرم افزار بهینه شده است، بعید است که برای امور مالی، مراقبت های بهداشتی، خدمات مشتری یا انطباق با آن استفاده شود. این یک چالش جدید ایجاد می کند: ارکستراسیون.

لایه ارکستراسیون به عنوان کنترل کننده ترافیک برای هوش مصنوعی سازمانی عمل می کند. وظایف را به سمت مهار مناسب هدایت می کند، تعیین می کند که چه زمانی نظارت انسانی مورد نیاز است، و کار را در چندین سیستم هماهنگ می کند. به جای تلقی هوش مصنوعی به عنوان یک قابلیت مستقل، ارکستراسیون به سازمان ها اجازه می دهد تا هوش مصنوعی را به عنوان یک پلت فرم عملیاتی در سطح سازمانی مدیریت کنند.

این قابلیت به ویژه در صنایع تحت نظارت، جایی که گردش کار اغلب از مرزهای سازمانی عبور می کند و نیاز به پاسخگویی قوی دارد، اهمیت می یابد. همانطور که هوش مصنوعی عمیق تر به سمت عملیات حیاتی حرکت می کند، ارکستراسیون به جای یک تفکر فنی، به یک نیاز معمارانه تبدیل می شود.

حاکمیت و تضمین به عنوان تمایز استراتژیک

اگر ارکستراسیون تعیین کند که کار به کجا می رود، حاکمیت تعیین می کند که آیا آن کار می تواند ایمن اتفاق بیفتد یا خیر و اطمینان تعیین می کند که آیا می توانیم اعتماد کنیم که آن کار طبق خواسته انجام شده است یا خیر. بسیاری از سازمان ها در ابتدا حکمرانی و تضمین هوش مصنوعی را به عنوان یک تمرین انطباق به جای یک نیاز عملیاتی اصلی می دیدند.

حکمرانی و تضمین موثر شامل اجرای سیاست، کنترل های مجوز، مدیریت دارایی، نظارت بر هزینه، ارزیابی و خدمات حسابرسی، قابلیت مشاهده، حفاظ ها و مدیریت ریسک است. این قابلیت‌ها باید به طور مداوم عمل کنند، چه کار در یک سیستم هوش مصنوعی یا در جریان‌های کاری متعدد به هم پیوسته انجام شود.

این نیاز به ویژه از آنجایی که شرکت‌ها سیستم‌های مستقل و نیمه خودمختار را مستقر می‌کنند، شدیدتر است. مدلی که پاسخی نادرست ایجاد می کند ممکن است ناخوشایند باشد. یک عامل هوش مصنوعی که در یک فرآیند تجاری تنظیم شده بدون نظارت کافی اقدام می کند، می تواند مشکل سازتر باشد. سازمان‌هایی که حاکمیت و تضمین را به‌عنوان یک جزء جدایی‌ناپذیر از معماری هوش مصنوعی خود به‌جای یک ویژگی کلیدی در نظر می‌گیرند، در موقعیت بهتری برای پذیرش مقیاس و در عین حال حفظ اعتماد خواهند بود.

تفکر در اکوسیستم ها، نه محصولات

در مجموع، مهار، قابلیت‌های ارکستراسیون، و لایه‌های حاکمیت و تضمین چیزی را تشکیل می‌دهند که می‌توان آن را به عنوان یک محیط عملیاتی کنترل شده برای هوش مصنوعی در نظر گرفت. در ترکیب با مدل‌ها، داده‌ها و زیرساخت‌های محاسباتی، آنها به اکوسیستمی تبدیل می‌شوند که به عنوان یک سیستم واحد پاسخگو عمل می‌کند.

این تغییر دیدگاه مهم است زیرا در حال حاضر هیچ فروشنده ای تک تک اجزای آن اکوسیستم را ارائه نمی دهد. بنابراین بعید است که آینده هوش مصنوعی سازمانی تحت سلطه یک ارائه دهنده مدل یا یک فروشنده پلت فرم باشد. درعوض، موفقیت به این بستگی دارد که سازمان‌ها چگونه مجموعه‌ای از فن‌آوری‌ها را به طور مؤثر یکپارچه کرده و کار می‌کنند.

برای شرکت ها، به ویژه آنهایی که تحت الزامات نظارتی، امنیتی یا حاکمیتی فعالیت می کنند، این چالش یکپارچه سازی اختیاری نیست. هوش مصنوعی باید در محدوده‌های تعیین شده توسط سیاست تجاری و کنترل سازمانی عمل کند. توانایی ترکیب مدل‌های مرزی با داده‌های سازمانی محافظت‌شده در حالی که مسئولیت‌پذیری را حفظ می‌کند، به یک قابلیت حیاتی تبدیل می‌شود.

میدان نبرد بعدی هوش مصنوعی

لایه مدل به بهبود خود ادامه خواهد داد. همچنین به طور فزاینده ای قابل تعویض خواهد بود، اما این از اهمیت نوآوری هوش مصنوعی نمی کاهد. در عوض، جایی که ارزش ایجاد می شود تغییر می کند.

میدان نبرد بعدی لایه‌ای است که مدل را احاطه کرده است: مهارهایی که کار را قابل اعتماد می‌کنند، حلقه‌هایی که سیستم‌ها را یاد می‌گیرند، پلتفرم‌های ارکستراسیون که فعالیت‌ها را هماهنگ می‌کنند، و چارچوب‌های حاکمیتی و تضمینی که مقیاس سازمانی را آماده می‌کند. آنها با هم تعیین خواهند کرد که آیا هوش مصنوعی یک نمایش فناوری چشمگیر باقی می ماند یا به یک قابلیت سازمانی پایدار تبدیل می شود.

در سال‌های آتی، سازمان‌هایی که مزیت پایداری کسب می‌کنند احتمالا آن‌هایی هستند که دیگر نمی‌پرسند کدام مدل بهترین است و شروع به تمرکز بر نحوه ادغام، مدیریت و عملکرد هوش مصنوعی به عنوان یک سیستم تجاری پاسخگو می‌کنند. آینده هوش مصنوعی سازمانی نه تنها به مدل، بلکه به همه چیزهای اطراف آن تعلق دارد.

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