هنوز خلبانی می کنی؟

هیچ کمبودی برای اشتیاق به هوش مصنوعی وجود ندارد. سازمان‌ها در هر بخش به شدت سرمایه‌گذاری می‌کنند، آزمایش می‌کنند، اثبات مفاهیم را راه‌اندازی می‌کنند و راه‌هایی برای تبدیل آخرین پیشرفت‌ها به ارزش واقعی کسب‌وکار پیدا می‌کنند.

با این حال، یک گسست فزاینده بین آزمایش و اجرا وجود دارد. با وجود تمام بحث‌هایی که در مورد هوش مصنوعی که روش کار ما را تغییر می‌دهد، بسیاری از پروژه‌های هوش مصنوعی هرگز فراتر از مرحله آزمایشی پیشرفت نمی‌کنند. داستان آشناست اثبات مفهوم نتایج امیدوارکننده ای ارائه می دهد، پرونده تجاری جمع می شود، و به نظر می رسد همه چیز در مسیر درستی است.

با این حال در جایی از مسیر پروژه به یک دست انداز در جاده برخورد می کند. به نظر می رسد هزینه ها شروع به افزایش می کند، اعتماد به نفس شروع به تزلزل می کند، ادغام با سیستم های قدیمی موجود پیچیده تر از حد انتظار می شود و تأییدیه ها بیش از حد انتظار طول می کشد.

چیزی که به عنوان یک پروژه هیجان انگیز شروع شد، به تدریج شتاب خود را از دست می دهد. در نتیجه، ابتکار هوش مصنوعی در بلاتکلیفی گیر می کند. دلیل آن این است که اجرای یک پایلوت موفق هوش مصنوعی و اجرای موفق هوش مصنوعی دو چیز بسیار متفاوت هستند. انتقال از یک محیط کنترل شده با متغیرهای کنترل شده به محیط تولید، مجموعه جدیدی از چالش ها را به همراه دارد: امنیت، حاکمیت، فرهنگ، مهارت ها، یکپارچگی و آمادگی.

متاسفانه، این چالش غیر معمول نیست. تحقیقات نشان می‌دهد که 71 درصد از سازمان‌ها در مرحله آزمایشی یا اثبات مفهوم تحول هوش مصنوعی باقی می‌مانند، و نشان می‌دهد که تبدیل وعده اولیه به یک واقعیت تجاری چقدر دشوار است.

این برزخ چیزی است که بسیاری از سازمان‌ها اکنون با آن مواجه هستند: شکاف پیاده‌سازی هوش مصنوعی. این فاصله بین اثبات اینکه هوش مصنوعی می تواند کار کند و به کارگیری آن در مقیاس به گونه ای است که ارزش قابل اندازه گیری ارائه دهد. برای رهبران فناوری امروزی، پر کردن این شکاف به یکی از چالش های تعیین کننده پذیرش هوش مصنوعی تبدیل شده است. فشار برای حرکت فراتر از آزمایش در حال افزایش است، اما انجام این کار به چیزی بیش از افزایش سرمایه گذاری یا ارائه اثبات قوی مفاهیم به تولید نیاز دارد.

چالش واقعی ایجاد شرایطی است که در آن هوش مصنوعی بتواند از یک آزمایش مجزا به بخشی پایدار از تجارت گسترده تر حرکت کند. این امر مستلزم ایجاد پایه های فنی و سازمانی مناسب، آماده سازی افراد و فرآیندها و یافتن موارد استفاده مناسب است. برای ارائه ارزش واقعی، سازمان ها باید کمتر به سرعت فکر کنند و بیشتر در مورد ایجاد چیزی امن، مقیاس پذیر و سازگار فکر کنند.

این یک چالش فناوری نیست، یک چالش تجاری است

وقتی پروژه های هوش مصنوعی متوقف می شوند، به ندرت به دلیل خود فناوری است. اغلب، سازمان‌ها با چالش‌های راهبردی، حاکمیتی و عملیاتی مواجه می‌شوند که مانع از ترغیب خلبانان به راه‌حل‌های آماده تولید می‌شوند.

یکی از بزرگترین موانع، فلج تجزیه و تحلیل است. اکثر سازمان‌ها هیچ کمبودی در ایده‌های هوش مصنوعی ندارند، اما معمولا راه روشنی برای درک اینکه کدام موارد استفاده بیشترین ارزش را ارائه می‌دهد، ندارند. این بدان معناست که منابع در چندین اثبات مفهومی پخش می‌شوند، که هر کدام وعده‌ای را نشان می‌دهند، اما هیچ‌یک توجه لازم برای رسیدن به تولید را دریافت نمی‌کنند. تعداد خلبانان همچنان رو به افزایش است در حالی که تعداد استقرارهای زنده راکد است.

با این حال، برخی از سازمان ها با طراحی برای مقیاس قبل از بررسی آثار مفهومی، اشتباه معکوس را مرتکب می شوند. سرمایه گذاری عمده در زیرساخت، معماری و اجرا قبل از آزمایش یک راه حل در شرایط واقعی انجام می شود. اگر پروژه نیاز به تغییر جهت داشته باشد، میزان سرمایه گذاری که قبلا انجام شده است می تواند سازگاری آن را دشوار کند. در نتیجه، سازمان‌ها می‌توانند در نهایت در رویکردی محبوس شوند که دیگر ارزشی را که تصور می‌کردند ارائه نمی‌کند.

حکمرانی یکی دیگر از موانع رایج است. برای سازمان‌هایی که در سرتاسر EMEA فعالیت می‌کنند، قوانین ناوبری مانند قانون هوش مصنوعی اتحادیه اروپا، GDPR، و DORA احتیاط قابل درک را ارائه می‌کنند. پیامدهای عدم انطباق می تواند قابل توجه باشد و عدم اطمینان در مورد مقررات در حال تحول اغلب تصمیم گیری را کند می کند. بسیاری از ابتکارات هوش مصنوعی به این دلیل متوقف نمی‌شوند که کسب‌وکار جاه‌طلبی ندارد، بلکه به این دلیل که رهبران می‌خواهند اعتماد بیشتری داشته باشند که فناوری را به روش درست به کار می‌برند: سازگارانه و مسئولانه.

در نهایت، سازمان‌ها اغلب هزینه انتقال از یک پایلوت موفق به استقرار گسترده را دست کم می‌گیرند. پروژه‌های هوش مصنوعی که در مرحله اثبات مفهوم مقرون به صرفه به نظر می‌رسند، پس از مقیاس‌پذیری می‌توانند بسیار گران‌تر شوند، به‌خصوص اگر به‌درستی تست استرس انجام نشده باشند.

به همین دلیل است که دقت نظر بسیار مهم است. با این حال، بیش از نیمی (56٪) از سازمان ها قبل از تصمیم گیری در مورد محل قرار دادن بارهای کاری قابل توجه، ارزیابی کل هزینه مالکیت را انجام نمی دهند. بدون درک روشنی از سرمایه گذاری بلندمدت مورد نیاز، انباشته شدن هزینه ها و کاهش اعتماد به پروژه آسان است.

ایجاد تعادل بین اطمینان و سرعت

بستن شکاف پیاده سازی به معنای حرکت سریعتر نیست. این در مورد حرکت با اعتماد به نفس و دانش است.

بارها و بارها، سازمان‌ها خود را در یکی از دو حالت افراطی می‌بینند: منتظر می‌مانند تا هر ناشناخته قبل از انجام هر حرکتی حل شود یا با عجله در پروژه‌های هوش مصنوعی پیش از تأیید اعتبار مناسب. هیچ کدام از این دو رویکرد پایدار نیستند. آنهایی که بیشترین موفقیت را می بینند، سازمان هایی هستند که تعادلی بین قطعیت و سرعت پیدا می کنند - به سرعت در جایی که شواهد از آن پشتیبانی می کند، حرکت می کنند، در حالی که اعتبار و حاکمیت مورد نیاز برای کاهش ریسک را ایجاد می کنند.

این با اعتبارسنجی ایده ها در مراحل اولیه شروع می شود. قبل از سرمایه گذاری عمده، سازمان ها باید سوالات فنی، تجاری و حاکمیتی را بپرسند که می تواند مانع از رسیدن یک پروژه به تولید شود. خیلی بهتر است که زودتر کشف کنید که یک مورد استفاده نتیجه نمی دهد تا اینکه ماه ها بودجه و زمان سرمایه گذاری کنید قبل از کشف همان نتیجه.

نمونه سازی سریع نیز نقش مهمی ایفا می کند. به جای بحث در مورد اینکه آیا یک ایده ممکن است در تئوری کار کند، کسب و کارها باید به دنبال ایجاد چیزی ملموس باشند که کاربران بتوانند در عرض چند روز آزمایش کنند. دیدن یک مفهوم در عمل، گفتگو را از حدس و گمان به شواهد تغییر می دهد و به ذینفعان اعتماد به نفس می دهد تا در مورد مکان بعدی سرمایه گذاری کنند.

به همان اندازه مهم حفظ شفافیت در سراسر فرآیند تحویل است. پروژه های هوش مصنوعی نباید شبیه جعبه سیاه باشند. مالکیت تعریف شده، ایست های بازرسی مشخص و معیارهای ارزیابی توافق شده به همه کمک می کند تا بفهمند یک پروژه در کجا قرار دارد، آیا موفقیت آمیز است یا خیر، و چه اتفاقی می افتد. پروژه ها به ندرت متوقف می شوند زیرا فناوری توانایی ندارد - آنها متوقف می شوند زیرا تصمیمات مهم به اندازه کافی زود گرفته نشده اند یا به این دلیل که انتظارات از ابتدا مطابقت نداشتند.

پر کردن شکاف اجرا

شکاف اجرا قرار نیست یک شبه از بین برود. با توجه به اینکه 71 درصد از سازمان‌ها هنوز بین پایلوت و تولید گیر کرده‌اند، چالش به وضوح فقدان تمایل، توانایی فنی یا ایده نیست. در بیشتر موارد، آنها هر سه را دارند.

در عوض، این توانایی تبدیل آزمایش ها به راه حل هایی است که در واقع در دنیای واقعی کار می کنند. این بدان معناست که انتقال را به عنوان یک موضوع تجاری، نه صرفا فنی، در نظر بگیریم. سازمان‌ها به رویکردی نیاز دارند که سرعت را با حکمرانی متعادل کند، ارزش را قبل از سرمایه‌گذاری تأیید کند و به سهامداران اعتماد به‌سزایی بدهد. همچنین از رهبران می‌خواهد که به اندازه کافی اعتماد به نفس داشته باشند تا در صورت عدم ارائه ارزش واقعی، پروژه‌ها را متوقف کنند.

سازمان‌هایی که گام‌های معناداری رو به جلو برمی‌دارند، سازمان‌هایی نیستند که پایلوت‌های بیشتری را به این ترکیب اضافه کنند. آنها کسانی هستند که فرآیندها و قابلیت های قوی برای پیشبرد خلبانان مناسب دارند. اساسا، بستن شکاف پیاده سازی هوش مصنوعی به معنای ایجاد مسیری از آزمایشی به تولید است که می تواند بارها و بارها دنبال شود.

ما بهترین ابزار 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