هوش مصنوعی جایگزین تفکر نمی شود. جایی که ما باید فکر کنیم در حال تغییر است

یکی از بزرگترین جذابیت های هوش مصنوعی توانایی آن در صرف زمان و تلاش از کار روزمره است. کارهایی که زمانی نیاز به ساعت‌ها توجه داشت، مانند تبدیل جلسات به یادداشت یا تولید اولین پیش‌نویس از یک محتوا، اکنون می‌توانند در چند دقیقه تکمیل شوند. این مزایای عملی به توضیح اینکه چرا هوش مصنوعی به سرعت از آزمایش به استفاده روزمره در تجارت رفته است کمک می کند.

با این حال، با تثبیت هوش مصنوعی در محل کار، تصویر پیچیده تری در حال ظهور است. هوش مصنوعی در جایی که تفکر اتفاق می افتد تغییر می کند. هنگامی که یک سیستم می تواند تقریبا فورا پاسخی ارائه دهد، چالش از ایجاد خروجی به تصمیم گیری در مورد اینکه با آن چه کاری انجام شود تغییر می کند.

کارمندان دیگر زمان زیادی را برای رسیدن به اولین پاسخ صرف نمی‌کنند، اما زمان بیشتری را صرف بررسی دقیق بودن خروجی‌ها می‌کنند و از نظر انتقادی، به اندازه کافی خوب برای تصمیم‌گیری هستند. این نوع متفاوتی از بار شناختی را ایجاد می کند که از تولید به تأیید می رود.

خروجی های تولید شده توسط هوش مصنوعی می توانند به طرز قابل توجهی صیقلی و متقاعد کننده به نظر برسند، حتی اگر بر اساس اطلاعات ناقص باشند. پاسخ می تواند قانع کننده به نظر برسد، در حالی که یک بخش مهم از زمینه را نادیده می گیریم یا بر اطلاعات ناقص تکیه می کنیم. و از آنجایی که هوش مصنوعی به طور فزاینده ای در اعتماد به نفس بهتر می شود، ممکن است اشتباهات به اندازه کافی قابل قبول به نظر برسند تا از بررسی دقیق فرار کنند و بدون اینکه به چالش کشیده شوند، به تصمیمات تجاری وارد می شوند.

وقتی اعتماد از دقت پیشی می گیرد

به همین دلیل است که تشخیص به یکی از مهم ترین مهارت ها در محل کار مجهز به هوش مصنوعی تبدیل شده است. نیروی کار آینده به توانایی اعمال زمینه، تجربه و قضاوت برای خروجی‌ای که معتبر به نظر می‌رسد نیاز دارد. کسی که بازار یا فرآیند را عمیقا درک می کند ممکن است بلافاصله متوجه شود که چیزی جمع نمی شود، در حالی که شخص دیگری ممکن است همان پاسخ را بپذیرد زیرا به وضوح و با اطمینان ارائه شده است.

با این حال، مشکل این است که تشخیص فردی به خوبی مقیاس نمی شود، و غیرواقعی است که انتظار داشته باشیم هر کارمندی هر خروجی مشکوکی را بدست آورد، به خصوص که هوش مصنوعی شروع به پشتیبانی از تصمیمات بیشتر در یک تجارت می کند. بررسی انسانی در واقع ضروری است، اما تکیه بر هوشیاری فردی یک مدل عملیاتی قوی یا پایدار نیست.

چالش به وضوح با رشد هوش مصنوعی عاملی بزرگتر می شود. وقتی هوش مصنوعی از پیشنهاد به انجام حرکت می‌کند، عواقب یک پاسخ اشتباه جدی‌تر می‌شود زیرا خطا می‌تواند به سرعت به یک فرآیند تجاری واقعی منتقل شود. این امر باعث می‌شود که با توجه به اینکه هوش مصنوعی عاملی در نحوه عملکرد کسب‌وکارها بیشتر می‌شود، حکمرانی قوی اهمیت بیشتری پیدا کند.

ورودی های بهتر منجر به تصمیم گیری بهتر می شود

بسیاری از کسب‌وکارها سرمایه‌گذاری هنگفتی برای در دسترس قرار دادن داده‌ها برای هوش مصنوعی انجام می‌دهند، اما در دسترس بودن مانند آمادگی نیست. اینجاست که بسیاری از پروژه های هوش مصنوعی شروع به مبارزه می کنند. سازمان‌ها اغلب بر روی مدل تمرکز می‌کنند، زیرا قابل مشاهده‌ترین بخش فناوری است، در حالی که کیفیت اطلاعات زیر آن را نادیده می‌گیرند.

واقعیت این است که بیشتر سازمان‌ها به زودی به مدل‌هایی با توانایی مشابه دسترسی خواهند داشت. در نتیجه، آنچه که آنها را به طور فزاینده ای متمایز می کند، خود هوش مصنوعی نیست، بلکه کیفیت داده ها، حاکمیت و نظم عملیاتی است که پشت آن قرار دارد.

کارآمد کردن داده‌ها برای هوش مصنوعی به معنای اطمینان از اینکه اطلاعات جاری، قابل اعتماد و ساختار یافته هستند به گونه‌ای است که به هوش مصنوعی اجازه می‌دهد خروجی‌هایی تولید کند که نشان‌دهنده نحوه عملکرد واقعی کسب‌وکار باشد. بدون این پایه ها، سازمان ها زمان بیشتری را صرف اعتبارسنجی هوش مصنوعی می کنند تا بهره مندی از آن.

داده‌های ضعیف کار اضافی را به کارمندان برمی‌گرداند، که باید زمان بیشتری را برای بررسی خروجی‌ها و حل ناسازگاری‌ها صرف کنند - هر مورد بهره‌وری را تضعیف می‌کند. و داده ها از این موضوع پشتیبانی می کنند. در حالی که 74 درصد از کارمندان خط مقدم در حال حاضر کاربران عادی هوش مصنوعی هستند، 41 درصد از آنها گزارش می دهند که بار شناختی در کنار افزایش بهره وری افزایش یافته است.

قرار دادن حکمرانی بخشی از عملیات روزمره

همچنین به همین دلیل است که حکمرانی هوش مصنوعی باید فراتر از سیاست ها و اصول حرکت کند. اگر سازمان‌ها می‌خواهند هوش مصنوعی ارزش کسب‌وکار را ارائه دهد، باید به یک سری سؤالات عملی پاسخ دهند، مانند: چه کسی تصمیمی با کمک هوش مصنوعی دارد؟ و قضاوت انسان کجا باید در این حلقه باقی بماند؟

همانطور که پذیرش هوش مصنوعی رشد می کند، این سوالات به طور فزاینده ای مدیر مالی را وارد گفتگو می کند. از رهبران مالی خواسته می شود نه تنها مخارج را کنترل کنند، بلکه نشان دهند که سرمایه گذاری در هوش مصنوعی ارزش سودآوری ایجاد می کند. این در نهایت مستلزم دید بیشتر در مورد محل استفاده از هوش مصنوعی، نحوه تصمیم گیری و اینکه آیا هزینه های اعتبار سنجی، نظارت و اصلاح به درستی محاسبه می شود یا خیر.

همچنین به معنای درک این موضوع است که حکمرانی در حال تبدیل شدن به اهرمی برای کارایی هزینه است. هنگامی که سیستم‌های هوش مصنوعی مبتنی بر داده‌های سازمانی با ساختار مناسب و قابل اعتماد هستند، می‌توانند اطلاعات مناسب را به طور موثرتری پیدا کنند و به طور بالقوه مصرف توکن را کاهش دهند و در عین حال کیفیت و ثبات خروجی‌ها را بهبود بخشند. به عبارت دیگر، حکمرانی قوی می تواند به کاهش هزینه اجرای ابزارهای هوش مصنوعی در مقیاس کمک کند و بازده سرمایه گذاری هوش مصنوعی را بهبود بخشد.

مزیت رقابتی هنوز قضاوت انسان است

از آنجایی که هوش مصنوعی به بخشی استاندارد از نحوه عملکرد مشاغل تبدیل می شود، دسترسی ساده به این فناوری دیگر برای برجسته شدن کافی نخواهد بود. درعوض، مزیت بیشتر این است که چگونه سازمان ها می توانند داده های قابل اعتماد، حکمرانی قوی و قضاوت انسانی را برای تصمیم گیری بهتر گرد هم بیاورند.

هوش مصنوعی می‌تواند مسیر رسیدن به پاسخ را تسریع کند، اما نمی‌تواند تصمیم بگیرد که این پاسخ چقدر وزن داشته باشد. این مسئولیت همچنان به مردم تعلق دارد که توسط داده ها، حاکمیت و چارچوب های تصمیم گیری درست پشتیبانی می شود.

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