چرا مدیریت عامل هوش مصنوعی باید با داده های سازمانی شروع شود؟

مدیران زمان زیادی را صرف این سوال می‌کنند که آیا عوامل هوش مصنوعی برای تولید آماده هستند یا خیر، اما این مکان اشتباهی برای شروع است، زیرا نمایندگان در خلاء عمل نمی‌کنند. کیفیت تصمیمات آنها به شدت به کیفیت داده هایی که استفاده می کنند بستگی دارد.

مطمئنا امنیت و عملکرد مدل اهمیت دارد، اما آنها نمی توانند کنترل ضعیف بر اطلاعاتی را که عامل می تواند بازیابی کند، جبران کند. قبل از وارد کردن یک عامل به تولید، یک سازمان به ورودی های کنترل شده، دسترسی مناسب و سابقه قابل اعتماد از آنچه عامل تولید کرده است نیاز دارد.

اطلاعات منسوخ شده مشتری، سوابق تکراری یا مطالبی را که هرگز به درستی طبقه بندی نشده است به یک نماینده بدهید و با آنچه که دارد کار می کند و تصمیمات آگاهانه ضعیفی را به سرعت در هزاران تراکنش اتخاذ می کند.

متأسفانه شکاف بین پذیرش و حکومت به سرعت در حال افزایش است. در عجله برای پذیرش هوش مصنوعی، بسیاری از سازمان‌ها عوامل را قبل از اینکه مشکل اصلی داده را حل کنند به سمت تولید سوق می‌دهند، بنابراین نباید تعجب آور باشد که اکثریت قریب به اتفاق پروژه‌های هوش مصنوعی ROI صفر را نشان می‌دهند.

علاوه بر این، مدیریت عامل هوش مصنوعی به داده‌هایی که یک نماینده ممکن است به آن دسترسی داشته باشد ختم نمی‌شود. همچنین شامل داده‌هایی است که یک عامل تولید می‌کند، مانند تصمیم‌هایش، دستورالعمل‌هایی که داده شده و مستنداتی که ایجاد کرده است. از آنجایی که هوش مصنوعی به تصمیم گیری های مهم در سازمان کمک می کند، قابلیت ردیابی و قابلیت دفاع هوش مصنوعی به قابلیت های حیاتی تبدیل شده است.

سازمان‌هایی که پایه داده‌ای قوی می‌سازند، خود را در موقعیت قوی‌تری قرار می‌دهند تا از آزمایشی به تولید منتقل شوند، با این اطمینان که نمایندگان داده‌های مدیریت ضعیف را به یک بحران در سطح شرکت تبدیل نخواهند کرد.

مشکل داده در درجه اول است

مسئله حاکمیت داده، البته، مشکل جدیدی نیست. بیشتر سازمان‌های بزرگ سال‌ها تلاش کرده‌اند تا اطلاعاتی را که در سرتاسر پلتفرم‌های عملیاتی، اشتراک‌گذاری فایل‌ها، آرشیوها و برنامه‌هایی که باید مدت‌ها پیش بازنشسته می‌شدند را به چالش بکشند. اما از آنجایی که هوش مصنوعی عاملی می‌تواند به سرعت بر روی این نقاط ضعف در مقیاس عمل کند، این موضوع اکنون مهم‌تر شده است.

قبل از اینکه یک نماینده به داده‌ها دسترسی پیدا کند، فناوری اطلاعات باید اطلاعات حساس و تنظیم‌شده را شناسایی کند، خط‌مشی‌های طبقه‌بندی و حفظ را به طور مداوم اعمال کند، و تعیین کند که کدام منابع برای کار به اندازه کافی جاری و قابل اعتماد هستند. داده های قدیمی مستحق مراقبت ویژه هستند.

برنامه های بازنشسته اغلب حاوی تاریخچه کسب و کار ارزشمندی هستند، اما آنها همچنین دارای سوابق تکراری، اطلاعات و داده های منسوخ شده هستند که مشمول توقیفات قانونی یا الزامات نگهداری هستند.

سازمان‌ها همچنین باید زمینه و روابطی را که به داده‌های قدیمی معنی می‌دهند حفظ کنند و سپس مجموعه داده‌های منتخب و کنترل‌شده با سیاست را در دسترس قرار دهند. هوش مصنوعی بر روی داده ها در خلاء عمل نمی کند و بدون محیط اطراف، عوامل یا در انجام وظایف خود شکست می خورند یا بدتر از آن، تصمیمات نادرست می گیرند و عمل می کنند.

دسترسی یک تصمیم تجاری است

اشتباه دیگری که شرکت‌ها مرتکب می‌شوند این است که به نمایندگان خود دسترسی به داده‌های بیش از نیازشان را فراهم می‌کنند. در واقع، نمایندگان همچنین باید فقط به داده هایی که برای تکمیل وظایف محول شده نیاز دارند دسترسی داشته باشند. فقط به این دلیل که یک سیستم می تواند به یک عامل متصل شود، به این معنی نیست که باید باشد.

با نمایندگان مانند کارمندان رفتار کنید و از اصل کمترین امتیاز پیروی کنید. به عنوان مثال، در حالی که یک نماینده خدمات مشتری ممکن است به اطلاعات حساب جاری و تراکنش نیاز داشته باشد، به احتمال زیاد به پرونده های قانونی یا سوابق تاریخی کارمندان نیاز ندارد. دسترسی باید به طور محدود از هدف تعریف شده عامل پیروی کند.

منشأ نیز مهم است. یک نماینده نباید یک سیستم سوابق کنونی و یک آرشیو ده‌ها ساله را به یک اندازه معتبر تلقی کند. نمایندگان باید بدانند که اطلاعات از کجا آمده است، چه زمانی به روز شده است و چه خط مشی هایی اعمال می شود. باز هم، زمینه مهم است. بدون زمینه مناسب، نمایندگان مرتکب اشتباهات پرهزینه خواهند شد.

کارهایی که نماینده انجام داده را ثبت کنید

زمانی که نماینده داده های تایید شده را دریافت کند، حکمرانی به پایان نمی رسد. داده‌های مرتبط با هوش مصنوعی به سرعت در حال تبدیل شدن به موارد مهم برای دعاوی، بررسی‌های انطباق و شکایات مشتریان هستند. برای آماده شدن، یک سازمان باید بتواند نشان دهد که از عامل خواسته شده است چه کاری انجام دهد، به چه اطلاعاتی دسترسی داشته است، چه خط مشی هایی اعمال شده است و چه اتفاقی در آینده رخ داده است.

درخواست ها، محتوای بازیابی شده، خروجی ها و تصمیمات حاصل باید به عنوان سوابق تجاری حفظ شوند. یک بازبین باید بتواند تصمیم هوش مصنوعی را بازسازی کند و آن را به داده های منبع و شخص یا عملکردی که این فعالیت را مجاز کرده است، ردیابی کند.

در نهایت، مسئولیت پذیری نمی تواند به تنهایی متعلق به تیم فناوری باشد. رهبران امنیت، داده‌ها، حریم خصوصی، حقوقی و انطباق، همگی نقش دارند، اما مالک کسب‌وکار نام‌برده باید مسئول نتیجه باشد. اتوماسیون می تواند یک عمل را انجام دهد، اما نمی تواند مسئولیت آن را بپذیرد.

آمادگی داده یک جریان کاری ثانویه نیست که پس از موفقیت یک پایلوت هوش مصنوعی به آن پرداخته شود. این بخشی از تصمیم برای انتقال آن خلبان به تولید است. اگر سازمانی نتواند به اطلاعات اعتماد کند، دسترسی به آن را کنترل کند و تصمیمات حاصله را به وضوح توضیح دهد، عامل برای استقلال بیشتر آماده نیست.

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