کار پنهان (و عرق) تقویت بهره وری هوش مصنوعی

صبح بخیر و از اینکه به من پیوستید بسیار سپاسگزارم.

مدل‌های قدرتمند هوش مصنوعی در دسترس شرکت‌های بیشتری قرار می‌گیرند، که شناسایی منبع مزیت رقابتی بعدی را بسیار سخت‌تر می‌کند.

این همان چیزی است که من مشتاقانه منتظر آن هستم تا چهارشنبه آینده، 4 نوامبر، در طول وبینار بعدی "انجمن تاثیر هوش مصنوعی"، "هوش مصنوعی سازمانی وقتی کار می کند چگونه به نظر می رسد."

Firdaus Bhathena، معاون اجرایی و مدیر ارشد فناوری و تحول در S&P Global، به دکتر Ranjit Tinaikar می‌پیوندد تا درباره آنچه شرکت‌هایی را که هوش مصنوعی را آزمایش می‌کنند از آن‌هایی که آن را به پیشرفت‌های پایدار کسب‌وکار تبدیل می‌کنند، جدا می‌کند.

من واقعا علاقه مند هستم که وقتی رقبا می توانند از همان فناوری استفاده کنند، این مزیت از کجا می آید. برای S&P Global، این امر به داده‌های قابل اعتماد و متمایز اهمیت زیادی می‌دهد: دانستن اینکه اطلاعات از کجا می‌آید، حفظ کیفیت آن و اطمینان از قابل استفاده در سراسر تجارت. ما همچنین به چگونگی ردیابی رهبران تصمیمات مبتنی بر هوش مصنوعی به منابع خود، طراحی مجدد کار فراتر از خلبانان فردی، تجدید نظر در مسئولیت‌های کارکنان و حرکت سریع بدون دست کشیدن از امنیت، انعطاف‌پذیری و اعتمادی که کسب‌وکارهای مستقر به آن وابسته هستند، خواهیم پرداخت.

هنوز هم می‌توانید برای وبینار در اینجا ثبت‌نام کنید، و هرکسی که ثبت‌نام کند، ضبط کامل را دریافت خواهد کرد.

این تمرکز بر نتایج کسب‌وکار شامل بقیه مواردی است که این هفته ارائه می‌دهم، از تحقیقات جدید Atlassian در مورد کارهای پنهان پشت بهره‌وری هوش مصنوعی گرفته تا آخرین مکالمات «جستجوی ارزش» ما.

بازپرداخت خطوط هوایی، طرح تولید خودرو، راه اندازی سالیانه و گزارش ایمنی دارو، هر کدام جای کمی برای اشتباهات باقی می گذارند. آنها همچنین خواسته‌های متفاوتی را که شرکت‌ها هنگام اجرای هوش مصنوعی و فناوری دیجیتال با آن مواجه هستند، نشان می‌دهند.

چهار مصاحبه در مجموعه ویدیویی TheSeeking Value که توسط Cognizant ارائه شده است، این چالش ها را در بین صنایع بررسی می کند.

Travelport در حال آماده شدن برای جهانی است که در آن دستیاران هوش مصنوعی می توانند به طور فزاینده ای خرید سفر را انجام دهند. اما دریافت درست رزرو، پردازش بازپرداخت و مدیریت اختلالات نیاز به دقت دارد. این شرکت با Cognizant و Anthropic برای نوسازی و آزمایش نرم افزار پشت این تراکنش ها کار می کند.

سرعت در گسترش خرده فروشی گروه مالی تالکوت نقش اساسی داشت. بیمه‌گر 12 سیستم فناوری را برای راه‌اندازی سه محصول مستمری در مدت تقریبا یک سال به هم متصل کرد، سپس پس از راه‌اندازی این پلت‌فرم با چالش حمایت از آن مواجه شد. سمیر سریواستاوا از تالکوت و هامیندر گرا از Cognizant در مورد آنچه که برای رسیدن به این ضرب الاجل لازم است، از جمله درسی در مورد آماده شدن برای خواسته هایی که پس از یک راه اندازی بزرگ انجام می شود، بحث کردند.

ایمنی دارو ملاحظات دیگری را مطرح می کند: مسئولیت پذیری. گفتگو با GSK و Cognizant اطلاعات ایمنی پراکنده، فرصت‌های اتوماسیون و مدل پیشنهادی عامل هوش مصنوعی را بررسی می‌کند که متخصصان واجد شرایط را مسئول تصمیمات تنظیم‌شده نگه می‌دارد.

می‌توانید مصاحبه‌های کامل را که توسط همکارم گابریل اسنایدر، سردبیر اجرایی نیوزویک، مدیریت می‌شود، در لینک‌های بالا تماشا کنید.

Atlassian: AI می تواند در زمان صرفه جویی کند و کار بیشتری ایجاد کند

هوش مصنوعی به تیم‌های محصول کمک می‌کند تا سریع‌تر ارسال شوند و در عین حال از آن‌ها می‌خواهد که بخشی از زمان ذخیره‌شده را صرف بررسی عوامل، بازخوانی چت‌ها و تمیز کردن کارهای تولید شده کنند.

نظرسنجی «وضعیت محصول 2027» Atlassian از 1000 متخصص محصولات نشان داد که 80 درصد از پاسخ دهندگان با هوش مصنوعی سریع‌تر ارسال می‌کنند – اما بدون اینکه مشتریان زودتر ارزش خود را ببینند. چهل و نه درصد گفتند که مجبور شده اند ماموران را بررسی کنند تا آنها را در کار نگه دارند، 49 درصد گزارش کرده اند که چت های هوش مصنوعی را مجددا ارائه کرده اند و 48 درصد پس از اینکه مشکلی پیش آمده است، مراحل کار مامور را دوباره دنبال کرده اند. شصت و یک درصد از مدیران محصول گفتند که هوش مصنوعی بدهی فنی بیشتری ایجاد کرده است. پاسخ دهندگان در شرکت هایی با 500 تا 10000 کارمند در ایالات متحده، آلمان و فرانسه کار می کردند.

اکسل سوریا، مبشر مدیریت محصول در Atlassian، گفت که شرکت ها به حسابداری گسترده تری از هزینه های بهره وری هوش مصنوعی نیاز دارند.

سوریا به نیوزویک گفت: «من با شمارش پاکسازی شروع می‌کنم، زیرا اگر فقط آنچه را که هوش مصنوعی تولید می‌کند اندازه‌گیری کنید، همیشه یک برد به نظر می‌رسد.

وقتی بهره‌وری تنها از طریق خروجی قابل مشاهده اندازه‌گیری شود، می‌توان این هزینه‌ها را به راحتی از دست داد. در توسعه نرم‌افزار، این می‌تواند شامل درخواست‌های کششی باشد - تغییرات کد پیشنهادی که برای بررسی ارسال می‌شوند.

او گفت: "داشبورد شما احتمالا می تواند به شما بگوید که در ماه گذشته چند درخواست کشش انجام شده است." "آیا می تواند به شما بگوید چند ساعت برای بررسی ابزارهایی که آنها را نوشته اند زمان صرف کرده است؟"

کار بررسی همچنین می‌تواند با کسی که هرگز از ابزار هوش مصنوعی استفاده نکرده است، بیفتد. 82 درصد از پاسخ دهندگان این نظرسنجی گفتند که اعضای تیم حداقل گاهی اوقات کارهای هوش مصنوعی کم تلاش را تولید می کنند و آن را بر اساس بازخورد به جای صرف زمان بیشتر از قبل، تجدید نظر می کنند، مشکلی که Atlassian آن را «کسلی کار» می نامد.

سوریا مثالی از یک سند مشخصات طولانی ارائه کرد که کمی قبل از جلسه به دست آمد. ممکن است در ابتدا به خوبی خوانده شود تا زمانی که گیرنده بالشتک و ادعاهای نادرست را بیابد و بعدازظهر را صرف تعمیر چیزی کند که تولید آن زمان بسیار کمتری می برد. او مشوق‌ها را بخشی از مشکل می‌داند که کارمندان برای تهیه اسناد، بلیط یا کد بیشتر بدون توجه کافی به مفید بودن مطالب پاداش دریافت می‌کنند.

سوریا گفت: «قانونی که من دوست دارم این است که هر کسی که آن را می فرستد صاحب آن است.

او گفت که تهیه پیش نویس با هوش مصنوعی خوب است، مشروط بر اینکه کارمندان مطالب را قبل از ارسال آن بخوانند، بررسی کنند و کوتاه کنند. در غیر این صورت، صرفه جویی در زمان ظاهری برای یک نفر می تواند برای شخص دیگری تبدیل به کار بازبینی شود.

شصت و نه درصد از پاسخ دهندگان گفتند که تصمیم گیری در کنار توسعه محصول تسریع نشده است، حتی اگر هوش مصنوعی تولید مشخصات، نمونه های اولیه و ویژگی ها را آسان تر کند.

سوریا گفت که تیم‌ها اکنون می‌توانند یک مشخصات را در چند دقیقه پیش‌نویس کنند یا یک نمونه اولیه در یک بعد از ظهر بسازند. با صرف زمان کمتر، تیم‌ها می‌توانند وسوسه شوند که زمان‌های عقب‌افتاده را پاک کنند یا ویژگی‌هایی را قبل از تصمیم‌گیری درباره اینکه کدام ایده‌ها شایسته پیشرفت هستند، اضافه کنند.

او گفت: «در حال حاضر بخش سخت این است که تصمیم بگیریم چه چیزی ارزش ساختن را دارد و برای بسیاری از تیم‌ها این بخش اصلا سرعت نگرفته است.

او گفت زمان آزاد شده با اجرای سریعتر بهتر است صرف آزمایش نسخه های متعدد یک ایده شود، و یاد بگیرد که مشتریان به کدام یک پاسخ می دهند و بقیه را کنار بگذارند. سپس رهبران می‌توانند هوش مصنوعی را بر اساس پذیرش، حفظ، درآمد یا سایر معیارهای تجاری قضاوت کنند و پیگیری کنند که تیم‌ها چقدر سریع متوجه می‌شوند که آیا یک ایده کار می‌کند یا خیر.

سوریا گفت: «اگر سریع‌تر از آنچه یاد می‌گیرید ارسال کنید، مشتریان شما تفاوت را احساس نخواهند کرد.

در 4 نوامبر، دکتر رنجیت تینایکار، میزبان «انجمن تأثیر هوش مصنوعی» نیوزویک، با Firdaus Bhathena، معاون اجرایی و مدیر ارشد فناوری و تحول در S&P Global، می‌نشیند تا درباره اینکه چگونه شرکت‌های بزرگ پیشرفت‌های هوش مصنوعی را به نتایج تجاری تبدیل می‌کنند، و چرا داده‌های قابل اعتماد و متمایز اهمیت فزاینده‌ای پیدا می‌کنند.

با تکیه بر تجربه Bhathena در S&P Global، FIS Global و CVS Health، این گفتگو بررسی می‌کند که چگونه سازمان‌ها داده‌ها را کنترل و قابل استفاده مجدد می‌کنند، جریان‌های کاری را حول قابلیت‌های جدید طراحی مجدد می‌کنند و سرعت را با اعتماد، امنیت و انعطاف‌پذیری متعادل می‌کنند.

آنها همچنین بررسی خواهند کرد که چگونه رهبران می‌توانند سرمایه‌گذاری‌های فناوری را بر مشکلات مشتری متمرکز نگه دارند و شناسایی کنند که مزیت رقابتی واقعی کجا می‌تواند پدیدار شود.

به بحث زنده چهارشنبه، 4 نوامبر، ساعت 11 صبح به وقت شرقی بپیوندید. رایگان ثبت نام کنید.

انتخابات هوش مصنوعی: چگونه هوش مصنوعی انتخابات میان دوره ای 2026 را شکل داد؟

انتخابات میان دوره ای 2026 در مورد سیاست های نوظهور هوش مصنوعی به ما چه خواهد گفت؟

یک هفته پس از روز انتخابات، گابریل اسنایدر، سردبیر اجرایی نیوزویک، بحثی را با کارشناسان سیاست و خودی‌های واشنگتن که نتایج میان دوره‌ای را از دریچه هوش مصنوعی بررسی می‌کنند، مدیریت خواهد کرد.

در این پنل، Nathaniel Persily، استاد حقوق در دانشکده حقوق استنفورد حضور خواهد داشت. برنت بوکانان، بنیانگذار و مدیر عامل Cygnal؛ نیک پنیمن، بنیانگذار و مدیر عامل شماره یک؛ و اندرو مامو، مشاور ارتباطات در بنچ.

با استفاده از کارت امتیازی سیاست هوش مصنوعی نیوزویک به عنوان نقطه شروع، این پانل بررسی خواهد کرد که کجا سیاست هوش مصنوعی به یک موضوع کمپین تبدیل شده است، چگونه موقعیت ها از خطوط سنتی حزب عبور می کند و چگونه بحث ها در مورد مقررات، مراکز داده، مشاغل، حریم خصوصی و امنیت ملی در رقابت های فردی انجام می شود.

این گفتگو همچنین به نحوه برخورد کمپین‌ها و گروه‌های بیرونی با این موضوعات، از جمله نقش هزینه‌های صنعت، و اینکه نتایج می‌تواند برای مبارزات سیاسی پیش رو معنی داشته باشد، بررسی خواهد کرد.

ثبت نام کنید و به بحث زنده در 10 نوامبر بپیوندید.

هوش مصنوعی سازمانی در دنیای فیزیکی: پیمایش در مرز آشفته زنجیره تامین

انبارها، کارخانه‌ها و شبکه‌های حمل‌ونقل هوش مصنوعی سازمانی را در معرض نوع دیگری از آزمون قرار می‌دهند: تصمیمات دیجیتال پیامدهای فوری در دنیای فیزیکی دارند.

دانکن آنگوو، مدیر اجرایی Blue Yonder، در 19 نوامبر به دکتر رنجیت تینایکار، میزبان "انجمن تاثیر هوش مصنوعی" نیوزویک می‌پیوندد تا درباره وارد کردن سیستم‌های مستقل به طور فزاینده در عملیات زنجیره تامین پیچیده صحبت کند.

این بحث نقش مدل‌های تخصصی را پوشش می‌دهد که شرکت‌های تخصصی باید با خودکار شدن تصمیمات بیشتر حفظ کنند و اینکه آیا اقتصاد فناوری سازمانی می‌تواند به سمت نتایج قابل اندازه‌گیری تجاری مانند بهره‌وری، هزینه‌های عملیاتی و جابجایی کالا حرکت کند.

برای پیوستن به بحث زنده پنجشنبه 19 نوامبر ساعت 12:30 ثبت نام کنید. ET .

یکی از بینش های اخیری که در مورد هوش مصنوعی آموخته اید چیست؟

"هوش مصنوعی نمی تواند همه چیز را مدیریت کند. همانقدر که ما برای اتوماسیون و بهینه سازی فشار می آوریم، مناطقی وجود دارد که در آنها کوتاهی می کند، و شناسایی آستانه ای که در آن دیگر مفید نیست به اندازه دانستن اینکه در کجا برتر است مهم است. این درک استراتژی راه اندازی مرکب را شکل داده است که ما در Capacity دنبال می کنیم.

هوش مصنوعی واقعا در حل دسته‌بندی‌های معینی از مشکلات، به‌ویژه کارهای تکراری و مبتنی بر قوانین که سرعت و ثبات اهمیت دارد، بهتر از انسان‌ها است. جایی که مشکل دارد لایه‌های پیچیدگی و استثناهایی است که با یک الگوی تعریف‌شده مطابقت ندارند. اینها مشکلاتی هستند که هنوز نیاز به قضاوت انسان دارند.

در ظرفیت، ما همچنین تشخیص می‌دهیم که مشکلاتی وجود دارد که برخی شرکت‌ها آن را بهتر حل می‌کنند. آن‌ها سال‌ها صرف ساختن و پالایش فناوری‌های خاص کرده‌اند، اما تلاش می‌کنند تا آن‌ها را در یک پشته فناوری گسترده‌تر ادغام کنند که تجربه یکپارچه‌تری برای مشتری ارائه می‌دهد. اینجاست که حل مسئله انسان باید وارد شود.

ما تقریبا یک دهه را صرف ساختن، دستیابی و پیاده‌سازی فناوری‌هایی کرده‌ایم تا به تجربه کامل مشتری از طریق صدا، چت و پیامک رسیدگی کنیم. این پیشرفت مستلزم صادق بودن در مورد اینکه کجا به کمک نیاز داشتیم تا شکاف های موجود در محصول خود را پر کنیم و کجا باید بیشترین تلاش انسانی را متمرکز کنیم، داشت.

درس خود را برای به اشتراک گذاشتن دارید؟ به من ایمیل بزنید: a.mills@newsweek.com

Parts Town و Botifiy خواندن صفحات محصول را برای هوش مصنوعی آسان‌تر می‌کنند

صفحات محصول ساخته شده برای خریداران می توانند برخی از محتواها را برای سیستم های خودکاری که وب سایت ها را برای موتورهای جستجو و ابزارهای هوش مصنوعی می خوانند نامرئی بگذارند. Parts Town، توزیع کننده قطعات تعمیر OEM واقعی برای خدمات غذایی، لوازم خانگی و تجهیزات تهویه مطبوع، متوجه شد که برخی از ربات ها می توانند به سایت جاوا اسکریپت سنگین آن دسترسی پیدا کنند در حالی که اطلاعات قابل مشاهده برای مشتریان را از دست داده اند.

لیندا رمزی، مدیر ارشد بازاریابی در Parts Town، گفت که این شرکت با Botify همکاری می‌کند، که به برندها کمک می‌کند دید خود را در سیستم‌های جستجو و هوش مصنوعی بهبود بخشند، تا ردیابی URL‌هایی را که خزنده‌های گوگل و هوش مصنوعی بازدید کرده‌اند و از آن‌ها نادیده گرفته‌اند. Botify همچنین به ارائه نسخه‌های ساده‌شده صفحات برای ربات‌هایی که جاوا اسکریپت را اجرا نمی‌کنند کمک کرد و به آنها امکان دسترسی به اطلاعات بیشتری را که مشتریان قبلا می‌بینند، می‌داد.

میلیون ها URL چالش دیگری ایجاد کردند. موتورهای جستجو و سیستم‌های هوش مصنوعی هر روز هر صفحه را نمی‌خوانند، بنابراین Parts Town می‌خواست توجه محدود آن‌ها روی صفحاتی متمرکز شود که بیشتر با فروش مرتبط هستند.

رمزی گفت: «آن را به عنوان یک بازدیدکننده با 10 دقیقه در یک انبار غول پیکر در نظر بگیرید. ما می‌خواستیم آن‌ها آن را در راهروهایی که می‌فروشند خرج کنند.»

Parts Town گزارش داد که کلیک‌ها بر روی صفحات درآمدزا سالانه 31 درصد افزایش یافته است، در حالی که بازدید OpenAI از صفحاتی که در اولویت قرار داده بود 91 درصد افزایش یافته است.

AJ Ghergich، معاون ارشد هوش مصنوعی و خدمات جهانی در Botify، گفت که خرده‌فروشان باید در مقابل طراحی مجدد سایت‌های خود در اطراف هوش مصنوعی به ضرر مشتریانی که قبلا از آنها استفاده می‌کنند، مقاومت کنند. در عوض، او توصیه کرد که با یک محصول مهم شروع کنید و بررسی کنید که آیا سیستم‌های هوش مصنوعی می‌توانند اطلاعات مورد نیاز برای نمایش آن را پیدا کنند، از جمله داده‌های محصول ارائه شده از طریق فیدها.

قرگیچ گفت: «اگر یک ربات نتواند آن را بخواند، نمی تواند آن را بفروشد.

شروع با یک محصول مهم، کار را با یک سوال مشخص تجاری مرتبط نگه می‌دارد: آیا اطلاعاتی که برای مشتریان مهم است برای سیستم‌ها نیز قابل مشاهده است که به طور فزاینده‌ای به آنها کمک می‌کند آن را پیدا کنند؟

آیا یک مورد جالب استفاده از هوش مصنوعی برای به اشتراک گذاشتن با من دارید؟ به من ایمیل بزنید: a.mills@newsweek.com

■ معیار جدید مقیاس هوش مصنوعی و NIST نشان داد که مدل‌های مرزی اغلب به سؤالات شیمی پاسخ می‌دهند، حتی زمانی که آنها را به‌عنوان بالقوه استفاده دوگانه شناسایی می‌کردند، در حالی که ارزیابی‌های آنها از خطر تفاوت قابل‌توجهی با قضاوت‌های متخصص نشان داد. [FedScoop]

■ Anthropic و OpenAI رویکردهای متفاوتی را برای متوقف کردن سیستم‌های هوش مصنوعی مرزی خطرناک در کالیفرنیا پیشنهاد کردند، با پشتیبانی Anthropic از تعلیق‌های به دستور دادگاه و OpenAI از کنترل‌های اجباری خاموش شدن توسط توسعه‌دهندگان حمایت می‌کرد. [دنیای کامپیوتر]

■ بانک آمریکا از مسیریابی مدل برای هدایت درخواست ها به سیستم های هوش مصنوعی مقرون به صرفه تر استفاده می کند، در حالی که Capital One از مدل های کوچکتر و دقیق تر برای کاهش تأخیر استفاده می کند. [غواصی بانکی]

■ نظرسنجی دولت بریتانیا از 3503 کسب و کار نشان داد که پذیرش هوش مصنوعی از 16 درصد در سال 2025 دو برابر شده و به 32 درصد رسیده است، اما بیشتر دستاوردها افزایشی باقی مانده است و تنها 14 درصد هوش مصنوعی را بسیار یا حیاتی برای فعالیت های خود می دانند. [GOV.UK]

ردیابی حرکت های اجرایی در سراسر چشم انداز هوش مصنوعی

واسیلی پاتریکیس، رئیس سابق هوش مصنوعی و افسر داده گروه امنیت ملی فدرال مایکروسافت، به عنوان مدیر ارشد فناوری و هوش مصنوعی به Strider ملحق شده است و استراتژی مهندسی، فناوری و هوش مصنوعی را رهبری می کند و پلت فرم اطلاعات استراتژیک خود را افزایش می دهد.

جیسون لو، که اخیرا به عنوان رئیس مهندسی در یک استارت‌آپ هوش مصنوعی پنهان کار کرده است، به‌عنوان مدیر ارشد هوش مصنوعی به Parallel Bio پیوسته و کار هوش مصنوعی خود را در آزمایشگاه خودکار، زیرساخت داده‌ها و مدل‌های ساخته شده بر روی داده‌های ایمنی انسان هدایت می‌کند.

سامی میان، معاون اجرایی نوآوری و هوش مصنوعی و مهندس برجسته PrismHR، به عنوان مدیر ارشد هوش مصنوعی، مسئول حاکمیت، آموزش، استقرار سازمانی و قابلیت‌های هوشمند در اکوسیستم فناوری آن منصوب شده است.

Dan Cane، یکی از بنیانگذاران ModMed و یکی از مدیران عامل سابق، به عنوان اولین مدیر ارشد هوش مصنوعی شرکت، نظارت بر هوش مصنوعی در محصولات و عملیات داخلی با مسئولیت مستقیم پلتفرم هوش مصنوعی مدیریت چرخه درآمد آن، نقل مکان کرد.

مایکل پترسون، معاون سابق پلتفرم‌های داده‌های هوش مصنوعی و تجزیه‌وتحلیل در Perficient، به عنوان معاون ارشد، پلتفرم‌های Databricks و AI به Definian پیوسته است و فعالیت‌های Databricks خود را گسترش می‌دهد و به مشتریان کمک می‌کند تا داده‌های کنترل شده را در تجزیه و تحلیل و هوش مصنوعی کار کنند.

جالب ترین یا غیرمنتظره ترین روشی که اخیرا از هوش مصنوعی استفاده کرده اید چیست؟

"دو مثال به ذهنم می رسد، یکی در محل کار و دیگری بسیار شخصی. ما در Softheon، پلتفرم هوش مصنوعی خود را HAL نامگذاری کردیم که مخفف عبارت Human Augmented Learning است. اگر HAL 9000 از سال 2001: A Space Odyssey را به یاد آورید، از مرجع آن قدردانی خواهید کرد. مقداری طنز در نام وجود دارد، اما همچنین پیامی جدی وجود دارد که AI هنگام تصمیم گیری افراد بر روی موتورهای ما تاثیر می گذارد. مراقبت های بهداشتی، شما باید به این فکر کنید که چه چیزی ممکن است اشتباه باشد، نه فقط به کارهایی که فناوری می تواند انجام دهد.

در زندگی شخصی‌ام، از هوش مصنوعی در کنار حلقه Oura برای درک بهتر سلامتی و عادات روزانه‌ام استفاده کرده‌ام. در طول همه گیری، من دیابتی شدم. عادات غذایی خود را تغییر دادم و پیاده روی را در اولویت قرار دادم و روزانه 10000 قدم را هدف قرار دادم.

هوش مصنوعی به من کمک کرده است اطلاعاتی را که دنبال می‌کنم درک کنم و از طریق تغییرات در وعده‌های غذایی و روال خود فکر کنم. با گذشت زمان، A1C من به محدوده سالم بازگشت. من به این افتخار می کنم. من بیش از 25 سال را صرف ساختن فناوری برای کمک به مردم برای دسترسی به مراقبت‌های بهداشتی کرده‌ام، اما بین صحبت کردن در مورد فناوری که می‌تواند سلامت مردم را بهبود بخشد و تجربه کردن آن امکانات، تفاوت وجود دارد.

برای سال‌ها، من معتقد بودم که مراقبت‌های بهداشتی باید به جای درمان آن‌ها پس از بیماری، بر حفظ سلامت افراد تمرکز کند. تجربه من با دیابت به من نشان داد که این تغییر در واقع چگونه کار می کند.

هر کسی می‌تواند یک برنامه غذایی استاندارد برای دیابت را جستجو کند، اما توصیه‌های عمومی به ندرت برای زندگی روزمره به حساب می‌آیند. آنچه برجسته بود، توانایی هوش مصنوعی برای عمل به عنوان یک تابلوی صداگذاری فعال بود. با ترکیب روند خواب و فعالیت اورا در کنار پاسخ‌های روزانه گلوکز، به من کمک کرد نقاطی را که از دست می‌دادم، مثل اینکه چگونه خواب ضعیف حساسیت من به کربوهیدرات را تغییر می‌دهد، یا اینکه چگونه یک پیاده‌روی سریع 15 دقیقه‌ای درست بعد از ناهار باعث تثبیت جهش‌های بعد از ظهر من می‌شود، به من کمک کرد. این داده‌های ثابت و عظیم را به تنظیمات ریز عملی و پایدار تبدیل کرد.

در مراقبت‌های بهداشتی، زمانی که تصمیم‌های بالینی پرمخاطره در جریان هستند، میزان موفقیت ۹۹ درصد کافی نیست، اما جایی که هوش مصنوعی واقعا می‌درخشد، در این فضای شخصی و فعال است. آینده‌ای را تصور کنید که در آن سیستم‌های هوشمند نه تنها به ما درباره بیماری هشدار می‌دهند، بلکه میلیون‌ها نفر را از طریق مداخلات پیشگیرانه روزانه و پیش از بروز بیماری‌های مزمن به طور یکپارچه راهنمایی می‌کنند. اینجاست که قدرت واقعی این فناوری نهفته است.»

جادوی هوش مصنوعی را تجربه می کنید؟ در مورد آن در a.mills@newsweek.com به ما بگویید