تحقیقات جدید ادعا می‌کند که اکثریت قریب به اتفاق (۸۰ درصد) پروژه‌های مبتنی بر هوش مصنوعی با شکست مواجه می‌شوند، یعنی دو برابر نرخ شکست معمولی برای پیشنهادات فناوری غیر هوش مصنوعی.
مطالعه ای که توسط شرکت رند انجام شد نشان داد که تنها 14 درصد از سازمان ها برای پذیرش هوش مصنوعی کاملاً آماده هستند، علیرغم اینکه 84 درصد از رهبران کسب و کار گزارش دادند که معتقدند این فناوری تأثیر قابل توجهی بر سازمان آنها خواهد داشت.
دلیل اصلی شکست پروژه عدم درک و ارتباط بین ذینفعان و کارکنان فنی در مورد هدف و هدف پروژه بود. این بدان معناست که مدیران اغلب به تیم ها زمان و منابع مورد نیاز را نمی دهند - اطمینان از اینکه رهبران و تیم های فنی هر دو اهداف یکسانی دارند، کلیدی است.
سندرم زاغی
نداشتن داده‌های لازم برای آموزش کافی مدل هوش مصنوعی، موضوع دیگری برای پروژه‌های جدید بود - سرمایه‌گذاری کم در زیرساخت برای پشتیبانی از حاکمیت داده و استقرار مدل به این معنی است که پروژه‌های هوش مصنوعی طولانی‌تر می‌شوند و به همان اندازه مؤثر نیستند.
این بازتاب تحقیقات قبلی لنوو است که نگرانی‌هایی را در مورد قدرت محاسباتی و منابع داده‌ای مورد نیاز برای آموزش مدل‌ها آشکار کرد.
یکی دیگر از مشکلاتی که پروژه های جدید اغلب با آن مواجه بودند، اشتیاق بیش از حد برای استفاده از آخرین فناوری جدید درخشان به جای تمرکز بر حل مشکلات واقعی برای کاربران بود. آزمایش کردن با فناوری‌های جدید به پیشبرد توسعه کمک می‌کند، اما اغلب این فناوری‌ها به‌منظور استفاده استفاده می‌شوند، نه زمانی که به بهترین نحو مناسب هستند. محققان توضیح می‌دهند که پروژه‌های موفق در تعقیب آخرین پیشرفت‌های هوش مصنوعی منحرف نمی‌شوند، بلکه روی مشکلی که باید حل شود تمرکز می‌کنند.
در نهایت، و شاید تعجب آور نباشد، این گزارش تمایلی به دست بالا گرفتن از توانایی های خود هوش مصنوعی پیدا کرد. اگرچه سرمایه‌گذاری از سال 2013 تا کنون 18 برابر شده است، اما در خودکارسازی همه وظایف راه‌حلی نیست و این فناوری همچنان با محدودیت‌های قابل توجهی همراه است. درک توانایی های مدل ها برای موفقیت بسیار مهم است.
با چنین فشار عظیمی برای استفاده از هوش مصنوعی در صنایع مختلف، کسب و کارها باید در نظر داشته باشند که هوش مصنوعی مانند هر سرمایه گذاری دیگری است و در صورت عدم درک کامل یا مدیریت صحیح، با خطرات جدی همراه است.
ارسال نظر