در این مقاله، درس‌های کلیدی که سازمان‌ها هنگام به‌کارگیری هوش مصنوعی در مقیاس بزرگ، از جمع‌آوری داده‌ها گرفته تا تضمین دقت و اعتماد، ایجاد چارچوب‌های مدیریتی و همسوسازی فناوری با پذیرش انسانی و نتایج کسب‌وکار، می‌آموزند را به اشتراک خواهم گذاشت.

هوش مصنوعی اکنون فراتر از مقالات تحقیقاتی و آزمایش‌های آزمایشگاهی و آزمایشی رفته است. امروزه، ما از هوش مصنوعی در همه چیز استفاده می‌کنیم: از تقویت موتورهای پیشنهاد، مدیریت زنجیره‌های تأمین، تسریع کشف دارو گرفته تا بهینه‌سازی شبکه‌های انرژی.

برای رهبران فعلی کسب‌وکار، نادیده گرفتن وعده‌های هوش مصنوعی دشوار است: هوش مصنوعی در حال حاضر و در نهایت بهره‌وری را افزایش می‌دهد، تجربیات مشتری را نوآورانه می‌کند و حتی چالش‌های جهانی مانند تغییرات اقلیمی و گرمایش جهانی را حل می‌کند.

با این حال، وقتی به آن فکر می‌کنید، واقعیت استقرار هوش مصنوعی در مقیاس بزرگ بسیار پیچیده‌تر است. بسیاری از سازمان‌ها متوجه شده‌اند که حرکت از مرحله اثبات مفهوم به پذیرش در سطح سازمان، نه تنها یک چالش فنی و جاه‌طلبانه، بلکه یک چالش سازمانی و فرهنگی نیز هست.

داده‌ها باید همزمان تجزیه، پاکسازی، پیش‌پردازش، ایمن‌سازی و مدیریت شوند. کارمندان شرکت‌هایی که از هوش مصنوعی استفاده می‌کنند باید در هر مرحله آموزش ببینند و در این فرآیند مشارکت داده شوند.

ملاحظات اخلاقی، از تعصب گرفته تا قابلیت توضیح، را نمی‌توان به عنوان چیزی که بعداً باید در نظر گرفته شود، کنار گذاشت. و حتی پیشرفته‌ترین سیستم‌ها نیز با چالش‌هایی مانند توهم روبرو هستند، جایی که خروجی‌ها مطمئن به نظر می‌رسند اما همچنان می‌توانند گمراه‌کننده و نادرست باشند.

درس اینجا واضح است: پذیرش موفقیت‌آمیز هوش مصنوعی به دنبال کردن هیاهو و تبلیغات نیست، بلکه به پیمایش واقعیت‌های عملی و پیچیده‌ی مقیاس، تأثیر و اعتماد مربوط می‌شود.

درس ۱: دقت بدون اعتماد کافی نیست

یکی از بارزترین چالش‌ها در استقرار هوش مصنوعی در مقیاس بزرگ، توهم است. توهم چیزی جز یک حدس مطمئن نیست، یعنی زمانی که سیستم‌ها خروجی‌های مطمئن اما نادرست تولید می‌کنند. اگرچه توهمات قابل تحمل هستند، اما می‌توانند در صنایعی مانند مراقبت‌های بهداشتی، امور مالی، انرژی و حوزه‌های پرریسک، پرخطر باشند.

شرکت‌هایی که در این زمینه پیشرو هستند، با ترکیبی از رویکردها مانند بازیابی افزوده (RAG)، گاردریل‌ها و کمی بررسی حضوری انسانی، با این چالش مقابله می‌کنند.

برای مثال، گوگل دیپ‌مایند (Google DeepMind) از بازخورد افراد واقعی استفاده کرده است تا به مدل‌هایش کمک کند اشتباهات و توهمات کمتری مرتکب شوند و مطمئن شود که پاسخ‌ها درست به نظر می‌رسند و واقعاً درست هستند.

درس اینجا واضح است: کافی نیست که هوش مصنوعی دقیق باشد، بلکه باید قابل اعتماد نیز باشد.

درس ۲: کیفیت داده‌ها، موفقیت را رقم می‌زند یا از بین می‌برد

هوش مصنوعی فقط به اندازه داده‌هایی که از آنها یاد می‌گیرد، خوب است. بسیاری از شرکت‌ها میزان آشفتگی این بخش را دست کم می‌گیرند. کشمکش بین فایل‌های پراکنده، مقررات حفظ حریم خصوصی و داده‌هایی که هرگز به نظر نمی‌رسد با هم هماهنگ شوند، ساختن چیزی تمیز و یک پایه قابل اعتماد، اغلب سخت‌ترین بخش هر پروژه هوش مصنوعی است.

گزارش «وضعیت هوش مصنوعی در سال ۲۰۲۴» مک‌کینزی اشاره می‌کند که اکثر شرکت‌ها هنوز با کیفیت داده‌ها و مدیریت مشکل دارند، اما آن‌هایی که این مشکل را زود حل می‌کنند، همان‌هایی هستند که نتایج واقعی سرمایه‌گذاری‌های عظیم خود در هوش مصنوعی را می‌بینند.

نکته‌ی کلیدی ساده است: ابتدا داده‌های خود را مرتب کنید. خطوط لوله‌ی ارتباطی خوبی بسازید، از اطلاعات حساس خود محافظت کنید و از نظر انطباق با قوانین در سطح بالایی باشید. ممکن است خیلی شیک به نظر نرسد، اما این بخشی است که باعث می‌شود همه چیز به درستی کار کند.

درس ۳: انسان‌ها تصمیم می‌گیرند که آیا هوش مصنوعی موفق می‌شود یا خیر

حتی هوشمندترین ابزارهای هوش مصنوعی هم اگر مردم واقعاً از آنها استفاده نکنند، ممکن است شکست بخورند. بسیاری از کارمندان احساس عدم اطمینان یا کمی تردید دارند و صادقانه بگویم، این کاملاً طبیعی است. تغییر سخت است، به خصوص وقتی صحبت از چیزی به بزرگی هوش مصنوعی باشد. حقیقت این است که ترغیب مردم به استفاده از هوش مصنوعی واقعاً مربوط به خود فناوری نیست، بلکه مربوط به افراد است.

شرکت‌هایی که این موضوع را درک می‌کنند، هوش مصنوعی را آسان و آشنا جلوه می‌دهند. آن‌ها به جای اینکه از افراد بخواهند چیز کاملاً جدیدی یاد بگیرند، آن را مستقیماً در ابزارهایی که از قبل می‌شناسند، مانند ایمیل، چت یا سیستم‌های CRM، قرار می‌دهند. آن‌ها همچنین بر آموزش‌هایی تمرکز می‌کنند که نشان می‌دهد چگونه هوش مصنوعی می‌تواند کار را ساده‌تر و کم‌استرس‌تر کند، نه اینکه چیزی جایگزین آن‌ها شود.

در نهایت، همه چیز به فرهنگ، راحتی و طرز فکر بستگی دارد، نه فقط کد.

درس ۴: هوش مصنوعی مسئولیت‌پذیر یک ضرورت تجاری است

اخلاق دیگر نمی‌تواند یک امر فرعی باشد. دولت‌ها در ایالات متحده، بریتانیا و اتحادیه اروپا در حال تعیین استانداردهایی برای نحوه مدیریت و نظارت بر هوش مصنوعی هستند. در عین حال، هیئت مدیره‌ها، رهبران را در مورد نحوه استفاده سازمان‌هایشان از هوش مصنوعی پاسخگو می‌دانند.

طبق گزارش مجمع جهانی اقتصاد، تنها بخش کوچکی از شرکت‌ها شیوه‌های مسئولانه هوش مصنوعی را به طور کامل در عملیات خود پیاده‌سازی کرده‌اند، اگرچه اکثر آنها موافقند که این امر برای ایجاد اعتماد و تاب‌آوری بلندمدت ضروری است. این شامل تلاش‌هایی مانند کاهش سوگیری در الگوریتم‌های استخدام و بهبود شفافیت در مدل‌های مالی می‌شود.

پیام واضح است: این فقط مربوط به رعایت قوانین نیست، بلکه مربوط به اعتماد، اعتبار و موفقیت بلندمدت است.

درس ۵: مقیاس‌پذیری هوش مصنوعی جایی است که تأثیر خود را نشان می‌دهد

زمانی که شرکت‌ها از پروژه‌های آزمایشی فراتر رفته و شروع به توسعه هوش مصنوعی کنند، تحول واقعی آغاز می‌شود. در حوزه انرژی، هوش مصنوعی در حال بهینه‌سازی نیروگاه‌های مجازی برای حفظ پایداری شبکه برق است. در حوزه مالی، در حال بهبود تشخیص کلاهبرداری است. در حوزه مراقبت‌های بهداشتی، در حال سرعت بخشیدن به کشف درمان‌های جدید است.

وجه مشترک این است که سازمان‌های موفق با هوش مصنوعی به عنوان یک پروژه‌ی یکبار مصرف برخورد نمی‌کنند. آن‌ها آن را به عنوان پلتفرمی می‌بینند که می‌تواند در تیم‌ها و بخش‌ها به کار گرفته شود. این تغییر از آزمایش‌های کوچک به استراتژی در سطح سازمان، چیزی است که رهبران را از دیگران متمایز می‌کند.

درس ششم: هوش مصنوعی برای پشتیبانی از انسان‌ها آمده است، نه جایگزینی آنها

بسیاری از مردم هنوز فکر می‌کنند که هوش مصنوعی مشاغل را از بین خواهد برد، اما واقعیت بسیار متفاوت به نظر می‌رسد. این فناوری نقش‌های جدیدی را ایجاد می‌کند که چند سال پیش وجود نداشتند، مانند مهندسان هوش مصنوعی، مهندسان خبره و متخصصان عملیات یادگیری ماشین. همچنین در حال تغییر شکل نقش‌های موجود است و مهارت‌های فنی و خلاقانه را به روش‌هایی ترکیب می‌کند که کار را پویاتر می‌کند.

موفق‌ترین شرکت‌ها از هوش مصنوعی برای انجام وظایف تکراری استفاده می‌کنند تا افرادشان بتوانند روی خلاقیت، استراتژی و حل مسئله تمرکز کنند. آینده کار، انسان در مقابل ماشین نیست، بلکه انسان در کنار ماشین است که با همکاری یکدیگر به دستاوردهایی فراتر از آنچه هر یک به تنهایی می‌توانند، دست یابند.

ساخت هوش مصنوعی ماندگار

سفر از هیاهوی هوش مصنوعی تا تأثیر آن در دنیای واقعی ساده نیست، اما معنادار است. دقت باید با اعتماد همراه باشد. خطوط انتقال داده باید به اندازه مدل‌ها قوی باشند. پذیرش انسانی و فرهنگ به اندازه عملکرد فنی اهمیت دارند.

حکمرانی خوب نباید مانند یک جعبه برای بررسی باشد. باید بخشی از چیزی باشد که به یک شرکت برتری می‌دهد. و از همه مهمتر، هوش مصنوعی باید به عنوان شریکی دیده شود که به افراد کمک می‌کند هوشمندانه‌تر کار کنند، بیشتر خلق کنند و فرصت‌های جدید را آزاد کنند.

برای رهبران امروزی، دیگر سوال این نیست که آیا از هوش مصنوعی استفاده کنند یا خیر. بلکه سوال این است که چگونه از آن به صورت مسئولانه و در مقیاس وسیع استفاده کنند. سازمان‌هایی که این موضوع را درک کنند، نه تنها کارایی را بهبود می‌بخشند، بلکه استراتژی‌های پایدار و آماده برای آینده را نیز ایجاد می‌کنند.

«بزرگترین نوید هوش مصنوعی، خودکارسازی نیست. بلکه همکاری است، جایی که مردم و فناوری در کنار هم برای ایجاد آینده‌ای هوشمندانه‌تر کار می‌کنند.»

تست مسدودسازی تبلیغات