اکنون بیش از یک سال از ظهور هوش مصنوعی مولد (GenAI) می گذرد و راه خود را به برنامه ها و سرفصل های سرتاسر جهان باز کرده است، و رهبران کسب و کار امروز شروع به درک این موضوع کرده اند که علاقه GenAI فقط ناشی از «هیجان» نبوده است. در عوض می تواند واقعاً برای تقریباً هر بخش متحول کننده باشد.

شرکت ها در تلاش هستند تا از رقبا جلوتر بمانند - اغلب با استفاده از جدیدترین ابزارهای هوش مصنوعی در بازار. و با سرعت بی‌سابقه‌ای در توسعه، ترس از «رها شدن» در اتاق‌های هیئت مدیره وجود دارد. این عجله منجر به الگوهای غیرعادی می شود، با مطالعه اخیر MIT IDE که سطوح بالایی از پذیرش هوش مصنوعی را در غرب میانه و جنوب ایالات متحده، خارج از قطب های فناوری معمولی ساحلی نشان می دهد.

پس ، موضوع چیست؟

به طور معمول، شرکت‌های تثبیت‌شده کمتر متمایل به تغییر هستند یا به اندازه کافی چابک نیستند تا جدیدترین فناوری را به محض در دسترس قرار گرفتن، بپذیرند. در نتیجه، بسیاری از شرکت‌ها - به‌ویژه شرکت‌های بزرگ - به دلیل ترکیبی از فرآیندهای تدارکات قدیمی، آشنایی یا نگرانی‌ها در مورد از دست دادن یا اختلال داده‌ها ، به نرم‌افزارهای قدیمی گره خورده‌اند که نوسازی را غیرقابل دسترس می‌سازد.

این یک وضعیت خطرناک برای CTO و CIO ایجاد می کند. در حالی که آنها توسط هیئت مدیره خود برای به کارگیری تعداد زیادی از جدیدترین ابزارهای GenAI تحت فشار قرار می گیرند، پایه های یک پروژه هوش مصنوعی موفق - یعنی زیرساخت IT چابک، مجموعه مهارت های داخلی مناسب و یک برنامه تحول واقعی - اغلب وجود ندارد. بدون این عناصر ضروری، خطرات تجاری واقعی و بسیار شدیدی وجود دارد: یعنی پیرامون سوگیری، حاکمیت داده و شفافیت.

قبلاً موارد برجسته‌ای مانند 'Savey Meal-Bot' را در نیوزلند دیده‌ایم، که در آن یک ربات چت هوش مصنوعی ، آموزش‌دیده بر روی «داده‌های بد»، دستور العمل‌هایی مانند «سورپرایز برنج تزریق شده با سفیدکننده» را به عنوان «آشپزی شگفت‌انگیز» توصیه می‌ کرد. ماجراجویی» به کاربران.

به ویژه اخیراً، با توجه به رسوایی اداره پست بریتانیا که در مقیاس ملی بر پیامدهای واقعی یک پروژه مدرن سازی قدیمی با مدیریت ضعیف تأکید می کند، برای تصمیم گیرندگان فناوری اطلاعات حیاتی شده است که عقب نشینی کنند و اطمینان حاصل کنند که همه عناصر لازم برای موفقیت آمیز هستند. اجرای GenAI

متأسفانه، بسیاری از مشاغل فاقد این عناصر اصلی هستند. به گفته یکی از تحلیلگران گارتنر، این بدان معناست که پروژه های هوش مصنوعی می توانند تا 85 درصد شکست بخورند. در حالی که این عدد تکان دهنده به نظر می رسد، مسئله در اینجا خود ابزارهای هوش مصنوعی نیست، مسئله برنامه ریزی و آماده سازی است.

عبور از As خود و نقطه گذاری است

امروزه کسب‌وکارها قبل از اجرای هوش مصنوعی باید خانه خود را مرتب کنند. شرکت‌های بزرگ داده‌های مورد نیاز برای موفقیت در پروژه‌های GenAI را دارند، اما موفقیت مستلزم بهره‌برداری از داده‌ها است، نه فقط داشتن آن‌ها در دریاچه داده.

برای انجام این کار، اولاً، ابزارهای GenAI که پیاده‌سازی می‌کنند باید بتوانند داده‌های دقیقی را که برای سرویس دادن به یک درخواست نیاز دارند، جمع‌آوری کنند. به عنوان مثال، اگر از ابزار GenAI خود بخواهم که ارقام فروش من را در سال گذشته تجزیه و تحلیل کند - آیا به راحتی به این داده ها دسترسی دارد، آیا به ابزار تجزیه و تحلیل من متصل است و مهمتر از همه، آیا مطمئن هستم که داده های اصلی دقیق هستند؟

GenAI فقط می‌تواند روی داده‌هایی که تغذیه می‌شود کار کند، پس داده‌های تکراری، نادرست‌ها و ناسازگاری‌ها همگی می‌توانند اثربخشی ابزارها را به شدت کاهش دهند و تحول دیجیتال مبتنی بر هوش مصنوعی را در مسیر خود متوقف کنند. حتی زمانی که این مشکلات برطرف شده و داده ها در وضعیت خوبی قرار دارند، اگر به راحتی در دسترس و در دسترس نباشند، در نهایت برای یک ابزار هوش مصنوعی قابل استفاده نیستند.

یک پلت فرم یکپارچه سازی در اینجا بسیار مهم است، داده ها را در سراسر یک سازمان به هم متصل می کند و یک زیرساخت منسجم ایجاد می کند که ابزارهای GenAI می توانند از آن استفاده کنند. این پلتفرم‌ها همچنین می‌توانند به ایجاد چارچوب‌های مدیریت داده خوب برای مدیریت، ذخیره و ایمن کردن داده‌های تجاری کمک کنند و حتی قابلیت عادی‌سازی، پاکسازی و حذف داده‌ها را در سراسر کسب‌وکار داشته باشند.

پلتفرم‌های یکپارچه‌سازی خوب همچنین می‌توانند سیستم‌های قدیمی و مدرن را، چه در محیط‌های داخلی و چه در محیط‌های ابری، به هم پیوند دهند و حتی از موانع بین برنامه‌ها و داده‌ها عبور کنند. این ادغام یکپارچه پروژه‌های تحول دیجیتال مبتنی بر هوش مصنوعی را بسیار آسان‌تر می‌کند و خود ابزارها را بسیار مؤثرتر می‌کند.

در مرحله بعد، به پلتفرم‌های هوش مصنوعی نگاه کنید که کارایی را به حداکثر می‌رسانند و در عین حال نیاز به مهارت را برای تیم‌های فناوری اطلاعات به حداقل می‌رسانند. به عنوان مثال، محصولات توسعه بدون کد GenAI می توانند به مشاغل اجازه دهند تا هوش مصنوعی را با داده های سازمانی بدون نیاز به درگیر کردن دانشمندان داده یا کارشناسان کدنویسی در هر مرحله یکپارچه کنند. این محصولات قدرت مدل‌های زبان بزرگ (LLM) و مقیاس هوش مصنوعی را در جایی که بیشترین اهمیت را دارد قرار می‌دهند: در دستان کارمندانی که نزدیک‌ترین افراد به تجارت هستند و درک می‌کنند که برای موفقیت چه چیزی لازم است.

با استفاده از این ابزارها، چیزی که می‌توانست بسیار پیچیده باشد، مانند توسعه اتوماسیون پشتیبانی مشتری، می‌تواند مستقیماً توسط کاربران تجاری بدون هیچ دانش کدنویسی انجام شود. این رویکرد به هر کسی اجازه می‌دهد تا بدون توجه به تخصص فنی، از قدرت هوش مصنوعی برای خودکارسازی بخش‌های تکراری خسته‌کننده کار خود استفاده کند.

صبر یک فضیلت است

در نهایت، انتظارات و چارچوب زمانی یک تحول GenAI را در نظر بگیرید. در حالی که GenAI دارای پتانسیل عظیمی است، راه حل معجزه آسایی برای همه مشکلات کسب و کار نیست، و به این ترتیب، سازمان ها باید اهداف روشن و واقع بینانه ای را برای پیاده سازی هوش مصنوعی خود تعیین کنند، با این درک که این ابزارها در طول زمان توسعه یافته و بهبود خواهند یافت.

به عنوان مثال: در حال حاضر، هیچ کتاب قانون مشخصی برای دستیابی به نتایج عالی با GenAI LLM وجود ندارد. البته نکات و ترفندهایی وجود دارد که می‌توانید برای نتایج بهتر یا سریع‌تر به کار ببرید، اما به طور کلی فرآیند تا حد زیادی با آزمون و خطا هدایت می‌شود. تعامل با GenAI در تکرار فعلی‌اش مانند یک آزمایش علمی است - شما با یک فرضیه روبرو می‌شوید و به آزمایش روش‌های مختلف اعلان‌ها ادامه می‌دهید تا زمانی که نتیجه مورد نظر شما را ایجاد کند.

یک خطر وجود دارد که منحصر به پروژه های هوش مصنوعی است. ماهیت این فناوری ارائه یک نسخه نمایشی قانع کننده را بسیار آسان می کند - اما به دلیل همین سهولت، فاصله بسیار بیشتر از حد معمول بین اجرای آزمایشی و تولید در مقیاس کامل وجود دارد. بخش بزرگی از این شکاف به دلیل دشواری ارائه یک مجموعه داده در مقیاس کامل، کامل و با کیفیت بالا برای تغذیه مدل است. بدون داده ها، پروژه GenAI نمی تواند تاثیر مورد انتظار تجاری را ارائه دهد.

شرکت‌هایی که می‌خواهند GenAI را در محصولات خود اعمال کنند، باید در مورد چگونگی پیشبرد و تکامل پیام‌هایی که می‌تواند نتایج را مستقیماً بهبود بخشد، فکر کنند. نکته کلیدی این است که یک طرح برای ارزیابی پاسخ‌های مدل و استفاده از آن داده‌ها برای اطلاع‌رسانی بیشتر به درخواست‌ها تنظیم کنید.

با این حال، بهبودهای کمی و کیفی تنها با ارزیابی مجدد رویکرد به کاربرد و توسعه هوش مصنوعی امکان پذیر است. به عبارت دیگر، کسب‌وکارها باید یک ذهنیت مبتنی بر هوش مصنوعی ایجاد کنند، نه تنها برنامه‌ریزی کنند که چگونه ابزارهای هوش مصنوعی را بپذیرند و برای آن آماده شوند، بلکه همچنین چگونه از آنها و با آنها یاد بگیرند.

امروز را برای موفقیت فردا آماده کنید

GenAI بدون شک مزایا و پیامدهای عظیمی برای مشاغل، مشتریان و کارمندان خواهد داشت. برای استفاده حداکثری از این ابزارها، سازمان ها باید تفکر خود را در مورد هوش مصنوعی دوباره ارزیابی کنند. مانند هر ابتکار تحول دیجیتال، باید یک برنامه روشن و اهداف واقع بینانه وجود داشته باشد، اما بر خلاف یک پروژه تحول دیجیتال "عادی"، مراحل، انتظارات و ساختارهای بیشتری وجود دارد که باید در نظر گرفته شود. موفقیت در این حوزه جدید نیازمند یک طرز فکر متفاوت و مبتنی بر هوش مصنوعی است.

بدون این پایه‌های اصلی، ابتکارات تحول هوش مصنوعی احتمالاً انتظارات را برآورده نخواهد کرد. با این حال، با وجود همه این عناصر، پتانسیل GenAI واقعاً قابل تحقق است.

ما بهترین پلتفرم های هوش تجاری را معرفی کرده ایم .

این مقاله به عنوان بخشی از کانال Expert Insights TechRadarPro تهیه شده است که در آن بهترین و باهوش ترین ذهن ها در صنعت فناوری امروز را معرفی می کنیم. نظرات بیان شده در اینجا نظرات نویسنده است و لزوماً نظرات TechRadarPro یا Future plc نیست. اگر علاقه مند به مشارکت هستید، اطلاعات بیشتری را در اینجا بیابید: https://www.techradar.com/news/submit-your-story-to-techradar-pro