شعار زيفيرنت

توسيع نطاق الذكاء الاصطناعي: التحديات الأربعة التي ستواجهها

التاريخ:

تتبنى المنظمات من جميع الأحجام الذكاء الاصطناعي كتقنية تحويلية لدعم رحلات التحول الرقمي الخاصة بهم. لا تزال التحديات المتعلقة بتفعيل الذكاء الاصطناعي على نطاق واسع تبدو مستعصية على الحل ، مع وجود عدد كبير من المشاريع الفاشلة.

لقد عملت في مجال البيانات الضخمة والذكاء الاصطناعي مع العديد من المؤسسات وشاهدت بعض الاتجاهات الواضحة حول سبب تعثر جهود الذكاء الاصطناعي بعد بداية حماسية. هذه مؤسسات كبيرة راسخة قامت بعمل مذهل في الحصول على الدعم من مجلس إدارتها ، و C-suite ، وأصحاب المصلحة في الأعمال ، وحتى العملاء للشروع في رحلات التحول التي تعمل بالذكاء الاصطناعي لقد أنشأوا على الأرجح شكلاً من أشكال مركز التميز (CoE) للذكاء الاصطناعي ، مع تعيينات رئيسية في كل من الأدوار القيادية والتقنية ، وأظهروا وعد الذكاء الاصطناعي ، باستخدام عدد قليل من مشاريع التعلم الآلي على نطاق محدود. ثم ينتقلون إلى توسيع نطاق المشروع إلى الإنتاج ، ويتعثرون.

يبدو أن الأسباب التي تجعل توسيع نطاق الذكاء الاصطناعي يمثل تحديًا كبيرًا تندرج تحت أربعة محاور: التخصيص ، والبيانات ، والموهبة ، والثقة.

التخصيص. يتطلب حل مشاكل التعلم الآلي (ML) لدفع نتائج الأعمال التخصيص. معظم النماذج لحل مشاكل الذكاء الاصطناعي - ML ، والتعلم العميق (DL) ، ومعالجة اللغة الطبيعية (NLP) ، على سبيل المثال - مفتوحة المصدر أو متاحة مجانًا. وهذه النماذج نفسها ليست العامل الحاسم في حل مشاكل مستوى الإنتاج. سيحتاج فريقك إلى تخصيص كل نموذج وتدريبه ليلائم مشكلتك وبياناتك ومجالك المحدد. ثم تحتاج إلى تحسين معلمات النموذج بحيث تتوافق مع النتائج المستهدفة لشركتك / مؤشرات الأداء الرئيسية (KPIs). بعد ذلك ، لنشر النماذج الخاصة بك ، تحتاج إلى دمجها في بنية تكنولوجيا المعلومات الموجودة لديك. يتطلب بناء أنظمة الذكاء الاصطناعي من البداية لكل مشكلة ومجال الكثير من أعمال التخصيص. أو ، إذا اخترت بدلاً من ذلك شراء حلول جاهزة غير مُحسَّنة لاحتياجاتك الخاصة ، فإنك بذلك تتنازل عن الأداء والنتائج. كلا المسارين لهما مزايا وعيوب ، لكن من المهم أن ندرك أن الذكاء الاصطناعي يتطلب تخصيصات لكل مشروع ، ولكل مشكلة عمل ، وأن جزءًا أساسيًا من تشغيل الذكاء الاصطناعي هو جعل عملية التخصيص فعالة قدر الإمكان.

البيانات. لقد رأيت عددًا من المنظمات تفشل في الذكاء الاصطناعي لأنها قللت من تقدير الجهد اللازم لتسخير البيانات وإعدادها والوصول إليها لدفع هذه المشاريع على نطاق إنتاج ، وتصبح حفرة أرنب. في معظم هذه الحالات ، يدركون أنه ليس لديهم تعريفات موحدة للبيانات أو إدارة بيانات مناسبة ، أو أنهم يعانون من مصادر البيانات الموزعة. يبدأ هذا رحلة تحول متعددة السنوات. على الرغم من وجود عدد كبير من مشاريع البيانات الضخمة للتعامل مع الوصول إلى مجموعات البيانات المتباينة هذه وتنظيمها وتنظيمها ، إلا أنها ليست كافية لتوفير حل قابل للتطوير لهذه المشكلة. هناك حاجة أيضًا إلى تقنيات التعلم الآلي المتقدمة للعمل مع مجموعات البيانات الأصغر والبيانات الأكثر تشويشًا في الإنتاج لإزالة هذا العائق الذي يحول دون تشغيل الطيارين في مجال الذكاء الاصطناعي. 

موهبة. تفشل معظم المؤسسات التي رأيت فيها مشاريع الذكاء الاصطناعي في توسيع نطاق مهندسي ML وعلماء البيانات المعينين وأدركت أنه من المستحيل العثور على شخص لديه مجموعة من المهارات الإحصائية (ML) وخبرة المجال (في مجال الأعمال ومجال العملية) ) ، وتجربة تطوير البرمجيات. لذلك ، باستخدام التصميم التنظيمي الكلاسيكي ، يحاولون التغلب عليه. في حين أنك ستشكل في النهاية قدرة داخلية هائلة إذا كان بإمكانك الاحتفاظ بهذه الموهبة المرغوبة وتطويرها ، فإن الحاجة إلى تكثيف فريق يؤخر إدراكك للقيمة باستخدام الذكاء الاصطناعي. يؤثر هذا على قدرتك على الابتكار بسرعة كافية. أسمي هذا "معدل نقل الذكاء الاصطناعي" ، وهو عدد مشاريع الذكاء الاصطناعي التي يمكن وضعها في الإنتاج. يستغرق الأمر سنوات حتى تبدأ هذه الفرق في تحقيق نتائج حقيقية. قدمت المنظمات الأكثر نجاحًا نهجًا شاملاً للنظام الإيكولوجي لتوسيع نطاق المواهب من خلال زيادة فرق الذكاء الاصطناعي الداخلية مع شركاء خارجيين لتصميم مسار أسرع للإنتاج التجريبي وتحسين إنتاجية الذكاء الاصطناعي.

الثقة. لدى الناس في جميع أنحاء العالم مشاعر مختلطة تجاه الذكاء الاصطناعي ويخشون من أن يجعل وظائفهم مهملة أو غير ذات صلة. لذا فإن تصميم أنظمة الذكاء الاصطناعي التي تؤكد على التعاون بين الإنسان والآلة هو أمر أساسي لتوسيع نطاق الذكاء الاصطناعي في هذه المنظمات. على الرغم من أن الأتمتة الكاملة من خلال الذكاء الاصطناعي قد تكون الحل للعديد من تحديات الأعمال ، إلا أن العمليات الأكثر تأثيرًا وعالية المستوى لا تزال هي العمليات التي يديرها البشر. لاعتماد الذكاء الاصطناعي على نطاق واسع عبر مؤسسة ما ، فأنت بحاجة إلى الاشتراك والدعم والتكامل عبر العديد من العمليات التجارية وأنظمة تكنولوجيا المعلومات وسير عمل أصحاب المصلحة. يقدم تطبيق الذكاء الاصطناعي في العمليات التجارية أيضًا مجموعة متنوعة من المخاطر. تتمثل إحدى المخاطر في أداء الأعمال في الحالات التي يكون فيها تأثير نظام الذكاء الاصطناعي على الأعمال غير واضح ، مما يكلف المؤسسات الوقت والموارد وتكلفة الفرصة البديلة. خطر آخر هو الحفاظ على الامتثال للتدقيق الداخلي والمتطلبات التنظيمية ، وهو مجال سريع التطور إلى حد كبير. النوع الثالث من المخاطر هو السمعة ، مع مخاوف من أن القرارات أو القرارات المتحيزة التي تتخذها خوارزميات الصندوق الأسود يمكن أن تؤثر سلبًا على تجارب أصحاب المصلحة. هذه عقبة حاسمة ستواجهها حتى أكثر الفرق تقدمًا عند محاولة توسيع نطاق الذكاء الاصطناعي عبر مؤسساتهم.

يتطلب التغلب على التحديات التي أشرت إليها هنا أكثر من مجرد تقنية وأدوات. إنها تنطوي على مجموعة من العمليات التنظيمية ، والقدرة على جلب فرق مختلفة ، والتعاون بنشاط مع نظام بيئي منظم من الشركاء الداخليين والخارجيين. ال التي تزيد قيمتها عن 15.7 تريليون دولار. إن الفرصة أمامنا مع الذكاء الاصطناعي ، لكنها تتطلب منا أن نجتمع كصناعة لحل هذه التحديات الرئيسية. سأقوم باستكشاف هذه المجالات في المشاركات المستقبلية مع التركيز على مشاركة بعض أفضل الممارسات.

غانيش بادمانابان هو نائب الرئيس لتطوير الأعمال العالمية والشراكات الإستراتيجية في بيوند مايندز. وهو أيضا عضو في العالم المعرفي Think Tank في مؤسسة AI.

VentureBeat

تتمثل مهمة VentureBeat في أن تكون ساحة المدينة الرقمية لصناع القرار التقنيين لاكتساب المعرفة حول التكنولوجيا التحويلية والمعاملات. يقدم موقعنا معلومات أساسية حول تقنيات واستراتيجيات البيانات لإرشادك وأنت تقود مؤسساتك. ندعوك لتصبح عضوًا في مجتمعنا ، للوصول إلى:

  • معلومات محدثة عن الموضوعات التي تهمك
  • رسائلنا الإخبارية
  • محتوى رائد الفكر وإمكانية وصول مخفضة إلى أحداثنا الثمينة ، مثل Transform
  • ميزات الشبكات والمزيد

تصبح عضوا

المصدر: https://venturebeat.com/2021/02/14/scaling-ai-the-4-challenges-youll-face/

بقعة_صورة

أحدث المعلومات الاستخباراتية

بقعة_صورة