AI Trends Staff adlı geliştiriciden
İlk AI projelerinde bir miktar başarı elde eden şirketler, işe daha fazla değer katmak için benimsemeyi hızlandırmanın yollarını arıyor. Bir araştırmacı, AI'nın benimsenmesini hızlandırmak için bir yol haritası sunan bir AI Benimseme Olgunluk Modeli tanımladı.
Altı adımlı yapay zeka benimseme olgunluk modelinin ilk aşaması, işin dijitalleştirilmesiPROS Holdings'in yapay zeka baş stratejisti Dr. Michael Wu, fiziksel dünyadaki işi veri olarak izlenebilen ve kaydedilebilen dijital süreçlere dönüştürerek, havayoluna odaklanarak fiyatlandırma optimizasyonu için bir hizmet olarak yapay zeka tabanlı yazılımlar sunmayı öneriyor. sanayi.
Wu, "Bu aşama tamamen AI için hammadde olan verileri elde etmekle ilgili" dedi. ZDNet. “Dijital dönüşüm vagonundaysanız, sizin için iyi. Zaten bu olgunluk eğrisinin 1. Aşamasındasınız.”
Wu, önceki görevlerinde 10 yılı aşkın bir süredir sosyal medyadaki tüketici davranışlarını analiz etmek için veri bilimi uzmanlığını uygulama konusundaki çalışmalarından kendi AI benimseme olgunluk modelini oluşturmaya hak kazandı. Bunlar arasında, şimdi Khoros olarak adlandırılan ve müşteri katılımı, çevrimiçi topluluk yönetimi ve sosyal medya analitiği için yazılımlar sunan Lithium Technologies'deki baş bilim adamı da vardı.
Temassız dijital teknolojilere geçiş, yapay zekanın benimsenmesini hızlandıracak çünkü e-ticaretin küresel doğasına göre ölçeklendirmek gerekiyor ve yapay zeka çevrimiçi rekabete karşı bir farklılaştırıcıdır. “Her dijital işletme, sonunda bir tür yapay zekayı benimsemeli ve benimsemelidir” diyor.
Yapay zekayı eğitmek için gereken kritik veri kütlesi yüksektir, bu nedenle şirketlerin gerekli veri hacmine ulaşması uzun zaman alır. Bu arada şirketler, yöneticilerin daha iyi kararlar almasına yardımcı olmak için analizler yaparak topladıkları verilerden değer elde edebilir.
Çoğu şirket ile başlayacak tanımlayıcı analitik raporlarda ve gösterge panolarında topladıkları verileri özetleyen, belki de iş zekası araçları tarafından desteklenen. Veri varlıklarının hacmi ve çeşitliliği arttıkça, şirket performans göstermeye hazır olabilir. tahmine dayalı analitik. Wu, örneğin, bir üretim tesisi, kestirimci bakım gerçekleştirmek için belirli makinelerin arıza süresini anlamak için mekanik işlem verilerini kullanabilir.
Sonunda, şirket gerçekleştirmek için yeterli veri topladı normatif analitik, bazı sonuçları optimize eden eylemleri belirtmek için kullanılır. Örneğin, bir ürün için bir fiyatlandırma önerisi, geliri optimize edecek şekilde ayarlanır. Pazarlama otomasyonu, potansiyel müşterileri müşterilere dönüştürme fırsatını optimize etmek için bir potansiyel müşteri için katılım sıklığını belirleyebilir. Artık kuruluş, olgunluk eğrisinin bir sonraki aşamasına hazırdır.
Wu, olgunluk modelinin ilk aşamasındaki adımların "satıcıdan bağımsız, teknolojiden bağımsız ve kullanım durumundan bağımsız" olduğuna dikkat çekiyor. Daha ziyade, onun “olarak tanımladığı sosyal bilim ilkelerinden” türetilmiştir.pratikte mutlak olan matematik, fizik veya kimyadaki temel yasalar gibi değil. Bu, nadir de olsa istisnalar olacağı anlamına geliyor.”
Wu'nun AI Olgunluk Modelindeki ardışık adımları davranışsal ekonomi ve psikolojideki ilkelerden türetmiştir. O, "Bu nedenle satıcılar, teknolojiler, kullanım örnekleri, endüstriler, iş modelleri vb.
Wu'nun AI Olgunluk Modelindeki ikinci aşama, otomasyon için veri alışverişi. "PTanımlayıcı analitik, bu aşamaya doğal geçişi sağlar,” diyor Wu. AI'nın optimize ettiği eylemleri otomatikleştirin, öneridir. “AI bir kez eğitildikten sonra, kararlarımızı ve eylemlerimizi taklit ederek işimizin bu yönünü otomatikleştirmemize yardımcı olabilir. Yani esasen, verilerinizi otomasyon için değiştiriyorsunuz, ”diyor Wu.
Bu aşamaya bağlanmak için, kişinin makineye inanması ve çalışmasına izin vermesi gerektiğini öne sürüyor. “Makinelerin insan gözetimi altında (en azından yeterince emin olduklarında) arama yapmasına izin verme konusunda rahat olmalıyız” diyor.
Wu'nun geri kalan adımları, AI'nın benimsenmesi için bir yol haritası sağlar. “AI ile birlikte insanlığın karşı karşıya olduğu en büyük zorlukların üstesinden gelebileceğimize inanıyorum” diyor.
İlk Başarıdan Sonra Evlat Edinmeyi Hızlandırma
Yapay zekaya giden yol haritasına başlayan ve bir miktar başarı elde eden kuruluşlar, sürecin nasıl hızlandırılabileceğini merak ediyor. 2020'deki pandemi sırasında şirketler yapay zekayı bazı adımlar attı.
SAS'ta AI ve analitik direktörü David Tareen, bir hesapta, "Pandemi, pandemi ile ilgili bir dizi soruyu yanıtlamak için AI ve sohbet robotlarını devreye soktu" dedi. Girişimciler Projesi. “Bilgisayar görüşü, sosyal mesafe çabalarını destekledi. Makine öğrenimi modelleri, yeniden açılma sürecinin etkilerini modellemek için vazgeçilmez hale geldi.”
Bu ilk başarılarla şirketler, daha fazla AI projesinden işletme için daha yüksek potansiyel değere giden yolu görmeye başlar. AHEAD'de Altın Ödüllü Saha CTO'su Josh Perkins, "BT liderlerinin yapay zekanın daha geniş çapta benimsenmesini hızlandırmasının bir nedeni varsa, o da içgörüler ve verimlilikler aracılığıyla gerçek iş değeri yaratan fırsatları ortaya çıkarma yeteneğidir" dedi. Microsoft Azure ile bulut iş ortağı.
bir öneri banaen iyi kullanım durumlarını belirleyin ve bunlarla başlayın. Metis başkanı Peter A. High, "Yapay zeka ve makine öğrenimi çabaları en iyi belirli kullanım durumlarına yöneliktir ve özellikle yapay zeka ve makine öğrenimi yeteneğiniz azsa, onu hayata geçirmek için daha geniş bir ekosisteme dahil olmayı gerektirebilir" diyor. Strateji, iş ve teknoloji danışmanları.
Diğer bir öneri ise kilometre taşlarını yönetmek. Bir siber sigorta şirketi olan Cowbell Cyber'de veri bilimi başkanı Ravi Rajan, "Yapay zeka girişimleriyle ilgili gözden kaçan bir zorluk, somut sonuçlar elde edilmeden önce gereken zaman taahhüdüdür" dedi. "İlerlemeyi gösterecek net hedefler ve planlanmış kilometre taşları olmadan, yapay zeka projeleri hızla keşfe dönüşebilir."
Yapay zeka için personel alımıyla ilgili olarak, uzmanlar şunları önermektedir: Beceri edinimi için çok yönlü bir yaklaşım. Büyük veri, süreç otomasyonu, siber güvenlik, insan-makine etkileşimi tasarımı, robotik mühendisleri ve makine öğrenimi uzmanları konusunda uzmanlık talep edilmektedir. İhtiyaç duyulan uzmanlığı bulmak, yenilikçi yaklaşımlar gerektiren yaratıcı bir çaba haline geldi.
Cognizant Center for the Future of Work'ün Başkan Yardımcısı ve Direktörü Ben Pring, "Kurumların karmaşık işe alma ve elde tutma planlarına sahip olmanın yanı sıra, zaten sahip oldukları yeteneklerden yararlanmak için daha fazla çalışması gerekiyor" diyor. “Yetenek geliştirme ve kurum içi kariyer ilerlemesine yönelik kökten bir reform, bu temel görevde başarılı olmak için gerekli olan çok faktörlü İK stratejisinin önemli bir unsurudur.”
Pring, kitabın ortak yazarlarından biridir. Makineler Her Şeyi Yaptığında Ne Yapmalı? (2017) ve 2011'de Cognizant's Center'ın kurucusu. Daha önce 14 yılı aşkın bir süre Gartner'da çalışmıştı.
Oak Ridge National Lab, Evlat Edinmeyi Hızlandırmak için Ortaklarla Çalıştı
Nükleer enerjide, mühendisler Oak Ridge Ulusal Laboratuvarı (ORNL), ortaklarla birlikte çalışarak yapay zekanın benimsenmesini hızlandırmanın bir yolunu buldu.
Füzyon ve Fisyon Enerji ve Bilim Direktörlüğü Yardımcı Laboratuvar Direktörü Kathy McCarthy, "Endüstri, bilimsel ve mühendislik uzmanlığı ve kolayca kopyalanamayan birinci sınıf tesisler için ORNL'ye yöneliyor" dedi. basın bülteni. "Burada araştırmacılarımız mevcut endüstri ortaklıklarının bazı etkilerini ve başarısını paylaşıyor."
İşbirliği, başarılı bir şekilde kurulmuş ve şu anda Alabama, Atina'daki Tennessee Valley Authority'nin Browns Ferry Nükleer Santrali Ünite 3'de faaliyet gösteren 2 boyutlu yazıcılar tarafından üretilen dört yakıt montaj braketinin bu baharda üretilmesine yol açtı. Bileşenlerin, rutin denetimlerle altı yıl boyunca reaktörde kalması bekleniyor.
ORNL'nin İmalat Gösterim Tesisinde üretilenler, Framatome, TVA ve ORNL merkezli DOE Nükleer Enerji tarafından finanse edilen Dönüşümsel Mücadele Reaktörü (TCR) programı ile işbirliği içinde geliştirildi.
TCR program direktörü Ben Betzler, "Bu dönüm noktasını mümkün kılmak için üç bakış açısının (endüstri üreticisi, elektrik kuruluşu ve ulusal laboratuvar) hepsini aldı" dedi. "Bu işbirliği sayesinde, ülkenin en yüksek düzeyde düzenlemeye tabi endüstrilerinden birinde faaliyet gösterecek nitelikte 3D baskılı bir bileşen sunmanın gerçekten mümkün olduğunu gösterdik."
TCR programındaki araştırmacılar, DOE'nin INFUSE (Füzyon Enerjisi için Yenilik Ağı) girişimi için seçilen 13 projeye liderlik ediyor.
Kaynak makaleleri ve bilgileri okuyun itibaren ZDNet, Dan Girişimciler Projesi ve içinde basın bülteni Oak Ridge Ulusal Laboratuvarı'ndan.
Plato Ai. Web3 Yeniden Düşünüldü. Güçlendirilmiş Veri Zekası.
Erişmek için buraya tıklayın.
