قبل المزيد من النماذج ، تحتاج الذكاء الاصطناعي في التجارة إلى ثورة البنية التحتية

تتحرك تنفيذ الذكاء الاصطناعي في التجارة بسرعة ملحوظة. وتتسارع استثمارات الذكاء الاصطناعي في البيع بالتجزئة ، حيث من المتوقع أن ينمو السوق من 11.6 مليار دولار في عام 2024 إلى أكثر من 40 مليار دولار بحلول عام 2030.

وبالمثل ، يتم إصدار نماذج جديدة بسرعة ، ويستمر البائعون في توسيع قدراتهم ، وتواجه المتاجر ضغوطا متزايدة من مجالس الإدارة والمستثمرين لإثبات أنهم يدمجون الذكاء الاصطناعي في عملياتهم.

على السطح ، هذا يخلق انطباعًا بأن الصناعة تخضع لتحول سريع وحاسم. ومع ذلك ، تحت هذه النشاط ، يتم وضع معظم هذه المبادرات على أنظمة لم تكن مصممة أبدًا لدعمها.

القيود ليست في توافر النماذج أو جودتها. بل هي حالة البنية التحتية التي تحته.

عند تنفيذ الذكاء الاصطناعي ، يجب أن لا يذهب الميزانية الأولى إلى الذكاء الاصطناعي نفسه. يجب أن تذهب إلى ما نسميه “ثقة البيانات” ، وهو بنية البيانات. هذه هي الاتصالات بين الأنظمة وازالة التكرارات وتحديثات الوقت الفعلي.

الفشل في القيام بذلك هو السبب في فشل الذكاء الاصطناعي في التجارة ، والسبب في أن العديد من الجهود تبدأ بالزخم لكنها تعاني في ترجمة ذلك إلى تأثير مستدام. لننجح في تنفيذ الذكاء الاصطناعي ، يجب أن نبدأ بالبنية التحتية.

في المقابل ، في التجارة ، تميل المحادثة نفسها إلى البدء بطبقة واحدة أعلى ، مع التركيز على اختيار النماذج أو تحديد حالات استخدام ذات إمكانات عالية. ما ي nhận أقل اهتمام هو ما إذا كانت بنية البيانات الأساسية قادرة على دعم أي من هذه القرارات بطريقة معنوية.

إذا كانت البيانات الأساسية متجزئة ، فإن الذكاء الاصطناعي سيولد مخرجات يمكن أن تكون ضارة أو خادعة.

في المنظمات الأكبر ، يتم تعزيز هذه النزعة من خلال الحاجة إلى إظهار التقدم. “القيام بشيء مع الذكاء الاصطناعي” يصبح هدفًا في حد ذاته ، وغالبًا ما يكون تقديم نموذج هو السبيل الأكثر فورية لتحقيق ذلك ، بغض النظر عما إذا كان ينتج قيمة قابلة للقياس.

على مستوى المجلس ، تتسارع التوقعات حول الذكاء الاصطناعي في شكل تحسينات في التخصيص وزيادات قابلة للقياس في الكفاءة والهامش. على مستوى النظام ، لا تتماشى الجاهزية مع ذلك. وكلما استمر هذا الفجوة ، أصبح أكثر تكلفة تصحيحها ، حيث يتم إضافة طبقات من التكنولوجيا على أسس لا تزال غير متغيرة.

ما يبدو “غير جاهز للذكاء الاصطناعي” في الممارسة

المشكلة الرئيسية هي عدم الاتساق عبر الأنظمة. على سبيل المثال ، قد يوجد عميل واحد في نفس الوقت في منصة إدارة الموارد ، وبيئة تجارة إلكترونية ، ونظام غير متصل أو نظام ولاء ، كل منها يحمل سجلات ومفاهيم مختلفة.

بيانات المنتج ، على الرغم من اكتمالها فنيًا ، محدودة من حيث تقديم السياق الذي يسمح للنموذج بتفسيره أو التفكير فيه بفعالية. ويقدر سوء جودة البيانات وحدها أن تكلف المنظمات ما يقرب من 13 مليون دولار سنويًا ، مما يؤكد كيف أصبحت هذه القيود أساسية.

تتعلم الفرق البشرية كيفية التنقل خلال هذه الانسجامات مع مرور الوقت ، وبناء جسور غير رسمية بين الأنظمة. في المقابل ، يعمل النموذج بدقة داخل الهيكل الذي يتم توفيره ، والخروجات التي ينتجها مقيدة وفقًا لذلك.

عندما يتم تقديم الذكاء الاصطناعي إلى هذا البيئة ، فإن النتيجة ليست عدم وجود مخرجات ، ولكن تدهور تدريجي في جودتها.

يمكن للنموذج معالجة البيانات وإنتاج مخرجات ، لكنه لن يصل بين الأنظمة بمفرده.

في الممارسة ، قد يظهر هذا على أنه محرك تخصيص يقدم توصيات منتجات محددة للغاية تصنف العميل بطرق لا تعكس تفضيلاته أو نواياه الفعلية.

في الأنظمة التي تعمل بالذكاء الاصطناعي ، غالبًا ما تصبح تجارب العملاء أكثر دقة ولكن أقل صلة.

يمكن أن يكون هذا التحول من الصلة العامة إلى عدم الصلة المحددة أكثر ضررًا مما يبدو ، حيث أنه يغير كيف يدرك العملاء العلامة التجارية نفسها. في الأسوأ ، لا تؤدي هذه الأنظمة أداءً ضعيفًا فحسب ، بل تؤدي إلى تدهور تجربة العملاء.

لماذا تتعثر معظم تجارب الذكاء الاصطناعي ، وما هي التكلفة

هذا الديناميكية هو واحد من الأسباب الرئيسية لعدم تقدم نسبة كبيرة من تجارب الذكاء الاصطناعي في التجارة إلى ما بعد التجربة. تشير بيانات الصناعة إلى أن حوالي نصف مبادرات الذكاء الاصطناعي تصل من مرحلة التجربة إلى الإنتاج ، مما يترك نسبة كبيرة معطلة في مرحلة التجربة.

المشكلة نادرًا ما تكون عدم وجود استثمار أو نية. تظهر العقدة عندما لا تبرر المخرجات التي تنتجها هذه الأنظمة توسيع نطاقها.

في ذلك الحين ، تواجه المنظمات خيارًا بين الاستمرار في الاستثمار في التحسين أو التخلي عن المبادرة بالكامل. في nhiều حالات ، يختارون الأخير لأن البيئة التي يتم فيها نشرها لا يمكن أن تدعم نتائج متسقة.

على مستوى الصناعة ، تتكرر نفس الفجوات في البنية التحتية. تظل بيانات العملاء متجزئة بدلاً من توحيدها. توجد معلومات المنتج ، لكنها تفتقر إلى العمق المطلوب للتفسير. تعمل الأنظمة بالتوازي بدلاً من تدفق المعلومات المتسق. عندما يتم تقديم النماذج إلى هذه البيئة ، فإنها توسع هذه المشاكل.

تكلفة هذا النهج تمتد إلى ما هو أبعد من النفقات المباشرة. تظهر على أنها تراكم 系统ي للاوصاف التي لا تؤدي إلى تحويل ، وتخصيص يبدو غير متسق ، وأتمتة تزيد من الأخطاء الحالية.

بمرور الوقت ، يؤدي هذا إلى تآكل دقيق ولكن هام للثقة داخل المنظمة. يبدأ الفريق في التشكيك في موثوقية الأنظمة التي يبنيونها ، ويتم تقديم طبقات إضافية من التكنولوجيا في محاولة لتعويض. النتيجة هي تأخير في الوصول إلى الوضوح المطلوب لبناء أنظمة تعمل.

السبب في أن العديد من الشركات تبني تجارب الذكاء الاصطناعي لكنها لا تتجاوزها هو أنها تبني هذه التجارب على أسس ضعيفة ، مثل الطبخ بمكونات سيئة.

قد يكون لديك وصفة غوردون رامزي وجيدة ، ولكن إذا كانت المكونات سيئة ، فإن النتيجة ستكون سلبية.

الفرق بين الشركات الناشئة والشركات الكبيرة

المنظمات الصغيرة ، وخاصة تلك في نطاق السوق المتوسط ، غالبًا ما تظهر قدرة أكبر على تنفيذ الذكاء الاصطناعي بفعالية. هذا لأن أنظمتهم أقل تجزئة ، وعمليات اتخاذ القرار أكثر مباشرة.

في المنظمات الأكبر ، يقدم الهيكل نفسه عائقًا محتملًا. غالبًا ما يتم دفع المبادرات من خلال الحاجة إلى الاستجابة للتوقعات الخارجية ، ويتحول الذكاء الاصطناعي إلى فئة يجب معالجتها بدلاً من قدرة يتم دمجها بدقة.

قول “نريد تنفيذ الذكاء الاصطناعي” مثل جلب الكهرباء إلى المصنع بدون آلات. تضيء الأضواء ، لكن الإنتاج لا يتحسن ، لأنك استثمرت في التكنولوجيا بدون معرفة ما سيفعله بالفعل.

الانتقال من النماذج إلى البنية التحتية

نهج بديل يبدأ في الظهور بين المنظمات التي واجهت هذه القيود مباشرة.

بدلاً من تخصيص الميزانيات الأولية إلى نماذج الذكاء الاصطناعي ، يستثمرون في ما يمكن وصف بأنه “ثقة البيانات” ، وهو إنشاء أساس حيث تكون البيانات متسقة ومتصلة ومتحديثة بشكل مستمر. الهدف هو ضمان أن تكون البيانات المستخدمة قادرة على دعم قرارات معنوية.

يمكن أن تأخذ تحضير البيانات ما يصل إلى 80% من الوقت المستغرق في مشاريع التعلم الآلي ، مما يؤكد كمية العمل التي تقع في طبقة البيانات الأساسية بدلاً من النماذج نفسها.

يتبدأ هذا العملية عادةً بتحديد تفصيلي للأنظمة الحالية وتحديد الفجوات في تدفق البيانات وصدقها. يتم تخصيص أول 30 إلى 60 يومًا لفهم كيفية تحرك المعلومات أو عدم تحركها عبر المنظمة. يلي ذلك فترة من التكامل والمعاينة ، حيث يتم تنظيف البيانات وازالة التكرارات وتنظيمها عبر المنصات.

خلال الشهرين إلى ستة أشهر التاليين ، تركز الشركات على بناء خطوط أنابيب بيانات موثوقة وربط الأنظمة القيمة العالية بطرق تدعم حالات استخدام حقيقية. فقط بعد وضع هذا الأساس ، يصبح من الممكن تقديم الذكاء الاصطناعي إلى عمليات يمكن أن تنتج نتائج متسقة وقابلة للقياس.

في غضون ستة إلى تسعة أشهر ، تبدأ المنظمات التي تتبع هذا النهج في رؤية نتائج معنوية في شكل عمليات مدفوعة بالذكاء الاصطناعي تؤثر على مقاييس مثل التحويل والاحتفاظ وتحسين الهامش. في ذلك الحين ، تتوقف النماذج عن كونها تجارب وت trởن جزءًا من العمليات. ي稳ن أداؤهم ، وتصبح مخرجاتهم قابلة للعمل إلى الحد الذي يمكن للفرق أن يبدأوا في الاعتماد عليها.

من غير المحتمل أن يتباطأ تسارع استثمارات الذكاء الاصطناعي في التجارة في الأجل القريب. ما يظل غير مؤكد هو ما إذا كانت جاهزية البنية التحتية ستتماشى وتدعمها. الفجوة المتزايدة بين ما تتوقعه المنظمات من الذكاء الاصطناعي وتقديمه وما يمكن أن تدعمه أنظمتها هي بالفعل مرئية في زيادة عدد التجارب التي تفشل في الوصول إلى الإنتاج. يتطلب معالجة هذا الفجوة تحولًا في التركيز إلى بناء هذه البنية التحتية الحاسمة.

نقل المحادثة من النماذج إلى البنية التحتية لا يحمل نفس الطابع الفوري أو الوضوح. لكنه حيث تقع العديد من القيود الحالية. ومن هنا سوف تظهر المرحلة القادمة من التقدم المهم في التجارة التي تعمل بالذكاء الاصطناعي.