أ builds أنظمة الذكاء الاصطناعي للأعمال. यहाँ ما يخطئ فيه معظم الناس

أ builds أنظمة الذكاء الاصطناعي للأعمال.

ليس لدينا عروض أو اختبارات أو مشاريع بحثية. أنظمة إنتاج تتفاعل مع العملاء، وتتنقل عبر السياسات، وتسترد المعلومات من منصات مؤسسية غير متصلة، وتعمل داخل بيئات تتسم بالبيانات غير كاملة، والسجلات المتناقضة، والعمليات القديمة، والتطبيقات غير المتصلة، والحالات النادرة التي تراكمت على مدار عقود. العملاء يطرحون أسئلة غامضة. السياسات تتغير. جودة البيانات تختلف. سلوك الإنسان يبقى رائعًا وغامضًا.

تلك التجربة أعطتني مقعدًا في الصف الأمامي لمعرفة واحدة من أكبر الفجوات في صناعة الذكاء الاصطناعي. المناقشة العامة حول الذكاء الاصطناعي غالبًا ما تهيمن عليها ما يمكن أن تصبح عليه التكنولوجيا في يوم ما، بينما المنظمات تحاول معرفة كيفية نشرها بنجاح اليوم. تلك هي مناقشات مختلفة.

الأسئلة التي أقضي وقتًا في الإجابة عنها نادرًا ما تتضمن الذكاء الاصطناعي العام أو ما إذا كانت الآلات ستحل مكان البشر في النهاية. تميل إلى أن تكون أكثر عمليًا. هل يمكن للنظام تفسير طلبات العملاء بانتظام؟ هل يمكنه استرجاع المعلومات الدقيقة عبر منصات مؤسسية متعددة؟ هل يمكنه التعافي عند عدم اكتمال البيانات؟ هل يمكنه رفع مستوى الاهتمام بشكل مناسب عند انخفاض الثقة؟ هل يمكن للفرق الثقة به đủ لتنشره على نطاق واسع؟

تلك الأسئلة قد تكون أقل إثارة من العناوين الرئيسية، لكنها هي التي تحدد ما إذا كان الذكاء الاصطناعي للمؤسسات ينجح. مع مرور الوقت، أصبحت أعتقد أن معظم المنظمات تُغالي في تقدير أهمية النموذج نفسه وتقلل من كل ما يتطلب جعل ذلك النموذج مفيدًا داخل عمل حقيقي.

عرض العينة ليس هو التوزيع

أي شخص يعمل密ًا مع الذكاء الاصطناعي للمؤسسات يفهم الفجوة بين عرض معرض وتنفيذ إنتاج.

نلتقي بمثل هذه الأمثلة باستمرار. نظام الذكاء الاصطناعي الذي نعمل معه يصارع معظم الأوقات لتحويل رقم الطلب الصحيح المكون من 16 رقمًا إلى كلمات. هذه الأنواع من الفشل مشابهة لمشكلة “كم عدد الحروف ر في كلمة strawberry” الشهيرة، حيث عانى النماذج المتقدمة من لغة مع مهمة بدت بسيطة للبشر. نفس النماذج يمكن أن تحقق نتائج استثنائية في الاختبارات مثل MCAT. هذا التباين يكشف عن شيء مهم: أداء البenchmark وموثوقية التشغيل ليسا نفس الشيء.

مرة واحدة يدخل الذكاء الاصطناعي الإنتاج، يرث كل تعقيد البيئة المحيطة به. أنظمة المؤسسات تحتوي على سجلات غير كاملة، ومعلومات متناقضة، وعمليات قديمة، وتطبيقات غير متصلة، وحالات نادرة تراكمت على مدار عقود. العملاء يطرحون أسئلة غامضة. السياسات تتغير. جودة البيانات تختلف. سلوك الإنسان يبقى رائعًا وغامضًا.

هذه الحقائق تشكل النتائج بشكل أكبر من نتائج البenchmark لأن الذكاء الاصطناعي لا يعمل في بيئة اختبار. يعمل داخل عمليات أعمال، وأنظمة، وعمليات تدخل تعقيدًا لا يمكن للنموذج حلها بمفرده.

الذكاء الاصطناعي للمؤسسات له طبقة تشغيلية

درس واحد ي驚 الناس باستمرار هو كيف يصبح أداء النموذج بسرعة غير معامل محدود. مرة واحدة يصل النظام إلى الإنتاج، تحديات التشغيل غالبًا ما تصبح أكثر أهمية من النموذج نفسه. مبادرات الذكاء الاصطناعي الناجحة تعتمد على تصميم العملية، وتنسيق المنظمة، وجودة البيانات، وتكامل النظام، والرؤية، وطرق الرفع، والحوكمة، والثقة.

الفرق تحتاج إلى إجراءات واضحة لمعالجة الفشل. تحتاج إلى رؤية كيفية عمل الأنظمة. تحتاج إلى ثقة بأن القضايا يمكن تحديدها وحلها قبل أن تؤثر على العملاء. المنظمات غالبًا ما تكتشف أن العمل المحيط بنظام الذكاء الاصطناعي يتطلب نفس القدر من الاهتمام مثل نظام الذكاء الاصطناعي نفسه.

ذلك الطبقة التشغيلية هي حيث ينجح أو يفشل الكثير من التنفيذ.

خدمة العملاء لا تزال واحدة من أصعب المشاكل

تجربة العملاء تقدم واحدة من أبرز الأمثلة على هذا التعقيد.

التفاعلات البسيطة أصبحت قابلة للإدارة بشكل متزايد لأنظمة الذكاء الاصطناعي. التحقق من رصيد الحساب. إعادة تعيين كلمة المرور. البحث عن حالة الرحلة. هذه هي مهام محددة للغاية مع نتائج متوقعة.

حوارات العملاء الحقيقية نادرًا ما تظل بسيطة.

عميل يحاول حل مشكلة طيران تتضمن نقاط الولاء، وشركاء النقل، وخصومات، وسياسات استثنائية، وتفاعلات سابقة متعددة، يقدم تحديًا مختلفًا للغاية. السياق مجزء. الأهداف قد تكون غير واضحة. السياسات قد تتعارض. العواطف غالبًا ما تدخل الحوار.

هذه التفاعلات لا تزال تمثل جزءًا كبيرًا من عمل خدمة العملاء، وتتطلب التفكير عبر الأنظمة، والعمليات، والقواعد التجارية، بطريقة لا تزال صعبة للذكاء الاصطناعي. التقدم كان رائعًا. التعقيد يظل حقيقيًا.

بيانات المؤسسات أصبحت قابلة للاستخدام أخيرًا

منطقة واحدة أرى فيها تحولًا معنويًا يحدث اليوم تتضمن بيانات المؤسسات.

معظم المنظمات قامت بتراكم المعلومات على مدار سنوات عبر عشرات أو مئات من الأنظمة غير المتصلة. المعرفة القيمة موجودة، ولكن العثور عليها واستخدامها بشكل فعال كان صعبًا. الذكاء الاصطناعي يجعل تلك المعلومات أكثر سهولة.

المنظمات بدأت في دمج البيانات عبر الأنظمة، ورفع السياق ذي الصلة بشكل أكثر كفاءة، ومساعدة الموظفين على التنقل في المعلومات التي كانت منتشرة في السابق عبر تطبيقات ومراكز بيانات متعددة. هذه القدرة على جعل معرفة المؤسسات تشغيلي قد تثبت أنها أكثر تحولًا من العديد من عروض الذكاء الاصطناعي التي تهيمن على المناقشة العامة.

التحدي التالي: الذكاء الاصطناعي يعمل مع الذكاء الاصطناعي

موجة الابتكار التالية من المحتمل أن تتضمن أنظمة الذكاء الاصطناعي المتعددة تعمل معًا.

المنظمات已经 تجرب عمليات حيث يعمل الوكلاء معًا، ويتنسيقون المهام، ويساهمون في عمليات أعمال أكبر. هذا يخلق تحديات جديدة حول المساءلة، والثقة، ورفع مستوى الاهتمام، والتواصل، والحوكمة.

البشر طوروا مهارات التعاون الضمنية على مدار قرون. نعرف كيف نسأل عن المساعدة، ونعبر عن عدم اليقين، ونرفع مستوى الاهتمام، ونسترد من الأخطاء. بناء تلك السلوكيات في أنظمة الذكاء الاصطناعي هو مجال جديد.

الكثير من الفصل التالي من الذكاء الاصطناعي للمؤسسات سيتضمن تعليم الأنظمة كيفية العمل بشكل فعال جنبًا إلى جنب مع الحفاظ على الانسجام مع أهداف المنظمة.

ما يتطلب الذكاء الاصطناعي للمؤسسات حقًا

بعد سنوات من بناء وتنفيذ أنظمة الذكاء الاصطناعي، أصبحت مقتنعًا بأن المنظمات تقضي وقتًا طويلًا في تقييم ذكاء النموذج ووقتًا قليلًا في إعداد البيئة المحيطة به.

الذكاء الذي يظهره هذه النماذج يمكن أن يكون رائعًا. كل عام يصبح أكثر قدرة، ومفيدًا، ومتطورًا. ومع ذلك، فإن التنفيذات الناجحة لا تزال تعتمد على الأساسيات: بيانات موثوقة، وعمليات مصممة جيدًا، وحوكمة مدروسة، ومساءلة واضحة، وأشخاص يفهمون كيفية دمج التكنولوجيا الجديدة في العمليات الحالية.

المنظمات التي ترى أكبر قيمة من الذكاء الاصطناعي تُحسن هذه الأساسيات. لأن الذكاء وحده لا يخلق تحولًا.

التحول يحدث عندما تعمل التكنولوجيا، والبيانات، والعمليات، والأشخاص معًا لإنتاج نتائج أفضل.