البيانات المتضاربة تمنع اعتماد الشركات للذكاء الاصطناعي – كيف يمكن للشركات فك تشابك نفسها

يقول الشركات الناشئة في مجال الصحة إن التنظيمات الغامضة تثبط الابتكار في مجال الذكاء الاصطناعي في هذا القطاع. بالطبع ، هذه الاحتياطات ضرورية في صناعة الرعاية الصحية ، حيث يكون الأمر-literally-حياة أو موت. لكن ما لا يبدو له معنى هو التقدم البطيء في اعتماد الذكاء الاصطناعي عبر الشركات التي توفر برنامجًا كخدمة (SaaS) – وهو مجال لا يتم حبسه بالشريط الأحمر مثل القطاعات الأخرى.

إذاً ، ما الذي يمنع الشركات من اعتماد الذكاء الاصطناعي لتحسين وتنظيم عملياتها؟ الجاني الرئيسي هو الكم الهائل من البيانات المتضاربة التي تتراكم مع نمو الشركات وإضافة أدوات ومنتجات جديدة. في هذه المقالة ، سأغوص في كيفية تعرض البيانات المتضاربة لعقبة أمام الابتكار في مجال الذكاء الاصطناعي في الشركات ، وستقدم الحلول.

مرحباً بكم في غابة البيانات

دعونا نبدأ بالنظر إلى تحدي البيانات الشائع الذي تواجهه العديد من الشركات الحديثة. في البداية ، عندما تقدم الشركات مجموعة محدودة من المنتجات ، عادةً ما يكون لديها بيانات إيرادات نظيفة موجودة جميعها في نظام واحد. ومع ذلك ، مع توسعها في عروضها واعتمادها لمجموعة من نماذج الإيرادات ، تصبح الأمور سريعة التعقيد.

على سبيل المثال ، قد تستخدم الشركة في البداية نموذج الشراء لمرة واحدة ، ولكنها تقدم فيما بعد خيارات إضافية مثل الاشتراكات أو التسعير المستند إلى الاستهلاك. مع توسعها ، من المحتمل أن تتنوع قنوات البيع أيضًا. قد تدرك الشركة التي تبدأ ببيع المنتجات بنسبة 100٪ ذاتية الخدمة أن هناك حاجة إلى مساعدة فرق المبيعات لزيادة المبيعات ، وتحويل المبيعات ، واكتساب عملاء أكبر.

خلال مراحل النمو السريع ، غالبًا ما تُضيف الشركات أدوات بيع جديدة إلى الأنظمة الحالية. ستحصل على أداة SaaS مختلفة لإدارة كل حركة ونموذج تسعير وعمليات شراء ، إلخ. ليس من غير المألوف أن يكون لديpartment التسويق وحده 20 أداة SaaS مختلفة مع 20 سيلو بيانات منفصل.

لذا ، بينما تبدأ الشركات عادةً ببيانات متكاملة نظيفة ، يؤدي النمو إلى تعقيد البيانات بسرعة ، غالبًا قبل أن تعترف الشركات بها كمسألة. تصبح البيانات معزولة بين أنظمة الفواتير والشحن ونجاح العملاء ، مما يعني أن الشركات تفقد الرؤية العالمية لآلياتها الداخلية. ولسوء الحظ ، غالبًا ما يكون تحديد البيانات يدوياً شاقًا ومستهلكًا للوقت لدرجة أن المعلومات قد تصبح غير صالحة قبل أن تكون جاهزة للاستخدام.

الذكاء الاصطناعي لا يستطيع تصحيح بياناتك المتضاربة من تلقاء نفسه

سألنا العديد من العملاء المحتملين – “إذا كان الذكاء الاصطناعي رائعًا ، فلماذا لا يستطيع حل مشكلة البيانات المتضاربة من أجلنا؟” للأسف ، النماذج الحالية للذكاء الاصطناعي تتطلب مجموعات بيانات نظيفة للعمل بشكل صحيح. تعتمد الشركات على حركات بيع متنوعة ومنصات SaaS وعمليات إيرادات ، وبالتالي تتراكم مجموعات بيانات منفصلة ومتجزئة.

عندما تكون بيانات الإيرادات للشركة متفرقة عبر أنظمة غير متوافقة لا يمكنها التواصل مع بعضها البعض ، لا يستطيع الذكاء الاصطناعي فهمها. على سبيل المثال ، ما يتم تعيينه باسم “المنتج” في نظام قد يكون مختلفًا جدًا عن “المنتج” في نظام آخر. هذه الاختلافات الدقيقة في المعنى صعبة على الذكاء الاصطناعي أن يحددها وستؤدي حتماً إلى عدم دقة.

يجب تنظيف البيانات وسياقها وتكاملها قبل دخول الذكاء الاصطناعي إلى الصورة. هناك مفهوم خاطئ طويل الأمد مفاده أن تخزين البيانات يقدم حلًا مناسبًا للجميع. في الواقع ، حتى مع تخزين البيانات ، لا تزال البيانات تحتاج إلى تنقية وتصنيف وسياق يدوية قبل أن تتمكن الشركات من استخدامها لإنتاج تحليلات ذات معنى. لذلك ، هناك أوجه تشابه بين تخزين البيانات والذكاء الاصطناعي ، حيث تحتاج الشركات إلى الوصول إلى جذور البيانات المتضاربة قبل أن تتمكن من الاستفادة من أدواتهما.

حتى عندما يتم سياق البيانات ، لا يزال من المتوقع أن يخطر نظام الذكاء الاصطناعي على الأقل 3% من الوقت. لكن المالية الخاصة بالشركة – حيث يمكن أن يكون وجود نقطة عشرية في المكان الخطأ له تأثير دومينو يؤثر على عدة عمليات – تتطلب دقة 100٪. هذا يعني أن التدخل البشري لا يزال ضروريًا لتحقق دقة البيانات وتناسقها. قد يؤدي دمج الذكاء الاصطناعي بشكل سابق لأوانه إلى خلق المزيد من العمل للanalysts البشر ، الذين يجب أن يخصصوا وقتًا إضافيًا ومواردًا لتصحيح هذه Hallucinations.

أزمة بيانات

مع ذلك ، فإن انتشار حلول SaaS والبيانات المتضاربة الناتجة عنها له حلول.

أولاً ، يجب على الشركات تقييم تقنية她们 باستمرار لضمان أن كل أداة ضرورية لعمليات الأعمال ، وليس فقط مساهمة في تعقيد البيانات. قد تجد أن هناك 10 أو حتى 20+ أداة تستخدمها فرقك يوميًا. إذا كانت هذه الأدوات تُضيف قيمة إلى الإدارات والأعمال بشكل عام ، فلا تقلع عنها. لكن إذا كانت البيانات المتضاربة والمنعزلة تؤثر على العمليات وجمع المعلومات ، فلا بد من وزن فوائدها مقابل التبديل إلى حل موحد ومرن حيث يتم تخزين جميع البيانات في نفس الأداة واللغة.

في هذه النقطة ، تواجه الشركات معضلة عند اختيار البرمجيات: يمكن لأدوات كل شيء في واحد أن تقدم تماسكًا للبيانات ، ولكن ربما أقل دقة في مجالات معينة. يتضمن الحل الأوسط أن تسعى الشركات إلى برمجيات تقدم نموذج كائن عالمي مرن ومتكامل بشكل سلس مع النظام البيئي العام. khud Atlassian’s Jira ، على سبيل المثال. يعمل أداة إدارة المشاريع هذه على نموذج كائن سهل الفهم ومرن للغاية ، مما يجعله مناسبًا لتحويله إلى أنواع مختلفة من إدارة المشاريع ، بما في ذلك تطوير البرمجيات Agile ، و IT/Helpdesk ، والتسويق ، والتعليم ، إلخ.

للمناورة هذا التبادل ، من الضروري رسم خريطة للمقاييس التي تهم أعمالك والعمل بالعكس من هناك. تحديد نجمتك الشمالية وتنسيق أنظمتك نحوها يضمن أنك تبني بنية بياناتك لتوفير المعلومات التي تحتاجها. بدلاً من التركيز فقط على عمليات التشغيل أو راحة المستخدم ، فكر فيما إذا كانت النظام تساهم في المقاييس غير القابلة للمفاوضة ، مثل تلك الحاسمة لاتخاذ القرارات الاستراتيجية.

في النهاية ، الشركات التي تستثمر الوقت والموارد في فك تشابك الفوضى التي تعاني منها ستكون أول من يفتح القدرة الحقيقية للذكاء الاصطناعي.