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

تؤكد الشركات الناشئة في مجال الصحة أن اللوائح الغامضة تثبط الابتكار في مجال الذكاء الاصطناعي في هذا القطاع. وبطبيعة الحال، فإن مثل هذه الاحتياطات ضرورية في صناعة الرعاية الصحية، حيث يكون الأمر-literally- مسألة حياة أو موت. ولكن ما لا يبدو منطقيًا هو تباطؤ اعتماد الشركات على تقنيات الذكاء الاصطناعي عبر تطبيقات البرمجيات كخدمة – وهو مجال لا يتم حبسه بالشريط الأحمر مثل القطاعات الأخرى.

فما الذي يمنع الشركات من اعتماد تقنيات الذكاء الاصطناعي لتحسين وتحقيق أقصى استفادة من عملياتها؟ الجاني الرئيسي هو الكم الهائل من البيانات المتضاربة التي تتراكم مع نمو الشركات وإضافة أدوات ومنتجات جديدة. في هذه المقالة، سأغوص في كيفية تعتبر البيانات المتضاربة عائقًا أمام ابتكارات الذكاء الاصطناعي في الشركات، وسأستكشف الحلول.

مرحباً بكم في غابة البيانات

دعونا نبدأ بالنظر إلى تحدي بيانات شائع يواجهه العديد من الأعمال الحديثة. في البداية، عندما تقدم الشركات مجموعة محدودة من المنتجات، عادة ما يكون لديها بيانات إيرادات نظيفة ومحتوى في نظام واحد. ومع ذلك، مع توسعهم في عروضهم واعتمادهم 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 تنويع قنوات البيع أيضًا. قد تبدأ الشركة ببيع المنتجات بنسبة 100٪ ذاتية الخدمة، ولكنها تدرك في النهاية أنها تحتاج إلى مساعدة فرق المبيعات لتحقيق المبيعات المتقاطعة وبيع المنتجات الأكبر.

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

لذلك، بينما تتمتع الشركات عادةً ببيانات متكاملة ونظيفة في البداية، يؤدي النمو إلى خروج البيانات سريعًا عن السيطرة، غالبًا قبل أن تدرك الشركات أنها مشكلة. تصبح البيانات معزولة بين أنظمة الفواتير والشحن ونجاح العملاء وغيرها، مما يعني أن الشركات تفقد الرؤية العالمية لعملياتها الداخلية. ومن حسن الحظ، أن التوفيق اليدوي للبيانات غالبًا ما يكون شاقًا ومستهلكًا للوقت، بحيث يمكن أن تكون الإحصاءات قديمة الطراز بحلول وقت استعدادها للاستخدام.

الذكاء الاصطناعي لا يمكنه إصلاح بياناتك المتضاربة من تلقاء نفسه

سألنا العديد من العملاء المحتملين – “إذا كان الذكاء الاصطناعي رائعًا، فلماذا لا يمكنه حل مشكلة البيانات المتضاربة من أجلنا؟” للأسف، فإن نماذج الذكاء الاصطناعي ليست العلاج السحري لهذه المشكلة.

تتطلب نماذج الذكاء الاصطناعي الحالية مجموعات بيانات نظيفة للعمل بشكل صحيح. تعتمد الشركات على حركات مبيعات متنوعة ومنصات برمجيات وعمليات إيرادات، وبالتالي تتراكم مجموعات بيانات منفصلة ومجزأة. عندما تكون بيانات إيرادات الشركة متفرقة عبر أنظمة غير متوافقة لا يمكنها التواصل مع بعضها البعض، لا يمكن للذكاء 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 للتعرف عليها وستؤدي حتماً إلى عدم دقة.

تحتاج البيانات إلى التنظيف والسياق والدمج قبل دخول الذكاء الاصطناعي إلى الصورة. هناك مفهوم خاطئ طويل الأمد مفاده أن تخزين البيانات يوفر حلًا مناسبًا للجميع. في الواقع، حتى مع مستودع بيانات، لا تزال البيانات تحتاج إلى التنقية والتعليم والسياق يدوياً قبل أن تتمكن الشركات من استخدامها لإنتاج إحصاءات 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 أي من هذه الأدوات.

حتى عندما يتم تعريف البيانات، لا يزال من المتوقع أن تخيل نظم الذكاء الاصطناعي على الأقل 3٪ من الوقت. ومع ذلك، فإن مالية الشركة – حيث يمكن أن يؤدي وجود نقطة عشرية في المكان الخطأ إلى سلسلة من العمليات المضطربة – تتطلب دقة 100٪. هذا يعني أن التدخل البشري لا يزال ضروريًا لتحقق دقة وتماسك البيانات. قد يؤدي دمج الذكاء الاصطناعي بشكل прежمور إلى خلق المزيد من العمل للanalysts البشر، الذين يجب أن يخصصوا وقتًا وإمكانيات إضافية لتصحيح هذه التخيلات.

أزمة بيانات

مع ذلك، فإن انتشار حلول البرمجيات كخدمة والبيانات المتضاربة الناتجة عنها لهما عدة حلول.

أولاً، يجب على الشركات تقييم حزمة التكنولوجيا الخاصة بهم بانتظام لضمان أن كل أداة ضرورية لعمليات أعمالهم، وليس مجرد مساهمة في تعقيد البيانات. قد تجد أن هناك 10 أو حتى 20+ أداة تستخدمها فرقك يوميًا. إذا كانت هذه الأدوات تُضيف قيمة إلى الإدارات وعمليات الأعمال بشكل عام، فلا تُلغيها. ولكن إذا كانت البيانات المتضاربة والمنعزلة تسبب اضطرابًا في العمليات وجمع المعلومات، فيجب عليك موازنة فوائدها مقابل التبديل إلى حل موحد يحتوي على جميع البيانات في نفس الأداة واللغة.

في هذه المرحلة، تواجه الشركات معضلة عند اختيار البرمجيات: يمكن لأدوات كل شيء في واحد أن توفر تماسك البيانات، ولكن قد لا توفر دقة في المجالات المحددة. يعتبر الحل الأوسط هو أن تسعى الشركات إلى برمجيات توفر نموذج كائن عالمي مرن ومتكامل بشكل سلس مع النظام البيئي العام. khud اتخاذ مثال على أداة إدارة المشاريع من Atlassian (TEAM ) ، Jira. تعمل هذه الأداة على نموذج كائن سهل الفهم ومرن للغاية، مما يجعلها سهلة التكيف مع أنواع مختلفة من إدارة المشاريع، بما في ذلك تطوير البرمجيات الرشيق وخدمة دعم العملاء والتسويق والتعليم، إلخ.

للمناورة في هذا التبادل، من المهم رسم معايير الأهمية لشركتك والعمل من هناك. تحديد نجمتك الشمالية وتوجيه أنظمتك نحوها يضمن أنك تبني بنية بياناتك لتوفير الإحصاءات التي تحتاجها. بدلاً من التركيز فقط على سير العمل التشغيلي أو راحة المستخدم، فكر فيما إذا كانت الأنظمة تساهم في معايير غير قابلة للتفاوض، مثل تلك الحاسمة لأخذ القرارات الإستراتيجية.

في النهاية، الشركات التي تستثمر الوقت والموارد في فك تشابك فوضى البيانات التي وضعوا أنفسهم فيها ستكون أول من يفتح إمكانات الذكاء الاصطناعي الحقيقية.