قادة الفكر
التغلب على الضوضاء الإعلامية: تشغيل الذكاء الاصطناعي والتعلم الآلي من أجل نتائج الأعمال
بواسطة: كريشنان فينكاتا، كبير مسؤولي العملاء في شركة LatentView Analytics للتحليلات الرقمية LatentView Analytics.
لم يكن الحديث عن وعد الذكاء الاصطناعي (AI) والتعلم الآلي (ML) في الأعمال التجارية التي تتراوح من الشركات الناشئة الصغيرة إلى الشركات الكبيرة لمدة أكثر من عقد من الزمان. وفقًا لهذه النبوءات، فإن الذكاء الاصطناعي والتعلم الآلي سيحولان العمل الحديث، وسيؤديان إلى توفير العمليات اليومية وسيسمحان للموظفين البشر بالتركيز على المهام ذات المستوى الأعلى.
بعد عشر سنوات، أصبح وعد الذكاء الاصطناعي بالنسبة للعديد من الشركات مجرد وعد، وليس أكثر من ذلك. في حين أن العديد من هذه المنظمات اتخذت خطوات لتعزيز جهود التحول الرقمي، فإن هناك بعض العوائق الشائعة التي غالبًا ما تترك حلم الذكاء الاصطناعي والتعلم الآلي غير محقق.
ما هي بعض العوامل الأكبر التي تعترض طريق تحقيق الإمكانات التحويلية للذكاء الاصطناعي والتعلم الآلي؟
- نقص التنظيم: الخطوة الأولى لاستراتيجية الذكاء الاصطناعي الناجحة هي جمع البيانات. ولكن من المهم أيضًا التخطيط لتنظيم تلك البيانات؛ الشركات التي تجمع كنزًا من البيانات دون خطة لتنظيمها وتحليلها ووضعها في العمل تترك معها موردًا غير منقح وعمليًا غير قابل للاستخدام. ما هو قيمة اكتشاف النفط إذا لم يكن لديك طريقة لاستخراجه من الأرض أو تحويله للاستخدام؟
- اعتماد جزئي: في حين أن التحولات الرقمية توعد بالتوفير التكلفة على المدى الطويل، فإن سعر العلامة الأولي لاعتماد التكنولوجيا الجديدة يمكن أن يكون مرتفعًا. يؤدي هذا الصدمة السعرية إلى أن ي采用 بعض الشركات نهجًا جزئيًا لدمج أدوات الذكاء الاصطناعي، دون النظر في كيفية توافق حل واحد مع خارطة طريق أكبر.
- نقص العمليات/الانضباط: حلول الذكاء الاصطناعي والتعلم الآلي ستكون طبيعيًا مدعومة من قبل قادة معينين داخل الشركة، ولكن نجاحها يعتمد على الموافقة المؤسسية من الأعلى إلى الأسفل. يحتاج المبتكرون المبكرون إلى تحضير مدرج لاعتماد أوسع، وغرس الانضباط والروتين اللازمين لجعل دمج أدوات جديدة سلسًا قدر الإمكان.
أظهر العام الماضي أن هناك لا وقت للاستESA فيما يتعلق بالتحول الرقمي وتأتمتة الروتين من خلال الذكاء الاصطناعي والتعلم الآلي. وفقًا لـ Fortune Business Insights، من المتوقع أن يصل السوق العالمي للذكاء الاصطناعي إلى 267 مليار دولار في عام 2027، مما يمثل نموًا تقريبًا عشرة أضعاف من قيمة 27 مليار دولار في عام 2019. أدت التحول الطويل إلى العمل عن بُعد الذي أثارته جائحة كوفيد-19 إلى دفع الشركات لاعتماد حلول جديدة؛ وجد تقرير Twilio COVID-19 Digital Engagement Report أن 97٪ من الكبار التنفيذيين قالوا إن الجائحة أCELERت جهود التحول الرقمي.
ما هو ما سيتطلب للتغلب على الضوضاء الإعلامية حول الذكاء الاصطناعي والتعلم الآلي وتشغيل هذه الأدوات بشكل فعلي؟ يمكن أن تجعل بعض التكنولوجيا والاستراتيجيات الفرق بين النجاح أو الفشل:
1. AIOps، MLOps، DataOps
إضافة -Ops إلى تكنولوجيا أو تطبيق هو وصفة مؤكدة لإنشاء مصطلح جديد لامع، ولكن ليس كل هذه الحلول الناشئة هي بخار. في الواقع، يمكن أن تقدم استراتيجيات مثل AIOps و MLOps و DataOps حلًا للتحدي الذي يواجهه تنظيم جميع البيانات التي يتم جمعها داخل شركة. تطبيق هذه الأدوات لمبادئ إدارة Agile على الذكاء الاصطناعي والتعلم الآلي وإدارة البيانات، على التوالي، يبسط بشكل كبير المعرفة والجهد المطلوب لاستخراج القيمة من الحلول الجديدة. بالنسبة للشركات التي تتخذ خطواتها الأولى في الذكاء الاصطناعي والتعلم الآلي وتبحث عن الحصول على سرعة، هذه الاستراتيجيات ضرورية.
2. منخفض الشفرة / بدون شفرة
ستظل النماذج الأكثر تعقيدًا و细ية للتعلم الآلي تتطلب مطورين ومحللين بيانات مخصصين لضمان نجاحها. ومع ذلك، فإن التحديات التي تواجهها العديد من الشركات ليست معقدة إلى هذا الحد، ويمكن حلها باستخدام حلول ذكاء اصطناعي أبسط، من حجم واحد يناسب الجميع. تقلل منصات منخفضة الشفرة وبدون شفرة حاجز الدخول للموظفين الذين لديهم خلفية قليلة أو لا يوجد لديهم خلفية في تطوير البرمجيات. تتيح أدوات بدون شفرة لأي موظف بناء حلول مثل محركات التوصية من خلال منصات سحب وإفلات直观، بينما يمكن لأنظمة منخفضة الشفرة أداء مهام معقدة ببضعة أسطر من الشفرة فقط.
3. AutoAI و AutoML
إذا قام الذكاء الاصطناعي والتعلم الآلي بتأتمتة العمليات التجارية، فلماذا يحتاجون أنفسهم إلى التأتمتة؟ جانب حاسم من نجاح الذكاء الاصطناعي والتعلم الآلي هو فكرة التطوير:随ما تتعلم هذه الأدوات أثناء العمل وتدمج المزيد من البيانات، يمكنها تحسين أدائها بشكل مستمر وتقديم نتائج محسنة. تؤدي AutoAI و AutoML عملية التطوير هذه دون الحاجة إلى أي مدخلات بشرية، مما يخلق دورة فاضلة لا نهاية لها. يمكن للموظفين التحقق من أداء النموذج لمنع التحيزات وتأكيد أن الأداة تخدم احتياجات الشركة، ولكن تتيح AutoML للموظفين تناول تحديات أخرى خلال اليوم العادي.
随ما يكسبر مصنعو الشبكات وشركات البرمجيات الأرض الجديدة مع معالجة اللغة الطبيعية، يصل مجال الذكاء الاصطناعي والتعلم الآلي إلى نقطة تحول ستشهد انفجارًا في حالات استخدام جديدة. يجب على الشركات أن تكون مستعدة للرد على هذه التكنولوجيا الناشئة؛ تلك التي لا تضع بيتها في النظام الآن سوف تتركها منافسها خلفها.
