تبني الذكاء الاصطناعي بنجاح يتطلب ثلاثة مكونات – لا تملك معظم الشركات إلا مكونين

في هذه النقطة، لم يعد الذكاء الاصطناعي تكنولوجيا جديدة. يمكن أن يجعل فعالية تحليل البيانات والتعرف على الأنماط ودمج المعرفة فرق العمل أكثر كفاءة. ولكن على الرغم من قيمة الذكاء الاصطناعي التي لا يمكن إنكارها، تشير الأبحاث الجديدة إلى أن只有 13٪ من الشركات تعتمد عليه بشكل موسع. تعمل معظم الشركات على اللعب بأمان، فقط باستخدام الذكاء الاصطناعي لأداء المهام التي ت carries أقل مخاطر. ما الذي يمنع العلامات التجارية من الانطلاق والاستفادة من الفوائد؟ الفرق بين طموحات الذكاء الاصطناعي وتحقيقها يعود إلى عيب بنيوي.

الرابط المفقود.

يتطلب تبني الذكاء الاصطناعي الناجح والموسع ثلاثة مكونات: البنية التحتية والتطبيق والبيانات. تتكون طبقة البنية التحتية من نموذج الذكاء الاصطناعي، الذي يؤثر بشكل مباشر على الاستخدام والoutputs المحتملة.

تتمثل طبقة التطبيق في مكان وجود حلول البرمجيات. यह هو المكان الذي تتم فيه معظم قيمة الذكاء الاصطناعي؛ यह هو المكان الذي يتفاعل فيه المستخدمون (ربما بشكل غير مباشر) مع الذكاء الاصطناعي ويراجعون مخرجاته؛ यह هو محور اتخاذ القرارات التي ي告يها الذكاء الاصطناعي.

تقع بين هذه الطبقات طبقة البيانات، وهي المكون الذي تعاني معظم الشركات من مشاكل معه – سواء كانت على دراية بذلك أم لا. تحتوي هذه الطبقة، بالطبع، على جميع البيانات؛ البيانات التي تناسب النماذج الأساسية للذكاء الاصطناعي وتوجيه التطبيقات التي يتم بناؤها. تؤثر جودة طبقة البيانات بشكل مباشر على مخرجات طبقة التطبيق. يمكن أن تدعم البيانات عالية الجودة ووفرة استخدامات قوية، بينما لا يمكن أن تفعل البيانات المشكوك فيها أو غير الكافية.

حتى تتمكن المنظمات من بناء – أو الشراكة مع الشركات التي تبني – جميع طبقات تبني الذكاء الاصطناعي، لن تتمكن من استخلاص القيمة القصوى.

أثر الخلل.

سيتم دائمًا تحديد مخرجات الذكاء الاصطناعي من البيانات التي يتم تغذيته بها. إذا أرادت المنظمة أن يتمكن الذكاء الاصطناعي من التنبؤ بتراكيب جزيئية اصطناعية، فستحتاج إلى تغذيته بكثير من بيانات الفيزياء. إذا أرادت بائع التجزئة استخدام الذكاء الاصطناعي لتنبؤ بسلوك المستخدمين وتحسين التجارب الرقمية، فستحتاج إلى تغذيته ببيانات السلوك.

إذا لم تتمكن الشركات (أو شركاؤها) من دعم أدوات الذكاء الاصطناعي ببيانات كافية، فإن الآثار ستكون بعيدة المدى. أولاً، هناك حل الذكاء الاصطناعي نفسه. في أفضل الأحوال، سيكون يعمل تقنيًا، على الرغم من أن ليس إلى الدرجة المطلوبة. قد تكون المخرجات ضعيفة أو غير ملهمة أو خالية من الاكتشافات تمامًا. ما وراء هذا “النتيجة المثالية” يكمن نتيجة أكثر احتمالا: هلوسات الذكاء الاصطناعي ومخرجات خاطئة وعدم وجود عائد على الاستثمار. لن يتم فقط تبديد الاستثمار، بل قد تضطر المنظمات إلى إنفاق المزيد باسم التحكم في الأضرار.

عندما ننظر إلى الآثار الفورية، يمكننا رؤية الآثار الأوسع لحل الذكاء الاصطناعي الذي يعاني من نقص في البيانات. بشكل عام، تعتمد الشركات على الذكاء الاصطناعي حتى تتمكن من القيام ب المزيد: الحصول على مزيد من الاكتشافات، خدمة المزيد من العملاء، العمل بفعالية أكبر. إذا أنفقت المنظمات الوقت والموارد في أداة ذكاء اصطناعي تفشل، فإنها قد عطلت نموهاเอง، مما يحد من قدرتهم على التكيف مع السوق والتفوق على المنافسة. هذا يضعهم في وضع غير مؤات، ويجعل них يضطرون إلى التعويض عن الوقت والموارد والمستخدمين المحتملين.

لكن لا يزال هناك أمل؛ هناك الكثير مما يمكن للمنظمات القيام به لتحقيق التوازن الصحيح، وتصحيح (أو منع) خلل الذكاء الاصطناعي، والتقدم.

ملء الفجوة بالبيانات الصحيحة.

مع مخاطر التبسيط، أفضل ما يمكن القيام به من قبل القادة لتجنب خلل الذكاء الاصطناعي هو إجراء التحقيقات اللازمة قبل المضي قدمًا في أي حل ذكاء اصطناعي. قبل نشر أداة جديدة، خذ وقتًا لتعلم المزيد عن مصدر البيانات وكيفية توليدها.

إذا لم يكن مزود الحل أو مهندس الرائد قادرًا على إعطائك إجابة مباشرة عن مصدر البيانات أو جودتها أو كميتها، يجب أن يؤدي ذلك إلى تشغيل أجراس إنذار. احصل على رأي ثاني أو ثالث من شركاء القناة والمكاملين. جمع المعلومات من خلال شبكات المناقشة للمستخدمين مثل Reddit و Discord؛ انظر إلى哪里 واجه مستخدمون آخرون عقبات أو عوائق. يمكن أن يساعد معرفة ما هي العلامات الحمراء التي يجب البحث عنها قبل اتخاذ أي قرار في منع القادة من عالم من الصداع والتحديات.

بالطبع، ليس دائمًا ممكنًا القيام بذلك التبصر، ولا سوف يساعد المنظمات في منتصف نقص بيانات الذكاء الاصطناعي. إذا لم يكن إلغاء الحل الحالي خيارًا، فإن أفضل شيء يمكن القيام به هو العثور على طريقة لإدخال المزيد من البيانات حتى يكون لديها الأداة المزيد من السياق والأنماط والاكتشافات التي يمكنها الاستفادة منها.

البيانات الاصطناعية هي خيار هنا، ولكنها ليست حلًا سحريًا. يمكن أن يكون من الصعب تحديد المنشأ الدقيق للبيانات الاصطناعية، لذلك قد لا تكون دائمًا الطريق الأمثل. ومع ذلك، هناك وقت ومكان للبيانات الاصطناعية. على سبيل المثال، تتميز بتدريب نماذج أمان الذكاء الاصطناعي، خاصة بالطريقة العدائية. كما هو الحال دائمًا، فإن إجراء البحث المسبق قبل الانطلاق سيساعد القادة على اتخاذ أفضل القرارات لشركتهم.

لمجالات مثل التجزئة أو مطاعم الخدمة السريعة (QSR)، يتم تفضيل البيانات البشرية. من المحتمل أن تستخدم الشركات في هذه المجالات الذكاء الاصطناعي لمساعدة تحسين تجربة العملاء، لذلك يجب أن يتم تدريب أدواتها على بيانات السلوك البشري. على سبيل المثال، إذا كنت ترغب في التنبؤ بمدى انزلاق المستخدمين على الصفحة، فستريد أن يعتمد الذكاء الاصطناعي على التنبؤ السلوك البشري تحت ظروف مماثلة.

في بعض الحالات، الحصول على تدفق من البيانات البشرية ليس حول الحصول على بيانات جديدة بقدر ما هو حول تفعيل البيانات الحالية. زوار الموقع والتطبيق موجودون بالفعل – إنها مسألة 捕获 وتنظيم وتحليل بيانات سلوكهم حتى تتمكن أدوات الذكاء الاصطناعي من استخدامها.

في النهاية، يكون وجود بيانات غير كافية أفضل من وجود بيانات سيئة؛ يمكن أن يساعد أي شيء يفعله المنظمات لتنظيف حلولهم في تحقيق نتائج أفضل.

من哪里 نبدأ.

يمكن أن يشكل نقص بيانات الذكاء الاصطناعي تحديًا كبيرًا للمنظمات من أي حجم، ويمكن أن يكون من المخيف التفكير في الخطوات التالية. لكن حتى الاعتراف بالمشكلة هو إنجاز في حد ذاته. من هناك، إنه عن العثور على الخطوات القابلة للإدارة والمتزايدة التي يمكن تناولها واحدة تلو الأخرى.

يحمل الذكاء الاصطناعي وعدًا كبيرًا – ولكن فقط لأولئك الذين يرغبون في الاستثمار في كل مكوناته الرئيسية: البنية التحتية والتطبيق والبيانات. بدون هذه الطبقات، حتى حل الذكاء الاصطناعي الأكثر أناقة سوف يفشل. المنظمات التي تغلق فجوة البيانات الآن لن تتخلف فقط عن الركب؛ سوف تحدد وتيرة التقدم.