تبني الذكاء الاصطناعي الناجح يتطلب 3 مكونات — لا تمتلك معظم الشركات إلا مكونين

في هذه المرحلة، لم يعد الذكاء الاصطناعي تكنولوجيا جديدة. يمكن أن تجعل فعالية الذكاء الاصطناعي في تحليل البيانات واعتراف الأنماط ودمج المعرفة فرق العمل أكثر كفاءة. ولكن على الرغم من قيمة الذكاء الاصطناعي التي لا يمكن إنكارها، تشير الأبحاث الجديدة إلى أن hanya 13٪ من الشركات قد اعتمدته بطريقة شاملة. تعمل معظم الشركات على اللعب بأمان، باستخدام الذكاء الاصطناعي فقط للمهام منخفضة المخاطر. ما الذي يمنع العلامات التجارية من الانطلاق والاستفادة من الفوائد؟ الفجوة بين طموحات الذكاء الاصطناعي وتنفيذه ت归 إلى عيب هيكلي.

الرابط المفقود.

يتطلب تبني الذكاء الاصطناعي الناجح والموسع ثلاثة مكونات: البنية التحتية والتطبيق والبيانات. تتكون طبقة البنية التحتية من نموذج الذكاء الاصطناعي، الذي يحدد إطارًا مباشرًا للاستخدام والoutputs المحتملة.
تتكون طبقة التطبيق من حيث تعيش حلول البرمجيات. यह هو المكان الذي يتم فيه توليد 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 المطلعة على الذكاء الاصطناعي.
فيما بين هذه الطبقات توجد طبقة البيانات، وهذه هي المكونة التي تواجه معظم الشركات صعوبات معها – سواء كانت على دراية بذلك أم لا. تحتوي هذه الطبقة، بالطبع، على جميع البيانات؛ البيانات التي تناسب النماذج الأساسية للذكاء الاصطناعي وتوجه التطبيقات التي يتم بناؤها. تؤثر جودة طبقة البيانات بشكل مباشر على الإخراج في طبقة التطبيق. يمكن أن تدعم البيانات عالية الجودة والوافرة حالات استخدام 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 تستفيد من القيمة القصوى.

أثر الخلل.

سيتم دائمًا حدد الإخراج من الذكاء الاصطناعي بالبيانات التي يتم تغذيته بها. إذا أرادت المنظمة أن يكون الذكاء الاصطناعي قادرًا على التنبؤ بتراكيب جزيئية اصطناعية، فستحتاج إلى تغذيته بكثير من بيانات الفيزياء. إذا أرادت بائع التجزئة استخدام الذكاء الاصطناعي للتنبؤ بسلوك المستخدمين وتحسين التجارب الرقمية، فستحتاج إلى تغذيته ببيانات السلوك.
إذا لم تتمكن الشركات (أو شركاؤها) من دعم أدوات الذكاء الاصطناعي بشكل كافٍ بالبيانات الكافية، فإن الآثار ستكون بعيدة المدى. أولاً، هناك حل الذكاء الاصطناعي نفسه. في أحسن الأحوال، سيكون يعمل بشكل فني، على الرغم من أنه ليس إلى الدرجة المطلوبة. قد تكون الإخراج ضعيفة أو غير ملهمة أو خالية من الأفكار تمامًا. ما وراء هذا النتيجة “الأفضل” يوجد نتيجة أكثر احتمالاً: هلوسات الذكاء الاصطناعي، والإخراج الخاطئ، وعدم وجود عائد على الاستثمار. لن تكتفِ الاستثمار فقط بكونها ضائعة، بل قد تضطر المنظمات إلى إنفاق المزيد باسم التحكم في الأضرار.
عند التكبير من الآثار الفورية، يمكننا رؤية الآثار الأوسع ل حل الذكاء الاصطناعي الذي يعاني من نقص في البيانات. بشكل عام، تعتمد الشركات على الذكاء الاصطناعي حتى تتمكن من القيام بـ “المزيد”: الحصول على رؤى أكثر، وخدمة المزيد من العملاء، وتشغيل أكثر كفاءة. إذا أنفقت المنظمات وقتًا وموارد في أداة ذكاء اصطناعي تبوء بالفشل، فإنها قد عطلت نموها بشكل فعال، مما يحد من قدرتهم على التكيف مع السوق والتفوق على المنافسة. هذا يضعهم في وضع غير ممتاز وسيتركهم ينتظرون جعل الوقت والموارد والمستخدمين – المحتملين.
لكن لا يزال هناك أمل؛ هناك الكثير مما يمكن للمنظمات القيام به لتحقيق التوازن الصحيح، ومعالجة (أو منع) خلل الذكاء الاصطناعي، والمضي قدمًا.

ملء الفجوة بالبيانات الصحيحة.

على خطر التبسيط، أفضل شيء يمكن القيام به من قبل القادة لتجنب خلل الذكاء الاصطناعي هو أداء واجبهم قبل المضي قدمًا في أي حل ذكاء اصطناعي. قبل نشر أداة جديدة، خذ وقتًا لتعلم المزيد حول مصدر البيانات وكيف يتم توليدها.
إذا لم يكن能够 تقديم مزود الحلول أو مهندس الرائد إجابة مباشرة حول مصدر البيانات أو جودتها أو كميتها، يجب أن يؤدي ذلك إلى تشغيل الأجراس. احصل على رأي ثاني أو ثالث من شركاء القناة والمكاملين. قم بجمع المعلومات من خلال شبكات المناقشة للمستخدمين مثل Reddit و Discord؛ انظر إلى哪里 واجه المتبنون عقبات أو عوائق. يمكن أن يساعد معرفة ما الإشارات الحمراء التي يجب البحث عنها قبل اتخاذ أي قرار في مساعدة القادة على تجنب عالم من الصداع والتنبؤات المفقودة.
بالطبع، لا يعد هذا النوع من التبصر دائمًا ممكنًا ولا سيساعد المنظمات في وسط خلل البيانات للذكاء الاصطناعي. إذا لم يكن إلغاء الحل الحالي خيارًا، فإن أفضل شيء يأتي بعد ذلك هو العثور على طريقة لإدخال المزيد من البيانات حتى يكون للأداة سياقًا ونمطًا وأفكارًا أكثر للاستفادة 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 الأمان الذكاء الاصطناعي، خاصة بطريقة معادية. كما هو دائمًا، سيساعد البحث المسبق قبل الانطلاق في اتخاذ القرارات الأفضل للمنظمة.
对于 صناعات مثل التجزئة أو مطاعم الخدمة السريعة (QSR)، يتم تفضيل البيانات البشرية. من المحتمل أن تستخدم الشركات في هذه الصناعات الذكاء الاصطناعي لمساعدة تحسين تجربة العملاء، لذلك يجب أن يتم تدريب أدواتها على بيانات السلوك البشري. على سبيل المثال، إذا كنت تأمل في التنبؤ بمدى انخفاض المستخدمين على الصفحة، فستريد أن يعتمد الذكاء الاصطناعي على التنبؤ السلوك البشري في ظروف مماثلة.
في بعض الحالات، لا يتعلق الحصول على تدفق من البيانات البشرية بتحصيل بيانات جديدة بقدر ما يتعلق بتفعيل البيانات الحالية. زوار الموقع والتطبيق موجودون بالفعل – إنما يتعلق الأمر بتقاط بيانات سلوكهم وتنظيمها وتحليلها حتى يمكن استخدامها من قبل أدوات الذكاء الاصطناعي.
في النهاية، يكون امتلاك بيانات غير كافية أفضل من امتلاك بيانات سيئة؛ يمكن أن يساعد أي شيء يمكن للمنظمات القيام به لتنظيف حلولها في تحسين النتائج.

من哪里 نبدأ.

يمكن أن يشكل نقص البيانات للذكاء الاصطناعي تحديًا كبيرًا للمنظمات من أي حجم، ويمكن أن يكون من المخيف التفكير في الخطوات التالية. ولكن حتى الاعتراف بالمشكلة هو إنجاز في حد ذاته. من هناك، يتعلق الأمر بالعثور على الخطوات القابلة للإدارة والمتوالية التي يمكن تناولها واحدة تلو الأخرى.
يحمل الذكاء الاصطناعي وعدًا كبيرًا – ولكن فقط لأولئك الذين يرغبون في الاستثمار في كل من مكوناته الرئيسية: البنية التحتية والتطبيق والبيانات. بدون هذه الطبقات، سيتعثر حتى حل الذكاء الاصطناعي الأكثر أناقة. المنظمات التي تغلق فجوة البيانات الآن لن تتخلف فقط عن الركب؛ سوف تقود العجلة.