آیا تاکنون درباره چرخه هایپ موسسه گاتنر شنیده اید؟

Gartner Hype Cycle Research Methodology

با توجه به ترند نوظهور هوش مصنوعی در این متن قصد دارم در باره چگونگی جلوگیری از چرخه هایپ تا سرخوردگی هوش مصنوعی مطالبی یادداشت نمایم.

تقریباً با هر نوآوری دیجیتالی این چرخه قابل مشاهده است. یک فناوری جدید و هیجان انگیز وارد صحنه می شود و موفقیت و هیجان اولیه را به دست می آورد. علیرغم وعده‌های بزرگ تحول، واقعیت در نهایت به وجود می‌آید، نتایج انتظارات را برآورده نمی‌کنند، و نا امیدی جایگزین هیاهو می‌شود.( ارزهای دیجیتال، متاورس، واقعیت مجازی و احتمالا هوشمندسازی و ...)

چرخه هایپ فناوری توسط شرکت تحقیقاتی و مشاوره ای گارتنر ابداع شده است

تقریباً دو سال پس از انتشار ChatGPT، حباب عظیم هیجان در اطراف هوش مصنوعی آماده ظهور است. اما این بدان معنا نیست که الزاماً نا امیدی باید در مرحله بعدی است و ممکن است یک فناوری سمت و سوی بالا رونده داشته باشد(تولید چیپست های انویدیا).

برای اینکه شرکت‌ها از پتانسیل کامل هوش مصنوعی استفاده کنند و از دام‌های چرخه تبلیغات فناوری اجتناب کنند، باید رویکردی استراتژیک برای ابزارهای هوش مصنوعی اتخاذ کنند که اهداف بلندمدت را بر رفع سریع و پیاده‌سازی‌های پر زرق و برق اولویت‌بندی کند. از آنجایی که اوج هیاهوی هوش مصنوعی فروکش می‌کند، ما در مقطع حساسی قرار داریم که موفقیت بلندمدت راه‌حل‌های هوش مصنوعی را تعیین می‌کند.

در یک مسیر، وقتی نتایج یک شبه محقق نشود، برخی از کسب‌وکارها ایمان خود را از دست خواهند داد. این شرکت‌ها ممکن است در وهله اول به پروژه‌های هوش مصنوعی هجوم آورده باشند و منابع را در برنامه‌های آزمایشی سرازیر کنند، اما متوجه شدند که فاقد زیرساخت برای مقیاس مؤثر عملیات هستند.

در واقع، نزدیک به نیمی از رهبران جهانی فناوری اطلاعات می‌گویند که سازمان‌هایشان به‌اندازه کافی برای پیاده‌سازی هوش مصنوعی آماده نیستند و زیرساخت‌های ناکافی و نیاز به ارتقای سخت‌افزاری قابل‌توجه برای مدیریت از چالش های اساسی شان است.

در بخش تولید، سازمان‌ها می‌توانند از هوش مصنوعی برای نگهداری پیش‌بینی‌کننده برای کاهش زمان خرابی، جلوگیری از خرابی تجهیزات و افزایش تولید استفاده کنند. با این حال، اگر داده‌های موجود آن‌ها تکه‌تکه و ناکافی باشد، نمی‌توانند بینش دقیق و قابل اعتمادی ایجاد کنند که منجر به نتایج اشتباه و عدم می‌شود.

بدون شالوده فناوری لازم، استقرار هوش مصنوعی ناگزیر است و شرکت‌ها احتمالاً ابتکارات هوش مصنوعی را به عنوان یک سرمایه‌گذاری ضعیف کنار می‌گذارند و به سمت «چیز بزرگ بعدی» می‌روند.

اما مسیر دیگری نیز وجود دارد اکوسیستم هایی که تحول دیجیتال واقعی را به عنوان هدف نهایی در نظر می‌گیرند. این سازمان ها استراتژی های هوشمندتر، تلاش مستمر و زمان اختصاص داده شده را برای ایجاد چارچوبی انعطاف پذیرتر برای موفقیت طولانی مدت هوش مصنوعی دنبال خواهند کرد.

به جای ناامید شدن از مشکلات، موارد استفاده خاصی را که در آن هوش مصنوعی می تواند ارزش فوری ایجاد کند، شناسایی کنید، سپس این راه حل ها را به طور روشمند برای تأثیر گسترده تر مقیاس کنید. با متعهد شدن به فرآیند یکپارچه سازی تدریجی و مستمر، شرکت ها می توانند ابتکارات هوش مصنوعی خود را در برنامه های کاربردی و تاثیر محور که ارزش را به همراه دارند،متمرکز کنند. دیگر هیچ آزمایش شکست خورده و کسب یکباره فناوری وجود ندارد دیگر هیچ سرخوردگی وجود ندارد.

ترسیم یک مسیر روشن برای سرمایه گذاری های هوش مصنوعی

زیرساخت قوی، شیوه‌های صحیح داده‌ها، و استراتژی مبتنی بر شفافیت نه تبلیغات می‌تواند به شما کمک کند از ناامیدی اجتناب کنید و در عوض به سود سرمایه‌گذاری‌های هوش مصنوعی سرعت ببخشید.

موارد استفاده واضح را شناسایی کنید، نیازی نیست که نوآوری به یکباره اتفاق بیفتد. به جای تلاش برای بازنگری کل عملیات خود، موارد استفاده واضح و خاص را شناسایی کنید که در آن هوش مصنوعی ارزش آنی را اضافه می کند.

این فرآیند شناسایی با تمرکز بر موارد یا مشکلات خاص استفاده تجاری شروع می‌شود، چه بهبود محصولات موجود با قابلیت‌های هوش مصنوعی تعبیه‌شده یا شناسایی وظایف خاصی که در آن هوش مصنوعی می‌تواند بهره‌وری و کارایی را افزایش دهد. در تولید، هوش مصنوعی می تواند مدیریت زنجیره تامین را با بهینه سازی سطوح موجودی به طور قابل توجهی بهبود بخشد.

با تجزیه و تحلیل داده‌های فروش تاریخی، روند بازار و حتی عوامل خارجی مانند الگوهای آب و هوا، هوش مصنوعی می‌تواند تقاضا را با دقت بیشتری پیش‌بینی کند و اطمینان حاصل کند که تولیدکنندگان سطوح موجودی بهینه را برای برآورده کردن تقاضای مشتری حفظ می‌کنند و در عین حال موجودی اضافی را به حداقل می‌رسانند.

موارد استفاده عملی ممکن است هیجان‌انگیزترین یا پر زرق و برق‌ترین برنامه‌های هوش مصنوعی نباشند، اما عموماً سرمایه‌گذاری اولیه بهتری هستند. هنگامی که به موفقیت‌های اولیه هوش مصنوعی دست پیدا کردید، می‌توانید سرمایه‌گذاری‌های استراتژیک را بر اساس هر درس آموخته شده مقیاس‌بندی کنید. داده های سازمانی تمیز داشته باشید و حفظ کنید. بلوغ فناوری‌های هوش مصنوعی تنها بر پیچیدگی‌های مدیریت، دسترسی و اقدام بر اساس داده‌های سازمانی افزوده است. بیش از دو سوم رهبران فناوری اطلاعات تحت تأثیر روش‌های فعلی دسترسی به داده‌ها قرار دارند و 81 درصد معتقدند که دیگران در سازمانشان نیز احساس غرق شدن می‌کنند.

یک چشم انداز پیچیده داده به این معنی است که داشتن داده ها به طور دقیق سازماندهی شده، با تعاریف واضح داده و قابلیت دسترسی در سراسر فرآیند بهره برداری اهمیت فزاینده ای دارد. این ممکن است مستلزم استفاده از پایگاه های داده، یا ترکیبی از پلتفرم ها و ابزارهای مبتنی بر اَبر(CloudBase) برای ادغام داده های شما در یک چارچوب منسجم باشد.

مهم نیست که کدام روش را انتخاب می کنید، ایجاد یک پایگاه داده های ساختار یافته دانشی (Knowledge Base DB) تضمین می کند که سیستم های هوش مصنوعی می توانند به طور موثر به اطلاعات لازم دسترسی پیدا کرده و آن ها را تفسیر کنند و بینش های دقیق و عملی ارائه دهند.

کنترل های دسترسی واضح و یکپارچه را ایجاد کنید.

برای مقیاس‌بندی هوش مصنوعی در سراسر سازمان، کارمندان شما نیاز به دسترسی یکپارچه و کارآمد به داده‌ها دارند، مهم نیست منابع در کجا هستند. اتصال منابع داده، قالب‌ها و مکان‌های متفاوت برای دسترسی یکپارچه به کاربرانی که از ابزارهای هوش مصنوعی در کارهای روزمره خود استفاده می‌کنند، بسیار مهم است.

با این حال، دسترسی ساده به داده‌ها نباید به بهای امنیت داده‌ها و فرآیندهای حاکمیتی قوی تمام شود. دستورالعمل‌های واضح و مجوزهای کاربر ساختاریافته برای تعریف افرادی که می‌توانند به سطوح مختلف داده‌ها و ابزارها دسترسی داشته باشند، بسیار مهم هستند (امکان دموکراتیک کردن ابزارهای هوش مصنوعی و در عین حال جلوگیری از سوء استفاده و محافظت از اطلاعات حساس).

آموزش را زیاد کنید و به کارمندان اجازه دهید به ابزارهای هوش مصنوعی دسترسی داشته باشند.

برای دسترسی کارکنان خود به ابزارهای هوش مصنوعی کافی نیست. آنها همچنین به مهارت ها و سیستم های پشتیبانی برای استفاده موثر و قابل اعتماد از این راه حل های قدرتمند نیاز دارند. آموزش‌ها را طراحی کنید و فرصت‌های یادگیری مستمری را فراهم کنید که سطوح مختلف تخصص هوش مصنوعی را در نیروی کارتان، به‌ویژه در میان کاربران غیر فنی، برآورده می‌کند.

هوش مصنوعی برای تقویت ورودی انسان طراحی شده است، نه جایگزین آن – و برای اطمینان از اینکه سرمایه‌گذاری‌های هوش مصنوعی به آن وعده عمل می‌کند، به فناوری و مجموعه مهارت‌های مناسب نیاز دارد. با در دسترس و قابل فهم کردن ابزارهای هوش مصنوعی برای همه، هر یک از کارمندان خود را قادر می‌سازید تا بدون اتکای مداوم به پشتیبانی فناوری اطلاعات از ابزارهای هوش مصنوعی به طور مؤثر استفاده کنند. این تعادل تضمین می‌کند که سازمان شما می‌تواند با رشد و تکامل قابلیت‌های هوش مصنوعی همگام شود.

موفقیت در هوش مصنوعی یک شبه اتفاق نمی افتد و نباید اتفاق بیفتد.

بیشتر ابتکارات هوش مصنوعی به موفقیت فوری منجر نمی شود. برخی ممکن است ماهها یا حتی سالها طول بکشد تا نتایج مورد نظر را ارائه کنند. دیگران ممکن است به کلی لنگ بزنند و از شما بخواهند دوباره تلاش کنید. اما هیچ کدام از اینها به این معنی نیست که ابتکارات هوش مصنوعی ارزش تلاش را ندارند.

پروژه‌های هوش مصنوعی فرصتی ارزشمند برای یادگیری، اصلاح بهترین شیوه‌ها و تعیین مسیر روشن برای استقرار فناوری در آینده هستند. با تمرکز بر اهداف به خوبی تعریف شده و سرمایه گذاری مستمر در سرمایه های تکنولوژیکی و انسانی، می توانید از سرخوردگی گذشته به سمت نتایج پایدار و متحول کنید.

استقبال از موفقیت‌ها و شکست‌ها تنها بخشی از سفر هوش مصنوعی است و این سفری است که ارزش دیدن را دارد.