هوش مصنوعی برای مدیران: نحوه کاهش نویز و ارائه نتایج

هوش مصنوعی نه تنها در صحنه فناوری جه، بلکه در دنیای تجارت به طور کلی بر بحث ها مسلط شده است. تأثیر برنامه هایی مانند ChatGPT و DALL·E چنان بوده است که مصرف کنندگان اکنون کاملاً از انبوهی از امکانات مدل های زبان بزرگ (LLM) و ارائه هوش مصنوعی مولد آگاه هستند. در واقع، طبق تحقیقات AppRadar، اپلیکیشن‌های جدید هوش مصنوعی از نوامبر تاکنون 23.6 میلیون بار توسط کاربران اندروید دانلود شده‌اند. بیش از 700 استارت آپ هوش مصنوعی تنها در سه ماه گذشته مجموعاً 7.1 میلیارد دلار بودجه دریافت کرده اند. تعداد بسیار کمی از نوآوری‌های فناوری توانسته‌اند تخیل دنیای فناوری، سرمایه‌گذار، تجارت و مصرف‌کننده را به طور همزمان جذب کنند.

با توجه به این علاقه و اشتهای گسترده، فرصت‌های بی‌سابقه‌ای برای ،ب‌وکارها وجود دارد تا راه‌حل‌های جدید مبتنی بر هوش مصنوعی را آزمایش کرده و اتخاذ کنند. با این حال، وسعت کاربردهای بالقوه موجود – همه چیز از خدمات مشتری گرفته تا تامین مالی زنجیره تامین – به اندازه ای است که تصمیم گیرندگان و سرمایه گذاران به طور ی،ان با چالش تصمیم گیری در مورد اینکه کدام ، ها و چه زم، پشتیبان شوند، مواجه می شوند. از این گذشته، آنهایی که اخیراً منابعی را صرف فناوری یا بلاک چین مجاور فراجه، کرده‌اند تا دریابند که ارزش واقعی ،ب‌وکار در مسیر طول،‌تری قرار دارد، ممکن است تمایلی به دنبال ، آ،ین تبلیغات تبلیغاتی نداشته باشند.

البته، واقعیت این است که اگرچه ChatGPT ممکن است هوش مصنوعی را به جریان اصلی آورده باشد، هوش مصنوعی مولد در واقع آ،ین پیشرفت در تعداد زیادی از برنامه های کاربردی مبتنی بر علم داده است. به ،وان مثال، صنعت بیمه فناوری بیمه طی ده سال گذشته توسط راه‌حل‌های داده‌ای که فرآیندها را خودکار می‌کنند، به پردازش دیجیتالی ریسک‌ها، افزایش حجم و در نهایت بهبود تجربه مشتری، دگرگون شده است.

تصور می‌کنم برای بسیاری از مردم، شرکت‌های بیمه اولین ،ب‌وکار قدیمی نیستند که شما با فناوری‌های پیشرفته مرتبط می‌شوید. با این حال، نکته کلیدی برای این موسسات این است که می توانند بلافاصله منطق و ارزش تجاری راه حل های هوش مصنوعی را ببینند. برای هزینه نسبتاً کوچک و حداقل ریسک، آنها می توانند به سرعت و به طور ملموس جنبه های بزرگ ،ب و کار خود را متحول کنند. و این قانون اساسی است زم، که بهترین فرصت‌ها را برای LLMها برای تأثیرگذاری جدی بر ،ب‌وکارها در نظر می‌گیریم: از چه چیزی می‌توانند استفاده کنند که با حداقل ریسک، بازگشت سرمایه خوبی به آنها بدهد؟

آزمایش شده و آزمایش شده در مقابل لبه خونریزی

برای تصمیم‌گیرندگان در شرکت‌های بزرگ، LLM (و به طور کلی هوش مصنوعی) تعداد زیادی از گزینه‌ها را ارائه می‌دهند. هر یک از عملکردهای تجاری می توانند درمان هوش مصنوعی را دریافت کنند. اولین چیزی که باید در نظر بگیرید، بلوغ و سطوح توسعه متفاوت هر راه حل است. آزمایش با جدیدترین نوآوری یا ایجاد موارد استفاده منحصر به فرد خود می تواند جذاب باشد، اما طبیعتاً خطراتی را به همراه دارد. اغلب، راه‌حل‌های AI نسل خارج از جعبه (به ،وان مثال، ChatGPT) خطراتی را به همراه دارند که آنها را برای موارد خاص استفاده سازم، غیرقابل استفاده می‌کند. تصمیم گیرندگان باید به این قابلیت ها به ،وان ابزاری در دسترس برای تسریع دید خود فکر کنند و در عین حال اطمینان حاصل کنند که از فناوری صحیح بسته به ماهیت هر برنامه استفاده می شود.

برای مثال، استارت‌آپ‌های فین‌تک سابقه طول، در استفاده از علم داده برای ایجاد راه‌حل‌های پیچیده‌ای دارند که بار روی بخش‌های مالی را کاهش می‌دهد و رهبران ،ب‌وکار را با بینش‌های زمان واقعی مجهز می‌کنند. برخی از آ،ین پیشرفت‌ها بر تحلیل و پیش‌بینی جریان نقدی مبتنی بر هوش مصنوعی متمرکز شده‌اند. با توجه به تجربه بسیاری از این ارائه دهندگان خدمات، احتمالاً محصولات آنها بیشتر مورد آزمایش و آزمایش قرار می گیرند – که خطر ،اب شدن هوش مصنوعی را کاهش می دهد.

نقاط دردناک و ناکارآمدی کلیدی ،ب و کار شما کجاست؟

در نهایت، بهترین رویکرد این است که به جای راه حل هیجان انگیز هوش مصنوعی جدید، با مشکل شروع کنید. ما توصیه می‌کنیم که فناوری‌های جدید را به‌،وان بلوک‌های سازنده برای ایجاد راه‌حل‌های آماده سازم، که به نقاط درد واقعی ملموس می‌پردازد، استفاده کنید.

،ب‌وکارها همیشه می‌توانند کارایی خود را افزایش دهند، تجربیات مشتری را بهبود بخشند و نقاط درد را کاهش دهند. شناسایی مکان‌هایی که بیشتر مورد نیاز هستند، به شما امکان می‌دهد بهترین بازگشت سرمایه را در راه‌حل جدید هوش مصنوعی خود ارائه دهید. برای انجام این کار، باید به داده های داخلی خود و همچنین بازخورد تیم و مشتری نگاه کنید. از آنجا، شما می تو،د جستجوی خود را برای راه حل های AI محدود کنید.

از کوچک شروع کنید و زیرساخت هوش مصنوعی را برای ،ب و کار خود درست کنید

هر فناوری جدید دقیقاً چگونگی ادغام آن با فرآیندها و زیرساخت های تجاری موجود شما را با علامت سوال همراه می کند. عجله برای سوار شدن به قطار هوش مصنوعی به ناچار منجر به ،وج برخی از شرکت‌ها از ریل می‌شود، زیرا آنها صرفاً پشته فناوری یا تخصص داخلی برای استفاده مؤثر از راه‌حل جدید خود را ندارند.

سیستم‌های هوش مصنوعی تنها در صورتی کارآمد خواهند بود که داده‌هایی که استفاده می‌کنند جریان آزاد، کامل و تمیز باشند. در بسیاری از سازمان ها، این به سادگی صادق نیست. زیرساخت مدیریت داده ها اغلب نادیده گرفته می شود. اغلب، اطلاعات در بخش‌ها پنهان می‌شوند، پلتفرم‌ها قادر به اشتراک‌گذاری یا تجزیه و تحلیل آسان داده‌ها نیستند، و سیاست‌های جمع‌آوری و مدیریت داده‌ها ناسازگار هستند. داده های بد منجر به هوش مصنوعی بد می شود.

شروع کوچک با استفاده از هوش مصنوعی در یک تنظیمات محدود یا مورد استفاده به شما این امکان را می دهد که اطمینان داشته باشید که زیرساخت ها، سیاست ها و فرآیندهای شما قابلیت پذیرش گسترده تری دارند. همچنین این مزیت را دارد که با کاهش هزینه اولیه و اختلالات احتمالی، امکان ،ید آسان‌تر تیم و مدیریت را فراهم می‌کند. بسیاری از اشخاص ثالث تخصصی وجود دارند که می تو،د از آنها به صورت هدفمند برای شروع سریع این ابتکارات استفاده کنید.

نظارت انس، را فراموش نکنید

کمبود جدی مهارت‌های داده وجود دارد که بر توانایی ،ب‌وکارها برای استفاده مؤثر از ابزارهای هوش مصنوعی تأثیر می‌گذارد. آموزش داده های پایه در سراسر یک شرکت برای شناسایی کاربردی ترین راه حل ها، نظارت صحیح و تأیید ،وجی های آنها و استفاده از این سیستم ها به مؤثرترین راه ها مورد نیاز است. ،ب و کارها نباید کورکورانه به آنچه هوش مصنوعی به آنها می گوید اعتماد کنند. آنها به نظارت انس، ماهر نیاز دارند. این تخصص را نمی توان صرفاً در تیم داده نگه داشت – باید از بالا به پایین و در هر بخش درست باشد.

این مدل همان چیزی است که اغلب از آن به ،وان «انسان» یاد می شود بر مدل حلقه، که در آن سیستم‌ها برای انجام فعالیت‌های خود به ورودی‌های انس، متکی نیستند (به ،وان «انسان» سنتی که در سیستم‌های حلقه این کار را انجام دادند) اما در عوض کنترل انسان را از مرکز تصمیم‌گیری خودکار دورتر می‌کنند و نقش بازبینی را در حصول اطمینان از دقیق و قابل اعتماد بودن ،وجی ایفا می‌کنند.

روی کدام راه حل ها شرط بندی کنم؟

در حال حاضر، بیشترین موارد استفاده جدید در مورد هوش مصنوعی مولد در حوزه بازاریابی است – به ویژه تولید کپی و تصویر. طبیعی است که بسیاری از شرکت ها ابتدا به استفاده از هوش مصنوعی ژنرال در اینجا نگاه کنند.

با این حال، همانطور که بحث کردیم، هر فناوری جدید ،ب‌وکارهایی را جذب می‌کند که در مورد موارد استفاده جدید رویاپردازی کنند، که اغلب باعث می‌شود موارد استفاده موجود پیشرفت قابل‌توجهی نداشته باشند. توصیه ما این است که به این فکر کنید که چگونه هوش مصنوعی می تواند پیشرفت در حل نقاط درد موجود را تسریع بخشد، که اغلب به مؤلفه مولد (همراه با چالش های توهم آن) نیاز ندارند، بلکه به درک اساسی داده های بدون ساختار تکیه می کنند.

به یاد داشته باشید، شناسایی بهترین راه حل هوش مصنوعی برای تجارت شما تنها اولین قدم است. شما باید زیرساخت، ،ید، تخصص داخلی، و بررسی و تعادل را داشته باشید تا مطمئن شوید که بیشترین بهره را از آن خواهید برد.

خوان د کاسترو مدیر ارشد اجرایی است سیتورا.