چرا باید به هوش مصنوعی به عنوان یک ورزش تیمی فکر کنید؟

فکر کردن به هوش مصنوعی به عنوان یک ورزش تیمی به چه معناست؟ ما می بینیم که پروژه های هوش مصنوعی از تبلیغات تبلیغاتی به تأثیرگذاری تغییر می کنند، عمدتاً به این دلیل که نقش های مناسب برای فراهم کردن زمینه تجاری که قبلاً وجود نداشت درگیر می شود. تخصص دامنه کلیدی است. ماشین‌ها عمق زمینه‌ای که مردم دارند را ندارند، و مردم باید کسب‌وکار و داده‌ها را به‌خوبی بشناسند تا بفهمند بر اساس بینش‌ها یا توصیه‌هایی که ظاهر می‌شود، چه اقداماتی را انجام دهند.

وقتی صحبت از مقیاس‌بندی هوش مصنوعی به میان می‌آید، بسیاری از رهبران فکر می‌کنند که مشکل مردمی دارند – به‌ویژه، دانشمندان داده کافی نیستند. اما هر مشکل تجاری یک مشکل علم داده نیست. یا حداقل، نباید هر چالش تجاری را متوجه تیم علم داده شما کرد. با رویکرد درست، می‌توانید از مزایای هوش مصنوعی بدون چالش‌هایی که با چرخه‌های سنتی علم داده‌ها پیش می‌آیند، بهره ببرید.

برای استقرار و مقیاس‌بندی راه‌حل‌های هوش مصنوعی، رهبران باید ذهنیت سازمان را تغییر دهند تا هوش مصنوعی را یک ورزش تیمی بدانند. برخی از پروژه های هوش مصنوعی به مجموعه متفاوتی از افراد، ابزارها و انتظارات نیاز دارند تا نتایج موفقیت آمیز چگونه به نظر می رسند. دانستن اینکه چگونه این فرصت ها را بشناسید به شما کمک می کند تا به پروژه های هوش مصنوعی موفق تر نزدیک شوید و تعداد کاربران هوش مصنوعی خود را عمیق تر کنید و سرعت و قدرت تصمیم گیری را در سراسر نیروی کار افزایش دهید. بیایید بررسی کنیم که چرا و چگونه.

سازمان ها تجزیه و تحلیل پیشرفته را با هوش مصنوعی دموکراتیزه می کنند

استفاده از هوش مصنوعی برای حل مشکلات تجاری تا حد زیادی در صلاحیت دانشمندان داده بوده است. اغلب، تیم های علم داده برای بزرگترین فرصت ها و پیچیده ترین چالش های یک سازمان رزرو می شوند. بسیاری از سازمان‌ها در به کارگیری علم داده در موارد استفاده خاص مانند کشف تقلب، شخصی‌سازی و موارد دیگر موفق بوده‌اند، جایی که تخصص فنی عمیق و مدل‌های دقیق، نتایج بسیار موفقی را به همراه دارد.

با این حال، مقیاس‌بندی راه‌حل‌های هوش مصنوعی از طریق تیم علم داده برای سازمان‌ها، به دلایل بسیاری، چالش برانگیز است. جذب و حفظ استعدادها بسیار پرهزینه است و در بازار رقابتی می تواند دشوار باشد. پروژه‌های سنتی علم داده معمولاً می‌توانند زمان زیادی را برای توسعه و استقرار قبل از اینکه کسب‌وکار ارزشی پیدا کند، طول بکشد. و حتی باتجربه‌ترین و قوی‌ترین تیم‌های علم داده در صورت نداشتن داده‌ها یا زمینه لازم برای درک تفاوت‌های ظریف مشکلی که از آنها خواسته می‌شود، شکست بخورند.

Gartner® 2021 وضعیت علم داده و یادگیری ماشین گزارش (DSML) بیان می‌کند که «تقاضای مشتری در حال تغییر است، با مخاطبانی که کمتر فنی می‌خواهند DSML را آسان‌تر اعمال کنند، کارشناسان نیاز به بهبود بهره‌وری دارند و شرکت‌ها به زمان کوتاه‌تری برای ارزش‌گذاری سرمایه‌های خود نیاز دارند.¹" در حالی که ممکن است مشکلات تجاری زیادی وجود داشته باشد که می تواند از سرعت یا دقت تجزیه و تحلیلی که هوش مصنوعی ارائه می دهد سود ببرد، رویکرد سنتی علم داده ممکن است همیشه بهترین برنامه حمله برای دیدن سریع ارزش نباشد. در واقع، همان گزارش گارتنر پیش‌بینی می‌کند که «تا سال 2025، کمبود دانشمندان داده دیگر مانع پذیرش علم داده و یادگیری ماشین در سازمان‌ها نخواهد شد».

تخصص دامنه برای مقیاس بندی هوش مصنوعی در سراسر کسب و کار بسیار مهم است

هوش مصنوعی در حال حاضر به ارائه قابلیت های تجزیه و تحلیل پیشرفته برای کاربرانی که پیشینه علم داده ندارند کمک می کند. ماشین‌ها می‌توانند از بین بهترین مدل‌ها و الگوریتم‌های پیش‌بینی انتخاب کنند، و مدل‌های زیربنایی را می‌توان در معرض دید قرار داد و توانایی تنظیم آنها را ارائه داد و مطمئن شد که همه چیز با آنچه کاربر به دنبال آن است مطابقت دارد.

این قابلیت ها به تحلیلگران و کارشناسان ماهر حوزه کسب و کار این توانایی را می دهد تا برنامه های کاربردی هوش مصنوعی خود را طراحی و از آنها استفاده کنند. این کاربران با نزدیک‌تر بودن به داده‌ها، نسبت به بسیاری از همتایان دانشمند داده خود برتری دارند. قرار دادن این قدرت در دستان متخصصان حوزه می تواند به جلوگیری از زمان طولانی توسعه، بار منابع و هزینه های پنهان مرتبط با چرخه های سنتی علم داده کمک کند. بعلاوه، افراد دارای تخصص در حوزه باید کسانی باشند که تصمیم بگیرند که آیا یک پیش‌بینی یا پیشنهاد هوش مصنوعی حتی مفید است یا خیر.

با فرآیندهای ساخت مدل تکراری تر، بازنگری و بازنگری، افرادی که زمینه کسب و کار دارند می توانند سریعتر از هوش مصنوعی ارزش دریافت کنند - حتی مدل های جدید را به جای چند هفته تا چند هفته برای هزاران کاربر ظرف چند روز تا چند هفته به کار می گیرند. این به ویژه برای آن دسته از تیم‌هایی که چالش‌های منحصربه‌فردشان ممکن است اولویت بالایی برای تیم‌های علم داده نباشد، قدرتمند است، اما می‌توانند از سرعت و دقت تجزیه و تحلیل هوش مصنوعی بهره ببرند.

با این حال، توجه به این نکته مهم است که اگرچه این راه حل ها می توانند به رفع شکاف مهارتی بین تحلیلگران و دانشمندان داده کمک کنند، اما جایگزینی برای دومی نیست. دانشمندان داده شریک حیاتی با کارشناسان کسب و کار هستند تا داده های مورد استفاده در راه حل های مجهز به هوش مصنوعی را تأیید کنند. و علاوه بر این همکاری، آموزش و مهارت های داده در استفاده موفقیت آمیز از این نوع ابزارها در مقیاس بسیار مهم خواهد بود.

سواد داده افراد بیشتری را برای استفاده از هوش مصنوعی توانمند می کند

استراتژی داده پایه شما نقش بسیار زیادی در راه اندازی سازمان شما برای موفقیت با هوش مصنوعی ایفا می کند، اما ارائه راه حل های هوش مصنوعی برای افراد بیشتری در سراسر کسب و کار نیاز به یک پایه سواد داده دارد. درک اینکه چه داده‌هایی برای استفاده در یک مشکل تجاری مناسب است، و همچنین نحوه تفسیر داده‌ها و نتایج یک توصیه هوش مصنوعی به افراد کمک می‌کند تا با موفقیت به هوش مصنوعی به عنوان بخشی از تصمیم‌گیری خود اعتماد کرده و آن را اتخاذ کنند. زبان مشترک داده ها در سازمان نیز درهای بیشتری را برای همکاری موفق با کارشناسان باز می کند.

آخرین نظرسنجی جهانی مک‌کینزی در مورد هوش مصنوعی نشان داد که در 34 درصد از سازمان‌های با عملکرد بالا، «یک مرکز آموزشی اختصاصی مهارت‌های هوش مصنوعی پرسنل غیرفنی را از طریق یادگیری عملی توسعه می‌دهد»، در حالی که تنها 14 درصد از سایر سازمان‌های مورد بررسی قرار گرفته‌اند. علاوه بر این، در 39 درصد از سازمان‌های با عملکرد بالا، «کانال‌های ارتباطی و نقاط تماس مشخصی بین کاربران هوش مصنوعی و تیم علم داده سازمان وجود دارد» در حالی که تنها 20 درصد از سازمان‌های دیگر وجود دارد.

رهبران می‌توانند رویکردهای مختلفی را برای ایجاد سواد داده‌ای، از آموزش و آموزش، برنامه‌های مربیگری، مسابقات داده‌های جامعه‌سازی، و موارد دیگر اتخاذ کنند. به عادی سازی دسترسی و به اشتراک گذاری داده ها و همچنین نحوه تجلیل و ترویج موفقیت ها، یادگیری ها و تصمیم گیری با داده ها فکر کنید.

ویدیا ستلور، رئیس Tableau Research، گفت: "سواد داده و آموزش در مورد تجسم و علم داده باید رایج تر شود و زودتر آموزش داده شود." نوعی مسئولیت اجتماعی و سازمانی وجود دارد که با اتکا به استفاده از داده ها همراه است. مردم باید برای درک، تفسیر و استفاده حداکثری از داده‌ها مجهزتر باشند، زیرا هوش مصنوعی پیچیده‌تر می‌شود و ما باید چند قدم جلوتر از بازی باشیم.»

ادامه ساختن فرهنگ داده سازمان شما فرصت های قدرتمندی برای پرورش مهارت ها و پرورش راه حل های جدید در سراسر تجارت ایجاد می کند. بسیاری از سازمان‌ها در سال‌های اخیر سرمایه‌گذاری‌های خود را در داده‌ها و تجزیه و تحلیل افزایش داده‌اند، زیرا تحول دیجیتال سرعت گرفته است. فکر کردن به داده‌ها به‌عنوان یک ورزش تیمی چندان امکان‌پذیر نیست – و اکنون ابزاری برای گسترش این طرز فکر به هوش مصنوعی داریم.