شکاف مهارتی که مانع پیشرفت در هوش مصنوعی (AI) می شود به خوبی مستند شده است، اما به نظر می رسد عامل دیگری مهم باشد: پیچیدگی داده ها. بر اساس یک مطالعه جدید IBM، دو مانع اصلی برای موفقیت در هوش مصنوعی مهارت‌ها و تخصص محدود هوش مصنوعی (که توسط 33 درصد از پاسخ‌دهندگان استناد شده است) و به دنبال آن پیچیدگی بیش از حد داده (25٪) است.
بر اساس نظرسنجی از 8584 متخصص فناوری اطلاعات، تا به امروز، اکثر شرکت ها (58٪) هنوز هوش مصنوعی را به طور فعال پیاده سازی نکرده اند. بزرگترین بازدارنده هوش مصنوعی مولد در این شرکت‌های فاقد هوش مصنوعی، حریم خصوصی داده‌ها (57 درصد) و اعتماد و شفافیت (43 درصد) است.
همچنین: اتوماسیون باعث پذیرش هوش مصنوعی می شود، اما فقدان مهارت های مناسب بازده را کند می کند.
در میان شرکت‌هایی که قبلاً هوش مصنوعی را به کار می‌گیرند، بزرگترین موانع اغلب مربوط به داده‌ها است، به طوری که برخی از شرکت‌ها اقداماتی را برای دستیابی به هوش مصنوعی قابل اعتماد انجام می‌دهند، مانند ردیابی منشأ داده (37٪) و کاهش سوگیری (27٪). حدود یک چهارم (242٪) از شرکت ها به دنبال گسترش قابلیت های تجزیه و تحلیل یا هوش تجاری خود هستند که به داده های ثابت و با کیفیت بالا بستگی دارد.
با این حال، برخی از رهبران صنعت هشدار می دهند که داده های سازمانی ممکن است برای حمایت از جاه طلبی های در حال رشد هوش مصنوعی آماده نباشند. مت لابوویچ، رئیس بخش داده، تجزیه و تحلیل و هوش مصنوعی ایالات متحده در PwC می‌گوید: «برای رقابتی ماندن، CIOها و رهبران فناوری باید استراتژی‌های داده خود را با ادغام نسل‌های هوش مصنوعی در پشته‌های فناوری خود تطبیق دهند. این به معنای درک داده ها و آماده شدن برای تأثیر تحول آفرین فناوری های نوظهور است.»
همچنین: 5 روش برای کاوش با استفاده از هوش مصنوعی مولد در محل کار
شیپرا شارما، رئیس بخش هوش مصنوعی و تجزیه و تحلیل در Bristlecone، می‌گوید متخصصان فناوری و سازمان‌های آنها باید به «امنیت داده‌ها، اخلاق تصمیم‌گیری هوش مصنوعی و سواد هوش مصنوعی» بپردازند. با آموزش محدود در زمینه هوش مصنوعی به دلیل جدید بودن این فناوری، بسیاری از مردم باید نحوه استفاده از آن را به تنهایی بیابند.
او می‌گوید که با تعامل فعال با این فناوری، «برای آموزش کارکنان و اجرای پادمان‌های مناسب، سازمان‌ها می‌توانند ضمن کاهش خطرات، مزایای هوش مصنوعی مولد را برای مدیریت داده‌ها درک کنند.» با وجود این پروتکل ها، قابلیت های پیشرفته داده مزیت قابل توجهی در مدیریت داده ها برای سازمان ها فراهم می کند. توانایی آنها در مقیاس عملیات خود.
به گفته لابوویچ، شرکت هایی که به دنبال پیشرفت در زمینه هوش مصنوعی هستند، باید “توازنی برقرار کنند و نقش مهم داده های بدون ساختار را در پیشبرد نسل هوش مصنوعی تشخیص دهند.”
شارما با این احساسات موافق است: «اینکه سازمان‌ها باید از تولید هوش مصنوعی در کنار داده‌های ساختاریافته برای حل مشکلات بسیار پیچیده استفاده کنند، لزوماً درست نیست. اغلب، ساده ترین برنامه ها می توانند به بیشترین صرفه جویی در کارایی منجر شوند.
همچنین: ChatGPT چگونه کار می کند؟
طیف گسترده ای از داده های مورد نیاز هوش مصنوعی می تواند یک قطعه خسته کننده از پازل باشد. به عنوان مثال، داده های لبه در حال تبدیل شدن به یک منبع اصلی برای مدل ها و مخازن بزرگ زبان هستند. بروس کورنفلد، مدیر بازاریابی و محصولات در StorMagic می‌گوید: «با ادامه تکامل هوش مصنوعی و سازمان‌ها به نوآوری در اطراف تحول دیجیتال خود برای افزایش درآمد و سود، رشد قابل توجهی در داده‌ها در لبه‌ها وجود خواهد داشت.
در حال حاضر، او ادامه می‌دهد: «داده‌های بسیار زیادی در قالب‌های مختلف وجود دارد، که باعث هجوم درگیری‌های داخلی می‌شود، زیرا شرکت‌ها در تلاش برای تعیین اینکه چه چیزی برای کسب‌وکارشان حیاتی است در مقابل آنچه که می‌توان بایگانی یا از مجموعه داده‌هایشان حذف کرد، تلاش می‌کند.»
کورنفلد معتقد است که نیاز فوری برای کسب‌وکارها وجود دارد که «رویکردها و راه‌حل‌هایی را تعیین کنند که می‌توانند به‌طور مقرون‌به‌صرفه نویز و اطلاعات ذخیره‌شده غیرضروری را فیلتر کنند تا فضایی را برای موارد ضروری ایجاد کنند».
Osmar Olivo، معاون مدیریت محصول در Inrupt، شرکتی که توسط Sir Tim Berners-Lee موسس شده است، می‌گوید: ملاحظات دیگر این است که داده‌های آموزشی از منابع مختلفی می‌آیند، که هم منابع عمومی و هم دارایی معنوی سازمان را در بر می‌گیرد.
همچنین: شش مهارتی که برای تبدیل شدن به یک مهندس هوش مصنوعی نیاز دارید
Olivo می‌گوید: برای بسیاری از سازمان‌ها، انتخاب اغلب به انتخاب «بین مزیت رقابتی که کسب‌وکارها می‌توانند با استفاده از هوش مصنوعی و محافظت از حساس‌ترین داده‌های خود به دست آورند، خلاصه می‌شود». “با این حال، این نباید یک انتخاب باینری باشد. من انتظار دارم که در سال 2024 شاهد ظهور راه حل های مبتکرانه مدیریت داده و حفظ حریم خصوصی باشیم، به ویژه با تمرکز بر محافظت از داده های مورد استفاده توسط مدل های هوش مصنوعی.”
راکش جایپراکاش، تبشیر ارشد تجزیه و تحلیل در ManageEngine، بخش مدیریت فناوری اطلاعات Zoho Corp، می‌گوید ایجاد یک رویکرد مبتنی بر داده، همراه با یک «مخزن داده متمرکز و قوی» برای پذیرش موفقیت‌آمیز هوش مصنوعی برای فرآیندهای تجاری و داخلی فناوری اطلاعات ضروری است. . “این حول ضبط دقیق هر رویداد و فرآیند سازمانی، با الگوریتم های یادگیری ماشینی که برای تشخیص الگوهای ارزشمند استفاده می شود، می چرخد.”
جایاپراکاش می‌افزاید: «با وجود اینکه آینده قابلیت‌های مبتنی بر هوش مصنوعی مولد را نوید می‌دهد، ما هنوز با دیدن این قابلیت‌ها به مزایای ملموس برای کاربران فاصله داریم.» با توجه به این موضوع، شرکت‌ها باید هنگام سرمایه‌گذاری منابع قابل توجه در ویژگی‌های جلب توجه که ممکن است ارزش ماندگاری ایجاد نکنند، احتیاط کنند. او می‌گوید که قابلیت‌های هوش مصنوعی باید «به‌طور یکپارچه در ساختار یک پلت‌فرم ادغام شوند».
همچنین: 3 خطر بزرگ هوش مصنوعی مولد – و نحوه مقابله با آنها
لابوویچ می‌گوید: از آنجایی که سازمان‌ها استراتژی‌های داده‌ای را برای انطباق با ظهور نسل هوش مصنوعی توسعه می‌دهند، «گام‌های پشیمانی وجود ندارد که همه می‌توانند برای آماده شدن برای تغییر اجتناب‌ناپذیر ناشی از فناوری‌های نوظهور بردارند».
«سازمان‌ها می‌توانند عملیات را ساده‌تر کرده و بهبودهای کوتاه‌مدت انجام دهند، مانند ایجاد هوش مصنوعی برای تولید اسناد عملیاتی و مالی حیاتی، ارتباطات خارجی با مشتریان و بازاریابی، و به اشتراک گذاشتن دانش سازمانی بین کارکنان مهم. این اقدامات می تواند مزایایی مانند بهبود بهره وری و صرفه جویی در هزینه ایجاد کند. ، در حالی که ابتکارات داده و فناوری بزرگتر در حال انجام است.
منبع: https://www.zdnet.com/article/data-is-the-missing-piece-of-the-ai-puzzle-heres-how-to-start-filling-the-gap/#ftag=RSSbaffb68