خلق ارزش با هوش مصنوعی در بستر سازمانی
در سراسر یک کسبوکار، ممکن است همزمان تعداد زیادی پلتفرم، سیستم و ابزار هوش مصنوعی فعال باشند؛ برای مثال، پلتفرمهای مشتریمدار مجهز به هوش مصنوعی، دستیارهای مکالمهای و ابزارهای خودکارسازی گردشکار و فرایند. هرکدام پیشرفته، پیچیده و سریع در پاسخگوییاند. اما وقتی به کار گرفته میشوند، نتایج و اقداماتی که از آنها حاصل میشود ممکن است نادرست، آشفته یا فاقدِ ... باشند.
در یک کسبوکار، ممکن است همزمان انواع پلتفرمها، سیستمها و ابزارهای هوش مصنوعی به کار گرفته شوند؛ برای مثال، پلتفرمهای مشتریمحور مجهز به هوش مصنوعی، دستیارهای مکالمهای و ابزارهای خودکارسازی گردشکار و فرایند. هرکدام از آنها پیشرفته، پیچیده و سریعپاسخ هستند. اما هنگام استفاده، ممکن است نتایج و اقداماتی که از آنها حاصل میشود نادرست یا سردرگمکننده باشد، یا درک درستی از کسبوکار نداشته باشد. بسیاری از سازمانها با چنین وضعیتی روبهرو هستند و این مسئله میتواند یکی از دلایل اصلی دشواری آنها در کسب بازده از سرمایهگذاریهایشان در هوش مصنوعی باشد.

نظرسنجی MIT Technology Review Insights نشان میدهد که با وجود استفاده همه سازمانهای شرکتکننده در نظرسنجی از هوش مصنوعی، هرچند در درجات مختلف، کمتر از یک سازمان از هر پنج سازمان (۱۶ درصد) از بهکارگیری آن ارزشی تحولآفرین به دست آوردهاند. بیشترین سهم پاسخدهندگان (۴۰ درصد) میگویند در وظایف یا تیمهای مشخص، بهبودهایی متوسط دیدهاند؛ ۲۱ درصد از بهبودهای چشمگیر خبر میدهند و ۲۳ درصد نیز بازدهی ناچیز یا هیچ بازدهیای به دست نیاوردهاند.
شرکتها عمدتاً هنوز در حال اجرای آزمایشی موارد استفاده از هوش مصنوعی هستند (به گفته ۳۸ درصد پاسخدهندگان) یا از آن برای کمک به کارکنان در انجام کارهایشان، با ابزارهایی مانند دستیارهای کمکی یا دستیارهای چت، استفاده میکنند (۳۵ درصد). تنها ۱۲ درصد از شرکتها عاملهای هوش مصنوعی را در محیط عملیاتی به کار گرفتهاند و ۳ درصد میگویند از هوش مصنوعی برای انجام بخش عمده کارها در فرایندهای کلیدی استفاده میکنند.

پروکالپا سانکار، همبنیانگذار Atlan، میگوید: «میان تواناییهای مدلها و میزان کارآمدی واقعی آنها در سازمانها شکاف بزرگی وجود دارد. از هر نظر و برای هر کاربرد عملی، هوش عمومی مصنوعی همین حالا هم وجود دارد؛ فقط در بیشتر شرکتها هنوز واقعاً کارآمد نیست.»
سانکار میگوید آنچه کم است، زمینه یا میزان درک هوش مصنوعی از یک کسبوکار است. لایه زمینه، زیرساختی در معماری سیستم است که میان سیستمهای کسبوکار یک سازمان (برای مثال، سیستمهای ثبت و داده) و پلتفرمهای هوش مصنوعی آن قرار میگیرد. این لایه، اطلاعات سازمانی را به زمینهای ساختیافته و قابلاستفاده برای عاملها یا مدلهای هوش مصنوعی تبدیل میکند و به انباشت دانش کمک میکند. سانکار میگوید: «بدون لایه زمینه برای هوش مصنوعی، انگار با باهوشترین کارآموز دنیا کار میکنید، چشمهایش را میبندید و او را به سازمانتان میفرستید.»
این محتوا را بخش محتوای سفارشی MIT Technology Review با نام Insights تهیه کرده است، نه گروه تحریریه آن. پژوهش و نگارش آن را انسانها انجام دادهاند و هرگونه استفاده احتمالی از ابزارهای هوش مصنوعی، زیر نظارت انسان و به فرایندهای تولید محدود بوده است.
اخبار مرتبط از MIT Technology Review AI
تحول در فرایندهای استخراج فلز
صنعت فلزات پیشتر نیز نقاط عطف دگرگونکنندهای را تجربه کرده است: فرایند بسمر، ذوب فلش، کورههای قوس الکتریکی و ریختهگری مداوم مدرن، همگی دامنهٔ امکانات را تغییر دادند. بااینحال، بیش از یک قرن است که بیشتر فرایندهای استخراج بر فنون و مسیرهایی متکیاند که برای متالورژیستهای نسلهای پیشین آشنا بودند. فرایندها بزرگتر شدهاند و سامانههای کنترل...
شاید مخالفتها با مراکز داده در واقع فقط به برق مربوط باشد
شرکتهای بزرگ فناوری، مناقشه بر سر پیشرفت را جنگی فرهنگی میبینند؛ اما شکاف اصلی بر سر برق است: تأمین آن از شبکه و تولید در محل، هرکدام واکنشهای منفی متفاوتی برمیانگیزند که هیچیک را نمیتوان بهآسانی با روابط عمومی برطرف کرد.
جانشین نانسی پلوسی آماده قانونگذاری برای هوش مصنوعی است
اسکات وینر قانونگذاری در حوزه هوش مصنوعی را به یکی از محورهای اصلی فعالیت سیاسیاش تبدیل کرده است؛ حالا او راهی کنگره میشود.
