AI جدید نیست. انسان در دهه 1940 تحقیق در مورد هوش مصنوعی را آغاز کرد و دانشمندان رایانه ای مانند جان مک کارتی چشم ما را به سمت امکانات آنچه این فناوری می تواند به دست آورد ، باز کردند. آنچه نسبتاً جدید است ، حجم اعتیاد به مواد مخدره است. احساس نمایی می کند. Chatgpt در سال 2022 منتشر شد به طرفداران عالی، و اکنون در اعماق وت Qwen 2.5 جهان را با طوفان سوق داده اند.
اعتیاد به مواد مخدره قابل درک است. با توجه به افزایش قدرت محاسباتی ، دسترسی به مجموعه داده های بزرگتر ، الگوریتم های بهبود یافته و تکنیک های آموزش ، مدل های هوش مصنوعی و ML هر چند ماه عملاً دو برابر می شوند. هر روز شاهد جهش های قابل توجهی در مناطقی مانند استدلال و تولید محتوا هستیم. ما در اوقات هیجان انگیز زندگی می کنیم!
اما اعتیاد به مواد مخدره می تواند آتش سوزی کند ، و می تواند نشان دهد که هنگام صحبت از هوش مصنوعی ، سر و صدای بیشتری نسبت به ماده وجود دارد. همه ما آنقدر به اضافه بار اطلاعات عادت کرده ایم که اغلب با این تحولات پیشگام همراه است که می توانیم سهواً تنظیم کنیم. با انجام این کار ، ما از فرصت باورنکردنی قبل از خود چشم پوشی می کنیم.
شاید به دلیل برتری “سر و صدا” در اطراف هوش مصنوعی ، برخی از رهبران ممکن است فکر کنند که این فناوری نابالغ و بی ارزش از سرمایه گذاری است. آنها ممکن است بخواهند قبل از تصمیم گیری برای غواصی در خود ، منتظر یک حجم مهم فرزندخواندگی باشند. یا شاید آنها بخواهند آن را ایمن بازی کنند و فقط از AI مولد برای مناطق کم تحرک از تجارت آنهابشر
آنها اشتباه هستند. آزمایش و به طور بالقوه عدم موفقیت در AI تولیدی بهتر از شروع اصلاً نیست. رهبر بودن به معنای سرمایه گذاری در فرصت ها برای تغییر و تجدید نظر است. هوش مصنوعی به سرعت حرکت می کند و پیشرفت می کند. اگر موج سوار نشوید ، اگر به بهانه احتیاط بنشینید ، کاملاً از دست خواهید داد.
این فناوری پایه و اساس دنیای تجارت فردا خواهد بود. کسانی که اکنون شیرجه می زنند ، تصمیم می گیرند که این آینده چگونه به نظر می رسد. فقط از هوش مصنوعی تولیدی برای ایجاد سودهای افزایشی استفاده نکنید. از آن برای جهش استفاده کنید. این همان کاری است که برندگان می خواهند انجام دهند.
پذیرش هوش مصنوعی یک موضوع ساده برای مدیریت ریسک است – چیزی که مدیران باید با آن آشنا باشند. با این فناوری مانند هر سرمایه گذاری جدید دیگری رفتار کنید. راه هایی برای حرکت به جلو پیدا کنید بدون اینکه خود را در معرض خطر ناچیز از خطر قرار دهید. فقط چیزیبشر شما بلافاصله یاد خواهید گرفت که آیا کار می کند ؛ یا AI یک فرآیند را بهبود می بخشد ، یا اینطور نیست. واضح خواهد بود
کاری که شما نمی خواهید انجام دهید این است که قربانی تجزیه و تحلیل فلج شوید. بیش از حد طولانی را صرف چشم انداز آنچه می خواهید به دست بیاورید ، صرف نکنید. همانطور که ولتر گفت ، اجازه ندهید کامل دشمن باشد خوببشر در ابتدا ، طیف وسیعی از نتایج را که مایل به پذیرش آن هستید ایجاد کنید. سپس خود را به آن نگه دارید ، به سمت بهتر تکرار کنید و به جلو بروید. انتظار برای فرصت مناسب ، مورد استفاده کامل ، زمان مناسب برای آزمایش ، آسیب بیشتری نسبت به خوب خواهد داشت. هرچه بیشتر منتظر بمانید ، هزینه فرصت بیشتری برای ثبت نام خود را برای خود دارید.
چقدر می تواند بد باشد؟ چند بادکنک آزمایشی را انتخاب کنید ، آنها را راه اندازی کنید و ببینید چه اتفاقی می افتد. اگر شکست بخورید ، سازمان شما برای آن بهتر خواهد بود.
بیایید بگوییم سازمان شما از کار در آزمایش AI تولیدی خود شکست بخورد. چه از آن؟ در یادگیری سازمانی ارزش فوق العاده ای وجود دارد – در تلاش ، محوری و دیدن اینکه تیم ها چگونه می جنگند. زندگی در مورد یادگیری و غلبه بر یک مانع بعد از زمان دیگری است. اگر تیم ها و ابزارهای خود را به سمت شکست فشار ندهید ، چگونه دیگر محدودیت های سازمانی خود را تعیین خواهید کرد؟ چگونه دیگر می دانید چه چیزی ممکن است؟
اگر افراد مناسبی را در نقش های مناسب دارید – و اگر به آنها اعتماد دارید – پس هیچ چیزی برای از دست دادن ندارید. دادن تیم های خود با چالش های واقعی و تأثیرگذار به آنها کمک می کند تا به عنوان حرفه ای رشد کنند و ارزش بیشتری را از کار خود بدست آورند.
اگر با یک آزمایش AI تولیدی سعی کنید و شکست بخورید ، وقتی زمان آن رسیده است که مورد بعدی را امتحان کنید ، موقعیت بهتری خواهید داشت.
برای شروع کار ، زمینه های کسب و کار خود را که بیشترین چالش ها را ایجاد می کنند ، شناسایی کنید: تنگناهای مداوم ، خطاهای بدون تلاش ، انتظارات سوء مدیریت ، فرصت هایی که از آن پرده برداشته شده است. هر فعالیت یا گردش کار که دارای توده های تجزیه و تحلیل داده ها و چالش های مشکل برای حل باشد یا به نظر می رسد مدت زمان نامناسب می تواند کاندیدای خوبی برای آزمایش هوش مصنوعی باشد.
در صنعت من ، مدیریت زنجیره تأمین ، در همه جا فرصت هایی وجود دارد. به عنوان مثال ، Management Warehouse یک پرتاب عالی برای AI تولید کننده است. مدیریت انبار شامل ارکستر کردن قطعات متعددی است که اغلب در زمان واقعی نزدیک است. افراد مناسب باید در زمان مناسب برای پردازش ، ذخیره و بازیابی محصول در مکان مناسب باشند – که ممکن است نیازهای ویژه ای داشته باشد ، همانطور که در مورد مواد غذایی یخچال نیز وجود دارد.
مدیریت همه این متغیرها یک کار گسترده است. به طور سنتی ، مدیران انبار وقت ندارند که گزارش های بی شماری از نیروی کار و کالا را مرور کنند تا ستاره ها تراز شوند. زمان زیادی طول می کشد ، و مدیران انبار اغلب ماهی های دیگری برای سرخ کردن دارند ، از جمله ایجاد اختلال در زمان واقعی.
با این حال ، عوامل تولید کننده هوش مصنوعی می توانند تمام گزارش های تولید شده را مرور کنند و یک برنامه اقدام آگاهانه بر اساس بینش و دلایل اصلی تهیه کنند. آنها می توانند موضوعات بالقوه را شناسایی کرده و راه حل های مؤثر ایجاد کنند. میزان زمانی که باعث صرفه جویی در مدیران می شود نمی توان بیش از حد مورد استفاده قرار گرفت.
این فقط یک نمونه از یک منطقه تجاری کلیدی است که می تواند با استفاده از AI مولد بهینه شود. هر گردش کار وقت گیر-به ویژه یکی از مواردی که شامل پردازش داده یا اطلاعات قبل از تصمیم گیری است-یک نامزد عالی برای بهبود هوش مصنوعی است.
فقط یک مورد استفاده را انتخاب کرده و ادامه دهید.
هوش مصنوعی تولیدی برای ماندن در اینجا است و با سرعت نوآوری در حال حرکت است. هر روز ، موارد جدید استفاده ظاهر می شودبشر هر روز ، این فناوری بهتر و قدرتمندتر می شود. این مزایا کاملاً واضح است: سازمان هایی که از داخل به بیرون تبدیل می شوند. انسانهایی که با داده های اوج با داده های کنار خود فعالیت می کنند. تصمیمات تجاری سریعتر و باهوش تر ؛ من می توانم ادامه دهم و
هرچه بیشتر منتظر بمانید تا به اصطلاح “شرایط عالی” بوجود بیاید ، دورتر از پشت شما (و تجارت شما!) دورتر خواهد بود.
اگر تیم خوبی دارید ، یک استراتژی تجاری سالم و فرصت های واقعی برای بهبود ، چیزی برای از دست دادن ندارید.
منتظر چی هستی؟