AI Gold Rush – از خلبانان و آزمایشات گرفته تا مقیاس سازمانی و استراتژی
قانون مور وقتی صحبت از هوش مصنوعی می شود خوب و واقعاً در بازی است. هوش مصنوعی به شدت تقاضا است و هر بنگاه اقتصادی AI را تصویب می کند. نوآوری همچنین به سوخت این تقاضا با مدل های جدید هوش مصنوعی ، عوامل هوش مصنوعی و فن آوری های جدید در این مکان کمک می کند. این یک تغییر اساسی برای شرکت ها است – مرحله خلبانان و آزمایشات جالب و ویترین برای هوش مصنوعی ، به ویژه ، هوش مصنوعی تولیدی تا حد زیادی در حال محو شدن است. شرکت ها در حال درک این موضوع هستند که هوش مصنوعی باید به عنوان بخشی از استراتژی سازمانی برای مقیاس گذاری و ایجاد تمایز واقعی تجارت تعبیه شود. هوش مصنوعی موضوعی در اکثر اتاق های هیئت مدیره است که منجر به نوآوری و بودجه استراتژیک می شود.
داده ها: اولین دومینو در استراتژی AI
توجه کلیدی در هر استراتژی هوش مصنوعی باید داده باشد. داده ها برای مدل های AI بسیار مهم است که زمینه ، هوشمند و دامنه و خاص شرکت باشند. مدل های AI نتایج را بر اساس روش تنظیم مدل و ورودی های ارائه شده به آن پیش بینی می کنند. هر دوی اینها به کیفیت ، تنوع ، پیشرفت و ساختار داده ها بستگی دارد.
با توجه به اخیر پیش بینی IDCپیش بینی می شود هوش مصنوعی تا سال 2030 اقتصاد جهانی را نزدیک به 20 تریلیون دلار افزایش دهد ، نه تنها توسط مدل ها بلکه با سرمایه گذاری های گسترده در داده های اساسی و زیرساخت هایی که آنها را به وجود می آورد.
داده های آموزش با زیر مجموعه های باریک منجر به مدل های مغرضانه می شود ، داده های منسوخ منجر به نتایج بی ربط می شوند و داده های ضعیف فقط منجر به نتایج ضعیف هوش مصنوعی می شوند. بنابراین ، داده ها اولین دومینو در استراتژی داده های یک شرکت است. حتی با داشتن بهترین افراد و فن آوری های برش ، اگر Data Domino سقوط کند ، کل استراتژی هوش مصنوعی به سرعت کاهش می یابد.
به عنوان گارتنر 2024 گزارش در مورد داده های برتر و یادداشت های تجزیه و تحلیل ، سازمان ها در حالی که مقیاس با هوش مصنوعی دارند به داده ها بستگی دارند و رهبرانی که موفق می شوند ، کسانی خواهند بود که کسانی خواهند بود اعتماد به داده های خود را ایجاد کنید و از نظر استراتژیک با آن رهبری کنیدبشر
تصمیمات کلیدی داده های استراتژیک برای استراتژی هوش مصنوعی شما
در اینجا 5 ملاحظات اصلی شما و شرکت شما برای تهیه داده های خود برای استراتژی هوش مصنوعی خود باید تهیه کنید:
1 از منظره داده خود استفاده مجدد کنید – چندین شرکت از مدیریت داده ها ، مدیریت داده ها و منظره ذخیره سازی داده ها و تجزیه و تحلیل برای هوش مصنوعی استفاده مجدد نمی کنند. بسیاری از داده ها که در خدمت گزارشگری و تجزیه و تحلیل های مهم هستند نیز می توانند برای هوش مصنوعی بسیار مهم باشند. بنابراین مهم است که با دارایی های داده ای که قبلاً در شرکت وجود دارد ، شروع شود. البته این باید با اقدامات کیفیت داده مناسب افزایش یابد.
سوال کلیدی برای پرسیدن – ما در شرکت خود چه داده هایی داریم و در چه شرایطی قرار دارد؟
2. ابرداده و اصل و نسب داده – برای داده های موجود ، ابرداده ، یعنی داده های مربوط به داده ها ، ممکن است به همان اندازه مهم باشد ، اگر نه بیشتر ، برای هوش مصنوعی. به عنوان مثال ، اصطلاحات تجاری که به داده ها برچسب زده می شود می تواند به عنوان مثال به شناسایی زمینه مربوطه برای یک مدل RAG کمک کند. هنگامی که کاربر وضعیت یک ادعا را در یک شرکت بیمه درخواست می کند ، تمام ویژگی های داده برچسب زده شده با وضعیت ادعا می توانند به عنوان زمینه ای برای پاسخگویی به مدل AI استفاده شوند. Data Lineage همچنین به درک جریان داده ها کمک می کند و به مدل های AI برای شناسایی منابع داده قابل اعتماد کمک می کند.
بر اساس یک وبلاگ اخیر ISASA، حاکمیت هوش مصنوعی بسیار مهم است و به مقیاس داده های مناسب و نسب داده نیاز دارد.
سوال کلیدی برای پرسیدن – آیا داده های ما به درستی با ابرداده های تجاری و فنی برچسب گذاری شده است؟ آیا ما داده های داده را جمع آوری می کنیم تا درک کنیم که چگونه جریان داده ها به پایان می رسد؟
3. حاکمیت داده و انطباق – اطمینان حاصل کنید که داده های شما به خوبی اداره و مدیریت شده است و هرگونه رعایت و مقررات مربوط به حفظ حریم خصوصی برای داده ها اعمال می شود. استراتژی هوش مصنوعی پس از شروع از ابتدا باید این حاکمیت و مقررات را به ارث ببرد و گسترش دهد. به عنوان مثال ، اگر مشتری بخواهد داده های خود را طبق مقررات GDPR ناشناس کند ، یک مدل هوش مصنوعی باید در مجموعه داده های ناشناس آموزش دیده و عملیاتی شود.
سوال کلیدی برای پرسیدن – آیا ما یک برنامه حاکمیت و انطباق داده داریم؟ اگر اینطور نیست ، جنبه های کلیدی که باید برای استراتژی هوش مصنوعی خود داشته باشم چیست؟
4. با داده های اصلی به عنوان خط حمله هوش مصنوعی خود رفتار کنید – داده های Critical Master ، که حاوی داده های مربوط به موجودات کلیدی در شرکت شما است ، باید به عنوان پایه برای استراتژی هوش مصنوعی شما استفاده شود. به عنوان مثال ، اگر نمای 360 درجه مشتری وجود داشته باشد ، یک استراتژی هوش مصنوعی در هر حوزه مشتری ، مانند پیش بینی مشتری ، باید از این داده های اصلی استفاده کند تا از هرگونه داده از دست رفته یا ناقص جلوگیری شود. البته این می تواند با اطلاعات بیشتر از منابع داده خاص ترکیب شود.
سوال کلیدی برای پرسیدن – آیا دامنه داده های اصلی اصلی خود را در یک کامل و به بقیه چشم انداز داده های خود در دسترس دارم؟
5. داده ها و مقدار آن – داده ها نباید به عنوان یک مرکز هزینه رفتار شوند بلکه از نظر ارزش آن ، هم نسبت به هوش مصنوعی و تجارت اندازه گیری می شوند. این امر علاوه بر هوش مصنوعی ، داده ها را نیز در هیئت مدیره و مباحث CXO قرار می دهد.
سوال کلیدی برای پرسیدن – آیا هیئت مدیره و CXO های من ارزش داده های سازمان را درک می کنند؟ اگر اینطور نیست ، چگونه می توانیم اطمینان حاصل کنیم که این درک شده است ، به خصوص در زمینه استراتژی هوش مصنوعی در شرکت؟
مدل ها می آیند و می روند ، اما داده ها تحمل می کنند.
با تکامل استراتژی هوش مصنوعی شما ، مدل های جدید و نوآوری های هوش مصنوعی پدیدار می شوند. سرعت نوآوری در این فضا ، ذهن آزار دهنده است. اما با گذشت زمان ، مدل های هوش مصنوعی کالایی می کنند. تمایز دهنده واقعی در شرکت شما این نیست که از کدام مدل استفاده می کنید بلکه نحوه استفاده از آنچه داده ها را آموزش می دهد ، تنظیم دقیق و کار بر روی آن می شود.
اگر در حال ایجاد یک استراتژی هوش مصنوعی هستید ، با مدل شروع نکنید. با این سؤال شروع کنید: آیا ما داده هایی برای پشتیبانی از آن داریم؟
