Don Schuerman مدیر ارشد فناوری و معاون بازاریابی محصول در Pegasystems است که مسئول پلتفرم Pega و برنامه های مدیریت ارتباط با مشتری (CRM) است.
او دارای 20 سال تجربه در ارائه راه حل های نرم افزاری سازمانی برای سازمان های Fortune 500، با تمرکز بر تحول دیجیتال، تحرک، تجزیه و تحلیل، مدیریت فرآیندهای تجاری، ابر و CRM است.
پگاسیستم ها یک پلت فرم قوی را ارائه می دهد که برای کمک به سازمان ها در دستیابی به نتایج متحول کننده کسب و کار از طریق بهینه سازی بلادرنگ طراحی شده است. این پلتفرم مشتریان را قادر می‌سازد تا با استفاده از تصمیم‌گیری هوش مصنوعی سازمانی و اتوماسیون گردش کار، از جمله شخصی‌سازی تعامل با مشتری، خودکارسازی خدمات و بهبود کارایی عملیاتی، به چالش‌های کلیدی تجاری بپردازند. Pegasystems که در سال 1983 تأسیس شد، یک معماری مقیاس‌پذیر و انعطاف‌پذیر ایجاد کرده است که از شرکت‌ها در برآورده کردن خواسته‌های فعلی مشتریان و در عین حال سازگاری با نیازهای آینده پشتیبانی می‌کند.
با توجه به تجربه گسترده شما به عنوان CTO در Pegasystems، چگونه Pega GenAI خود را در چشم انداز به سرعت در حال تحول هوش مصنوعی مولد برای شرکت ها متمایز می کند؟
Pega سال‌ها است که راه‌حل‌های هوش مصنوعی را نوآوری کرده است، از جمله کاوش هوش مصنوعی مولد قبل از ورود به جریان اصلی. من فکر می کنم سه چیز وجود دارد که ما را متمایز می کند:
اولاً، ما فقط به فرآیندها سرعت نمی‌دهیم، بلکه نوآوری را پیش می‌بریم. اکثر فروشندگان نرم‌افزار سازمانی، ربات‌های هوش مصنوعی، عوامل یا ویژگی‌های کمک‌پایلوت مختلف را ارائه کرده‌اند، اما حقیقت این است که این ابزارهای مشابه باعث تمایز رقابتی نمی‌شوند. ما به مشتریان خود این امکان را می‌دهیم تا با ابزارهای منحصربه‌فردی مانند Pega GenAI Blueprint، که بهترین طرح‌های اپلیکیشن را در چند ثانیه ارائه می‌کند، دوباره تصور کنند که کل تجارت آنها چگونه اجرا می‌شود. ما فقط وظایف را خودکار نمی کنیم. ما اساساً در حال تجسم مجدد نحوه عملکرد و نوآوری مشاغل هستیم.
دوم، ما فقط در انزوا خودکار نمی‌کنیم، بلکه نحوه کار را هماهنگ می‌کنیم از ابتدا تا انتها انجام می شود. سایر فروشندگان این ویژگی های ربات هوش مصنوعی نسل را می پاشند و امیدوارند که برای افزایش کارایی کافی باشد. پلتفرم ما ریشه در مدیریت پرونده و ارکستراسیون پیشرو در صنعت ما دارد، که ما را قادر می‌سازد نه تنها با هوش مصنوعی ژنرال خودکارسازی کنیم، بلکه کل فرآیند را از انتها به انتها هماهنگ و بهینه کنیم.
سوم، ما فقط یک موتور هوش مصنوعی نسل عمومی نیستیم – ما بر روی ایجاد تعامل بهتر با مشتری و اتوماسیون گردش کار از طریق هوش مصنوعی متمرکز شده‌ایم. گاهی اوقات، مشکل در دست نیاز به قدرت خلاقانه هوش مصنوعی مولد دارد، در حالی که مسائل دیگر ممکن است نیاز به هوش مصنوعی پیش‌بینی‌کننده یا هوش مصنوعی تصمیم‌گیری داشته باشند تا منطق بیشتری را به فرآیند القا کنند.
در مقاله فوربس شما،باز کردن پتانسیل هوش مصنوعی پیشرفته برای نوآوری تجاریشما به پتانسیل هوش مصنوعی مولد برای تجسم مجدد عملیات تجاری اشاره می کنید. چند نمونه خاص وجود دارد که در آن هوش مصنوعی می تواند تحول میراث را در شرکت های تاسیس شده تسریع کند؟
معاون طراحی دویچه تلکام، دانیل ونزل، برای مخاطبان در PegaWorld iNspire توضیح داده شد در تابستان امسال چگونه او در حال حاضر از Pega GenAI Blueprint استفاده می کند تا به او کمک کند تا بیش از 800 فرآیند تجاری جداگانه را در بخش خدمات منابع انسانی دوباره تصور کند. او می‌گوید بزرگ‌ترین گلوگاه در تلاش برای بهبود این فرآیندها این بود که تجار و IT به یک زبان صحبت نمی‌کنند، که منجر به انتظارات برآورده نشده می‌شود. Pega GenAI Blueprint به هر دو ذینفع کمک می کند تا فرآیند و نحوه بهبود آن را بسیار سریعتر از روش های سنتی درک کنند و به راه حل های موثرتری منجر شود.
در همین مقاله محدودیت‌های برنامه‌های هوش مصنوعی مولد فعلی بحث می‌شود. چگونه شرکت ها می توانند فراتر از بهبود بهره وری افزایشی حرکت کنند تا از پتانسیل تحول آفرین کامل هوش مصنوعی استفاده کنند؟
بیشتر هوش مصنوعی مولد در نرم‌افزارهای سازمانی به‌عنوان ویژگی‌های یکباره استفاده می‌شود که به سرعت بخشیدن به جنبه‌های خاص فرآیند کمک می‌کند. اما این نوع ویژگی‌ها در حال حاضر رایج هستند و مزیت رقابتی کمی دارند. هک‌های بهره‌وری مانند خلاصه‌نویسی و تولید متن، جزء ریسک‌های جدول هستند – چیزی که کسب‌وکارها برای پیشرفت در بازار به آن نیاز دارند، استفاده از هوش مصنوعی مولد برای ابداع تمام روش‌های جدید انجام کسب‌وکار در سطح بالا است. به عنوان مثال، گارتنر یک دسته فناوری جدید را شناسایی کرده است فن آوری های ارکستراسیون و اتوماسیون تجاری (BOAT) که به طور کلی تر به هدایت نتایج کسب و کار نگاه می کند، از ساده سازی هزینه ها، بهبود تصمیم گیری، کاهش هزینه های عملیاتی و استفاده از فناوری های اتوماسیون مناسب برای شغل مورد نظر. ویژگی‌های یکباره هوش مصنوعی جای خود را دارند، اما این تنها یک تکه از پازل است و نه گلوله نقره‌ای برای حل همه مشکلات.
امیدوارکننده‌ترین موارد استفاده سازمانی برای هوش مصنوعی مولد که فراتر از افزایش بهره‌وری معمولی است، چیست و چگونه کسب‌وکارها می‌توانند این موارد را به بهترین نحو اجرا کنند؟
هیجان انگیزترین فرصت مولد هوش مصنوعی، پتانسیل تزریق بهترین شیوه ها به یک فرآیند است. کسانی که از هوش مصنوعی ژنرال فقط برای نوشتن کد بیشتر استفاده می کنند، می توانند خود را برای بدهی فنی بیشتری آماده کنند. تزریق IP به فرآیند طراحی نرم‌افزار یک تغییر بازی است و سازمان‌ها را قادر می‌سازد تا بر اساس سال‌ها تجربه، سریعتر به راه‌حل بهینه دست یابند. و از آنجایی که به عنوان یک مدل بصری و نه فقط خطوط کد توسعه یافته است، همکاری و اصلاح آن در طول زمان بین سهامداران فنی و غیر فنی آسان تر است. پیش از این، نهایی کردن طراحی اپلیکیشن ممکن بود هفته ها طول بکشد و به مجموعه مهارت های بسیار تخصصی نیاز داشت. در حال حاضر، این ابزارهای مبتنی بر هوش مصنوعی، کاربران تجاری را قادر می‌سازد تا نیازهای خاص خود را به زبان ساده تایپ کنند و به سرعت از طرح مفهومی به طراحی جامع حرکت کنند. فارستر اخیراً برخی تحقیقات منتشر شده است که پیش‌بینی می‌کند استفاده از هوش مصنوعی برای تزریق IP به سیستم‌های طراحی مبتنی بر مدل یا کد پایین، نحوه استفاده شرکت‌ها از نرم‌افزار را به طور اساسی تغییر می‌دهد – به آنها اجازه می‌دهد برنامه‌های بیشتری بسازند و برنامه‌های «از قفسه» بسیار کمتری بخرند. من فکر می‌کنم این یک تحول بزرگ است و ما معتقدیم که با Pega GenAI Blueprint ما در موقعیت خوبی قرار داریم تا پلتفرم انتخابی برای مشتریان سازمانی خود باشیم.
شما قبلاً پیشنهاد کرده اید که هوش مصنوعی مولد می تواند با شناسایی شکاف های بازار به توسعه محصول کمک کند. آیا می‌توانید نحوه عملکرد این فرآیند را توضیح دهید و مثالی در دنیای واقعی به اشتراک بگذارید؟
Pega Customer Decision Hub ما یک راه‌حل هوش مصنوعی پیش‌بینی‌کننده است که به مشتریان ما کمک می‌کند بهترین اقدام بعدی را با مشتریان خود انجام دهند، خواه این به معنای فروش محصول، رفع مشکل خدمات یا گاهی انجام هیچ کاری باشد. این به ما امکان می دهد با اقداماتی که به بهترین وجه نیازهای فردی آنها را برآورده می کند، با مشتریان 1:1 ارتباط برقرار کنیم. اما عملکرد به روش 1:1 به این معنی است که شما به مقدار زیادی پیشنهادهای متناسب نیاز دارید – این بسیار بهتر از ارسال هرزنامه برای همه با یک پیام است، اما سازمان‌های بازاریابی را ملزم می‌کند که پیام‌های بیشتری ایجاد کنند که منحصر به گروه‌های مشتریان مختلف باشد. اکنون با ژنرال هوش مصنوعی، می‌توانیم کشف کنیم که چه مشتریانی کمتر از آنها خدمات رسانی کرده‌اند و سپس اقدامات جدیدی را پیشنهاد کرده و درمان‌های جدیدی بسازیم که برای این گروه‌ها مفیدتر باشد. این پتانسیل به سازمان‌ها کمک می‌کند تا به سمت مخاطبان بازاری که معمولاً قادر به پاسخگویی به آنها نبوده‌اند گسترش دهند.
چگونه شرکت‌های تاسیس شده با سیستم‌های قدیمی می‌توانند به طور موثر هوش مصنوعی مولد را ادغام کنند تا در برابر استارت‌آپ‌های چابک‌تر رقابتی باقی بمانند، به‌ویژه در تجسم مجدد عملیات اصلی‌شان؟
من فکر می کنم که ما در حال ورود به نقطه اوج برای سیستم های قدیمی هستیم. برای دهه‌ها، شرکت‌های بزرگ از بدهی‌های فنی می‌گذرند. ما سال‌ها را صرف استفاده از راه‌حل‌های کمک باند مانند RPA کردیم که به تخلیه اساسی که سیستم‌های قدیمی بر شرکت‌ها وارد می‌کنند توجهی نکرد – آنها هزینه‌های فناوری اطلاعات را که می‌تواند به سمت نوآوری برود، کاهش می‌دهند، ریسک را معرفی می‌کنند و از حرکت سریع شرکت‌ها در بازارهای متغیر جلوگیری می‌کنند. . خوشبختانه، من معتقدم یکی از ابرقدرت‌های نسل هوش مصنوعی این است که به ما اجازه می‌دهد تا سرعت طراحی مجدد و بازنشستگی سیستم‌های قدیمی خود را به طور چشمگیری تسریع کنیم – نه با صرفاً کدگذاری مجدد آنها، بلکه با بازنگری در جریان کار و خود فرآیندها برای اجرای مدرن. معماری های ابری و ارائه تجربیات دیجیتالی مورد انتظار مشتریان و کارمندان.
در مقاله ای جداگانه در ایجاد مانیفست هوش مصنوعی، شما بر اهمیت گره زدن استراتژی هوش مصنوعی به نتایج قابل اجرا تأکید می کنید. آیا می توانید راهنمایی کنید که چگونه کسب و کارها می توانند اهداف هوش مصنوعی خود را با نتایج ملموس تجاری هماهنگ کنند؟
بسیاری از شرکت‌ها با تمرکز بر یک ابزار جدید درخشان مانند هوش مصنوعی شروع می‌کنند تا اینکه با پی بردن به اهداف تجاری خود و مشکلی که باید حل کنند شروع کنند. آنها با تمرکز بر ابزار به جای مشکل، خود را در مسیری قرار می دهند که ممکن است برای کسب و کارشان بهینه نباشد. در عوض، آنها باید عقب نشینی کنند و از خود بپرسند که واقعاً در تلاش برای رسیدن به چه چیزی هستند. گاهی اوقات هوش مصنوعی ژنرال راه حل مناسبی نیست و ممکن است با استفاده از تصمیم گیری هوش مصنوعی به جای آن بهتر عمل کند. آنها باید به خاطر داشته باشند که انواع مختلفی از هوش مصنوعی وجود دارد که برای حل مشکلات مختلف تجاری مناسب تر است.
چگونه کسب‌وکارها می‌توانند از هوش مصنوعی مولد برای متحول کردن عملیات خود به‌جای خودکار کردن وظایف معمول استفاده کنند؟ آنها باید چه استراتژی هایی را برای به حداکثر رساندن بازگشت سرمایه در این زمینه به کار گیرند؟
فقط بر روی وظایف فردی تمرکز نکنید – این کار شما را از دیدن جنگل برای درختان باز می دارد. به عقب برگردید و گردش کار کلی کسب و کار خود و نتایجی را که می‌خواهید از آنها بگیرید، درک کنید. هوش مصنوعی مولد می تواند برای تجزیه و تحلیل فرآیندهای شما و القای بهترین شیوه ها در هر تعداد از صنایع مختلف استفاده شود. این می تواند تغییرات عمیقی را با امکان دادن به شرکت ها برای بازنگری و طراحی مجدد جریان کار اصلی خود ایجاد کند. برای مثال، هوش مصنوعی می‌تواند به طراحی مدل‌های عملیاتی جدید از ابتدا یا مهندسی مجدد مدل‌های موجود برای بهبود کارایی و نوآوری کمک کند. معیارهای واضحی را برای سنجش موفقیت ایجاد کنید و به طور منظم رویکرد خود را بر اساس این بینش ها اصلاح کنید. با استفاده از هوش مصنوعی برای ایجاد تغییرات معنادار به جای بهبودهای تدریجی، کسب و کارها می توانند ارزش قابل توجهی را باز کنند و از رقبا جلوتر بمانند.
به نظر شما چه صنایعی بیشتر آماده هستند تا از طراحی مجدد گردش کار با استفاده از هوش مصنوعی سود ببرند و چگونه باید اجرای این رویکرد را آغاز کنند؟
تقریباً هر سازمانی می تواند به طور جهانی از بهبود گردش کار خود به ویژه در بازارهایی که به سرعت در حال تغییر هستند بهره مند شوند. صنایع خدماتی مانند خدمات مالی، مخابرات و مراقبت‌های بهداشتی احتمالاً می‌توانند بیشترین سود را برای کمک به ساده‌سازی نحوه تعامل با مشتریان خود داشته باشند. این بخش‌ها فرآیندهای پیچیده و فشرده داده را مدیریت می‌کنند و برای بهبود کارایی، کاهش هزینه‌ها و ارائه نتایج بهتر تحت فشار فزاینده‌ای قرار دارند. علاوه بر این، هر صنعتی با حجم زیادی از خدمات قدیمی – مانند بانکداری – می‌تواند با بررسی فرآیندهای خود که احتمالاً سال‌ها پیش ایجاد شده‌اند، برای مدرن‌سازی آنها و اطمینان از همگام شدن با رقابت‌های جدیدتر سود ببرند.
چگونه رویکرد «انسان در حلقه» اثربخشی و استقرار اخلاقی هوش مصنوعی را، به‌ویژه در نقش‌های مواجهه با مشتری، افزایش می‌دهد؟
هوش مصنوعی مولد، اگرچه قدرتمند است، اما می تواند خروجی هایی تولید کند که همیشه دقیق یا مناسب نیستند. با ادغام نظارت انسانی، می‌توانیم خطراتی مانند عدم دقت محتوای تولید شده توسط هوش مصنوعی یا مسائل اخلاقی را کاهش دهیم.
به عنوان مثال، در خدمات مشتری، هوش مصنوعی می‌تواند پاسخ‌ها و توصیه‌هایی را ایجاد کند، اما بررسی انسانی این خروجی‌ها تضمین می‌کند که با ارزش‌های شرکت و نیازهای مشتری هماهنگ هستند. این نظارت برای حفظ شفافیت و مسئولیت پذیری، به ویژه زمانی که مدل های هوش مصنوعی اطلاعات قابل قبول اما نادرست یا گمراه کننده تولید می کنند، بسیار مهم است.
جالب اینجاست که وجود یک انسان در حلقه به شما این امکان را می‌دهد که یکی از نقاط ضعف هوش مصنوعی را در نظر بگیرید – که ذاتاً غیرقابل پیش‌بینی یا غیر قطعی است، به این معنی که دوبار به شما پاسخ مشابهی نمی‌دهد – و آن را به یک نقطه قوت تبدیل کنید. . با Pega GenAI Blueprint، ما از هوش مصنوعی ژنرال به عنوان شریک طوفان فکری استفاده می کنیم و رویکردهای جدیدی را برای طراحی گردش کار پیشنهاد می کنیم. انسان همیشه تصمیم‌گیرنده نهایی است، اما هوش مصنوعی ژنرال با پیشنهاد دائمی رویکردهای جدید، تفکر اصلی را پیش می‌برد و به انسان‌ها کمک می‌کند از «بازسازی مسیر گاو» اجتناب کنند.
با تشکر از شما برای مصاحبه عالی، خوانندگانی که مایل به کسب اطلاعات بیشتر هستند باید بازدید کنند پگاسیستم ها.
