ITanalyze

سمیه مهدوی پیام - با توجه به سروصدای زیادی که در زمینه هوش مصنوعی وجود دارد، شاید حق داشته باشید که تصور کنید هوش مصنوعی مولد، تنها فناوری‌ای است که اهمیت دارد و به‌ندرت شاهد فناوری‌ای بوده‌ایم که این‌گونه با سرعت و تاثیرگذاری خود، دنیای کسب‌وکار را تحت‌تاثیر قرار دهد.

با وجود ابهامات و شرایطی که در اطراف آن وجود دارد، هوش مصنوعی قرار است زندگی روزمره و محیط‌های حرفه‌ای ما را به طور بنیادین تغییر دهد. طبق بررسی‌ها، ۸۴ درصد شرکت‌ها معتقدند هوش مصنوعی، تاثیر زیادی بر کسب‌وکار آنها خواهد گذاشت؛ البته اگر به درستی، پیاده‌سازی و مقیاس‌گذاری شود. 
در ادامه، ۱۰ اشتباه بزرگ شرکت‌ها، در ایجاد استراتژی هوش مصنوعی، بررسی شده است:

۱.    شروع کردن بدون اهداف واضح هوش مصنوعی که منجر به تلاش‌های بی‌هدف می‌شود: هدف هوش مصنوعی، تجزیه و تحلیل داده‌ها، اتوماسیون هوشمند و دیگر فناوری‌های دیجیتال، این نیست که فقط در حوزه دیجیتال بهتر شویم، بلکه هدف آن، ساخت ارزش جدید متناسب با استراتژی کسب‌وکار شماست.

۲.    نادیده گرفتن کیفیت داده‌ها و حکمرانی بر آن که کارایی هوش مصنوعی را تضعیف می‌کند: «در حالی که هوش مصنوعی می‌تواند به جامعه، کسب‌وکار و اقتصادها سود برساند، همچنین چالش‌های جدیدی برای مشتریان، کاربران و دیگر ذینفعان ایجاد می‌کند.» (Cisco). اگر تبعات اخلاقی استفاده از هوش مصنوعی را نادیده بگیرید، خطر از دست دادن اعتماد را به دنبال خواهید داشت. اگر کارکنان و مشتریان به هوش مصنوعی شما اعتماد نداشته باشند، موفق نخواهید شد. لازم است حکمرانی روشنی برای چگونگی توسعه، استقرار و بهره‌برداری از راه‌حل‌های مبتنی بر هوش مصنوعی پیاده‌سازی و رویکردهای پیشرفته‌ای برای تامین کیفیت داده‌ها اتخاذ کنید.

۳.    صرفه‌جویی در جذب نیروی کار متخصص در هوش مصنوعی که مانعی در پیشرفت و نوآوری می‌شود: برخلاف تصور رایج که هوش مصنوعی ممکن است جایگزین مشاغل شود، هوش مصنوعی می‌تواند کانالی برای افزایش بهره‌وری عظیم در کسب‌وکار باشد؛ البته اگر شرکت‌ها در مهارت‌ها و آموزش‌های مناسب سرمایه‌گذاری کنند. اولویت اصلی سازمان‌ها باید ساخت نیروی کار آینده‌نگر در حوزه هوش مصنوعی باشد. 

۴.    دست‌کم گرفتن نیاز به زیرساخت مقیاس‌پذیر هوش مصنوعی که رشد را محدود می‌کند: پیاده‌سازی‌های مقیاس‌پذیر هوش مصنوعی به پهنای باند و قدرت پردازش واحدهای پردازش گرافیکی (GPUs) نیاز دارند. لذا زیرساخت سازمانی باید از حجم عظیم پهنای باند که مدل‌های هوش مصنوعی برای آموزش و اجرای راه‌حل‌های جدید نیازمند آن هستند، پشتیبانی کند؛ صرفنظر از اینکه این زیرساخت‌ها در محل سازمان یا فضای ابری، مانند  AWS Bedrock قرار دارند.

۵.    نادیده گرفتن اهمیت ابزارهای هوش مصنوعی کاربرپسند و آموزش مداوم در این زمینه که منجر به کاهش میزان پذیرش هوش مصنوعی می‌شود: همان‌طور که اپل، بارها ثابت کرده، اگر فناوری به شکل شهودی و جذاب طراحی شود، مردم برای استفاده از آن مشتاق خواهند بود، وگرنه استفاده نخواهند کرد. آموزش هوش مصنوعی باید از بالاترین سطح سازمان، آغاز و به سمت لایه‌های بعدی ادامه یابد. هرکس می‌تواند از یادگیری هوش مصنوعی بهره‌مند شود، حتی اگر به طور مستقیم در حال ساخت آن نباشد. افراد می‌توانند از طریق ابزارهای کاربرپسند هوش مصنوعی مانند ChatGPT، Claude، Sora یا پلتفرم‌های هوش مصنوعی گفتاری، ایده‌پردازی و از آن استفاده کنند.

۶.    نادیده گرفتن و قانع نکردن ذی‌نفعان از همان ابتدا، که منجر به مقاومت و عدم حمایت می‌شود (مدیریت تغییر): بدون مردم، حتی بهترین فناوری، هیچ تاثیری ندارد. تمایل به پذیرش هوش مصنوعی، بسته به موقعیت فرد در سازمان بسیار متفاوت است. هیئت‌مدیره و تیم‌های رهبری به سرعت درباره تاثیر هوش مصنوعی مولد یاد می‌گیرند و هیجان‌زده می‌شوند. کارکنان و مدیران میان‌رده، خیلی دیرتر درباره هوش مصنوعی می‌شنوند و احساس می‌کنند این فناوری به آنها تحمیل شده است. علاوه بر این، رسانه‌ها با پیشنهاد اینکه هوش مصنوعی ممکن است باعث از دست رفتن مشاغل شود، شاهد مقاومت از سوی پذیرندگان دیرهنگام هوش مصنوعی شوند. در مقابل، سازمان‌ها باید گفتگوی پویا و مستمر درباره امکانات هوش مصنوعی ایجاد کنند و نشان دهند هر نقش در این فرایند سهیم است تا مسیر برای تمایل و مشارکت هموار شود.

۷.    نادیده گرفتن اهمیت تنوع داده‌ها که بر دقت مدل‌های هوش مصنوعی تاثیر می‌گذارد: کمتر کسی درنظر دارد مدل‌های تجاری هوش مصنوعی مغرضانه یا بدون ارزش افزوده ایجاد کند. هوش مصنوعی، یک حوزه پیچیده‌ است که به مهارت‌های تخصصی نیاز دارد. به همین دلیل، سیستم‌های هوش مصنوعی می‌توانند ناخواسته به حریم خصوصی حمله یا تصمیماتی اتخاذ کنند که ناعادلانه یا جانبدارانه به نظر برسند. بهترین داده‌ها برای مدل‌های هوش مصنوعی، داده‌های باکیفیت هستند. این داده‌ها نماینده مخاطبی است که می‌خواهید مدل‌سازی کنید و به اندازه کافی، از  نظر حجم، زمان‌بندی، تکمیل، دسترسی و بی‌طرفی، مناسب است. هرچیز غیر از این، داده‌های بی‌کیفیت است و هر تصمیم که بر اساس داده‌های بی‌کیفیت گرفته شود، می‌تواند به خروجی‌های نادرست، خطاهای سیستم و در بدترین شرایط، آسیب‌های جدی به افراد و اعتبار سازمان منجر شود و احتمالا مشکلات قانونی به همراه دارد. داده‌های باکیفیت و آماده برای استفاده که به‌ راحتی در دسترس افراد و سیستم‌ها در کل سازمان قرار گیرد، می‌تواند تا ۹۰ درصد سریع‌تر، موارد استفاده تجاری جدید را ارائه و هزینه کل مالکیت را تا ۳۰ درصد کاهش دهد. (گزارش مکنزی). به یاد داشته باشید، برای اینکه داده‌های باکیفیت، موثر باقی بمانند، باید به طور منظم، آزمایش و تایید شوند. هرگز یک مدل هوش مصنوعی نسازید که آن را رها کنید.

۸.    عدم تعیین معیارهای واضح برای موفقیت هوش مصنوعی، که منجر به نتایج قابل اندازه‌گیری نمی‌شود: ضرب‌المثل «اگر می‌توانی آن را اندازه‌گیری کنی، می‌توانی آن را مدیریت کنی»، درباره بیشتر موارد در زندگی صدق می‌کند و هوش مصنوعی نیز از این قاعده مستثنی نیست. اگر نتوانید بگویید که آیا در استفاده از هوش مصنوعی موفق بوده‌اید یا خیر، احتمالا از سرمایه‌گذاری‌تان هیچ ارزشی دریافت نخواهید کرد. بنابراین، معیارهایی ایجاد کنید که موفقیت هوش مصنوعی را پیگیری کنند، به عنوان مثال، درصد بهبود در حفظ مشتریان با ساخت مدل حفظ مشتری مبتنی بر هوش مصنوعی.

۹.    امنیت سایبری: عدم محافظت از داده‌ها می‌تواند خطر بزرگی برای نقض اطلاعات و سوءاستفاده از داده‌های سازمانی ایجاد کند. سازمان‌ها باید پروتکل‌های امنیتی قوی برای حفاظت از اطلاعات حساس خود در برابر دسترسی غیرمجاز، حفظ یکپارچگی و قابلیت اطمینان سیستم‌های هوش مصنوعی پیاده‌سازی کنند. همان‌طور که فناوری‌های هوش مصنوعی و هوش مصنوعی مولد، بیشتر در کسب‌وکار و جامعه ادغام می‌شوند، محافظت در برابر تهدیدات بالقوه برای جلوگیری از فعالیت‌های مخرب و حفظ اعتماد کاربران و مزیت رقابتی، اهمیت زیادی دارد. علاوه بر این، استراتژی‌های امنیت سایبری جامع به سازمان‌ها امکان می‌دهند که از الزامات قانونی پیروی کنند، خطرات قانونی را به حداقل برسانند و اعتبار خود را در زمینه حفاظت از داده‌ها تقویت کنند.

۱۰.    رفتار با هوش مصنوعی به عنوان یک پروژه یک‌باره و تمام‌شده: پیاده‌سازی استراتژی هوش مصنوعی، وظیفه یک‌باره نیست، بلکه مسیر پیوسته است. این فرایند، نیازمند نگهداری مستمر، به‌روزرسانی داده‌ها و تنظیمات برای همگام شدن با شرایط در حال تغییر است. سازمان‌هایی که هوش مصنوعی را به عنوان یک پروژه ساکن و نه یک فرایند پویا می‌بینند، معمولا سیستم‌ خود را به تدریج، از رده خارج یا سیستمی میابند که کارایی خود را از دست داده است. بنابراین فلسفه بهبود مداوم را برای ابتکارات هوش مصنوعی خود درنظر بگیرید. به ‌طور مداوم راه‌حل‌های هوش مصنوعی خود را ارزیابی، اصلاح و به‌روزرسانی کنید تا اطمینان پیدا کنید که با تغییر شرایط و داده‌ها، همچنان موثر و دقیق باقی می‌مانند. (منبع:عصرارتباط)