ویژگی حمایت شده هوش مصنوعی (AI) اخیراً بر سرفصل های کسب و کار و فناوری تسلط یافته است. شما نمی توانید یک سایت خبری را بدون دیدن داستانی در مورد اینکه چگونه هوش مصنوعی آماده است تا نحوه انجام تجارت ما را تغییر دهد، بررسی کنید.

به طور طبیعی، تقریباً هر شرکتی مشتاق است که سفر خود را به سمت هوش مصنوعی آغاز کند یا پیش ببرد، اما اکثر آنها کاملاً نمی دانند چگونه باید ادامه دهند.

هوش مصنوعی در حال حاضر تأثیر زیادی بر تجارت مدرن دارد. در واقع، طبق آمار جمع آوری شده توسط AuthorityHacker35 درصد از کسب‌وکارها هوش مصنوعی را پذیرفته‌اند، 77 درصد دستگاه‌ها از نوعی هوش مصنوعی استفاده می‌کنند و از هر 10 سازمان، 15.7 سازمان از هوش مصنوعی برای کسب مزیت رقابتی حمایت می‌کنند. متعاقباً انتظار می‌رود هوش مصنوعی تا سال 2030، 85 تریلیون دلار به اقتصاد جهانی بیافزاید. هوش مصنوعی می تواند تا سال 2025 به طور بالقوه 97 میلیون شغل را از بین ببرد، اما از طرف دیگر، می تواند XNUMX میلیون شغل جدید نیز ایجاد کند.

شرکت‌هایی که به دنبال استفاده از هوش مصنوعی برای اولین بار هستند یا استفاده فعلی خود از آن را گسترش می‌دهند، با چندین لایه چالش در بخش کارکنان و فناوری روبرو هستند. همچنین نگرانی های قانونی و اخلاقی در مورد این فناوری وجود دارد. و از آنجایی که سیستم‌های هوش مصنوعی از داده‌ها تغذیه می‌شوند، شرکت‌ها به ناچار با نگرانی‌هایی در مورد اطمینان از کیفیت، مرتبط بودن و در دسترس بودن اطلاعاتی که به الگوریتم‌های هوش مصنوعی تغذیه می‌کنند، مواجه می‌شوند. اطمینان از دقیق، به روز بودن و تا حد امکان جامع بودن این مجموعه داده ها، چالشی پایدار را به همراه خواهد داشت. همین امر در مورد رسیدگی به پیچیدگی‌های سخت‌افزار مورد نیاز، زیرساخت‌ها و تامین انرژی و هزینه‌های مرتبط نیز صادق است.

غلبه بر چالش ها برای درو کردن پاداش

مت آرمسترانگ-بارنز، فن‌شناس ارشد هوش مصنوعی در HPE، معتقد است که سازمان‌ها اغلب اشتباه می‌کنند که بدون برنامه استراتژیک به هوش مصنوعی نزدیک شوند. «آنها خیلی سریع از فناوری استفاده می کنند. آنها استراتژی مشترکی ندارند. "آنها پروژه های علمی جالبی ایجاد می کنند، اما ارزش تجاری را اضافه نمی کنند."

قبل از هر چیز، شرکت ها باید یک استراتژی هوش مصنوعی ایجاد کنند که موارد استفاده را شناسایی و اولویت بندی کند و مطمئن شود که با مشکلات واقعی برخورد می کنند و فقط چیزی نمی سازند که در آزمایشگاه زندگی کند و بمیرد. البته سوالات عملی در مورد این فرآیند وجود دارد: "چگونه می خواهید این پلتفرم های هوش مصنوعی را بسازید؟ چگونه می خواهید آنها را زیر نظر داشته باشید؟» آرمسترانگ-بارنز می پرسد. "چگونه مطمئن می شوید که آنها همچنان کارآمد عمل می کنند؟ چگونه می خواهید متوجه شوید که به مزایایی رسیده اید که فکر می کردید آنها قرار است به دست آورند؟ چگونه بودجه را برای تأمین بودجه طرح‌ها به روش صحیح تخصیص می‌دهید؟»

تردیدی وجود ندارد که پرسیدن سوالات درست و داشتن یک برنامه قوی می تواند به کاهش زمان لازم برای درک مزایای هوش مصنوعی کمک کند. اما تبدیل هر سیستم هوش مصنوعی از مدل آزمایشی به یک مدل کار واقعی نیز یک چالش بزرگ است. آرمسترانگ-بارنز توضیح می‌دهد: «بزرگ‌ترین چالش‌ها پیرامون «عملیاتی‌سازی» است، یعنی اینکه چگونه می‌توان یک سیستم هوش مصنوعی را از جمع‌آوری داده‌های اولیه تا ساخت یک مدل تا استقرار تولید به دست آورد.

و اطمینان از داشتن مهارت های مناسب کارمندان ضروری است. جذب و حفظ کارکنان با ویژگی های مناسب، یا مشارکت با سازمانی که می تواند آن تخصص را ارائه دهد، تمرکز اصلی خواهد بود. او می‌افزاید: «هنوز سوء تفاهم‌های زیادی در مورد کارهایی که فناوری می‌تواند انجام دهد وجود دارد، بنابراین آموزش نه تنها مهارت‌ها را ایجاد می‌کند، بلکه باعث خرید نیز می‌شود».

او توصیه می‌کند که یکی از رویکردهایی که شرکت‌ها می‌توانند برای حل برخی از مسائل مربوط به مجموعه مهارت‌ها و زیرساخت‌ها اتخاذ کنند، جستجوی شراکت است: «شما می‌توانید برای ایجاد این مهارت‌ها شریک شوید. شریک برای دسترسی به زیرساخت، پلت فرم و خدمات مدل.»

یک معماری بومی هوش مصنوعی دارای لایه های زیادی است. اجزای خدمات زیرساخت هوش مصنوعی می‌تواند شامل پردازنده‌های گرافیکی و شتاب‌دهنده‌ها برای مثال، در کنار عناصر محاسباتی، ذخیره‌سازی و شبکه، کانتینرها و ماشین‌های مجازی و کتابخانه‌های هوش مصنوعی باشد. به همین ترتیب، سرویس‌های پلتفرم هوش مصنوعی می‌توانند برنامه‌های کاربردی ML، و خدمات داده، توسعه و استقرار را در بر گیرند. و بیایید خدمات مدل شامل مدل‌های پایه، تنظیم دقیق، فروشگاه‌های برداری و اعلان را فراموش نکنیم، در کنار خدمات تجاری هوش مصنوعی که برای ارتقای اعتماد با حذف تعصب و تغییر جهت ارائه ارائه‌های کاربردی ارزشمند طراحی شده‌اند.

به گفته این شرکت، HPE در حال حاضر یک چارچوب قوی متمرکز بر انسان ساخته است که می تواند برای نیازهای مشتری اعمال شود که بر حفظ حریم خصوصی، فراگیر بودن و مسئولیت متمرکز است.

آرمسترانگ-بارنز می گوید: «این بدان معناست که می توانید روی داده ها و مشکل تجاری تمرکز کنید.

همه چیز به داده ها مربوط می شود

تمرکز بر داده ها هنگام طراحی و استقرار سیستم های هوش مصنوعی می تواند بسیار مهم باشد. سازمان ها هر روز تحت تاثیر سونامی داده ها قرار می گیرند. چیزی که هوش مصنوعی آنها را قادر می سازد تا الگوهای پنهان را در آن داده ها پیدا کنند، که به تسریع توانایی آنها در استخراج ارزش از آن کمک می کند. سپس آنها می توانند تصمیمات آگاهانه تری در مورد برنامه های کاربردی، فرآیندها و خدماتی که می خواهند بسازند یا ارتقا دهند، بگیرند.

یکی از مؤلفه‌های اصلی این تمرکز داده‌محور، داشتن یک استراتژی محکم برای نحوه جمع‌آوری، مدیریت و نظارت بر داده‌ها است - استراتژی که با کسب‌وکار همسو باشد، فرهنگ داده را ایجاد کند و شامل عناصری پیرامون حاکمیت، کیفیت داده‌ها باشد. HPE می گوید حریم خصوصی و ابرداده.

آرمسترانگ-بارنز توضیح می‌دهد: «شما باید بدانید که کسب‌وکار در حال انجام چه کاری است. "شما باید بدانید که چگونه کیفیت داده ها را هدایت می کنید، چه کسی به آن دسترسی داشته است، چگونه آنها را از بین می برید، چه ابرداده هایی را ذخیره می کنید."

مشکل دیگری که داده ها می توانند ارائه دهند سیلوها هستند. هنگامی که داده ها قفل می شوند، استخراج و دریافت ارزش از آن می تواند مشکل ساز باشد. و هنگامی که این داده ها در دسترس و در دسترس قرار گرفت، موضوع آموزش داده هایی مطرح می شود که پلتفرم های هوش مصنوعی را مطلع می کند. وقتی صحبت از ساخت سیستم‌های هوش مصنوعی می‌شود، در سطح بالا چندین مرحله وجود دارد: جمع‌آوری داده. پالایش داده ها برای آماده سازی آن برای ساخت مدل؛ ساخت مدل ها؛ تنظیم مدل ها؛ و سپس استقرار آنها. هر یک از این مراحل چالش های خاصی را به همراه دارد.

اما HPE می‌گوید استفاده از معماری بومی هوش مصنوعی HPE Greenlake می‌تواند تا حد زیادی به ایجاد پایه‌های مناسب برای تسریع این فرآیندها کمک کند. و محیط توسعه یادگیری ماشین (MLDE) این شرکت نیز برای کمک به کاهش پیچیدگی و هزینه توسعه مدل یادگیری ماشین طراحی شده است.

آموزش این مدل های هوش مصنوعی به قدرت پردازشی قابل توجهی نیز نیاز دارد. از آنجایی که شرکت‌ها به سمت پذیرش یا افزایش استفاده از هوش مصنوعی حرکت می‌کنند، ابتدا باید ظرفیت فناوری برای مدیریت بار را داشته باشند. پلتفرم HPE GreenLake می‌تواند این ظرفیت را در قالب یک معماری پردازش با کارایی بالا و خط لوله داده‌های ساده‌سازی شده فراهم کند که سازمان‌ها برای اطمینان از دسترسی به داده‌های با کیفیت بالا و مرتبط برای ساخت و استقرار مدل‌ها و بارهای کاری هوش مصنوعی به آن نیاز دارند.

پروژه های موفق می توانند راه را روشن کنند

اغلب مفید است که برای راهنمایی به شرکت‌هایی نگاه کنید که قبلاً کار خوبی در اتخاذ و پیاده‌سازی هوش مصنوعی انجام داده‌اند. یکی از این تیم‌ها، تیم ورزش‌های الکترونیک مستقر در سیاتل، Evil Geniuses است. در طول تاریخ ۲۵ ساله‌اش، این شرکت وارد تیم‌هایی در انواع ورزش‌های الکترونیکی شده است که بازی‌های Call of Duty، Fortnite، Halo، Rocket League و VALROANT را انجام می‌دهند. تیم های نابغه شیطانی کاملاً موفق بوده اند. به عنوان مثال، تیم Call of Duty: WWII این شرکت برنده مسابقات قهرمانی Call of Duty 25 شد و تیم VALORANT قهرمان VALORANT Champions 2018 شد.

کریس دی آپولونیو، مدیرعامل Evil Geniuse می گوید: «ما اینجا هستیم تا چهره بازی را تغییر دهیم. ما یک سازمان سرگرمی در ورزش های الکترونیکی و بازی هستیم. ما به صورت حرفه ای در سراسر جهان بازی می کنیم. فناوری و داده ها ستون فقرات هر کاری است که ما انجام می دهیم. بازی های ما بر اساس یک و صفر ساخته شده اند. آن‌ها بر اساس داده‌ها هستند، و چگونه آن‌ها را پردازش می‌کنیم و بینش‌هایی از آن ایجاد می‌کنیم؟»

یکی از دغدغه‌های مهمی که Evil Geniuse با آن مواجه است، شناسایی گیمرهای حرفه‌ای بالقوه است. این شرکت مقادیر زیادی از داده های پیچیده را برای یافتن استعدادها در سراسر جهان پردازش می کند و . او می‌گوید: «ما می‌خواهیم داده‌هایی را در مورد آن حرفه‌ای آینده پیدا کنیم. و این به نظر میرسد کار خواهد کرد. "ما می خواهیم برنده شویم. ما می خواهیم استعدادهای بهتری پیدا کنیم. ما می خواهیم با مربیان و پیشاهنگان کارآمدتر باشیم. ما می‌توانیم از بینش‌ها برای کشف سوپراستار بعدی استفاده کنیم.»

آینده هوش مصنوعی - هم از منظر بهره وری و هم از منظر سود تجاری - امیدوارکننده به نظر می رسد. آرمسترانگ-بارنز از HPE می گوید: «هوش مصنوعی یک ورزش تیمی است، در مورد مهارت ها است. زمانی که صحبت از اجرای موفقیت‌آمیز سیستم‌های هوش مصنوعی به میان می‌آید، یک رویکرد این است که با سازمانی با سابقه‌ای در ساخت سیستم‌های هوش مصنوعی مقیاس‌پذیر، کارآمد و موثر شریک شوید. با میراث عمیقی در هوش مصنوعی که به چندین دهه قبل بازمی‌گردد، HPE ابزارها، تکنیک‌ها و مهارت‌هایی را برای تسریع ابتکارات هوش مصنوعی ارائه می‌دهد.

داده‌محور بودن و درک کامل داده‌ها و آنچه که قرار است از آن استفاده کنند، به سازمان کمک می‌کند تا رویکردی مبتنی بر استفاده را برای کمک به شناسایی نحوه ترکیب داده‌های خود با تکنیک‌های هوش مصنوعی برای افزایش ارزش کسب‌وکار اتخاذ کند. هنگامی که این درک درست شد، ساختن مزایای آن آسان تر می شود.  

آرمسترانگ-بارنز به شرکت‌ها توصیه می‌کند پلتفرم‌هایی بسازند که به آن‌ها اجازه می‌دهد کار کوچکی را شروع کنند، اما همه پایه‌ها را در اختیار داشته باشند تا بتوانند در صورت لزوم، آن‌ها را افزایش دهند. سپس آنها فقط باید کار کنند که می خواهند چه کاری انجام دهند و چگونه ارزش افزوده ایجاد می کند و با نیازهای خود در طول زمان رشد کنند. HPE بر توانایی خود برای ایجاد «کارخانه‌های هوش مصنوعی» با ترکیب سخت‌افزار، نرم‌افزار و خدماتی تأکید می‌کند که مقیاس‌پذیری سازمانی را فراهم می‌کند، با پشتیبانی از سیستم‌های یکپارچه که زندگی را برای کاربران نهایی آسان‌تر می‌کند.

او می‌گوید: «شما می‌خواهید با رقبای خود در سفر هوش مصنوعی همگام باشید. افزودن شرکا به هوش مصنوعی تیم یک عامل موفقیت حیاتی در ساخت یک معماری بومی هوش مصنوعی است که با نیازهای شما مطابقت دارد و به شما امکان می دهد به جای پیچیدگی های پایه های اساسی، روی داده ها و چالش های تجاری خود تمرکز کنید.

با حمایت HPE

• محتوای مبتنی بر SEO و توزیع روابط عمومی. امروز تقویت شوید.
• PlatoData.Network Vertical Generative Ai. به خودت قدرت بده دسترسی به اینجا.
• PlatoAiStream. هوش وب 3 دانش تقویت شده دسترسی به اینجا.
• PlatoESG. کربن ، CleanTech، انرژی، محیط، خورشیدی، مدیریت پسماند دسترسی به اینجا.
• PlatoHealth. هوش بیوتکنولوژی و آزمایشات بالینی. دسترسی به اینجا.
• منبع: https://go.theregister.com/feed/www.theregister.com/2024/04/18/getting_on_board_with_ai/