يعرف مديري المعلومات وقادة الأعمال أنهم يجلسون على منجم ذهبي من بيانات الأعمال. وعلى الرغم من أن الأدوات التقليدية مثل منصات ذكاء الأعمال وبرامج التحليل الإحصائي يمكن أن تسحب بشكل فعال رؤى من موارد البيانات المجمعة ، فإن القيام بذلك بسرعة ، في الوقت الفعلي وعلى نطاق لا يزال يمثل تحديًا لم يتم حله.
يمكن لـ Enterprise AI ، عند نشرها بمسؤولية وعلى نطاق واسع ، تحويل هذه الاختناقات إلى فرص. يعد التصرف بسرعة على البيانات ، حتى “Live” (أثناء تفاعل العميل ، على سبيل المثال) ، أحد قدرات التكنولوجيا ، وكذلك قابلية التوسع: يمكن لـ AI معالجة كميات كبيرة من المعلومات من مصادر متباينة بنفس السهولة التي يمكن أن تلخص فيها جدول بيانات من صفحة واحدة.
لكن نشر حل الذكاء الاصطناعي في المؤسسة الحديثة ليس بالأمر البسيط. يستغرق الهيكل والثقة والموهبة الصحيحة. إلى جانب تحديات التنفيذ العملية ، يجلب استخدام الذكاء الاصطناعى تحدياتها ، مثل حوكمة البيانات ، والحاجة إلى فرض الدرابزين على ردود الذكاء الاصطناعى وبيانات التدريب ، وقضايا التوظيف المستمرة.
التقينا راني رادكريشنان، PwC Principal ، الخدمات المدارة التكنولوجية – الذكاء الاصطناعي ، تحليلات البيانات والرؤى ، للتحدث بصراحة حول ما يعمل – وما الذي يعيق CIOS في رحلة الذكاء الاصطناعي. تحدثنا قبل مشاركتها في التحدث في Techex AI و Big Data Expo America North، 4 و 5 يونيو ، في مركز سانتا كلارا للمؤتمرات.
تتوافق راني بشكل خاص مع بعض الحوكمة وخصوصية البيانات وقضايا السيادة التي تواجه المؤسسات ، بعد أن أمضت سنوات عديدة في حياتها المهنية في العمل مع العديد من العملاء في القطاع الصحي-وهي مجال مثل القضايا مثل الخصوصية ، والرقابة على البيانات ، وقبل كل شيء ، فإن دقة البيانات هي جوانب أو تفرق في عمليات نشر التكنولوجيا.
“لا يكفي أن يكون لديك مهندس موجه أو مطور بيثون … لا تزال بحاجة إلى الإنسان في الحلقة لتنظيم مجموعات بيانات التدريب الصحيحة ومراجعة ومعالجة أي تحيز في المخرجات.” —Rani Radhakrishnan ، PWC
من الدعم إلى الاستراتيجية: تحويل التوقعات لمنظمة العفو الدولية
قال راني إن هناك حماسًا متزايدًا من عملاء PWC للخدمات المدارة التي تعمل بمواد الذكاء الاصطناعى والتي يمكن أن توفر كل من رؤى العمل في كل قطاع ، وللتقنية بشكل أكثر استباقية ، في ما يسمى الأدوار الوكيل حيث يمكن للوكلاء العمل بشكل مستقل على البيانات ومدخلات المستخدم ؛ حيث يمكن لعلماء الذكاء الاصطناعي المستقلة اتخاذ إجراء بناءً على التفاعلات مع البشر ، والوصول إلى موارد البيانات والأتمتة.
على سبيل المثال، OS Agent's Agent's Agent هو منصة AI المعيارية التي تربط الأنظمة وتوسيع العوامل الذكية في مهام سير العمل ، أسرع عدة مرات من طرق الحوسبة التقليدية. إنه مثال على كيفية استجابة PWC للطلب على الذكاء الاصطناعي من عملائها ، الذين يرون الكثير منهم إمكانات هذه التكنولوجيا الجديدة ، ولكنهم يفتقرون إلى الخبرة الداخلية والموظفين للتصرف بناءً على احتياجاتهم.
اعتمادًا على قطاع المنظمة ، يمكن أن يأتي الاهتمام بـ AI من العديد من الأماكن المختلفة في العمل. المراقبة الاستباقية للأنظمة المادية أو الرقمية ؛ الصيانة التنبؤية في التصنيع أو الهندسة ؛ أو كفاءة التكلفة التي فازت بها الأتمتة في البيئات المعقدة التي تواجه العملاء ، ليست سوى أمثلة قليلة.
ولكن بغض النظر عن المكان الذي يمكن أن يجلب فيه الذكاء الاصطناعى القيمة ، فإن معظم الشركات لا تملك حتى الآن مجموعة المهارات والأشخاص اللازمة لنشر الذكاء الاصطناعي الفعال-أو على الأقل ، عمليات النشر التي تحقق عائد استثمار ولا تأتي بمخاطر كبيرة.
وقال راني: “لا يكفي أن يكون لديك مهندس موجه أو مطور بيثون”. “عليك أن تضع كل هذه الأشياء معًا بطريقة منظمة للغاية ، وما زلت بحاجة إلى الإنسان في الحلقة لتنظيم مجموعات بيانات التدريب الصحيحة ومراجعة ومعالجة أي تحيز في المخرجات.”
بيت التنظيف: تحدي البيانات وراء الذكاء الاصطناعي
يقول راني إن تطبيقات الذكاء الاصطناعى الفعالة تحتاج إلى مزيج من المهارات الفنية – هندسة البيانات ، وعلوم البيانات ، والهندسة الفورية – مع خبرة مجال المؤسسة. يمكن أن تحدد خبرة المجال الداخلي النتائج الصحيحة ، ويمكن للموظفين التقنيين تغطية ممارسات الذكاء الاصطناعى المسؤولة ، مثل جمع البيانات والحوكمة ، وتأكيد أن أنظمة الذكاء الاصطناعى تعمل بمسؤولية وداخل إرشادات الشركة.
وقالت: “من أجل الحصول على أقصى قيمة من الذكاء الاصطناعي ، يتعين على المنظمة الحصول على البيانات الأساسية بشكل صحيح”. “لا أعرف شركة واحدة تقول إن بياناتها في حالة جيدة … يجب أن تدخلها في الهيكل المناسب وتطبيعها بشكل صحيح حتى تتمكن من الاستعلام عنها وتحليلها وتوضيحها وتحديد الاتجاهات الناشئة.”
جزء من مؤسسات العمل يجب أن تضعه لاستخدام AI الفعال هو ملاحظة وتصحيح التحيز – في كل من أنظمة الذكاء الاصطناعي وفي تحليل التحيز المحتمل الكامن في التدريب والبيانات التشغيلية.
من المهم أنه كجزء من الهندسة المعمارية الأساسية لأنظمة الذكاء الاصطناعى ، تطبق الفرق عمليات التعقيم الصارمة للبيانات والتطبيع والتعليق على البيانات. وقال راني إن هذا الأخير يتطلب “الكثير من الجهد البشري” ، والموظفون الماهرون المطلوبون من بين السلالة الجديدة من متخصصي البيانات الذين بدأوا في الظهور.
وقال راني إنه إذا كان من الممكن التغلب على تحديات البيانات والموظفين ، فإن حلقة التغذية المرتدة تجعل النتائج المحتملة من الذكاء الاصطناعى التوليدي قيمة حقًا. “الآن لديك فرصة مع AI على المطالبة بالعودة وتحسين الإجابة التي تحصل عليها. وهذا ما يجعلها فريدة من نوعها وقيمة للغاية لأنك الآن تدرب النموذج على الإجابة على الأسئلة بالطريقة التي تريد الإجابة عليها.”
بالنسبة لمراقبة المعلومات ، فإن التحول لا يتعلق فقط بتمكين التكنولوجيا. يتعلق الأمر بدمج الذكاء الاصطناعي في الهندسة المعمارية للمؤسسات ، والتوافق مع استراتيجية العمل ، وإدارة مخاطر الحوكمة التي تأتي مع الحجم. أصبح مديري المعلومات والمواد من الذكاء الاصطناعى – تعليمه ليس فقط الأنظمة ، ولكن الثقة والتحول.
خاتمة
لقد مرت بضع سنوات فقط على انطلاق الذكاء الاصطناعى من جذورها في أبحاث علوم الكمبيوتر الأكاديمية ، لذلك من المفهوم أن منظمات المؤسسات اليوم ، إلى حد ما ، تشعرين نحو تحقيق إمكانات الذكاء الاصطناعي.
لكن كتاب Playbook جديد ينشأ-وهو عبارة عن CIOS يساعد على الوصول إلى القيمة المحتفظ بها في احتياطيات البيانات الخاصة بهم ، في استراتيجية العمل ، والتحسين التشغيلي ، والخبرات التي تواجه العملاء وعشرات من مجالات العمل.
كشركة غارقة في التجربة مع العملاء الكبيرة والصغيرة من جميع أنحاء العالم ، تعد PWC واحدة من الخيارات الرائدة التي يلجأ إليها صانعي القرار ، وبدء أو ترشيد رحلاتهم الحالية.
استكشف كيف تساعد PWC CIOS على تضمين الذكاء الاصطناعي في العمليات الأساسية، وشاهد أحدث رؤى راني في يونيو Techex AI و Big Data Expo America North.
(مصدر الصورة: “رف الشبكة” من قبل فرد واحد مرخص بموجب CC BY-SA 2.0.)