۴۰٪ شرکت‌ها عوامل هوش مصنوعی را رها می‌کنند؛ ۳ راه برای اطمینان از موفقیت عوامل شما

اصل ماجرا

تحلیل‌گران گارتنر پیش‌بینی کردند تا سال ۲۰۲۷، ۴۰٪ سازمان‌ها هوش مصنوعی عامل‌های خود را حذف یا کاهش می‌دهند چون حاکمیت کافی ندارند. در کنفرانس اسنوفلیک، رهبران دیجیتال سه نکته مهم برای موفقیت این فناوری را بیان کردند: استفاده از چارچوب‌های ارزیابی، بهره‌گیری از کارشناسان حوزه و تبدیل داده‌ها به منبع درآمد. اجرای این اصول می‌تواند خطر شکست پروژه‌های هوش مصنوعی را به حداقل برساند.

متن کامل ترجمه‌شده

40٪ از کسب و کارها آژانس های هوش مصنوعی را از دست خواهند داد - 3 راه برای اطمینان از موفقیت شما Follow ZDNET: به ما به عنوان یک منبع مورد علاقه در گوگل اضافه کنید. Takeaways کلیدی ZDNET - انتقال آژانس های هوش مصنوعی به تولید می تواند یک سوال دشوار باشد. - حرفه ای هوشمند تمرکز بر مدیریت و چارچوب ها. - آنها با کارشناسان کار می کنند و نتایج واضح را تضمین می کنند. بسیاری از هیپ در مورد توانایی آژانس های هوش مصنوعی وجود دارد، اما شواهد کمتر است که ابزارها بر درآمد سرمایه گذاری تولید می کنند. تحلیلگر تکنولوژیکی Gartner به تازگی پیش بینی کرده است که 40٪ از کسب و کارها توسط 2027 آژانس های هوش مصنوعی مستقل را از دست خواهند داد یا حذف خواهند کرد. - آنها به دلیل غفلت های مدیریت که تنهاآنها سه درس برای حرفه ای دیگر که می خواهند از هوش مصنوعی استفاده کنند: استفاده از چارچوب ها، استفاده از کارشناسان، و کسب درآمد داده ها را به اشتراک گذاشتند. 1. تمرکز بر روی چارچوب ها Matt Luizzi، معاون تجزیه و تحلیل در متخصص تکنولوژی پوشیدنی Whoop، گفت که سازمان او داده های بیومتری را 24/7 جمع آوری می کند تا اطلاعات بهداشتی و سلامتی خود را تقویت کند، با Snowflake پشتیبانی از خدمات تجزیه و تحلیل داخلی شرکت. Luizzi گفت ایجنسی ها در این فرایند نقش مهم تر و مهم تر را بازی می کنند، به خصوص Snowflake CoCo، عامل رمزنگاری متخصص تکنولوژی برای توسعه دهندگان و مهندسان داده ها. “ما چند ماه است که از CoCo استفاده می کنیم، و فقط با تیم تجزیه و تحلیل شروع کرده ایم، که افرادی هستند که می توانند به سرعت پاسخهمچنین: تولیدات را فراموش کنید: در اینجا 5 تغییر استراتژیک وجود دارد که ارزش واقعی AI را هدایت می کند Luizzi گفت که شرکت دارای مهندسان نرم افزار است که تست های A / B را اجرا می کنند و از CoCo برای تجزیه و تحلیل نتایج استفاده می کنند، ویژگی بعدی را پیشنهاد می کنند، آن را آزمایش می کنند و تکرار می کنند. “این رویکرد به سرعت راهی را که ما ارزش کسب و کار را ارائه می دهیم، نه تنها با اتوماتیک کردن چارچوب آزمایش، بلکه همچنین ارزش مشتری” گفت. Luizzi گفت که سازمان او خوشبخت بود که زیربنایی زیربنایی برای بررسی های آژانتیک خود وجود دارد، زیرا داده های شرکت بر روی پلت فرم Snowflake متمرکز می شوند.همچنین: چرا من Copilot را برای Claude در Word، Excel، و PowerPoint رها کردم - و چگونه می توانید، همچنین Luizzi گفت که یک درس کلیدی این است که چارچوب ها برای کشف های موفق آژانس AI بسیار مهم است. “ما سعی می کنیم همه چیز را در یک روش تکرار کننده تر انجام دهیم، همان گونه که ما در 10 سال گذشته با معماری داده های ما انجام داده ایم، “او گفت. “برای ایجاد چارچوب های تکرار کننده که به ما اجازه می دهد تا این بارهای کار AI را گسترش دهیم چیزی است که ما با ما به جلو می آوریم.” 2. استفاده از تحلیلگران متخصص Madeleine Want، VP از داده ها در متخصص ورزشی Fanatics، مدیریت مهندسی داده ها، علوم داده ها و یادگیری ماشین در بخش شرط بندی و بازی سازمان، با این فعالیت که توسط پلت فرم Snowflake پشتیبانی می شود.”هنگامی که شروع به آزمایش کردن کردیم، ما مطمئن نبودیم که چه چیزی می افتد و چه چیزی می افتد، اما ما متوجه شدیم که چه چیزی در حال وقوع است که شرایط داده های زیرزمینی بهتر است و مدیریت آن بهتر است، LLM به راحتی می توانست معنی را پیدا کند و به طور موثر سوالات را پاسخ دهد،” او گفت. در حالی که این تمرکز بر داده ها و مدیریت ممکن است به نظر برسد چیزی آشکار برای گفتن، گفت می خواهد، قطعا این مورد 18 ماه پیش نبود. “ما تجربه زیادی به عنوان یک سازمان ساخت مدل های یادگیری ماشین مورد نیاز داشتیم، بنابراین سخت بود باور کنیم که ایده وارد کردن یک مدل شخص ثالث و فقط آن را بر روی داده ها می تواند برای تجزیه و تحلیل کار کند.”ما در ابتدا در زمینه هایی که در زمینه به خوبی محدود بودند، موفق بودیم و در آن تحلیلگران متخصص بودیم که از سطح کسب و کار به سطح پایین درک می کردند و می توانستند عامل را مربی کنند.” و گفت که سازمان او با گذشت زمان موفق تر شده است. سرمایه گذاری هایی که آنها باید در سطح زمینه انجام دهند، کاهش می یابد، همانطور که سطح نظارت که یک عامل نیاز دارد قبل از شروع به پاسخ دادن به سوالات به طور مستقل است. “ما توانایی ما برای اندازه گیری دقت پاسخ ها افزایش می یابد، زیرا ما در حال حاضر زمینه های ارزیابی گسترده ای را معرفی می کنیم که به ما کمک می کند اعتماد به اینکه چگونه عامل ها پاسخ می دهند هنگامی که ما نمی بینیم، که نوعی نقطه ی کل است.” همچنین: آژانس های هوش مصنوعی نگران شما را جایگزین می کنند؟ 5 راهی که می توانید اضطراب را به عمل تبدیل کنید.در حالی که Fanatics هنوز از رابط های و آژانس های Snowflake استفاده می کند، شرکت APIs و پاسخ ها را در ابزارهای دیگری از طرف ثالث نصب می کند تا مردم بتوانند با اطلاعات مبتنی بر داده ها بیشتر کار کنند. “مستخدمان می خواهند از موارد کاربردی استفاده کنند و بیشتر کار کنند,” او گفت. “مردم می خواهند بتوانند این اطلاعات را از طریق انواع مختلف کانال ها و رسانه های مصرفی دسترسی داشته باشند، زیرا آنها نیاز دارند که داده ها را در جایی که آنها کار می کنند استفاده کنند.” 3. کسب درآمد از داده های خود Sriram Sitaraman، CIO متخصص نرم افزار Synopsys، گفت که سازمان او یک مشتری طولانی مدت Snowflake است که از پلتفرم داده ها و خدمات آژانس آن، مانند CoCo، برای تقویت فرآیند تصمیم گیری خود استفاده می کند. حدود 18 ماه پیش، Sitar گفت که شرکت”ما از این توانایی استفاده کردیم و گفتیم، خوب، ببینید، اگر ما یک عامل دانش ایجاد کنیم، ما می توانیم آن را در چند متغیر ایجاد کنیم."" همچنین: 90٪ پروژه های AI شکست - در اینجا 3 راه برای اطمینان از شما نیست مثال ها شامل یک عامل درآمد برای بخش مالی که گزارش ها را اجرا می کند و یک عامل اصلاح برای سیستم بلیط مرتبط با مراکز داده های شرکت است. Sitaraman گفت که تیم توانایی AI را در سه متغیر ارزیابی کرده است: کیفیت نتایج، زمان به نتایج و هزینه های نتایج. آنها کشف کردند که AI تاثیر مثبت در هر سه زمینه دارد، که او گفت یک پیشرفت قابل توجه است: “در گذشته، شما مجبور بودید یک یا دیگری را قربانی کنید.""این مهم نیست که چقدر حجم شما را در این نوآوری هشدار می دهید، زیرا هوش مصنوعی در واقع یک مقیاس خطی است. هر چه بیشتر داده های هوش مصنوعی داشته باشد، تصمیمات بهتر می گیرد.” همچنین: 5 راه برای استفاده از هوش مصنوعی هنگامی که بودجه شما ضعیف است، با این حال، Sitaraman نیز هشدار داد. “همه چیزی که ما متوجه شدیم این است که امروز تفاوت زیادی بین اتوماتیک و اتوماتیک وجود ندارد، و بنابراین شما باید مراقب باشید” گفت. “آیا شما می خواهید یک فرآیند را اتوماتیک کنید یا واقعا می خواهید یک عامل ایجاد کنید، که شامل ساختار هزینه های متفاوت، مدل استفاده و دولت است؟” Sitaraman حرفه ای را تشویق کرد که موارد مناسب استفاده را شناسایی کنید، زمینه های مناسب را بسازید، و هرگز نادیدهشما باید به دقت از طریق این فرآیند فکر کنید.

چرا مهمه؟

شرکت‌ها متوجه شدند که بدون چارچوب‌های واضح و نظارت متخصصان، هوش مصنوعی عامل‌ها به سرعت به مشکلات حاکمیتی می‌رسند؛ این باعث می‌شود تا ۴۰٪ از آن‌ها قبل از ۲۰۲۷ از کار بیفتند. مدیران فناوری، تیم‌های داده و تصمیم‌گیرندگان تجاری تحت تأثیر این تغییر قرار می‌گیرند چون باید روش‌های جدیدی برای ارزیابی، نظارت و سودآوری از داده‌ها اتخاذ کنند. خواننده باید این خبر را جدی بگیرد تا از اشتباهات رایج جلوگیری کند و سرمایه‌گذاری در هوش مصنوعی را به‌صورت مؤثرتر برنامه‌ریزی نماید.

به درد کی می‌خوره؟

• مدیران فناوری اطلاعات • تیم‌های داده و تحلیل • مهندسان هوش مصنوعی • تصمیم‌گیرندگان تجاری

تو عمل چی کار کنیم؟

با مطالعه این خبر، می‌توانید چارچوب ارزیابی مناسب برای هوش مصنوعی عامل خود تعریف کنید، تیم‌های متخصص داخلی یا خارجی را برای نظارت به کار بگیرید و برنامه‌ای برای تبدیل داده‌های سازمان به منبع درآمدی پیاده کنید. این کار باعث می‌شود پروژه‌های هوش مصنوعی با ریسک کمتر و بازدهی بالاتر پیش بروند.

نظر Blue IT News

پیشنهاد می‌کنیم پیش از راه‌اندازی هر عامل هوش مصنوعی، یک چارچوب حاکمیتی دقیق تدوین کنید؛ این کار نه تنها خطر شکست را کاهش می‌دهد بلکه مسیر سودآوری داده‌ها را هم هموار می‌سازد.