"فقط یک کاری با هوش مصنوعی انجام دهید": پر کردن شکاف ارتباطی کسب و کار برای یادگیری ماشین

به عنوان یک متخصص یادگیری ماشین (ML)، احتمالاً با درخواست اجتناب‌ناپذیر زیر مواجه شده‌اید: "آیا می‌توانیم کاری با هوش مصنوعی انجام دهیم؟" این سوال، که اغلب توسط مدیران اجرایی یا ذینفعان تجاری مطرح می‌شود، هم هیجان و هم عدم قطعیت در مورد پتانسیل هوش مصنوعی را منعکس می‌کند.

استفانی کیرمر، مهندس ارشد یادگیری ماشین در DataGrail، در سخنرانی خود با عنوان "فقط یک کاری با هوش مصنوعی انجام دهید: پر کردن شکاف ارتباطی کسب و کار برای متخصصان ML" به این چالش می‌پردازد. نکته اصلی؟ ادغام موفقیت‌آمیز هوش مصنوعی در عملیات تجاری فقط به تخصص فنی مربوط نمی‌شود - بلکه در مورد ارتباط واضح، تصمیم‌گیری استراتژیک و درک نیازهای تجاری است.

این وبلاگ بررسی می‌کند که چگونه متخصصان ML می‌توانند این گفتگوها را هدایت کنند و اطمینان حاصل کنند که ابتکارات هوش مصنوعی با ارزش واقعی کسب و کار همسو هستند.

هنگامی که با یک درخواست مبهم هوش مصنوعی مواجه می‌شوید، بسیاری از متخصصان به طور غریزی به گونه‌ای واکنش نشان می‌دهند که، اگرچه قابل درک است، اما می‌تواند نتیجه معکوس داشته باشد:

• تغییر فوری به ایده جدید هوش مصنوعی، رها کردن کار فعلی.
• نادیده گرفتن درخواست، به این امید که محو شود.
• رد کردن ایده به طور کلی بدون بررسی.

هر یک از این پاسخ‌ها می‌تواند به اعتبار آسیب برساند. تغییر مداوم تمرکز، بهره‌وری را مختل می‌کند، در حالی که رد کردن صریح می‌تواند شما را بی‌اعتنا جلوه دهد. نادیده گرفتن درخواست خطر درک شدن به عنوان فردی بی‌علاقه را به همراه دارد. در عوض، یک رویکرد استراتژیک‌تر مورد نیاز است.

به جای واکنش تکانشی، یک قدم به عقب بردارید و سوالات کلیدی را برای ارزیابی اعتبار پیشنهاد بپرسید:

• چه کسی می‌پرسد؟ آیا این درخواست از یک تصمیم‌گیرنده، یکی از اعضای تیم بازاریابی یا یک همکار باهوش فناوری می‌آید؟ درک منبع به شما کمک می‌کند پاسخ خود را تنظیم کنید.
• انگیزه آنها چیست؟ آیا آنها به فشارهای خارجی، روندهای داخلی یا یک نقطه درد خاص پاسخ می‌دهند؟
• چرا حالا؟ آیا یک مشکل فوری وجود دارد که انتظار می‌رود هوش مصنوعی آن را حل کند، یا این فقط یک ابتکار اکتشافی است؟
• چه ارتباطاتی می‌بینند؟ آیا آنها به رقبا، روندهای صنعت یا تجربه شخصی اشاره می‌کنند؟

این سوالات به کشف این موضوع کمک می‌کند که آیا درخواست از یک مشکل واقعی تجاری ناشی می‌شود یا صرفاً واکنشی به هیاهوی هوش مصنوعی است.

هوش مصنوعی هرگز نباید فقط به خاطر استفاده از هوش مصنوعی پیاده‌سازی شود. در عوض، متخصصان باید ابتدا مشکل تجاری را تعریف کنند و ارزیابی کنند که آیا هوش مصنوعی بهترین ابزار برای این کار است یا خیر.

به عنوان مثال، فرض کنید یک مدیر اجرایی می‌خواهد با استفاده از هوش مصنوعی داده‌ها را از فرم‌های دست‌نویس استخراج کند. قبل از پرداختن به توسعه مدل، در نظر بگیرید:

• این راه حل چه ارزش خاصی را ارائه می‌دهد؟
• آیا رویکردهای دستی یا مبتنی بر قاعده وجود دارد که کافی باشند؟
• هوش مصنوعی چگونه در جریان‌های کاری فعلی ادغام می‌شود؟

هوش مصنوعی ذاتاً یک راه حل خوب نیست - بلکه صرفاً یک ابزار است. بدون یک مسئله به خوبی تعریف شده، تلاش‌ها خطر هدر رفتن در راه حل‌هایی را دارند که سود ملموس کمی ارائه می‌دهند.

یکی از مهم‌ترین گام‌ها تعیین این است که آیا هوش مصنوعی ضروری است یا خیر. بسیاری از مشکلات تجاری را می‌توان به طور موثرتری با تکنیک‌های اتوماسیون ساده‌تر حل کرد.

به عنوان مثال، سیستم‌های مبتنی بر قاعده if-then یا اسکریپت‌نویسی اولیه ممکن است مشکل را بدون پیچیدگی، هزینه و خطرات هوش مصنوعی برطرف کنند. علاوه بر این، ذینفعان تجاری اغلب تعریف مبهمی از "هوش مصنوعی" دارند و ممکن است بین اتوماسیون ساده، مدل‌های کلاسیک ML و تکنیک‌های یادگیری عمیق تمایز قائل نشوند. روشن کردن انتظارات قبل از تعهد منابع قابل توجه، همسویی را تضمین می‌کند.

هر پیاده‌سازی هوش مصنوعی خطراتی را به همراه دارد - فنی، اخلاقی و قانونی. قبل از اقدام، بپرسید:

• آیا سیستم هوش مصنوعی می‌تواند خطاهایی را وارد کند؟ به عنوان مثال، یک مدل OCR برای متن دست‌نویس ممکن است کلمات را به اشتباه تفسیر کند و منجر به اشتباهات پرهزینه شود.
• آیا نگرانی‌های مربوط به حریم خصوصی وجود دارد؟ برنامه‌های کاربردی هوش مصنوعی که شامل داده‌های شخصی می‌شوند باید با مقررات قانونی مانند GDPR مطابقت داشته باشند.
• آیا هوش مصنوعی مولد درگیر است؟ اگر چنین است، خروجی‌های ناخواسته یا جانبدارانه می‌تواند خطراتی برای اعتبار ایجاد کند.

یک رویکرد مسئولانه این خطرات را قبل از حرکت به جلو در نظر می‌گیرد.

قبل از اقدام، متخصصان ML باید ارزیابی کنند:

• آیا مسئله به خوبی تعریف شده است؟
• آیا حل آن یک اولویت است؟
• آیا همه می‌دانند که هوش مصنوعی در این زمینه چه کاری می‌تواند (و نمی‌تواند) انجام دهد؟
• آیا خطرات قابل مدیریت هستند؟

اگر پاسخ به هر یک از این سوالات نامشخص است، ممکن است عاقلانه باشد که مکث کنید یا تغییر جهت دهید. هر مشکلی نیاز به یک راه حل مبتنی بر هوش مصنوعی ندارد.

اگر هوش مصنوعی رویکرد درستی است، گام بعدی برنامه‌ریزی استراتژیک است. این شامل:

• شناسایی منابع، مهارت‌ها و فناوری مورد نیاز.
• توسعه یک نقشه راه برای یک حداقل محصول قابل ارائه (MVP) یا اثبات مفهوم.
• ارزیابی مبادلات - چه اولویت‌های موجود با سرمایه‌گذاری در هوش مصنوعی به تعویق می‌افتد؟

ذینفعان باید درک کنند که پروژه‌های هوش مصنوعی اغلب به تعهد و تکرار بلندمدت نیاز دارند تا نتایج فوری.

هنگامی که تصمیمی گرفته می‌شود - چه برای حرکت به جلو، تغییر به یک راه حل دیگر یا کنار گذاشتن ایده - باید به وضوح اطلاع رسانی شود. شفافیت تضمین می‌کند که ذینفعان منطق پشت این انتخاب را درک می‌کنند.

اگر پروژه به جلو می‌رود، انتظارات را در مورد جدول زمانی، چالش‌ها و نتایج تعیین کنید. اگر اینطور نیست، توضیح دهید که چرا در این زمان مناسب نبوده است و این ایده را تقویت کنید که تصمیم متفکرانه بوده است نه بی‌اعتنایی.

رسیدگی استراتژیک به درخواست‌های هوش مصنوعی هم شهرت تیم و هم نتایج تجاری را بهبود می‌بخشد. این امر متخصصان ML را به عنوان مشاوران مورد اعتماد قرار می‌دهد، نه صرفاً مجریان ابتکارات مبهم هوش مصنوعی.

با تمرکز بر مشکلات به خوبی تعریف شده، همسویی هوش مصنوعی با ارزش تجاری و در نظر گرفتن خطرات و منابع، تیم‌ها می‌توانند اطمینان حاصل کنند که ابتکارات هوش مصنوعی معنادار، تأثیرگذار و پایدار هستند.

تقاضای رو به رشد برای هوش مصنوعی و ارتباطات تجاری هوش مصنوعی به این معنی است که متخصصان ML نه تنها باید متخصصان فنی باشند، بلکه در برقراری ارتباط نیز مهارت داشته باشند. پر کردن موفقیت‌آمیز شکاف هوش مصنوعی و کسب و کار مستلزم پرسیدن سوالات درست، تعریف ارزش، مدیریت ریسک و اتخاذ تصمیمات آگاهانه است.

اگر می‌خواهید عمیق‌تر در استراتژی هوش مصنوعی، همسویی تجاری و آخرین تحولات در یادگیری ماشین غوطه ور شوید، در ODSC East در بوستون به ما بپیوندید! با رهبران صنعت ارتباط برقرار کنید، تجربه عملی کسب کنید و راه‌حل‌های هوش مصنوعی پیشرفته‌ای را کشف کنید که تأثیر واقعی تجاری دارند.

ODSC East | بوستون، 23 تا 25 آوریل 2024 |

بیشتر بدانید و در odsc.com/boston ثبت نام کنید