GoTo به کسب‌وکارهای کوچک و متوسط کمک می‌کند تا زیرساخت‌های فناوری اطلاعات خود را مدیریت کنند.
GoTo به کسب‌وکارهای کوچک و متوسط کمک می‌کند تا زیرساخت‌های فناوری اطلاعات خود را مدیریت کنند.

این شرکت آمریکایی کسب‌وکارهای کوچک و متوسط را از آشفتگی فناوری اطلاعات نجات می‌دهد

GoTo به شرکت‌ها در هر اندازه‌ای، با تمرکز ویژه بر کسب‌وکارهای کوچک و متوسط (MSMEs)، امکان می‌دهد تا به طور یکپارچه از هر مکانی فعالیت کنند.

یک کارمند معمولی از چندین دستگاه استفاده می‌کند - تلفن‌های هوشمند، لپ‌تاپ‌ها، تبلت‌ها و حتی دستگاه‌های خانگی - که مدیریت فناوری اطلاعات را در مقیاس کسب‌وکار به طور فزاینده‌ای پیچیده می‌کند. برای فعالیت ایمن و کارآمد، شرکت‌ها به راه‌حل‌های قدرتمند نیاز دارند.

GoTo، یک شرکت توسعه نرم‌افزار مستقر در ایالات متحده، این راه‌حل‌ها را ارائه می‌دهد و کسب‌وکارها را قادر می‌سازد تا ارتباط برقرار کنند، همکاری کنند و زیرساخت فناوری اطلاعات خود را به طور یکپارچه مدیریت نمایند. این شرکت به شرکت‌ها در هر اندازه‌ای، با تمرکز ویژه بر کسب‌وکارهای کوچک و متوسط (MSMEs)، امکان می‌دهد تا از هر مکانی فعالیت کنند.

هوش مصنوعی + فناوری اطلاعات

امروزه هوش مصنوعی در کانون توجه همگان قرار دارد و دلیل خوبی هم دارد - زمان آن واقعاً فرا رسیده است.

در گفتگوی اختصاصی با

AIM
، مادهوسودان کریشناپورام، معاون ارشد و مدیرعامل GoTo هند، گفت: «مایلم دو مشاهده کلیدی در مورد هوش مصنوعی و GoTo را به اشتراک بگذارم. اول اینکه، اگرچه هوش مصنوعی اخیراً به یک ابزار اصلی و بخشی از گفتگوی روزمره تبدیل شده است، اما برای مدتی طولانی جزء لاینفک فناوری بوده است. در GoTo، ما هوش مصنوعی را در چت‌بات‌ها، تشخیص صدا، تبدیل گفتار به نوشتار و پس‌زمینه‌های مجازی، پیش از محبوبیت گسترده هوش مصنوعی، به کار گرفته بودیم.»

او اشاره کرد که، با این حال، پیشرفت‌های چشمگیر در هوش مصنوعی طی دو تا سه سال گذشته، توانایی آنها را برای حل چالش‌های حیاتی کسب‌وکار به روشی بسیار مؤثر و قانع‌کننده، به طور قابل توجهی افزایش داده است.

وقتی صحبت از پشتیبانی فناوری اطلاعات می‌شود، هوش مصنوعی نقش حیاتی در هر دو مدل پشتیبانی پیشگیرانه (proactive) و واکنشی (reactive) ایفا می‌کند.

پشتیبانی پیشگیرانه به جلوگیری از بروز مشکلات قبل از وقوع آنها کمک می‌کند. به عنوان مثال، اگر رایانه‌ای دارای نرم‌افزار قدیمی باشد که برای جلوگیری از آسیب‌پذیری‌های امنیتی نیاز به وصله (patching) دارد، یا اگر سیستمی با کمبود فضای دیسک مواجه است، هوش مصنوعی می‌تواند این مشکلات را پیشاپیش شناسایی و برطرف کند، بسیار شبیه به یک معاینه پزشکی روتین با پزشک.

پشتیبانی واکنشی زمانی وارد عمل می‌شود که مشکلی قبلاً رخ داده باشد و عیب‌یابی فوری لازم باشد. این شبیه به مراجعه به پزشک هنگام بیماری است.

«بسیاری از وظایف فناوری اطلاعات تکراری هستند و تکنسین‌ها سطوح مختلفی از تخصص دارند. هوش مصنوعی به استانداردسازی و افزایش قابلیت‌های آن با تشخیص الگوها، پیشنهاد راه‌حل‌ها و ارائه توصیه‌های پیشگیرانه کمک می‌کند.

کریشناپورام گفت: «حتی اگر یک تکنسین قبلاً با مشکل خاصی مواجه نشده باشد، هوش مصنوعی می‌تواند بر اساس راه‌حل‌های گذشته سرنخ‌هایی ارائه دهد و آنها را قادر می‌سازد تا مشکلات را به سرعت حل کرده و خدمات مؤثری به کاربران نهایی ارائه دهند.»

GoTo برای Alpha CC 

Alpha CC، یک ارائه‌دهنده خدمات فناوری اطلاعات خانوادگی در ایرلند، روزانه از 1500 کاربر تجاری پشتیبانی می‌کند. با توجه به اینکه پشتیبانی فناوری اطلاعات برون‌سپاری شده 90 درصد از کسب‌وکار این شرکت را تشکیل می‌دهد، این شرکت به دنبال رویکردی پیشگیرانه‌تر برای مدیریت دستگاه و حل مشکلات بود تا کارایی را بهبود بخشد و حجم کاری بخش پشتیبانی (helpdesk) را کاهش دهد.

پس از مقایسه جایگزین‌ها، Alpha CC به GoTo Resolve، یک ابزار مدیریت فناوری اطلاعات همه‌کاره با دسترسی از راه دور، مدیریت دیسک، حفاظت آنتی‌ویروس و عملکردهای بخش پشتیبانی، روی آورد. GoTo پشتیبانی عملی برای اطمینان از مهاجرت یکپارچه ارائه داد.

این انتقال به طور قابل توجهی عملیات فناوری اطلاعات Alpha CC را بهبود بخشید. زمان مدیریت دیسک و آنتی‌ویروس تا 50 درصد کاهش یافت، در حالی که دسترسی از راه دور با فعال‌سازی تنها با یک کلیک، یکپارچه شد.

بخش پشتیبانی با حجم کاری سبک‌تری روبرو شد زیرا بسیاری از مشکلات به صورت پیشگیرانه حل می‌شدند. اقدامات امنیتی تقویت شد و گزارش‌های خودکار، بینش‌های واضح و قابل دسترسی را فراهم کردند.

در مورد کاهش هزینه، به طور کلی، اصل کلیدی پشت رویکرد GoTo ساده است. اولاً، کاهش هزینه پذیرش (onboarding) تا 50 درصد تأثیر مستقیمی دارد. به عنوان مثال، اگر به طور معمول پنج روز طول بکشد تا 90 درصد متخصصان فناوری اطلاعات به مشتری معرفی شوند، نصف کردن این زمان 2.5 روز صرفه‌جویی می‌کند. این به معنی صرفه‌جویی در هزینه یا دو برابر شدن ارزش/خروجی است.

کریشناپورام گفت: «ثانیاً، افزایش کارایی فراتر از پذیرش است. با بهینه‌سازی گردش کار، ما متخصصان فناوری اطلاعات را قادر می‌سازیم تا تیکت‌های بیشتری را مدیریت کرده و مشکلات بیشتری را به طور مؤثر حل کنند. این امر پهنای باند خالص تیم‌های فناوری اطلاعات را افزایش می‌دهد.»

صرفه‌جویی در هزینه همچنین می‌تواند بر اساس ظرفیت رسیدگی به تیکت‌ها توسط هر تکنسین یا تعداد افراد مورد نیاز برای مدیریت تعداد معینی از مشتریان اندازه‌گیری شود. این دو معیار تصویر روشنی از کارایی عملیاتی ارائه می‌دهند.

چالش‌های توسعه و پیاده‌سازی راه‌حل

مانند هر شرکتی، GoTo نیز در حین توسعه ابزار مجهز به هوش مصنوعی خود با چالش‌هایی روبرو شد و در طول مسیر درس‌هایی آموخت.

کریشناپورام توضیح داد: «یکی از حوزه‌های کلیدی، حاکمیت و انطباق (governance and compliance) بود. راه‌حل‌های هوش مصنوعی باید از استانداردهای نظارتی مختلفی پیروی کنند که در مناطق مختلف متفاوت است. در حالی که ساخت بهترین راه‌حل فنی برای مهندسان ساده بود، ادغام چارچوب‌های قانونی و سیاستی نیازمند تلاش بیشتری بود. ایجاد یک مدل حاکمیتی تضمین کرد که فناوری‌های مناسب ضمن رعایت الزامات انطباق، مورد استفاده قرار گیرند.»

چالش دیگر برای آنها ایجاد هوش مصنوعی انسان‌محور بود. در حالی که هوش مصنوعی می‌تواند وظایف را خودکار کند، باید نظارت انسانی را نیز شامل شود. به عنوان مثال، هوش مصنوعی می‌تواند در خرید کمک کند، اما اگر به طور مستقل 10000 یورو از حساب برداشت کند، کاربران می‌خواهند این اقدام را بررسی کنند.

ایجاد تعادل بین اتوماسیون، پیشنهادات مبتنی بر هوش مصنوعی و تصمیم‌گیری انسانی ضروری بود و GoTo این رویکرد را در ابزار خود نهادینه کرد.

امنیت، حریم خصوصی و شفافیت نیز حیاتی بودند. کاربران به سیستم‌های هوش مصنوعی که مانند جعبه‌های سیاه عمل می‌کنند، اعتماد ندارند. به جای اینکه صرفاً بگوییم «به ما اعتماد کنید»، GoTo با نشان دادن واضح نحوه استفاده از داده‌ها، آنچه در پشت صحنه اتفاق می‌افتد و چرایی اتخاذ تصمیمات خاص، شفافیت را تضمین کرد.

این چالش‌ها منحصر به GoTo Resolve نیستند؛ آنها برای هر راه‌حل مبتنی بر هوش مصنوعی اعمال می‌شوند. محبوبیت روزافزون مدل‌های استدلالی (reasoning models) بر اهمیت شفافیت تأکید می‌کند. ابزارهای هوش مصنوعی نه تنها باید پاسخ‌ها را ارائه دهند، بلکه باید استدلال پشت آنها را نیز توضیح دهند تا اعتماد ایجاد شده و پذیرش موفقیت‌آمیز تضمین شود.