برای آخرین به روزرسانی ها و مطالب اختصاصی در مورد پوشش هوش مصنوعی پیشرو در صنعت ، به خبرنامه های روزانه و هفتگی ما بپیوندید. بیشتر بدانید
با حرکت AI از آزمایش به استقرار در دنیای واقعی ، شرکت ها بهترین شیوه ها را برای آنچه در واقع در مقیاس کار می کند ، تعیین می کنند.
مطالعات متعدد از فروشندگان مختلف چالش های اصلی را بیان کرده اند. براساس گزارش اخیر Vellum ، تنها 25 ٪ از سازمان ها AI را در تولید مستقر کرده اند که حتی کمتر تأثیر قابل اندازه گیری را تشخیص می دهد. گزارشی از Deloitte با سازمانهایی که با موضوعات مقیاس پذیری و مدیریت ریسک روبرو هستند ، چالش های مشابهی را نشان داد.
یک مطالعه جدید از Accenture ، در این هفته ، تجزیه و تحلیل داده محور در مورد چگونگی اجرای موفقیت آمیز شرکت های پیشرو در بین شرکت های خود را ارائه می دهد. گزارش “راهنمای پیشکسوتان برای مقیاس گذاری AI” براساس بررسی 2،000 مدیران C-Suite و Data Science از نزدیک به 2000 شرکت جهانی با درآمد بیش از 1 میلیارد دلار است. این یافته ها شکاف قابل توجهی بین آرزوهای هوش مصنوعی و اجرای آن را نشان می دهد.
این یافته ها یک تصویر ترسناک را ترسیم می کنند: تنها 8 ٪ از شرکت ها به عنوان “پیشکسوت” واقعی که با موفقیت چندین ابتکار عمل استراتژیک هوش مصنوعی را با موفقیت کاهش داده اند ، واجد شرایط هستند ، در حالی که 92 ٪ تلاش می کنند تا فراتر از پیاده سازی های تجربی پیش بروند.
این گزارش برای رهبران فناوری اطلاعات در زمینه اجرای AI ، بینش های مهمی در مورد آنچه که مقیاس موفقیت آمیز هوش مصنوعی را از ابتکارات متوقف شده جدا می کند ، ارائه می دهد و اهمیت شرط بندی های استراتژیک ، توسعه استعداد و زیرساخت های داده را برجسته می کند.
در اینجا پنج راه حل اصلی برای رهبران IT Enterprise از تحقیقات Accenture آورده شده است.
1. بلوغ استعداد از سرمایه گذاری به عنوان عامل اصلی مقیاس گذاری فراتر می رود
در حالی که بسیاری از سازمان ها در درجه اول روی سرمایه گذاری فناوری تمرکز می کنند ، تحقیقات Accenture نشان می دهد که توسعه استعداد در واقع مهمترین تمایز دهنده برای اجرای موفقیت آمیز هوش مصنوعی است.
سنتیل رامانی ، داده ها و رهبری هوش مصنوعی در Accenture ، به VentureBeat گفت: “ما دریافتیم که عامل برتر دستاورد سرمایه گذاری نیست بلکه بلوغ استعداد است.” “پیشکسوتان در مقایسه با سایر گروه ها ، چهار بار بلوغ استعداد بیشتری داشتند. با اجرای مؤثرتر استراتژی های استعدادی و هدایت هزینه های مرتبط با استعداد به بالاترین ارزش استفاده می شود.”
این گزارش نشان می دهد که دونده های پیشکسوت خود را از طریق استراتژی های مبتنی بر مردم متمایز می کنند. آنها چهار بار بیشتر روی سازگاری فرهنگی نسبت به سایر شرکت ها تمرکز می کنند ، سه برابر بیشتر بر تراز استعداد تأکید می کنند و برنامه های آموزشی ساختاری را با دو برابر نرخ رقبا اجرا می کنند.
IT مورد اقدام رهبر: یک استراتژی جامع استعدادیابی را تهیه کنید که هم به مهارت های فنی و هم به سازگاری فرهنگی بپردازد. یک مرکز تعالی متمرکز هوش مصنوعی را ایجاد کنید-این گزارش نشان می دهد که 57 ٪ از پیشکسوتان از این مدل در مقایسه با تنها 16 ٪ از فال های فست فود استفاده می کنند.
2. زیرساخت داده ها تلاش های مقیاس گذاری هوش مصنوعی را انجام می دهد یا می شکند
شاید مهمترین مانع برای اجرای AI در سطح شرکت ، آمادگی ناکافی داده ها باشد. براساس این گزارش ، 70 ٪ از شرکت های مورد بررسی ، هنگام تلاش برای مقیاس هوش مصنوعی ، نیاز به یک بنیاد داده قوی را تأیید کردند.
رامانی گفت: “بزرگترین چالش برای اکثر شرکت هایی که سعی در مقیاس بندی هوش مصنوعی دارند ، توسعه زیرساخت های داده مناسب است.” “97 ٪ از پیشکسوتان سه یا چند داده جدید و قابلیت هوش مصنوعی برای ژنرال AI ایجاد کرده اند ، در مقایسه با تنها 5 ٪ شرکت هایی که در حال آزمایش AI هستند.”
این قابلیت های اساسی شامل تکنیک های پیشرفته مدیریت داده ها مانند بازیابی-آگوس (RAG) (17 ٪ از پیشکسوتان در مقابل 1 ٪ از فال های فست فود) و نمودارهای دانش (26 ٪ در مقابل 3 ٪) و همچنین استفاده از داده های متنوع در بخش صفر ، بخش دوم ، طرف سوم و منابع مصنوعی است.
IT مورد اقدام رهبر: یک ارزیابی جامع آمادگی داده ها را صریحاً بر الزامات اجرای AI متمرکز کنید. اولویت بندی قابلیت های ساختمان برای رسیدگی به داده های بدون ساختار در کنار داده های ساختاری و تدوین استراتژی برای ادغام دانش سازمانی ضمنی.
3 شرط بندی استراتژیک بازده برتر را به اجرای گسترده ارائه می دهد
در حالی که بسیاری از سازمان ها سعی در اجرای هوش مصنوعی در چندین کارکرد همزمان دارند ، تحقیقات Accenture نشان می دهد که شرط های استراتژیک متمرکز نتایج به طور قابل توجهی بهتر می کنند.
رامانی گفت: “رهبران C-Suite ابتدا باید با هم توافق كنند-پس به وضوح بیان كنند. “در این گزارش ، ما به” شرط بندی های استراتژیک “یا سرمایه گذاری های طولانی مدت در ژنرال AI با تمرکز بر هسته زنجیره ارزش یک شرکت و ارائه بازپرداخت بسیار بزرگ اشاره کردیم. این تمرکز استراتژیک برای به حداکثر رساندن پتانسیل هوش مصنوعی و اطمینان از سرمایه گذاری های ارائه شده ارزش تجاری پایدار ضروری است.”
این رویکرد متمرکز سود سهام را پرداخت می کند. شرکت هایی که حداقل یک شرط بندی استراتژیک را کاهش داده اند ، تقریباً سه برابر بیشتر از پیش بینی های Gen Ai در مقایسه با شرکت هایی که ندارند ، ROI خود را از پیش بینی های Gen Ai فراتر می برند.
IT مورد اقدام رهبر: 3-4 سرمایه گذاری استراتژیک خاص صنعت را شناسایی کنید که به طور مستقیم بر زنجیره ارزش اصلی شما تأثیر می گذارد و نه به دنبال اجرای گسترده.
4. مسئول AI ارزش فراتر از کاهش ریسک را ایجاد می کند
اکثر سازمان ها مسئولیت AI را در درجه اول به عنوان یک تمرین انطباق می دانند ، اما تحقیقات Accenture نشان می دهد که شیوه های مسئول AI بالغ مستقیماً در عملکرد کسب و کار نقش دارند.
رامانی توضیح داد: “شرکت ها باید ذهنیت خود را از مشاهده مسئول AI به عنوان یک تعهد انطباق برای شناخت آن به عنوان یک استراتژیک ارزش تجاری تغییر دهند.” “ROI را می توان از نظر راندمان کوتاه مدت ، مانند بهبود در گردش کار اندازه گیری کرد ، اما واقعاً باید در برابر تحول در تجارت طولانی مدت اندازه گیری شود.”
این گزارش تأکید می کند که AI مسئول نه تنها کاهش ریسک را شامل می شود بلکه اعتماد مشتری را تقویت می کند ، کیفیت محصول را بهبود می بخشد و کسب استعداد را تقویت می کند – مستقیماً به عملکرد مالی کمک می کند.
IT مورد اقدام رهبر: مدیریت جامع مسئولیت هوش مصنوعی را که فراتر از کادر انتخاب انطباق است ، توسعه دهید. سیستم های نظارت فعال را اجرا کنید که به طور مداوم خطرات و تأثیرات هوش مصنوعی را ارزیابی می کنند. به جای استفاده از آنها به صورت برگشتی ، اصول AI مسئول را مستقیماً در فرایندهای توسعه خود در نظر بگیرید.
5. دونده های پیشرو معماری AI عامل AI را در آغوش می گیرند
این گزارش یک روند تحول آمیز را در بین پیشکسوتان برجسته می کند: استقرار “معماری عامل”-شبکه هایی از عوامل هوش مصنوعی که به طور مستقل کل گردش کار تجاری را ایجاد می کنند.
پیشکسوتان در استقرار عوامل هوش مصنوعی خودمختار متناسب با نیازهای صنعت ، بلوغ قابل توجهی بیشتر نشان می دهند. این گزارش نشان می دهد که 65 ٪ از پیشکسوتان در این توانایی در مقایسه با 50 ٪ از Fastermers ، از این طریق برتری دارند ، در حالی که یک سوم شرکت های مورد بررسی در حال حاضر از عوامل هوش مصنوعی برای تقویت نوآوری استفاده می کنند.
این شبکه های عامل هوشمند نشان دهنده یک تغییر اساسی از برنامه های سنتی هوش مصنوعی است. آنها همکاری پیشرفته بین سیستم های هوش مصنوعی را امکان پذیر می کنند که به طرز چشمگیری کیفیت ، بهره وری و مقرون به صرفه را در مقیاس بهبود می بخشد.
IT مورد اقدام رهبر: بررسی کنید که چگونه AI عامل AI می تواند با شناسایی گردش کار که از ارکستراسیون خودمختار بهره مند می شود ، فرایندهای اصلی تجارت را تغییر دهد. پروژه های آزمایشی را با محوریت سیستم های چند عامل در موارد استفاده با ارزش بالا صنعت خود ایجاد کنید.
پاداش های ملموس بلوغ AI برای شرکت ها
پاداش اجرای موفقیت آمیز هوش مصنوعی برای سازمانها در تمام مراحل بلوغ قانع کننده است. تحقیقات Accenture مزایای مورد انتظار را از نظر خاص تعیین می کند.
رامانی گفت: “صرف نظر از اینكه یك شركت پیشرو ، یك پیروان سریع ، شرکتی كه پیشرفت می كند یا شرکتی كه هنوز در حال آزمایش AI است ، در نظر گرفته می شود ، تمام شركت هایی كه ما مورد بررسی قرار داده ایم انتظار دارند كه چیزهای بزرگی از استفاده از AI برای ایجاد مجدد استفاده كنند.” “به طور متوسط ، این سازمان ها انتظار افزایش 13 درصدی در بهره وری ، افزایش 12 درصدی در رشد درآمد ، بهبود 11 ٪ در تجربه مشتری و کاهش 11 درصدی هزینه ها در 18 ماه پس از استقرار و مقیاس بندی ژنرال AI در شرکت خود را دارند.”
با اتخاذ شیوه های پیشکسوتان ، سازمان های بیشتری می توانند شکاف بین آزمایش AI و تحول در سطح شرکت را ایجاد کنند.