[ad_1]

چشم انداز جدیدی با هوش مصنوعی در حال ظهور است که موج جدیدی از نوآوری را برای افراد با مهارت و ساختار امکان استفاده از فرصت را فراهم می کند.

در طول یک سال گذشته ، اعتماد ما به فناوری هایی که به ما کمک می کند در ارتباط ، ایمن بودن ، کار ، خرید و سایر محصولات بمانیم ، استفاده ما از داده ها را تسریع کرده است. بارها و بارها مشاهده کرده ایم که سازمان ها از این منبع حیاتی برای تصمیم گیری آگاهانه ، اغلب با عواقب نجات ، در چند ثانیه استفاده می کنند.

درست قبل از اینکه COVID-19 دنیای ما را تغییر دهد ، یک پتانسیل واقعی برای یک دره هوش مصنوعی دیگر وجود دارد ، نه یک زمستان AI دیگر ، اما مطمئناً یک تاخیر است. از آنجا که اکثر شرکت ها برای ارائه شواهد برای این مفهوم باقی مانده اند ، به جای ایجاد موارد تولید ارزش یکپارچه ، آنها سعی کردند تاکنون سرمایه گذاری را توجیه کنند و همچنین با درک اینکه داده ها یک م criticalلفه مهم هستند ، روبرو شدند. در شرکت های بزرگ ، تهیه داده ها برای استفاده با هوش مصنوعی موضوعی غیر پیش پا افتاده است.

اعتبار: metamorworks از طریق Adobe Stock

اعتبار: metamorworks از طریق Adobe Stock

اکنون ، در حالی که یک سالگی COVID-19 را جشن می گیریم ، چشم انداز جدیدی از داده ها و مدل های تجاری با هوش فعال شده مشاهده کرده ایم. شرکت ها که با حوادث سال گذشته بسیار تسریع شده اند ، AI را توسعه داده و موج جدیدی از نوآوری را برای زنده ماندن و رشد در این واقعیت جدید به راه انداخته اند.

همانطور که سرعت تغییر در همه زمانها افزایش می یابد ، زمان مناسبی است که باید به آینده نگاه کنیم: در سه سال دنیای علم داده چگونه خواهد بود؟ آیا با توجه به نیاز به نوآوری یا عقب ماندن ، سرعت ادامه خواهد یافت؟

مسیر حرکت از قبل مشخص است. ما شرکتهایی از صنایع مختلف را مشاهده می کنیم که در ابتکارات علوم داده سرمایه گذاریهای کلان و رو به رشدی را انجام می دهند: یک رشته میان رشته ای که از روشهای علمی ، فرایندها ، الگوریتم ها و سیستم ها برای استخراج دانش و بینش از داده های ساخت یافته و بدون ساختار استفاده می کند.

گسترش اکوسیستم AI

علم و فناوری به سرعت در حال پیشرفت هستند. همچنین روش هایی که صنایع از آنها سود می برند. در حالی که این اتفاق می افتد ، ما به سمت چشم انداز جدیدی پیش می رویم. اکوسیستم گسترده ای که شامل اکوسیستم گسترده هوش مصنوعی از چندین مدل و وابستگی های مختلف آنها می شود ، همگی ناشی از رویکردهای جدید مهارت ها ، مهندسی مدیریت و یادگیری ماشین (ML) (همکاری بین محققان داده و مهندسان نرم افزار برای مدیریت بهره وری و مقیاس یادگیری ماشین از )

در سازمان های فردی ، ما این رشد سریع مدل های اکوسیستم AI بهم پیوسته را می نامیم. و وقتی صحبت از هوش مصنوعی می شود ، بزرگترین چالش پیش روی شما در سه سال ، تسلط بر پیچیدگی های مدیریت یکی از این اکوسیستم ها خواهد بود. ما معتقدیم که چهار روند وجود دارد که باید در خاطر داشته باشید:

1. مدل های بهتر ، نه مدل های اول: به زودی اکثر شرکت ها از تولید اولین مدل های هوش مصنوعی خود پیشی می گیرند. در عوض ، آنها آنچه را که قبلاً معرفی کرده اند بهینه سازی کرده و بر اساس آنها مدلهای لازم را در صورت لزوم ارتقا می دهند. از آنجا که چالش های هر صنعت (و داده ها) متفاوت است ، ما شاهد افزایش تخصص دامنه خواهیم بود – دانشمندان داده با تکنیک های علمی خاص صنعت و تجربه بسیار مورد تقاضا خواهند بود.
2. انتقال تغییرات یادگیری نحوه استفاده از متن و صدا را تغییر می دهد: ما شاهد افزایش چشمگیری در پردازش زبان طبیعی (NLP) با عواقب گسترده خواهیم بود (به عنوان مثال اتوماسیون کامل خدمات مشتری). و به لطف آموزش انتقال ، موانع این فناوری ها بسیار کمتر از امروز است. دانش به دست آمده از حل یک مسئله ذخیره و به طور خودکار برای یک مسئله متفاوت اما مرتبط به کار گرفته می شود ، به طور قابل توجهی زمان بازاریابی برای برنامه های جدید را تسریع می کند. این یک پیشرفت در حال تغییر بازی است و برای تنظیم دقیق این مدل های جدید مهارت های تکامل یافته علمی لازم است.
3. سریع در مدیریت: راه رسیدن به بازار مدل های جدید پیش بینی آسان تر و سریعتر خواهد شد. و با استفاده از مدل های هوش مصنوعی بیشتر و استفاده در تولید ، ما به مدیریت پیشرفته ای نیاز خواهیم داشت که بتواند این افزایش حجم و پیچیدگی را کنترل کند. مقابله با این چالش ضروری خواهد بود. ما باید بتوانیم علم داده را مدیریت کرده و چارچوب های معنادار ، گاردریل ها و عملکردهای پلیس را ایجاد کنیم تا اطمینان حاصل شود که این کار از استانداردهای اخلاقی و اصول استقرار داده های امنیتی و شفافیت مدل برخوردار است. با توجه به این نکته ، سازمانها باید اکنون در مورد نقشها و مسئولیتهای محققان داده در پیشبرد حاکمیت فکر کنند.
4. پرورش یک شاخ ، پیدا نکردن یک شاخ: با تسریع در پذیرش هوش مصنوعی ، شرکت ها باید در تمام سطوح سازمان سواد هوش مصنوعی بیشتری داشته باشند. اگر شرکت ها بخواهند در دنیای داده محور رشد کنند ، حداقل در مورد بسته C به دانش حداقل آمار متوسط ​​نیاز خواهیم داشت. همه اینها تأثیر اجتناب ناپذیری دارند: تقاضا برای مهارت های علوم داده بیش از میزان عرضه خواهد بود. و از آنجا که تخصص عمیق در علم داده و یادگیری ماشین محدود است ، شرکت ها باید با “مهد کودک” های داخلی که استعدادهای داخلی را در مناطق جستجو پرورش و توسعه می دهند ، راه های جدیدی برای تقویت استعداد موجود خود ایجاد کنند.

زمان شروع اکنون است

گسترش اکوسیستم هوش مصنوعی در سازمان ها هم اکنون در حال انجام است. و هرچه الگوریتم ها رشد کنند – و حتی تعامل بیشتری برقرار کنند – آنها در کارهای محدود به توانایی های انسانی دست پیدا می کنند یا از آن فراتر می روند. نتایج این اکوسیستم ها در مدل های جدیدی گنجانیده خواهد شد ، که تولید آن به نوبه خود به جانشینان آنها منتقل می شود. مدیریت و سازماندهی همه اینها به مهارتهای بسیار خاصی در مدل سازی ، محاسبه و مهندسی نیاز دارد. وقت آن است که اکنون توسعه آنها را شروع کنیم. برای شروع سه سال از اینجا خیلی دیر است.

فرناندو لوچینی یک رهبر جهانی در علم داده و یادگیری ماشین برای Accenture است. وی همچنین هوش مصنوعی را در انگلیس و ایرلند هدایت می کند. فرناندو یک رهبر ارشد پرشور و باتجربه است که تجربه زیادی در زمینه هوش مصنوعی و یادگیری ماشین دارد. پیش از آن ، فرناندو بیش از 18 سال در صنعت نرم افزار سازمانی بود ، فن آوری هایی را برای اتوماسیون و درک متن ، گفتار و داده های ویدئویی و ادغام آنها در راه حل های تجاری برای شرکت های مختلف Fortune 100 ایجاد کرد.

انجمن هفته اطلاعات متخصصان فناوری اطلاعات و متخصصان صنعت را با مشاوره ، آموزش و نظرات فناوری اطلاعات گرد هم آورده است. ما تلاش می کنیم رهبران فن آوری و متخصصان موضوع را برجسته کنیم و از دانش و تجربه آنها برای کمک به مخاطبان IT خود استفاده کنیم … بیوگرافی کامل را ببینید

ما از نظرات شما در مورد این موضوع در کانال های رسانه های اجتماعی خود استقبال می کنیم ، یا [contact us directly] با س questionsال در مورد سایت.

مقالات بیشتر



[ad_2]

منبع: tasiveh-news.ir