رهبران IT سازمانی با دو مسیر دستیابی به هوش مصنوعی روبرو هستند


رهبران IT شرکت دیگر نیازی نیست که مسیر ساخت یک پروژه هوش مصنوعی را دنبال کنند. در آینده این بازار شکل می گیرد.

سازمانهای اصلی در موج اولیه کلان داده ها ، یادگیری ماشین و هوش مصنوعی معمولاً باید راه خود را طی می کردند. رهبران فناوری در این سازمانها دانشمندان گران قیمت و سخت یافتن اطلاعات تک شاخ را استخدام می کنند تا با ایجاد ابزارها و فن آوری های منبع باز ، سیستم عامل های علوم داده خود را بسازند.

اما در حالی که برخی از مشاغل ممکن است به ایجاد خود ادامه دهند ، بلوغ بیشتر بازار در داده ها ، یادگیری ماشین و هوش مصنوعی روش های آسان تر و ارزان تری را برای رهبران دیگر ایجاد می کند تا به سازمان های خود کمک کنند تا خود را با این رهبران تاسیس کنند. فن آوری ها

تصویر: Worawut - stock.adobe.com

تصویر: Worawut – stock.adobe.com

اندرو بارتلز ، معاون رئیس جمهور و تحلیلگر ارشد اطلاعات در تحقیقات فورستر ، گفت: “دو روش برای دستیابی شرکت ها به نرم افزار هوش مصنوعی وجود خواهد داشت.” اولین محرک ها برای سرعت و تمایز بازار به ساخت خود ادامه خواهند داد. این روش گران تر است ، اما برخی از سازمان ها در پیگیری آن ارزش پیدا می کنند. در همین حال ، سازمانهای دیگر در آینده مسیری متفاوت را طی خواهند کرد.

بارتلز گفت: “راه دوم انتظار برای فروشندگان فعلی برای افزودن قابلیت مناسب به محصولات موجود خواهد بود.” “ما فکر می کنیم که با گذشت زمان این مسیر مسلط تر خواهد بود.”

درباره روند و استراتژی IT بیشتر بخوانید اینجا:

نحوه شکل گیری داده ها ، تجزیه و تحلیل و هوش مصنوعی در سال 2020 و بر 2021 تأثیر می گذارد

10 روند فناوری اطلاعات که باید در سال 2021 دنبال شوند

رهبری فناوری اطلاعات: 10 راهی که نقش CIO در سال 2020 تغییر کرده است

10 داستان برای اخبار فنی که ممکن است امسال از دست داده باشید

این یک مزیت بزرگ نیز دارد. این نرم افزار هوش مصنوعی در برنامه های نرم افزاری گنجانده خواهد شد که شرکت ها از قبل استفاده می کنند. ارائه دهندگان این قابلیت را به عنوان یک به روزرسانی رایگان اضافه می کنند. برای کسانی که می خواهند صبر کنند ، هوش مصنوعی به برنامه های موجود شما می آید.

اندرو بارتلز

اندرو بارتلز

چگونه بازار هوش مصنوعی توسعه می یابد

بارتلز یکی از نویسندگان گزارش جدید Forrester است که پیش بینی می کند با استفاده از این شرکت ها و مصرف این فناوری ها ، شرکت انتظار دارد بازار هوش مصنوعی در سال های آینده توسعه یابد.

فورستر نرم افزار هوش مصنوعی را به چهار بخش زیر تقسیم می کند:

  • اولین بسترهای ایجاد هوش مصنوعی است. به گفته فارستر ، این بخش از فروشندگانی تشکیل شده است که ابزارها و سیستم عامل هایی را ارائه می دهند که تیم های هوش مصنوعی می توانند با استفاده از آنها راه حل های بسیار سفارشی AI را برای تقریباً هر نوع استفاده از هوش مصنوعی ایجاد کنند. ارائه دهندگان شامل Cloudera ، Dataiku ، DataRobot ، Domino Data Lab ، dotData ، Google H20.ai ، IBM ، MathWorks ، Microsoft ، RapidMiner ، SAS و Tibco هستند.
  • بخش دوم سیستم عامل های تسهیل هوش مصنوعی هستند. این بخش از فروشندگانی تشکیل شده است که ابزارها و بسترهای مورد استفاده تیم های تجاری را برای ایجاد راه حل های هوش مصنوعی برای برنامه های افقی و عمودی بسیار متمرکز فراهم می کنند. یک مثال ارائه دهنده ای است که بستر دید رایانه ای را برای استفاده خاص از برنامه های کنترل کیفیت فراهم می کند.
  • بخش سوم برنامه های AI و ابزارهای میان افزار است. این بخش شامل فروشندگانی است که برنامه های تجاری را ارائه می دهند که بدون فناوری AI امکان پذیر نیست. به عنوان مثال ، برخی از فن آوری های مدرن کشف تقلب در این گروه قرار می گیرند. هوش مصنوعی تشخیص پزشکی نیز در این گروه است.
  • بخش چهارم برنامه هایی با AI یا ابزار میان افزار است. این بخش شامل فروشندگانی است که در دسته های برنامه های موجود (مانند امنیت یا تجربه مشتری) با افزودن ویژگی های هوش مصنوعی برای تمایز برنامه با یکدیگر رقابت می کنند. طبق گفته فارستر ، SentinelOne و BlueConic در این گروه قرار می گیرند.

در گزارش جدید خود ، فارستر همچنین پیش بینی کرده است که بازار هوش مصنوعی تا سال 2025 به اندازه بسیار کوچکتر از آنچه سایر شرکت ها پیش بینی می کنند رشد کند. این به این دلیل است که طبق گفته فارستر ، با رشد و تکامل بازار ، بسیاری از کارکردهایی که هوش مصنوعی در نظر گرفته می شود ، در سایر محصولات نرم افزاری تسلط پیدا می کنند.

س mainال اصلی رهبران فناوری اطلاعات سازمانی این است که آیا فناوری هوش مصنوعی خود را بسازند یا بخرند.

بارتلز گفت: “CIO ها و رهبران IT باید از یک استراتژی چند وجهی پیروی کنند.” “آنها باید مناطق مشخصی را که یک راه حل سفارشی هوش مصنوعی در آنها منطقی است ، شناسایی کنند. سپس مناطق دیگری وجود دارد که انتظار برای فروشندگان برای ورود این هوش مصنوعی به نرم افزار منطقی تر است.”

بارتلز یک مدل ساده برای ارزیابی بلوغ هوش مصنوعی ارائه دهنده شما و مناسب بودن آن برای وظیفه شما ارائه می دهد. او از استعاره دانشجویان K-12 استفاده می کند. اگر فروشنده بگوید که در حال افزودن قابلیت هوش مصنوعی به نقشه راه خود است ، این سطح قبل از مهد کودک است. اگر آنها واقعاً در حال توسعه این فناوری هستند ، آنها در مهد کودک هستند. اگر آنها آن را در بتا با مشتریان داشته باشند ، آنها درجه سوم هستند. اگر چندین سال است که با چندین مشتری در حال تولید هستند ، کلاس هشتم هستند. مقیاس با کارهای پیشرفته تر به همان روش ادامه می یابد.

بارتلز گفت: رهبران مشاغل در مشاغل باید از خود بپرسند ، “آیا این کار توسط یک دانش آموز کلاس هشتم انجام می شود؟ سپس برای انجام آن به یک موتور هوش مصنوعی اعتماد کنید. یا این وظیفه ای است که ما به شخصی که هیچ معادل آموزش کلاس 11 وجود ندارد؟ “سپس برای انجام این کار ممکن است به هوش مصنوعی پیشرفته نیاز داشته باشید.

بارتلز گفت: “این یک روش خشن است ، اما هوش مصنوعی با هوش انسان مشترکات زیادی دارد.” “این ذاتی نیست ، اما مسئله یادگیری و یادگیری است. یادگیری و یادگیری به زمان نیاز دارد.”

علاوه بر این ، شما باید همان استانداردهای ارائه دهنده هوش مصنوعی خارجی را برای توسعه داخلی AI خود اعمال کنید.

وی گفت: “شما می خواهید هفته ها یا ماه ها آموزش ببیند تا قبل از انجام وظیفه به او اعتماد کنید.” “اثبات هوش مصنوعی در تجربه او نهفته است.”

جسیکا دیویس کار خود را صرف پوشش تلاقی تجارت و فناوری در عناوینی از جمله Infoworld توسط IDG ، eWeek و Channel Insider توسط Ziff Davis Enterprise و MSPmentor توسط Penton Technology کرده است. او علاقه زیادی به استفاده عملی از هوش تجاری دارد ، … بیوگرافی کامل را ببینید

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

بینش بیشتر




منبع: tasiveh-news.ir

Leave a reply

You may use these HTML tags and attributes: <a href="" title=""> <abbr title=""> <acronym title=""> <b> <blockquote cite=""> <cite> <code> <del datetime=""> <em> <i> <q cite=""> <s> <strike> <strong>