[ad_1]

در اینجا چگونگی کمک رهبران IT به دستیابی به بازده بهتر از ابتکارات خود در زمینه هوش مصنوعی آورده شده است.

تصویر: مکلیتل - stock.adobe.com

تصویر: مکلیتل – stock.adobe.com

سال گذشته برای افراد ، شرکت ها و دولت ها دشوار بود – همه گیری و رکود اقتصادی ناشی از آن همه ما را تحت تأثیر قرار داده است. اگر یک نقره نقره ای در این بررسی تلخ 2020 وجود داشته باشد ، افزایش استفاده از دیجیتال ، تجزیه و تحلیل و هوش مصنوعی است. نظرسنجی PwC در بیش از 1000 نفر از مدیران ایالات متحده در نوامبر گذشته نشان داد که یک چهارم شرکت ها هوش مصنوعی گسترده را گزارش کرده اند که در سال دشوار 2019 بیش از 7 درصد افزایش داشته است. این در 71.9 رکورد منعکس شده است. یک میلیارد دلار سرمایه گذاری جهانی VC در AI در Q3 2020

اگرچه 52٪ از شرکتها به دلیل همه گیری ، تصویب هوش مصنوعی را تسریع کرده اند ، اما تقریباً 25٪ از آنها هوش مصنوعی را کاملاً پذیرفته اند و از ROI سود بیشتری می برند. این مدیران هوش مصنوعی سه روش اساسی را اتخاذ کرده اند که آنها را از رقبای خود جدا می کند:

1. تمرکز بر ابتکارات استراتژیک هوش مصنوعی

قبل از همه گیری ، موارد اصلی استفاده از هوش مصنوعی برای شرکت ها معطوف به افزایش بهره وری و کاهش هزینه ها بود. اگرچه هنوز مهم بودند ، اما نتایج نظرسنجی نشان می دهد که همه شرکت ها – به ویژه رهبران هوش مصنوعی – با ایجاد تجربه بهتر مشتری و بهبود روند تصمیم گیری ، ارزش بیشتری جمع کرده اند. تقریبا 67٪ شرکت ها اظهار داشتند که سرمایه گذاری در هوش مصنوعی برای ایجاد تجربه بهتر مشتری انتظارات آنها را برآورده می کند و تنها 50٪ اظهار داشتند که ابتکارات صرفه جویی در هزینه آنها انتظارات آنها را برآورده می کند.

افزایش یا کاهش شدید تقاضا در روزهای ابتدایی همه گیر و عدم اطمینان متعاقب آن در مورد ویروس COVID-19 و عواقب اقتصادی به این معنی بود که شرکت ها به روش های بهتری برای ارزیابی تقاضای مصرف کننده ، بهبود تجربه خرید آنلاین ، مدیریت تأمین کنندگان و تولید کالا. رهبران هوش مصنوعی برای رفع این چالش ها به برنامه ریزی سناریو ، شبیه سازی و استفاده استراتژیک از هوش مصنوعی متوسل می شوند. برنامه ریزی نیروی کار (58٪ سرمایه گذاری قابل توجهی در این زمینه انجام داده اند) ، برنامه ریزی شبیه سازی (48٪) ، پایداری زنجیره تامین (48٪) ، برنامه ریزی سناریو (43٪) و پیش بینی تقاضا (42٪) کلیدی است مناطق استراتژیک برای سرمایه گذاری در هوش مصنوعی.

شرکتهایی که از تجزیه و تحلیل پیشرفته و / یا اتوماسیون استفاده کرده اند ، برای تحریک تصمیم گیری موثرتر ، باید سبد سهام خود را گسترش دهند تا استفاده استراتژیک از هوش مصنوعی ، از جمله افزایش سرمایه گذاری را شامل شوند. دیگران که تجزیه و تحلیل و هوش مصنوعی را تجربه می کنند ، باید سرعت تصویب را تسریع کنند – ابتدا با تمرکز بر بهبود عملکرد برای به دست آوردن حرکت ، و سپس به سرعت به سمت ابتکارات استراتژیک هوش مصنوعی حرکت می کنند.

2. پیاده سازی مدلهای AI / ML در تولید

شرکتهایی که از هوش مصنوعی استفاده کرده اند نیز از استفاده آزمایشی مستقل از مدلهای تحلیلی / هوش مصنوعی به رویکردی کارخانه ای روی آورده اند که در آن مدلهای هوش مصنوعی در زیرساختهای کاربردی و فناوری شرکت گسترده تر می شوند. علاوه بر ادغام مداوم و تحویل مداوم (CI / CD) ماژول های نرم افزار ، این شرکت ها همچنین دارای ماژول های یادگیری مادام العمر (CL) AI / ML در نرم افزار هستند. مهندسی یادگیری ماشین CI / CD (ML) ، عملیات ML ، داده ها و عملیات امنیتی DataSecOps در فن آوری سازمانی به مهارت های متقاضی تبدیل شده اند. تقریباً 36٪ از پاسخ دهندگان در شرکت در حال انتقال مدل های AI / ML خود از یک آزمایشگاه به یک سیستم عامل تحویل عملیاتی هستند. مدل تحویل یکپارچه در اینجا بسیار مهم است ، زیرا مهارت ها در این زمینه باید با رشته های مختلف مجهز شوند: IT ، اتوماسیون ، علم داده و عملیات.

در طی یک بیماری همه گیر ، شرکت ها باید سریعاً به تقاضای متغیر و نامطمئن مشتری ، در دسترس بودن نیروی کار و اختلالات زنجیره تامین پاسخ دهند که شرکت ها را ملزم به تسریع چرخه عمر اجرای مدل و توسعه مدل های AI / ML می کنند. آموزش مداوم انجام دهید. تغییر مدل های عملیاتی یا تولیدی نیز به این معنی است که شرکت ها باید خطرات را کاهش دهند. تقریباً 72٪ شرکت ها از قبل در کل شرکت مدیریت و نظارت هوش مصنوعی دارند یا برای دستیابی به این نظارت گام برداشته اند. بعلاوه ، 70٪ شرکتها به تمام مسائل مربوط به مدیریت ML پرداخته و یا برای رفع آنها قدم برداشته اند. تعداد مشابهی به مدیریت داده ها (67٪) اشاره دارد.

شرکتهایی که اساساً مدلهای هوش مصنوعی را در گروههای کوچک تجربه می کنند ، باید مدلهای تولیدی خود را مقیاس بندی کنند. آنها باید استعدادهای صحیح – مهندسان ML و عملیات ML – را کسب یا توسعه دهند و با سازمان فناوری اطلاعات همکاری کنند تا ابزارها و تکنیک های AI را در پشته IT تعبیه کنند.

3. یک مدل تحویل هوش مصنوعی یکپارچه اتخاذ کنید

کلید ایجاد بازده خوب در سرمایه گذاری در پیاده سازی داده ها ، اتوماسیون ، تجزیه و تحلیل و ابتکارات هوش مصنوعی است. تقریباً 23٪ از پاسخ دهندگان در حال حاضر یک مرکز تعالی هوش مصنوعی ایجاد کرده اند که در حال تاسیس هستند ، که منابع را در مناطق مختلف شرکت به اشتراک می گذارد و هماهنگ می کند. این تعداد فقط یک سال پیش 18 درصد افزایش داشت. همچنین ، تقریباً 19 درصد شرکت ها مدیر کل هوش مصنوعی دارند که بر استراتژی و مدیریت هوش مصنوعی نظارت می کند. دلیل منطقی بودن چنین مدل تحویل یکپارچه ای ، همگرایی زیرساخت های ابری است که ذخیره سازی و محاسبات را فراهم می کند ، داده هایی که ماده اولیه تجزیه و تحلیل هستند ، اتوماسیون هایی که روی زیرساخت های فناوری کار می کنند ، تجزیه و تحلیل هایی هستند که روی داده ها برای تولید داده کار می کنند. بینش بهتر ، و هوش مصنوعی ، که هم اتوماسیون و هم تجزیه و تحلیل را بهبود می بخشد ، منجر به کاهش هزینه ها و درآمد بهتر می شود. در شرکتهای بزرگ (بیش از یک میلیارد دلار درآمد) ، گروه داده و تحلیل موجود اختیارات خود را گسترش داده و شامل هوش مصنوعی است.

شرکت هایی که در حال حاضر مراکز تعالی مجزا (COE) برای تجزیه و تحلیل و / یا اتوماسیون و / یا هوش مصنوعی دارند ، باید ابتکارات خود را ادغام یا حداقل هماهنگ کنند. این امر یکپارچه سازی نرم تر را تضمین می کند و منجر به بازگشت بهتر سرمایه می شود. شرکت هایی که تازه سفر خود را در زمینه تجزیه و تحلیل و هوش مصنوعی آغاز می کنند ، می توانند با تجزیه و تحلیل COE یا اتوماسیون شروع به کار کنند ، که در حال گسترش است و شامل قابلیت های هوش مصنوعی نیز می شود.

همه گیری ، تصویب هوش مصنوعی را تسریع می کند و از شرکت ها می خواهد اقدامات ابتکاری خود را در زمینه هوش مصنوعی متمرکز کنند ، آنها را در تولید پیاده کنند و یک مدل عملیاتی یکپارچه را در پیش بگیرند. شرکت هایی که قبل از همه گیری در هوش مصنوعی سرمایه گذاری کرده اند موفق شده اند به خوبی عمل کنند و همچنان در هوش مصنوعی سرمایه گذاری می کنند تا بازده بیشتری از سرمایه داشته باشند – ایجاد یک چرخه ارزشمند ارزش آفرینی از طریق هوش مصنوعی.

Anand Rao به عنوان رهبر PwC در هوش مصنوعی و رهبر آمریکایی در داده ها و تجزیه و تحلیل ، به مدیران ارشد کمک می کند تا مسائل مهم سازمان خود را ساختار ، حل و مدیریت کنند. آناند با بیش از 30 سال تجربه در صنعت هوش مصنوعی و تجربه تحقیق ، سخت در زمینه تجارت ، فناوری و تجزیه و تحلیل در بخشهای مختلف در سراسر جهان کار می کند.

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 … مشاهده بیوگرافی کامل

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



[ad_2]

منبع: tasiveh-news.ir