[ad_1]

از هر پنج سازمان چهار مورد هوش مصنوعی خود را اندازه گیری نکردند. در اینجا چند روش برای تغییر آن آورده شده است.

اگرچه همه گیر شدن بودجه های فناوری را سخت تر می کند ، شرکت های زیادی وجود دارند که می خواهند از قابلیت های بسیار مفید AI استفاده کنند. آنها دانشمندان را بر اساس داده ها استخدام می کنند ، موارد استفاده را شناسایی می کنند و شواهدی را برای این مفهوم ایجاد می کنند. با این حال ، طبق یک گزارش تحقیقاتی اخیر توسط Capgemini ، از هر پنج سازمان چهار سازمان موفق به اندازه گیری این برنامه های هوش مصنوعی از مراحل آزمایشی و راه اندازی نشده اند.

تصویر: sakkmesterke - stock.adobe.com

تصویر: sakkmesterke – stock.adobe.com

هنگامی که به طور موثر مقیاس بندی می شود ، برنامه های هوش مصنوعی می توانند بازدهی چندین برابر بیشتر از سرمایه گذاری اولیه ، در شش ماه اول داشته باشند. اما بدون مقیاس بندی برنامه هایشان ، اکثر سازمان ها از مزایای آن بهره مند نمی شوند و ارزش پیاده سازی هوش مصنوعی خود را نشان نمی دهند. این کمبود ارزش در دوران دشوار اقتصادی منجر به کمبود بودجه اضافی برای گسترش بیشتر برنامه هوش مصنوعی می شود – اگرچه بازده می تواند در درازمدت صرفه جویی زیادی کند

واضح است که تمام شرکت های سرمایه گذاری کننده هوش مصنوعی امیدوارند که موفقیت و توانایی های آن را به حداکثر برسانند ، اما عوامل دیگر آنها را دلسرد می کند. در اینجا چهار روش وجود دارد که سازمانها می توانند موانعی را که مانع گسترش برنامه های هوش مصنوعی آنها می شوند ، برطرف کنند:

1. بای از مدیریت
ساخت مدل های هوش مصنوعی یک چیز است ، اما تولید آنها چیز دیگری است. منابع اضافی از جمله افراد مناسب و معماری برای پشتیبانی از آن مورد نیاز است (بعداً اطلاعات بیشتری در مورد آن خواهید داد). نکته ای که در برابر معرفی هوش مصنوعی م worksثر است این است که با توجه به تعداد مراحل و سرمایه گذاری های لازم برای اجرای م toثر برای دستیابی به نتایج نهایی بسیار مفید ، در مدیریت مدیریت کمبود حمایت وجود دارد. تیم های هوش مصنوعی برای نشان دادن ارزش برنامه های خود باید اولویت بندی کرده و پیش بینی های دقیق مزایای آینده را ارائه دهند تا بتوانند از مدیریت خرید برای ادامه حرکت و مقیاس این ابتکارات خرید کنند.

2. افراد مناسب و مجموعه مهارت ها
برای اینکه شرکتها مدلهای هوش مصنوعی خود را با موفقیت تولید کنند ، به اطلاعات بیشتری از دانشمندان از اطلاعات پرسنل نیاز دارند. مهندسان داده نیاز به ایجاد خطوط لوله دارند و مهندسان یادگیری ماشین (ML) برای بدست آوردن مدل در تولید مورد نیاز هستند. شرکت ها همچنین برای استخراج بینش از داده ها و ترجمه اعداد به استنباط های مربوط به تجارت ، به تحلیل گران تجارت نیاز دارند. سازمانهایی که فقط در جذب دانشمندان داده سرمایه گذاری می کنند ، در مقیاس گذاری برنامه های هوش مصنوعی خود مشکل دارند.

3. فناوری
برای تولید مدل های هوش مصنوعی و راه اندازی آنها ، شرکت ها به فناوری و معماری برای پشتیبانی از آنها نیاز دارند. این شامل همه موارد است ، از راه اندازی محیط گرفته تا توسعه مدل هایی که به راحتی با مخازن کد تلفیق می شوند ، تا ایجاد کانتینرهای docker و تنظیم محرک های مداوم (CI) برای بازیابی تصاویر docker در مراحل ML. سپس تیم ها می توانند خطوط لوله را پیاده سازی کنند تا مدل های تولید شده (CD) را پیاده سازی کنند.

4. مدل عملیاتی
در بسیاری از موارد ، محققان و مهندسان داده در سراسر سازمان پراکنده هستند ، متناسب با عملکردهای خاص IT یا تجاری. این از نظر تئوری عملی است ، اما سیلوها را نیز ایجاد می کند و این کارمندان هوش مصنوعی از دید و ارتباط با همکاران خود در شرکت برخوردار نیستند و “فرهنگ مدل من” را ایجاد می کنند. سازمان ها باید یک مدل کار AI را ایجاد کنند. در سازمان ما آن را مرکز تعالی AI می نامیم. مرکز تعالی از کل چرخه زندگی پروژه های هوش مصنوعی مراقبت می کند ، اطمینان حاصل کند که آنها از مفهوم به تکمیل – یا از نظر هوش مصنوعی ، از آزمایشی به تولید به مقیاس دیگر منتقل می شوند. اکثر شرکت ها مدل عملیاتی ندارند که برای موفقیت برنامه هوش مصنوعی ساخته شده باشد.

مزایای هوش مصنوعی برای کسانی که از توانایی جذب آنها استفاده کرده اند روشن است. دستیابی به موقعیتی برای استفاده از این قابلیت تکنولوژیک انقلابی به زمان ، تلاش و سرمایه گذاری نیاز دارد ، اما پاداش می تواند فراتر از کار اولیه برای رسیدن به آنجا باشد. سازمانهایی که از رهبری بهره مند می شوند ، استعدادها و مهارتهای مناسب استخدام می کنند ، از معماری فن آوری مناسب استفاده می کنند و مدل عملیاتی مناسب را برای اجرا هماهنگ می کنند ، بر رایج ترین مشکلات مقیاس پذیری هوش مصنوعی غلبه می کنند.

دن سیمونیون عمل هوش مصنوعی و تجزیه و تحلیل را برای Capgemini شمال امریکا انجام می دهد. وی بیش از 25 سال تجربه در زمینه علوم داده ، تجزیه و تحلیل پیشرفته و برنامه ها و راه حل هایی با قابلیت های فنی دارد. تمرکز اصلی دن هوش مصنوعی و یادگیری ماشینی است و نشریات وی شامل “فرصت های تجزیه و تحلیل بازاریابی” ، “استفاده از قدرت برچسب خصوصی” و “سیستم ها و ابزارهای ردیابی عملکرد بازاریابی” است.

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 [contact us directly] با س questionsالات در مورد سایت.

مقالات بیشتر



[ad_2]

منبع: tasiveh-news.ir