به گزارش مجله خبری نگار/ایلنا،حالا و ۱۸ ماه پس از آغاز چرخه هیاهوها درباره ChatGPT، این هوش مصنوعی جای خود را به درک دقیقتری از واقعیت پشت اجرای این فناوری داده است. در شرایطی که در ابتدا، مدیران ارشد با اشتیاق و خوشبینی، پیگیر پروژههای علمی بودند، اما تغییرات اخیر باعث شده که تصمیمگیرندگان به دنبال موارد تجاری دقیقتر و شواهدی باشند که نشان دهد هوش مصنوعی چگونه ارزش شرکت را افزایش میدهد. بدین ترتیب حالا AI-for-AI به پایان رسیده و هوش مصنوعی سازمانی در کانون توجهات قرارگرفته است.
در این مسیر، موانع متعددی پیش روی کسبوکارها وجود دارد که باید بر آنها غلبه کرد. سه مورد از برجستهترین آنها برای هوش مصنوعی سازمانی عبارتاند از: اطمینان از وجود مهارتهای لازم، متقاعد کردن هیئتمدیره در مورد ارزش واقعی تجارت و اطمینان از اینکه این زیرساخت میتواند قدرت محاسباتی لازم را فراهم کند.
همگامسازی مهارتها
نتیجه نظرسنجی اخیر که از ۶۵۰ مدیر فناوری اطلاعات در استرالیا به عمل آمد، حکایت از آن دارد که همه آنها (آمار ۱۰۰٪)، به مهارتهای هوش مصنوعی اضافی در ۱۲ ماه آینده نیازمندند. با توجه به تقاضای زیاد برای استعدادهای فنی، احتمالاً منجر به کمبود سیصد و هفتاد هزار نیروی متخصص دیجیتال تا سال ۲۰۲۶ خواهد شد.
شکاف در مهارتهای هوش مصنوعی بدین معناست که بسیار بعید است که سازمانها مدلهای زبانی بزرگ خود (LLM) را توسعه دهند. در گزارش هوش مصنوعی شرکت Nutanix State of Enterprise به این نکته اشارهشده که ۹۰% از شرکتها، به دلیل کمبود مهارتهای لازم، در حال برنامهریزی برای استفاده از LLM های قبلی هستند.
دو مهارت موردتقاضا عبارتاند از: "هوش مصنوعی مولد و مهندسی سریع" با ۴۵% اعلام نیاز و "علم داده و تجزیهوتحلیل دادهها" با آمار ۴۴٪ موردنیاز در سازمانها. این بدان معناست که باوجودی که سازمانها رویای ایجاد LLM های شخصی خود را رها کردهاند، اما هنوز به تلاش زیادی برای استقرار، بهرهبرداری و پشتیبانی از این فناوریهای جدید نیاز است.
برای اینکه یک LLM سازمانی بتواند پتانسیلش را ارائه دهد، باید به دادههای سازمان دسترسی داشته باشد. ازنظر خیلیها، این بدان معناست که دادههای سازمانی باید از زیرساختهای قدیمی و برنامههایی استخراج شوند که هرگز برای هوش مصنوعی طراحی نشده بودند و این کار به سرمایهگذاری قابلتوجهی نیاز دارد.
اقدامات موردنیاز برای پیادهسازی این طرح
بهرغم آنچه تبلیغات نشان میدهد، هوش مصنوعی و LLM های مولد سازمانی، تنها با دانلود کردن در اختیار مدیران قرار نخواهند گرفت. قوانین سختگیرانه حاکمیت و حریم خصوصی در یک محیط سازمانی به این معناست که هوش مصنوعی باید در یک محیط بسته پیادهسازی شود تا دادههای محرمانه به بیرون درز نکرده و برای آموزش مدل برای سازمانهای خارجی مورداستفاده قرار نگیرند.
یک LLM سازمانی برای ارائه ارزش واقعیاش، باید به دادههای یک سازمان دسترسی داشته باشد. چرا که هر بینش براساس درک کامل از کسبوکار ارائه میشود و در صورت وجود نقاط کور، دقت پروژه زیر سؤال خواهد رفت؛ اما باید در نظر داشت که ارائه دسترسی به این دادهها آسانتر از انجام آن است. مخصوصاً وقتیکه شرکت هنوز از سیستمهای قدیمی که اصولاً حیاتیترین سیستمهای تجاری هستند، استفاده میکند. در این صورت دادهها باید منطقی شوند و برنامهها قبل از پیادهسازی هوش مصنوعی مدرن سازی شوند.
این اولین قدم حیاتی است. هر تلاشی در راستای متقاعد کردن هیئتمدیره در مسیر پیادهسازی هوش مصنوعی، باید با گفتگو در مورد نوسازی زیرساختها باشد و در غیر این صورت، مزایای تجاری بالقوه هوش مصنوعی مختل خواهد شد؛ چرا که این مدل تصمیمگیریها را در مورد مجموعه دادههای ناقص انجام خواهد داد.
زیرساختهای هوشمند
در یکی از گزارشهای اخیر، مشخص شد که درحالیکه ۹۰% سازمانها، هوش مصنوعی را در اولویت قرار دادهاند، یکسوم از آنها زیرساختهای فناوری اطلاعات فعلیشان را برای اجرای چنین برنامههایی مناسب نمیدانند.
بخش کلیدی این سرمایهگذاری، پذیرش محیطهای چند ابری ترکیبی (ترکیبی از ابرهای لبه، خصوصی و عمومی) است. در حال حاضر از هر پنج سازمان در آسیا-اقیانوسیه، تنها یک سازمان یک مدل ترکیبی چند ابری را اجرا میکند و از هر پنج سازمان، دو سازمان دیگر قصد دارند در یک تا سه سال آینده این مدل را پیادهسازی کنند. بهرهگیری از زیرساختهای انعطافپذیر، مقیاسپذیر و مقرونبهصرفه بودن، پایه و اساس ایدهآلی را برای پیادهسازی هوش مصنوعی فراهم میکند.
محیطهای چند ابری ترکیبی مدرن بسیار خودکار هستند. آنها، محیطهای قدیمی مدیریت دستی و نگهداری را حذف کرده و این امکان را در شرکت فراهم میآورند تا مهندسین ماهر، دوباره مهارتشان را برای تحقق وعدهٔ هوش مصنوعی به کار بگیرند. وعده هوش مصنوعی در صورت اجرای صحیح، مثل هر فناوری دیگری میتواند مزایایی باورنکردنی داشته باشد.