نرخ بازگشت سرمایه
تحلیل بازارهای هوش مصنوعیکارآفرینیکسب‌و‌کار

دلایل اصلی سردرگمی شرکت‌ها برای رسیدن به نرخ بازگشت سرمایه با هوش مصنوعی

    0
    زمان مطالعه: ۴ دقیقه

    بر اساس نظرسنجی اخیر MITSloan، تنها ۱۰% از شرکت‌هایی که از هوش مصنوعی استفاده می‌کنند، سود مالی چشم‌گیری داشته‌ و نرخ بازگشت سرمایه مناسبی دارند. خبر بد دیگر این که طبق تحقیق گارتنر، ۸۵% از پروژه‌های استفاده از هوش مصنوعی با شکست مواجه می‌شود. خبر بدتر این‌که یک شرکت تحقیقاتی پیش‌بینی کرده این ناکامی‌ها حداقل تا سال ۲۰۲۲ ادامه خواهد داشت.

    اما آیا معنی این ناکامی‌ها ضعف خود یادگیری ماشین است؟ خیر. ضعف مربوط به روش استفاده از آن در پروژه‌ها است. بسیاری از ناکامی‌های پروژه‌های یادگیری ماشین قابل پیش‌بینی هستند و در نتیجه با بهره بردن از تخصص و دقت می‌توان آن‌ها را برطرف کرد. به همین دلیل همان‌طور که در مسیر شکست خوردن استفاده از پروژه‌های یادگیری ماشین، اشتباه کردن آسان است، جلوگیری از اشتباه هم آسان است.

    به دست آوردن نرخ بازگشت سرمایه و سناریوهای چالش‌برانگیز هوش مصنوعی

    شرکت‌ها مطمئن نیستند که داده‌هایشان برای یادگیری ماشین آماده باشد

    بیشتر شرکت‌ها وابستگی زیادی به برخی از انواع دگرگونی‌های دیجیتالی دارند، یعنی در حال تولید داده هستند. سپس ممکن است تصمیم بگیرند از آن داده‌ها برای پروژه‌های یادگیری ماشین استفاده کنند. اما این اشتباه است که فکر کنید یادگیری ماشین می‌تواند با هر ورودی‌ای بینش لازم را پیدا کند.

    یادگیری ماشین می‌تواند کارهای بزرگی با داده انجام دهد، اما داده‌ها باید برای این منظور آماده باشند یا داده‌های تمیز باشند. صرفا داشتن حجم بالای داده کافی نیست. در واقع این که حجم داده‌ها زیاد باشد، تضمین نمی‌کند که خروجی هم مفید است.

    به روش‌های مختلف ممکن است داده‌ها در این آزمون شکست بخورند. برای مثال، شاید گاهی شما به خواست یک کارخانه سنسورها را فعال بگذارید، آن هم زمانی که خود دستگاه خاموش است، در نتیجه داده‌هایی که در آن بازه زمانی جمع‌آوری می‌شوند، آن هم در حالی که ماشین غیرفعال است، خراب خواهند بود.

    به علاوه، داده باید به اندازه کافی رویکرد چند وجهی داشته باشد تا بتواند نرخ بازگشت سرمایه‌ ارائه کند که یادگیری ماشین بتواند الگوهای معناداری در آن کشف کند.

    شاید بتوانید از یادگیری ماشین برای بهینه‎سازی مصرف انرژی توربین‌هایتان استفاده کنید و هزینه انرژی‌ و مصرف گاز گلخانه‌ای را کاهش دهید. این یکی از سه مورد استفاده برتر در زمینه انرژی است که باعث بازگشت حدود ۲۰% از نرخ خروجی می‎شود. برای بهینه‌سازی مصرف انرژی توربین طبیعتا باید پارامترهای کنترل آن که باعث به حداقل رساندن استفاده می‌شود را بشناسد. اما اگر تنها از مقدار کمی از مجموعه داده‌ها برای ساخت مدل یادگیری ماشینتان استفاده کنید، نتیجه مطلوب نخواهد بود. در واقع تسلط یافتن بر یک سیستم پیچیده با تکیه کردن فقط بر مشاهدات برخی از المان‌های آن، امکان‌پذیر نیست.

    این که بدانید داده‌هایتان آمادگی لازم برای یادگیری ماشین را دارند یا نه، خودش یک هنر است. در نتیجه اگر آمادگی لازم برای یادگیری ماشین را نداشته باشند، مهم‌ترین کاری که باید انجام دهید، شناسایی و آماده کردن آن‌هاست.

    یادگیری ماشین بدون تعریف مشخصی از نرخ بازگشت سرمایه به کار گرفته شده است

    یادگیری ماشین یک تکنولوژی هیجان‌انگیز برای دستیابی به نرخ بازگشت سرمایه است. در نتیجه شرکت‌ها متقاعد می‌شوند که قرار است با یادگیری ماشین کاری کنند، اما نمی‌‍دانند این کار چیست. شرکت‌ها اهداف تجاری فعلی را امتحان می‌کنند که یادگیری ماشین باید توجه ویژه‌ای به آن داشته باشد.

    چون جدید است و وابستگی‌های زیادی به آن وجود دارد، مردم فقط سعی می‌کنند از یادگیری ماشین استفاده کرده و از آوازه آن لذت ببرند. البته باید توجه داشت یادگیری ماشین همیشه هم مناسب نیست. در بین موارد استفاده از یادگیری ماشین سطح سختی‌ها متفاوت است. موفقیت در برخی از کسب و کارهای مبتنی بر یادگیری ماشین بعد از یک هفته به دست می‌آید، برخی هم بیشتر. برخی اپلیکیشن‌های یادگیری ماشین که می‌توانند مفید باشند، هرگز استفاده نشده‌اند، اما باید درباره آن‌ها آزمایش‌هایی انجام داد. در برخی موارد مشخص، یک مشکلی که می‌تواند توسط یادگیری ماشین حل شود، شاید با راه‌های ارزان‌تر هم برطرف شود.

    مهم است که برای برآمدن از پس چالش‌های یک کسب و کار، زیرساخت‌ها را فراهم کرده و آن‌ چالش‌ها را شناسایی کنیم. یکی از دلایل اصلی ناکامی هوش مصنوعی در مواردی خاص این است که نمی‌توان زمان دقیق انجام پروژه‌ها را تخمین زد. وقتی قرار است در موردی از هوش مصنوعی استفاده کنید، باید مطمئن شوید که می‎توانید به این سوالات پاسخ دهید:

    * آیا سودها و نرخ بازگشت سرمایه قابل اندازه‌گیری هستند؟ مثل صرفه‌جویی در هزینه‌ها و کاهش آلایندگی کربنی.

    * آیا مورد استفاده می‌تواند برای پروسه‌های دیگر هم استفاده شود؟

    وقتی این رویه را پیش بگیرید باید بتوانید درک کنید که یادگیری ماشین اکثر اوقات بهترین راه برای حل مشکلات است. اما اگر یادگیری ماشین را در مشکلی که خودتان انتخاب کردید استفاده کنید، تضمینی نیست که ارزش سرمایه‌گذاری داشته باشد.

    تیم‌هایی به پروژه‌های یادگیری ماشین ورود کردند که فقط برخی از اطلاعات لازم را دارند

    یادگیری ماشین هر روز دموکراتیک‌تر می‎شود. حالا ابزار حتی نسبت به همین چند سال پیش، بسیار بیشتر شدند و دانش علوم داده هم رواج بیشتری پیدا کرده است. یعنی یک دانشمند ماهر علوم داده می‌تواند به راحتی از طریق لپتاپش روی پروژه‌های یادگیری ماشین کار کند.

    این که افراد به این صورت پروژه‌های یادگیری ماشین را پیش ببرند، این معنی را می‌دهد که مسیر موفقیت کوتاه‌تر شده است. البته که این روش مشکلات خاص خودش را هم دارد که باید با رسیدگی برطرف شوند.

    نکته قابل توجه این است که اگر بدون داشتن آمادگی کافی وارد پروژه‌ای شوید، مطمئنا به زانو درمی‌آیید. پس باید قبل از شروع یک پروژه مطمئن شوید که متخصصان، مهندسین و متصدیان مجرب شما در کنارتان خواهند بود، به این دلیل که آن‌ها با گرفتاری‌های مربوط به داده‌ها و نحوه رسیدگی به آن آشنایی دارند. متاسفانه شرکت‌ها بدون داشتن نیروی مناسب در این پروژه‌ها شکست می‌خورند. اگر چنین شرایطی پیش آید، باید پروژه متوقف شود یا مشاوری کاربلد به مجموعه اضافه شود. شرکت‌های زیادی به این شکل به تله می‌افتند و به جایی این که به شکل یک پروژه کاربردی به آن نگاه کنند، آن را یک پروژه علوم داده می‌‎بینند.

     شما به جای به دست آوردن نرخ بازگشت سرمایه چه می‌کنید؟

    سه موضوع مرتبط با یادگیری ماشین وجود دارد که باید همیشه مورد توجه قرار گیرد:

    * استفاده از داده‌ای که برای یادگیری ماشین آماده باشد

    * زمانی که باید از یادگیری ماشین برای حل مشکلات متفاوت استفاده شود

    * همکاری با کارکنان و متصدیان

    برای رسیدن به موفقیت به غیر از توجه به این موارد، باید مطمئن شوید که اطلاعات و علم تخصصی لازم برای پیش بردن پروژه را دارید.

    اگر این کارها را به درستی انجام دهید، پروژه یادگیری ماشین شما دیگر جزو آن ۸۵ درصدی که شکست می‌خورد، نیست و در عوض یکی از آن ۱۵ درصد پروژه‌های موفق خواهد بود. همچنین وقتی تنها یک پروژه موفق را تجربه کنید، موفقیت در پروژه‌های بعدی برایتان به مراتب راحت‌تر می‌شود، با کاربردهای هوش مصنوعی بیشتر آشنا شده و روز به روز بیشتر از یادگیری ماشین در پروژه‌هایتان استفاده می‌کنید.

    این مطلب چه میزان برای شما مفید بوده است؟
    [کل: ۰ میانگین: ۰]

    کمپانی Ushur مبلغ ۲۵ میلیون دلار برای خودکارسازی فرایندهای خدمات مشتریان اختصاص می‌دهد

    مقاله قبلی

    رونمایی از هدفون مجهز به هوش مصنوعی: ایربادی که سمعک است!

    مقاله بعدی

    شما همچنین ممکن است دوست داشته باشید

    نظرات

    پاسخ دهید

    نشانی ایمیل شما منتشر نخواهد شد.