سرمایه گذاری در هوش مصنوعی
تحلیل بازارهای هوش مصنوعیکارآفرینیکسب‌و‌کار

چه زمانی سرمایه گذاری در هوش مصنوعی عاقلانه نیست؟

    0

    در دهه ۸۰ میلادی مطالعه‌ای در مورد پذیرش و به کارگیری هوش مصنوعی در سطح شرکت‌ها انجام شد. این مطالعه که در فصلنامه MIS منتشر شد، نشان داد که شرکت‌ها برای سرمایه گذاری در هوش مصنوعی مشتاق هستند و پیش‌بینی شده بود ارزش بازار هوش مصنوعی به ۴ میلیارد دلار برسد.

    در هر صورت برخی از این نتایج شوکه کننده بود. این مطالعه نشان داد که در طی یک دوره پنج‌ ساله، تنها ۳۳ درصد از راه حل‌های هوش مصنوعی منجر به خلق ارزش تجاری شدند، و باقی راهکارها رها شدند. موضع دیگر این بود که ثابت شده بود بسیاری از کاربردهای معروف هوش مصنوعی به طور اغراق‌آمیزی در بوق و کرنا شده بودند و ده‌ها شرکت از هوش مصنوعی ناامید شدند.

    امروز و بعد از ۴۰ سال همان داستان در حال تکرار شدن است. علی رغم دهه‌ها پیشرفت در تحقیقات هوش مصنوعی و بسیاری از دستاوردهای اخیر، کسب و کارها همچنان به استفاده از این فناوری خیلی روی خوش نشان نمی‌دهند. یک نظرسنجی که توسط مک کینزی انجام شد نشان داد که تنها ۸ درصد از شرکت‌ها روشی به نوعی هوش مصنوعی را در شرکت خود به کار گرفته‌اند.

    هوش مصنوعی از قابلیت‌های استثنایی برخوردار است اما برای هر شرایطی مناسب نیست. در اینجا پنج شرطی که در آن سرمایه گذاری در هوش مصنوعی عاقلانه به نظر نمی‌رسید را بررسی می‌کنیم.

    وقتی که کار ما با راه حل‌های ساده‌تر راه می‌افتد

    بیشتر مشکلات مربوط به کسب و کارها را می‌توان با یک تجزیه و تحلیل ساده حل کرد. حتی در میان سازمان‌هایی که امروزه از یادگیری ماشین استفاده می‌کنند، کماکان تکنیک‌های ساده مبتنی بر رگرسیون محبوب‌تر هستند. می‌توان گفت تنها بخشی از مشاغل واقعاً به هوش مصنوعی نیاز دارند. با همه گیرتر شدن قابلیت هوش مصنوعی، استفاده از آن برای هر کسب و کاری وسوسه‌انگیز شده است. اما چرا برای یک مشکل کوچک باید یک اقدام خیلی بزرگ انجام داد؟

    به طور مثال در یک برهه زمانی نتفلیکس برای بهبود ۱۰ درصدی موتور پیشنهاد دهنده فیلم خود یک مسابقه جهانی با ۱ میلیون دلار جایزه ترتیب داده بود. بیش از پنجاه هزار تیم اعلام آمادگی کردند و نتفلیکس یکی از آن‌ها را انتخاب کرد. آن‌ها این پول را به برندگان پرداخت کردند، اما هرگز از این الگوریتم استفاده نکردند! در عوض، آن‌ها از یک روش دیگر استفاده کردند. با وجود دقت کمی که این روش داشت اما این راه حل ساده هزینه‌های مهندسی کمتری داشت و برای استفاده در دنیای واقعی مناسب‌تر بود.

    وقتی داده کافی نداشته باشیم

    تکنیک‌های تجزیه و تحلیل برای کشف بینش‌های عملی به داده‌های بسیاری نیاز دارند. هرچه یک تکنیک قدرتمند تر باشد، حجم داده مورد نیاز آن نیز به مراتب بیشتر است. هوش مصنوعی ولع زیادی به داده‌ها دارد. به طور مثال برای انجام وظیفه‌ای همچون تشخیص تصاویر به صدها هزار نقطه داده احتیاج است. این داده‌ها باید برای آموزش هوش مصنوعی در قالب خاصی شفاف و آماده شوند. متاسفانه، فراهم آوردن حجم بالایی از داده‌های دارای برچسب و با کیفیت، چیزی نیست که هر سازمانی از پس آن برآید.

    به عنوان مثال، هوش مصنوعی می‌تواند فروش شما در ۴ هفته آینده را پیش بینی کند به شرطی که شما اطلاعات و تاریخچه فروش ماه‌های قبل را داشته باشید. اگر تمام اطلاعات موجود شما مربوط به چند هفته گذشته باشد، هوش مصنوعی نمی‌تواند به شما کمک کند. بنابراین باید از یک روش ساده پیش بینی مانند تعمیم استفاده کنید. در این روش نیازی به دیتای زیادی ندارد و فقط با چند نقطه داده، می‌توانید بینشی صحیح برای تصمیم گیری در مورد کسب و کار خود پیدا کنید.

    جایی که هوش مصنوعی هنوز در حال آزمایش است

    ما روزانه شاهد پیشرفت‌های چشمگیری در تحقیقات هوش مصنوعی هستیم. امروزه، هوش مصنوعی می‌تواند با استفاده از جملات شما یک عکس خلق کند یا تعداد زیادی از هواپیماهای بدون سرنشین را کنترل کند. با این وجود، تفاوت زیادی بین انجام کارها در شرایط آزمایشگاهی و کنترل شده و انجام همان وظایف در دنیای واقعی وجود دارد. بسیاری از دستاوردهای شگفت‌انگیز هوش مصنوعی هنوز در مراحل آزمایشی هستند.

    در سال ۲۰۱۳، مرکز سرطان MD Anderson در یک اقدام جسورانه هوش مصنوعی واتسون IBM را برای کمک به پزشکان خود در تشخیص سرطان در مرکز خود مستقر کرد. این کار در طول سالیان بعد، بیش از ۶۲ میلیون دلار برای این مرکز هزینه برداشت. در نهایت پس از تلاش برای به کارگیری این سیستم در سناریوهای عملی، سرانجام از دور خارج شد. امروزه هوش مصنوعی در تشخیص سرطان بهتر شده است اما هنوز نتوانسته است تبدیل به جریان اصلی شود. حتی اگر آزمایش هوش مصنوعی خوب باشد، اما باید مطمئن شوید که زمان دقیق ارائه آن در شرایط واقعی را بدانید.

    وقتی هزینه‌ها بیشتر از فواید باشد

    امروزه حوزه‌هایی وجود دارد که هوش مصنوعی به خوبی از پس آن‌ها بر می‌آید. با این حال، هزینه تمام شده به کارگیری و داشتن هوش مصنوعی آنقدر بالا است که ممکن است از نظر اقتصادی مقرون به صرفه نباشد. درواقع زمانی که سازمان‌ها به هوش مصنوعی فکر می‌کنند، غالباً فقط به هزینه‌های اجرایی کردن آن فکر می‌کنند و برای آن برنامه می‌ریزند. در حالی که این فقط نوک کوه یخ است. بیش از این‌ها سرمایه‌گذاری لازم است تا هوش مصنوعی به کار سازمان شما بیاید.

    به عنوان مثال، اگرشما قصد داشته باشید یک پلت فرم تجربه مشتری مبتنی بر هوش مصنوعی بسازید پیش از هرچیز، باید داده‌های جدیدی را جمع‌آوری کنید که تصویری عمیق از مشتری به شما ارائه دهد. برای آموزش هوش مصنوعی باید به صورت دستی داده‌ها را برای آموزش مدل برچسب‌گذاری کنید. این کار حتی مقدم بر هزینه کردن روی سیستم عامل‌های نرم افزاری، سخت افزارهای عالی و تیم‌های تجزیه و تحلیل است. علاوه بر این، شما باید به کاربران نهایی در زمینه سواد داده آموزش دهید، جریان کار شرکت خود را با این سیستم جدید متناسب کنید و بودجه‌ای را برای مدیریت تغییرات مداوم کنار بگذارید.

    باید توجه داشته باشید که مقیاس‌پذیری هوش مصنوعی، ممکن است به همان اندازه پیاده‌سازی، روی دست شما هزینه بگذارد. سوال اصلی این است که آیا شما مشتریانی خواهید داشت که آنقدر برای شما درآمدزایی کنند که از پس همه این هزینه‌ها برآیید؟ قبل از اینکه وارد این دنیا شوید بهتر است دودوتا چهارتای خود را انجام دهید.

    جایی که به درک و همدلی نیاز دارید

    بیاید فرض کنیم کسب و کار شما شامل هیچ کدام از چهار سناریویی که در بالا بحث شد نمی‌شود. اگر کاربران شما نیاز به درک و مراقبت داشته باشند، ممکن است هوش مصنوعی برای شما مناسب نباشد. هوش مصنوعی در یافتن الگوها بسیار خوب عمل می‌کند و می‌تواند روندهای عمیقی را کشف کند که انسان‌ها هیچ شانسی برای تشخیص آن‌ها ندارند. با این حال، هوش مصنوعی احساسات را هنوز نمی‌فهمد. او نمی‌تواند با انسان‌ها ارتباط عاطفی ایجاد کند.

    همانطور که گفتیم هوش مصنوعی در پزشکی و تشخیص سرطان به پیشرفت‌های خوبی رسیده است. با این وجود، فکر می‌کنید بیماران آمادگی این را دارند از یک ماشین بشوند که سرطان دارند؟ هوش هیجانی و همدلی جزو مهارت‌های انسانی هستند. این موارد چه جایگاهی نزد شما دارند؟ فکر کردن در مورد این سوال به شما کمک می‌کند تا تصمیم بگیرید که آیا واقعاً به هوش مصنوعی احتیاج دارید یا خیر و به شما نشان می‌دهد که حتی در صورت استفاده از هوش مصنوعی باز هم به انسان‌ها و احساسات انسانی نیاز است.

    چگونه متوجه شوید که هوش مصنوعی مناسب نیاز شماست؟

    با نیازسنجی کسب و کار خود شروع کنید. روش‌هایی را که در آن فناوری و داده‌ها می‌توانند یک چالش را برطرف کنند، مشخص کنید. یک چارچوب برای راه حل خود به منظور برخورد با مشکل کسب و کار خود تعیین کنید. تمام ابزارهای در دسترس و موجود را ارزیابی کنید و با ساده‌ترین تکنیک‌ها شروع کنید. همانطور که پیچیدگی‌های کار بیشتر می‌شود، سادگی و اثربخشی نتایج را در نظر بگیرید. اگر سرمایه گذاری در هوش مصنوعی را انتخاب می‌کنید، اطمینان حاصل کنید که داده‌های مناسب، بودجه مورد نیاز و نیروی انسانی کافی در اختیار دارید.

    چگونه تغییر مدیریت حمل نقل با هوش مصنوعی و اینترنت اشیا ممکن است؟

    مقاله قبلی

    شرکت سیستم نگر ساینا ؛ فناوری اطلاعات و هوش مصنوعی

    مقاله بعدی

    شما همچنین ممکن است دوست داشته باشید

    نظرات

    پاسخ دهید

    نشانی ایمیل شما منتشر نخواهد شد. بخش‌های موردنیاز علامت‌گذاری شده‌اند *