Tiger Analytics پیشتاز در رویکرد «داده‌محور» در مدیریت اطلاعات

داده‌ها و هوش مصنوعی در عصر دیجیتال به‌عنوان دو جنبه مکمل یکدیگر شناخته می‌شوند. با این وجود، آنچه که معمولاً مورد غفلت قرار می‌گیرد، اهمیت حیاتی داده‌ها در دستیابی به ظرفیت‌های هوش مصنوعی است.

در کنفرانس Cypher 2024، که بزرگ‌ترین رویداد هوش مصنوعی در هند و توسط AIM Media House برگزار شد، «پرادیپ گولیپالی»، هم‌بنیان‌گذار و مدیرعامل Tiger Analytics هند، اظهار داشت: «هوش مصنوعی اساساً به داده‌ها وابسته است.»

به‌طور قطع، داده‌ها به سادگی در دسترس ما نیستند تا بتوانیم آن‌ها را تحلیل کنیم. این داده‌ها معمولاً منابع خام و اغلب بدون ساختار هستند که قبل از اینکه به اطلاعات ارزشمند تبدیل شوند، نیاز به پردازش‌های متعددی دارند.

گولیپالی اظهار داشت: «این دیدگاه با نظرات بسیاری از افراد در صنعت هم‌راستا است که بر این باورند قبل از بهره‌برداری از داده‌ها و به کارگیری مدل‌های یادگیری ماشین، مرحله‌ای از آماده‌سازی ضروری است. در غیاب این آماده‌سازی، حتی پیشرفته‌ترین سیستم‌های هوش مصنوعی نیز قادر به ارائه نتایج مفید نخواهند بود.»

گولیپالی در خصوص مراحل اولیه پردازش داده‌ها توضیح می‌دهد: «همه ما از اهمیت مدل‌های هوش مصنوعی آگاهیم، اما به ندرت به مراحل پیش از آن توجه می‌کنیم. فرآیندهایی مانند جمع‌آوری داده‌ها، پاک‌سازی و هماهنگ‌سازی داده‌ها معمولاً به اندازه مدل‌سازی نیاز به توجه دارند.»

پیچیدگی محیط کسب‌ و کار امروزی به این معناست که در هر مرحله از فعالیت‌های یک سازمان، داده‌ها تولید می‌شوند. او تأکید کرد که هر شرکتی که در زمینه تولید خودرو یا ارائه خدمات مالی فعالیت می‌کند، در هر بخش از عملیات خود حجم زیادی از داده‌ها را تولید می‌کند. این داده‌ها می‌توانند در مرحله تأمین مواد اولیه یا در زمان ثبت تراکنش‌های مالی به دست آیند و از منابع مختلف و با فرمت‌های گوناگون جمع‌آوری شوند.

این موضوع زمانی به وضوح نمایان می‌شود که سازمان‌های بزرگ را با بخش‌های مختلفی نظیر مدیریت زنجیره تأمین، بازاریابی، خدمات مشتری و تحقیق و توسعه بررسی کنیم، زیرا هر یک از این بخش‌ها داده‌های خاص خود را تولید می‌کنند.

گولیپالی اظهار داشت: «واقعیت این است که ما از نظر داده‌ها هیچ کمبودی نداریم. مشکل اصلی این است که سیستم یکپارچه‌ای برای تحلیل و تفسیر این داده‌ها در اختیار نداریم.»

چگونه می‌توانیم بهینه‌ترین بهره‌برداری را از ظرفیت داده‌ها داشته باشیم؟

به گفته گولیپالی، «محصولات داده‌ای» عامل اصلی بهره‌برداری کامل از ظرفیت داده‌ها به شمار می‌روند. او بیان می‌کند: «در دنیایی که سازمان‌ها با هزاران منبع داده مختلف مواجه هستند، دیگر نمی‌توانیم هر مجموعه داده را به‌طور جداگانه مدیریت کنیم. در عوض، باید به محصولات داده‌ای به‌عنوان یک حوزه نگاه کنیم؛ یعنی داده‌هایی که یکپارچه و پاک‌سازی شده‌اند و به‌طور خاص برای نیازهای کسب ‌و کار طراحی شده‌اند.»

این تحول در شیوه تفکر، در حال دگرگونی روش‌های مدیریت داده‌ها در سازمان‌ها است. به گفته گولیپالی، «هوش مصنوعی در تجزیه و تحلیل داده‌ها و در تمام مراحل چرخه عمر داده‌ها نقش اساسی دارد. به واقع، هوش مصنوعی به جمع‌آوری داده‌ها کمک می‌کند، همسان‌سازی داده‌ها را میان منابع مختلف انجام می‌دهد، فرآیندهای پاک‌سازی را به صورت خودکار انجام می‌دهد و حتی مدل‌های خاص هر حوزه را ایجاد می‌کند.»

به عنوان نمونه، اهمیت و نقش هوش مصنوعی در تبدیل داده‌های غیرساختاریافته به فرمت‌های ساختاریافته بیشتر و حیاتی‌تر شده است. در واقع، هوش مصنوعی به طور قابل توجهی زمان و تلاشی را که به طور سنتی برای آماده‌سازی داده‌ها صرف می‌شد، کاهش داده است.

گولیپالی اظهار می‌دارد: «ما به مرحله‌ای رسیده‌ایم که هوش مصنوعی قادر است بسیاری از وظایف خسته‌کننده‌ای را که پیش‌تر به‌صورت دستی انجام می‌شد، به‌طور خودکار انجام دهد. این فناوری می‌تواند کیفیت داده‌ها را ارزیابی کند، اصلاحات لازم را پیشنهاد دهد، خطاها را شناسایی کند و حتی به‌صورت لحظه‌ای بهترین روش‌های تبدیل داده را ارائه دهد.»

این خودکارسازی به شرکت‌ها این امکان را می‌دهد که به‌سرعت از داده‌ها بهره‌برداری کنند و در نتیجه تصمیم‌گیری‌های بهتری انجام دهند. ممکن است یک دانشمند داده بر روی تقسیم‌بندی مشتریان تمرکز کند، اما با استفاده از هوش مصنوعی، قادر خواهد بود الگوها و بینش‌های جدیدی از بخش‌های دیگر سازمان را کشف کند که پیش‌تر به آن‌ها توجهی نشده بود.

گولیپالی تأکید می‌کند: «این مانند داشتن یک لایه اضافی از هوش است که به‌طور مداوم کیفیت و کارایی داده‌ها را ارتقا می‌دهد.» از طرف دیگر، اگر سازمان‌ها به داده‌هایی از منابع مختلف نیاز داشته باشند، باید دسترسی به آن‌ها به‌صرفه باشد.

شکار سیواسابرامانیان، مدیرعامل Wadhwani AI، اظهار داشت: «جمع‌آوری داده‌هایی نظیر اشعه ایکس و MRI که برای پیشرفت‌های هوش مصنوعی در حوزه سلامت ضروری هستند، هزینه بالایی را به همراه دارد. در حالی که یک نسخه از اشعه ایکس ۱۰۰ روپیه هزینه دارد، اما گرفتن یک عکس از آن به طور کامل رایگان است.»

تعبیر اشعه ایکس به عنوان یک تصویر ممکن است غیرمعمول به نظر برسد، اما این یک روش معتبر و کارآمد است که به طور قابل توجهی هزینه‌ها را کاهش می‌دهد. به­طورکلی، جمع‌آوری داده‌ها به شیوه‌ای مقرون ‌به‌صرفه برای پیشرفت نوآوری‌های هوش مصنوعی امری ضروری است.

توانایی هوش مصنوعی در تأثیرگذاری بر فرآیندهای داده‌ای در مقیاس بزرگ

«در گذشته، داده‌ها به‌عنوان یک منبع ثابت و جداگانه در نظر گرفته می‌شدند و فرآیندهای مرتبط با آن معمولاً در چندین مرحله و به‌صورت مجزا انجام می‌گرفت. اما اکنون با بهره‌گیری از هوش مصنوعی، به سمت یک رویکرد یکپارچه پیش رفته‌ایم که در آن داده‌ها و هوش مصنوعی از همان ابتدا به‌طور همزمان همکاری می‌کنند. این رویکرد یکپارچه نه‌تنها کارایی را افزایش می‌دهد، بلکه دقت تصمیم‌گیری‌های مبتنی بر داده‌ها را نیز بهبود می‌بخشد.»

مزایای رویکرد هوش مصنوعی اول (AI-First) در مدیریت داده‌ها به تدریج روشن‌تر می‌شود. سیواسابرامانیان اشاره کرد که امروزه کسب ‌و کارها دریافته‌اند که هوش مصنوعی تنها به تجزیه ‌و تحلیل داده‌ها محدود نمی‌شود، بلکه در اتوماسیون و بهینه‌سازی تمامی مراحل مدیریت داده‌ها، از جمع‌آوری و پاک‌سازی داده‌ها تا ساخت مدل‌ها، نقش مؤثری دارد. این امر منجر به ساده‌تر شدن فرآیندها و بهره‌برداری بهتر از ارزش واقعی داده‌ها می‌شود.

به‌طور کلی، این تغییر نمایانگر یک روند وسیع‌تر در صنعت است. در حقیقت، هوش مصنوعی دیگر صرفاً ابزاری برای تحلیل‌های پیشرفته به شمار نمی‌آید، بلکه به تدریج به هسته اصلی مدیریت مدرن داده‌ها تبدیل می‌شود.

آینده به گونه‌ای است که هوش مصنوعی و داده‌ها باید به عنوان سیستم‌هایی مرتبط و یکپارچه دیده شوند. هنگامی که سازمان‌ها رویکرد «هوش مصنوعی اول» را در پیش بگیرند، قادر خواهند بود به سطوحی از کارایی و بینش دست یابند که پیش‌تر غیرقابل تصور بوده است.