غزل زیاری:اکنون، 18 ماه پس از شروع چرخه تبلیغات ChatGPT، این هوش مصنوعی جای خود را به درک دقیق تری از واقعیت پشت اجرای این فناوری داده است. در حالی که مدیران ارشد در ابتدا پروژههای علمی را با اشتیاق و خوشبینی دنبال میکردند، تغییرات اخیر تصمیمگیرندگان را وادار کرده است به دنبال موارد تجاری ملموستر و شواهدی باشند که نشان میدهد چگونه هوش مصنوعی میتواند ارزش شرکت را افزایش دهد. بنابراین، هوش مصنوعی در مقابل هوش مصنوعی اکنون به پایان رسیده است و هوش مصنوعی نظارتی در کانون توجه قرار دارد.
در این راه، موانع زیادی برای غلبه بر شرکت ها وجود دارد. سه مورد از مهمترین چیزها برای هوش مصنوعی سازمانی عبارتند از: اطمینان از وجود مهارتهای لازم، متقاعد کردن هیئت مدیره در مورد ارزش واقعی کسبوکار، و اطمینان از اینکه زیرساخت میتواند قدرت محاسباتی لازم را فراهم کند.
مهارت های همگام سازی
یک نظرسنجی اخیر از 650 مدیر فناوری اطلاعات در استرالیا نشان داد که همه (100٪) در 12 ماه آینده به مهارت های هوش مصنوعی بیشتری نیاز دارند. با توجه به تقاضای زیاد برای استعدادهای فناوری، این احتمالاً منجر به کمبود 370000 متخصص دیجیتال تا سال 2026 خواهد شد.
شکاف مهارتهای هوش مصنوعی به این معنی است که سازمانها بعید هستند که مدلهای زبان بزرگ (LLM) خود را توسعه دهند. در گزارش هوش مصنوعی Nutanix State of Enterprise اشاره شده است که 90 درصد از شرکت ها قصد دارند از دارندگان مدرک کارشناسی ارشد قبلی به دلیل نداشتن مهارت های لازم استفاده کنند.
دو مهارت مورد تقاضا عبارتند از: «هوش مصنوعی تولیدی و مهندسی چابک» در 45 درصد تقاضا و «علم داده و تجزیه و تحلیل داده ها» در 44 درصد از آمار مورد نیاز در سازمان ها. این بدان معنی است که اگرچه موسسات از رویای ایجاد دوره های LLM خود دست کشیده اند، هنوز تلاش زیادی برای استقرار، بهره برداری و پشتیبانی از این فناوری های جدید لازم است.
برای اینکه یک سازمان LLM بتواند پتانسیل خود را برآورده کند، باید به داده های سازمان دسترسی داشته باشد. برای بسیاری، این بدان معناست که دادههای سازمانی باید از زیرساختهای قدیمی و برنامههایی استخراج شوند که هرگز برای هوش مصنوعی طراحی نشدهاند و نیاز به سرمایهگذاری قابل توجهی دارند.
مراحل لازم برای اجرای این طرح
علیرغم آنچه که هیاهو نشان میدهد، هوش مصنوعی و LLMهای تولیدکننده شرکتها تنها با دانلود در دسترس مدیران قرار نخواهند بود. قوانین سختگیرانه حاکمیت و حفظ حریم خصوصی در یک محیط سازمانی به این معنی است که هوش مصنوعی باید در یک محیط بسته پیادهسازی شود تا دادههای محرمانه به بیرون درز نکند و برای آموزش مدلهایی برای سازمانهای خارجی استفاده نشود.
یک LLM سازمانی باید به داده های سازمانی دسترسی داشته باشد تا ارزش واقعی خود را ارائه دهد. زیرا هر ایده بر اساس شناخت کامل کسب و کار ارائه می شود و در صورت وجود نقاط کور، صحت پروژه زیر سوال می رود. اما به خاطر داشته باشید که ارائه دسترسی به این داده ها آسان تر از انجام دادن است. به خصوص زمانی که شرکت هنوز از سیستم های قدیمی استفاده می کند که اساساً حیاتی ترین سیستم های تجاری هستند. در این صورت لازم است قبل از به کارگیری هوش مصنوعی داده ها را منطقی کرد و برنامه ها را به روز کرد.
این اولین قدم بسیار مهم است. هر تلاشی برای متقاعد کردن هیئت مدیره برای پیاده سازی هوش مصنوعی باید با گفتگو در مورد نوسازی زیرساخت همراه باشد، در غیر این صورت از مزایای تجاری بالقوه هوش مصنوعی جلوگیری خواهد شد. زیرا این مدل در مورد مجموعه داده های ناقص تصمیم گیری خواهد کرد.
زیرساخت هوشمند
در یکی از گزارشهای اخیر، مشخص شد که در حالی که 90 درصد سازمانها هوش مصنوعی را در اولویت قرار دادهاند، یک سوم زیرساختهای فناوری اطلاعات فعلی خود را برای اجرای چنین برنامههایی مناسب نمیدانند.
بخش کلیدی این سرمایه گذاری، پذیرش محیط های چند ابری ترکیبی (ترکیبی از ابرهای لبه، خصوصی و عمومی) است. در حال حاضر، تنها یک سازمان از هر پنج سازمان در منطقه آسیا و اقیانوسیه، مدل ترکیبی چند ابری را پیادهسازی میکند و از هر پنج سازمان، دو سازمان دیگر قصد دارند این مدل را ظرف یک تا سه سال آینده پیادهسازی کنند. استفاده از یک زیرساخت انعطاف پذیر، مقیاس پذیر و مقرون به صرفه، پایه و اساس ایده آلی را برای پیاده سازی هوش مصنوعی فراهم می کند.
محیط های چند ابری ترکیبی مدرن بسیار خودکار هستند. این محیطهای قدیمی را برای مدیریت و نگهداری دستی حذف میکند و به مهندسان ماهر در سراسر شرکت امکان میدهد تا مهارتهای خود را برای تحقق وعدههای هوش مصنوعی مجدداً به کار گیرند. وعده هوش مصنوعی، اگر به درستی اجرا شود، مانند هر فناوری دیگری، می تواند مزایای باورنکردنی داشته باشد.
منبع: هفته نامه کامپیوتر
58321
khabaronline به نقل از رابو