زمان تقریبی مطالعه: 3 دقیقه
استراتژی هوش مصنوعی IBM؛ از مدل‌های زبانی تا اتوماسیون فرایندهای سازمانی
مقدمه
هوش مصنوعی زمانی ارزش اقتصادی ایجاد می‌کند که بتواند یک مسئله مشخص را با دقت، سرعت یا هزینه مناسب‌تری حل کند. تولید متن و پاسخ‌گویی به پرسش‌ها تنها بخشی از ظرفیت این فناوری است. در محیط سازمانی، مدیریت دانش، تحلیل اسناد، پشتیبانی کارکنان، توسعه نرم‌افزار و خودکارسازی گردش کار نیز اهمیت دارند.
IBM با تمرکز بر هوش مصنوعی سازمانی، ابزارهای داده و راهکارهای مدیریتی تلاش می‌کند هوش مصنوعی را وارد فرایندهای واقعی شرکت‌ها کند.
هوش مصنوعی سازمانی چه تفاوتی دارد؟
در کاربردهای شخصی، ممکن است پاسخ سریع و تجربه کاربری مهم‌ترین معیار باشد. اما در سازمان‌ها، معیارهای بیشتری مطرح می‌شوند: محرمانگی اطلاعات، کنترل دسترسی، قابلیت ردیابی، کیفیت پاسخ، انطباق با مقررات و امکان اتصال به سامانه‌های موجود.
برای نمونه، یک سامانه پاسخ‌گوی داخلی باید بتواند به اسناد معتبر سازمان متصل شود، مجوزهای دسترسی را رعایت کند و در صورت نبود اطلاعات کافی، از ارائه پاسخ قطعی خودداری کند.
نقش داده در عملکرد مدل
مدل هوش مصنوعی بدون داده مناسب نمی‌تواند به‌طور قابل‌اعتماد مسائل اختصاصی یک شرکت را حل کند. کیفیت داده، تازگی اطلاعات، ساختار اسناد و مدیریت دسترسی، همگی بر نتیجه اثر می‌گذارند.
یکی از روش‌های متداول، تولید افزوده با بازیابی اطلاعات یا RAG است. در این روش، سامانه پیش از تولید پاسخ، اطلاعات مرتبط را از منابع مشخص بازیابی می‌کند و سپس بر اساس آن‌ها پاسخ می‌سازد. این روش می‌تواند ارتباط پاسخ با اسناد سازمانی را بهتر کند، اما به‌تنهایی تضمین‌کننده صحت کامل نیست.
ارزیابی اقتصادی پروژه هوش مصنوعی
برای سنجش یک پروژه باید هزینه مجوز، پردازش، آماده‌سازی داده، یکپارچه‌سازی، آموزش کارکنان و نظارت انسانی محاسبه شود. سپس صرفه‌جویی واقعی در زمان، کاهش خطا، افزایش ظرفیت عملیاتی یا بهبود درآمد اندازه‌گیری شود.
اگر سامانه‌ای زمان انجام یک فرایند را کاهش دهد اما هزینه نگهداری آن از ارزش صرفه‌جویی بیشتر باشد، اجرای گسترده آن توجیه اقتصادی ندارد.
نگاه چرو به هوش مصنوعی
هوش مصنوعی باید ابزار افزایش توان کسب‌وکار باشد، نه صرفاً یک عنوان تبلیغاتی. استفاده از آن در دسته‌بندی محصولات، تحلیل پرسش‌های مشتریان، تولید پیش‌نویس محتوا و استخراج اطلاعات از اسناد می‌تواند مفید باشد؛ به‌شرط آنکه خروجی‌ها بررسی و کنترل شوند.
جمع‌بندی
مزیت رقابتی در هوش مصنوعی از ترکیب مدل مناسب، داده باکیفیت، زیرساخت قابل‌اعتماد، کنترل ریسک و طراحی درست فرایند حاصل می‌شود. تجربه IBM اهمیت این نگاه سازمانی را برجسته می‌کند: فناوری زمانی ارزشمند است که به نتیجه‌ای سنجش‌پذیر تبدیل شود.
