قرار دادن چالش های هوش مصنوعی در چشم انداز با مشارکت

ویژگی حمایت شده با گسترش گسترده‌تر این فناوری در بخش‌ها و صنایع عمودی‌تر، ظرفیت هوش مصنوعی (AI) برای تغییر فرآیندهای کسب‌وکار، تصمیم‌گیری استراتژیک و تجربیات مشتری توسط استراتژیست‌های فناوری اطلاعات و تحلیل‌گران اقتصادی تحسین می‌شود.

حتی مدیران اجرایی که زمانی در مورد تایید نیازهای هوش مصنوعی برای ارائه ارزش بهینه محتاط بودند، به پتانسیل آن برای بهبود کارایی عملیاتی و هموار کردن راه برای جریان‌های درآمد جدید پی می‌برند.

پیش بینی های ناظران محترم بازار مانند PwC دیدگاه آنها را تایید می کند. آنمطالعه جهانی هوش مصنوعیPwC معتقد است که هوش مصنوعی می تواند تا 15.7 تریلیون دلار به اقتصادهای جهانی در سال 2030 کمک کند.

رونمایی اخیر از چندین ابزار مولد هوش مصنوعی a برک آوت نکته ای برای آنچه قبلاً یک شاخه بسیار تخصصی و "آینده نگر" از علوم کامپیوتر بود. در بریتانیا در سال 2022 دفتر هوش مصنوعی گزارش حدود 15 درصد از کسب و کارها حداقل یک فناوری هوش مصنوعی را که معادل 432,000 شرکت است، استفاده کرده اند. حدود 2 درصد از کسب‌وکارها هوش مصنوعی را آزمایش می‌کردند و 10 درصد قصد داشتند حداقل یک فناوری هوش مصنوعی را در آینده به کار گیرند (به ترتیب 62,000 و 292,000 کسب‌وکار).

هنوز چیزهای پیچیده ای است

در این میان، سازمان‌های مشتاق هوش مصنوعی باید به خاطر داشته باشند که هوش مصنوعی هنوز یک فناوری نسبتاً جوان است و راه‌اندازی آن برای اولین بار می‌تواند چالش برانگیز باشد. علاوه بر این، بازگشت سرمایه مرتبط (ROI) به شدت به رویه‌ها و پیکربندی‌های پیاده‌سازی مدیریت شده بسیار وابسته است که اغلب در مواجهه با خطاها نسبت به استقرارهای معمولی فناوری اطلاعات از استحکام کمتری برخوردار هستند.

به عنوان مثال، هوش مصنوعی برای تیم‌های فناوری اطلاعات که وظیفه اجرای ابتکارات و بارهای کاری یادگیری ماشینی/AI را دارند، آزمایش‌های قابل تخمینی را ارائه می‌کند، که می‌تواند شامل غلبه بر شکاف‌های مهارتی و محدودیت‌های محاسباتی باشد. آنها همچنین ممکن است شامل مبادله منابع با بارهای کاری دیگر سازمانی باشند که قبلاً از یک زیرساخت مشترک فناوری اطلاعات استفاده می کنند.

مت آرمسترانگ-بارنز، مدیر ارشد فناوری هوش مصنوعی در شرکت هیولت پاکارد (HPE) می‌گوید: «هوش مصنوعی یک سفر است، نه یک مقصد – این به معنای آماده‌بودن برای پذیرش یا خودکار کردن فرآیندها صرفاً برای بهره‌وری بیشتر نیست. بلکه در مورد تحقق ارزش بلندمدت، ایجاد نتایج بهتر و درک این موضوع است که هوش مصنوعی نیازمند رویکردی اساساً متفاوت برای استقرار فناوری اطلاعات است. برای تکنولوژیست های سازمانی، این یک منحنی یادگیری همه جانبه 360 درجه است."

نکته آرمسترانگ-بارنز توسط آخرین نسخه دیلویت اثبات می شود.وضعیت هوش مصنوعی در شرکتنظرسنجی از رهبران تجارت جهانی پاسخ‌دهندگان آن انبوهی از چالش‌ها را شناسایی کردند که هوش مصنوعی در مراحل متوالی پروژه‌های اجرای هوش مصنوعی خود ایجاد کرد. اثبات ارزش تجاری هوش مصنوعی موضوعی بود که 37 درصد به آن اشاره کردند – پروژه‌ها می‌توانند هزینه بر باشند و اعتبار یک مورد تجاری قانع‌کننده در مواجهه با هیئت‌های مدیره سرمایه‌گذاری و مدیران C-Suite دشوار است.

بزرگ‌کردن آن پروژه‌های هوش مصنوعی در طول زمان می‌تواند به موانع شناسایی‌شده دیگری مانند مدیریت ریسک‌های مرتبط با هوش مصنوعی (که توسط 50 درصد از شرکت‌کنندگان در نظرسنجی Deloitte ذکر شده است)، عدم پذیرش اجرایی (همچنین 50 درصد) و فقدان تعمیر و نگهداری یا پشتیبانی مداوم (50 درصد دوباره).

آرمسترانگ-بارنز می‌گوید: «کاملاً قابل درک است که رهبران شرکت‌ها باید متقاعد شوند که هوش مصنوعی راه خود را جبران خواهد کرد. اینجاست که کار از ابتدا با یک شریک فناوری که سال‌ها با پیاده‌سازی‌های اثبات‌شده هوش مصنوعی درگیر بوده است، به پیروزی در این پرونده کمک می‌کند. سوابق آن به طرح‌های پیشنهادی اعتبار می‌بخشد و به مدیران اجرایی متقاعد می‌شود که ریسک‌های هوش مصنوعی به اندازه سایر سرمایه‌گذاری‌های فناوری اطلاعات قابل مدیریت هستند.

و در حالی که فناوری و استعداد مطمئناً مورد نیاز است، به همان اندازه مهم است که فرهنگ، ساختار و روش‌های کار یک شرکت برای حمایت از پذیرش گسترده هوش مصنوعی هماهنگ شود. به گفته مک کینزی، با ویژگی های متمایز گاهی اوقات به عنوان موانعی در برابر تغییرات مبتنی بر هوش مصنوعی عمل می کند.

مک کینزی پیشنهاد می‌کند: «اگر یک شرکت مدیران روابطی داشته باشد که به هماهنگی با نیازهای مشتری افتخار می‌کنند، ممکن است این تصور را که «ماشین» می‌تواند ایده‌های بهتری در مورد آنچه مشتریان می‌خواهند داشته باشد را رد کنند و توصیه‌های محصول متناسب با ابزار هوش مصنوعی را نادیده بگیرند.

آرمسترانگ-بارنز گزارش می دهد: «من با همتایان HPE و مشتریان HPE اغلب در مورد طیف وسیعی از چالش هایی که با استقرار هوش مصنوعی مواجه می شوند، صحبت می کنم. «برخی ویژگی‌های شواهد مشترک بارها و بارها مطرح می‌شوند. یکی دست کم گرفتن از تفاوت اساسی استقرار هوش مصنوعی با پیاده سازی های سنتی IT است. سازمان‌ها باید هوش مصنوعی را به روشی متفاوت از پروژه‌های IT که در گذشته اجرا کرده‌اند، به کار گیرند. مدیریت داده و مقیاس بندی برای هوش مصنوعی به طور قابل توجهی متفاوت است. این بدان معناست که گاهی اوقات، تجربه‌های فناوری که به سختی به دست آمده‌اند، باید دوباره یاد بگیرند.»

آرمسترانگ-بارنز توضیح می‌دهد که باید از تمایل به آزمایش با خلبان‌های هوش مصنوعی قبل از استقرار مستقیم آن در یک مورد استفاده واقعی که یک نیاز فوری تجاری را پشتیبانی می‌کند اجتناب کرد. او توضیح می‌دهد: «رویکرد سعی کنید قبل از خرید معقول به نظر می‌رسد – هوش مصنوعی پیچیده و تشنه سرمایه‌گذاری است. . چیزی که "در آزمایشگاه" شروع می شود، در آزمایشگاه باقی می ماند."

در انتهای دیگر مقیاس پذیرش، آرمسترانگ-بارنز شرکت‌هایی را می‌بیند که سعی می‌کنند هوش مصنوعی را در هر جایی که می‌توان به کار برد، حتی در جایی که یک برنامه بدون هوش مصنوعی به‌طور بهینه کار می‌کند، استفاده می‌کنند. پس نباید همه چیز را مانند مهره ای برای شکستن ببینی.»

افراد و زیرساخت ها به راحتی در دسترس نیستند

حتی پیشرفته‌ترین سیستم‌های هوش مصنوعی هنوز به استقلال کامل سرتاسری دست پیدا نکرده‌اند – آنها باید توسط تخصص انسانی آموزش داده و تنظیم شوند. این یک چالش بیشتر برای شرکت‌های مشتاق هوش مصنوعی است: چگونه می‌توان مهارت‌های لازم را کسب کرد - پرسنل فناوری اطلاعات موجود را بازآموزی کرد؟ اعضای تیم جدیدی را با دانش هوش مصنوعی استخدام کنید؟ یا گزینه هایی را بررسی کنید تا نیاز به تخصص هوش مصنوعی را به شرکای فناوری موکول کنید؟

مک کینزی گزارش که پتانسیل هوش مصنوعی به دلیل کمبود استعدادهای ماهر محدود شده است. یک پروژه معمولی هوش مصنوعی به یک تیم بسیار ماهر از جمله دانشمند داده، مهندس داده، مهندس ML، مدیر محصول و طراح نیاز دارد - و به سادگی متخصصان کافی برای اشغال همه این مشاغل آزاد وجود ندارند.

آرمسترانگ-بارنز می‌گوید: «ما می‌بینیم که فن‌آوران سازمانی معمولاً مجبورند توانایی‌های خود را از پنج جنبه کلیدی ارتقا دهند. اساساً، آنها در زمینه‌های تخصص هوش مصنوعی، زیرساخت‌های فناوری اطلاعات، مدیریت داده‌ها، مدیریت پیچیدگی و تا حدی موانع فرهنگی فوق‌الذکر قرار دارند. با توجه به رویکرد صحیح و حمایت مشارکتی، هیچ یک از این چالش ها غیرقابل حل نیست.»

هوش مصنوعی همچنین دوست دارد سخت افزار فوق العاده قدرتمندی را اجرا کند. تهیه پلتفرم‌های محاسباتی با کارایی بالا به عنوان یک چالش دائمی ادامه می‌یابد، زیرا تعداد کمی از سازمان‌ها می‌خواهند - یا می‌توانند از عهده آن برآیند - سرمایه‌گذاری‌های لازم را در سرورهای خود بدون افزایش قابل اثبات در نسبت بازگشت سرمایه انجام دهند.

آرمسترانگ-بارنز می‌گوید: «هنگام برنامه‌ریزی پیاده‌سازی هوش مصنوعی، در مراحل اولیه برنامه‌ریزان فناوری اطلاعات باید برخی تصمیم‌های کلیدی در مورد فناوری توانمندسازی هسته‌ای اتخاذ کنند. به عنوان مثال، آیا قصد دارید آن را بخرید، بسازید - یا یک رویکرد ترکیبی که عناصر هر دو را در بر می گیرد؟

تصمیم مهم بعدی مربوط به مشارکت است. آرمسترانگ-بارنز خاطرنشان می کند که شرط تعیین کننده ارائه موفقیت آمیز هوش مصنوعی این است که هیچ کس نتواند به تنهایی این کار را انجام دهد: "شما به حمایت شرکای فناوری نیاز دارید و بهترین راه برای ایجاد این مشارکت ها از طریق اکوسیستم هوش مصنوعی است. یک اکوسیستم هوش مصنوعی را به عنوان یک کنسرسیوم پشتیبان از تخصص در نظر بگیرید که با گرد هم آمدن، به دانش، داده ها، ابزارهای هوش مصنوعی، فناوری و اقتصاد مناسب برای توسعه و عملیاتی کردن تلاش های هوش مصنوعی خود دسترسی خواهید داشت.

آرمسترانگ-بارنز می‌افزاید: «مشتریان گاهی می‌پرسند چگونه HPE در موارد استفاده از هوش مصنوعی تا این حد تجربه شده است – آیا ما تأثیر آن را سال‌ها پیش پیش‌بینی کرده بودیم و خیلی زودتر از بازار شروع به آماده‌سازی کردیم؟ واقعیت این است که ما تاثیر هوش مصنوعی را نه سال‌ها، بلکه دهه‌ها پیش دیدیم، برای مدت طولانی مراکز تعالی هوش مصنوعی و اکوسیستم‌ها را ایجاد کرده‌ایم و خریدهای استراتژیک برای تقویت تخصص موجود خود در راستای نیازهای مشتری و فرصت‌های رشد انجام داده‌ایم.

بدون قطار، بدون سود

یکی از این تقویت‌ها، Determined AI است که در سال 2021 به بخشی از راه‌حل‌های HPC و AI HPE تبدیل شد. نرم‌افزار منبع باز Determined AI به این واقعیت می‌پردازد که ساخت و آموزش مدل‌های بهینه‌شده در مقیاس، مرحله دقیق و حیاتی توسعه ML است – مرحله‌ای که به طور فزاینده‌ای نیاز به غیرتکنولوژیست هایی مانند تحلیلگران، محققان و دانشمندان دارد تا چالش های HPC را بپذیرند.

این چالش‌ها شامل راه‌اندازی و مدیریت یک پشته نرم‌افزاری موازی و زیرساختی است که شامل تهیه محاسبات تخصصی، ذخیره‌سازی داده، فابریک محاسباتی و کارت‌های شتاب‌دهنده می‌شود.

آرمسترانگ-بارنز می‌گوید: «علاوه بر این، شارحان ML باید مدل‌های خود را برنامه‌ریزی، زمان‌بندی و آموزش کارآمد کنند تا استفاده از زیرساخت‌های تخصصی را که راه‌اندازی کرده‌اند به حداکثر برسانند، که می‌تواند پیچیدگی ایجاد کند و بهره‌وری را کاهش دهد.»

البته این کارها باید با سطح دقیقی از صلاحیت انجام شوند که حتی با حمایت تیم‌های IT داخلی که بیش از حد کار می‌کنند، به راحتی نمی‌توان مطمئن شد.

پلتفرم منبع باز تعیین شده هوش مصنوعی برای آموزش مدل ML به گونه ای طراحی شده است که این شکاف منابع را کاهش دهد و راه اندازی، پیکربندی، مدیریت و اشتراک گذاری ایستگاه های کاری یا خوشه های هوش مصنوعی را که در محل یا در فضای ابری اجرا می شوند، آسان کند. و علاوه بر پشتیبانی ممتاز، شامل ویژگی‌هایی مانند امنیت پیشرفته، ابزارهای نظارت و قابلیت مشاهده می‌شود - که همه توسط تخصص در HPE پشتیبانی می‌شوند.

آرمسترانگ-بارنز توضیح می‌دهد: «هوش مصنوعی مصمم در مورد از بین بردن موانع برای شرکت‌ها برای ساخت و آموزش مدل‌های ML در مقیاس و سرعت، به منظور دستیابی به ارزش بیشتر در زمان کمتر، با سیستم جدید توسعه یادگیری ماشین HPE است. این قابلیت‌ها شامل موارد کاملاً فنی است که برای بهینه‌سازی حجم‌های کاری AI/Machine Learning ضروری است، مانند زمان‌بندی شتاب‌دهنده، تحمل خطا، آموزش موازی و توزیع شده با سرعت بالا، بهینه‌سازی پیشرفته‌ی فراپارامترها و جستجوی معماری عصبی.

«به آن وظایف انضباطی مانند همکاری تکرارشونده و ردیابی معیارها را اضافه کنید – این کار بسیار زیاد است. با کمک Determined AI متخصصان پروژه می توانند بر نوآوری تمرکز کنند و زمان خود را تا تحویل سریع پیگیری کنند.

منابع HPC و مقررات بیشتر نقش خود را ایفا می کنند

قدرت HPC همچنین به طور فزاینده ای برای آموزش و بهینه سازی مدل های هوش مصنوعی، علاوه بر ترکیب با هوش مصنوعی برای افزایش بار کاری مانند مدل سازی و شبیه سازی - ابزارهای قدیمی برای سرعت بخشیدن به زمان تا کشف در بخش های سراسر صنعت تولید، استفاده می شود.

بازار جهانی HPC برای رشد قابل پیش بینی در بقیه دهه 2020 تنظیم شده است. اطلاعات موردور تخمین می زند ارزش آن در سال 56.98 به 2023 میلیارد دلار می رسد و انتظار می رود تا سال 96.79 به 2028 میلیارد دلار برسد - CAGR 11.18 درصد در دوره پیش بینی شده.

«HPE برای مدت طولانی زیرساخت HPC را ایجاد کرده است، و اکنون یک نمونه کار HPC دارد که شامل ابررایانه‌های Exascale و پلت‌فرم‌های محاسباتی بهینه‌شده با چگالی است. آرمسترانگ-بارنز می گوید: برخی از بزرگترین خوشه های HPC بر اساس نوآوری HPE ساخته شده اند. HPE در پلتفرم‌های سخت‌افزاری با کارایی بالا تخصص بی‌نظیری دارد.

با معرفی HPE GreenLake برای مدل های زبان بزرگ در اوایل سال جاری (2023)، شرکت‌ها – از استارت‌آپ‌ها تا Fortune 500 – می‌توانند هوش مصنوعی در مقیاس بزرگ را با استفاده از یک پلت‌فرم ابررایانه‌ای پایدار که ترکیبی از نرم‌افزار هوش مصنوعی HPE و پیشرفته‌ترین ابررایانه‌ها است، آموزش دهند، تنظیم کنند و به کار گیرند.

بدیهی است که پذیرش هوش مصنوعی برای سازمان‌ها در هر اندازه چالش برانگیز است، اما این فقط به فناوری مربوط نمی‌شود، آرمسترانگ-بارنز خاطرنشان می‌کند: «به‌طور فزاینده‌ای، همه پذیرندگان هوش مصنوعی باید با مقررات و انطباق‌های هوش مصنوعی به‌روز بمانند. قوانینی مانند منشور حقوق هوش مصنوعی ایالات متحده، قانون هوش مصنوعی اتحادیه اروپا و پیشنهادهای نظارتی آتی که در کتاب سفید هوش مصنوعی دولت بریتانیا ارائه شده است - که عموماً انتظار می رود چارچوب هوش مصنوعی آماده انطباق را ارائه دهد - نمونه های دائمی این موضوع هستند.

برای کسب‌وکارهایی که در سطح بین‌المللی فعالیت می‌کنند، به نظر می‌رسد که این مانع دیگری است که در نوار قرمز پیچیده شده است، اما آرمسترانگ-بارنز پیشنهاد می‌کند که انطباق‌های مقرراتی ممکن است آنقدر که ممکن است به نظر می‌رسد سخت نباشد – با کمک کمی از یک اکوسیستم مشارکت هوش مصنوعی.

بررسی کنید که آیا شرکای اکوسیستم هوش مصنوعی شما نیز می‌توانند در رعایت قوانین به شما کمک کنند یا خیر – اگر در حال حاضر در یک محیط کسب‌وکار به شدت تنظیم‌شده هستید، احتمالاً در نیمه راه با رعایت قوانین موجود هستید.»

با حمایت HPE

• محتوای مبتنی بر SEO و توزیع روابط عمومی. امروز تقویت شوید.
• PlatoData.Network Vertical Generative Ai. به خودت قدرت بده دسترسی به اینجا.
• PlatoAiStream. هوش وب 3 دانش تقویت شده دسترسی به اینجا.
• PlatoESG. کربن ، CleanTech، انرژی، محیط، خورشیدی، مدیریت پسماند دسترسی به اینجا.
• PlatoHealth. هوش بیوتکنولوژی و آزمایشات بالینی. دسترسی به اینجا.
• منبع: https://go.theregister.com/feed/www.theregister.com/2023/10/25/putting_ai_challenges_in_perspective/