هوش مصنوعی چه آینده ای را برای IT سازمانی به ارمغان خواهد آورد؟

هوش مصنوعی را به عنوان ابزاری مفید برای کمک به شرکت در برداشتن گام‌های کوچک رو به جلو در نظر بگیرید، نه چیزی که جایگزین افراد شود.

اگر شرکتی هستید که به دنبال راه‌هایی برای عبور از یک رکود اقتصادی قوی‌تر و در عین حال شکست دادن رقبا در این فرآیند هستید، منبع باز پاسخگو نیست. ابر هم نیست. درست است که هر دو می توانند مفید باشند. هر دو مؤلفه هایی هستند که چگونه شرکت ها باید رویکردهای سنتی خود را در مورد فناوری اطلاعات تجدید نظر کنند. اما هیچ‌کدام از این‌ها کار زیادی برای متمایز کردن شما انجام نمی‌دهند.

چرا؟ زیرا همه افراد در حال حاضر از منبع باز و ابر نیز استفاده می کنند. زمانی بود که اولین کسی بود که از اقتصاد پروژه های منبع باز مانند لینوکس یا MySQL استقبال کرد، می توانست یک شرکت را متمایز کند، اما دیگر نه. پذیرش سازمانی ابر هنوز نوپا است (تقریباً ۱۰٪ از کل هزینه های فناوری اطلاعات در سال ۲۰۲۲، طبق تخمین های گارتنر)، اما پذیرش با چنان سرعتی پیش می رود که احتمالاً نمی توانید تجربه مشتری خود را تنها از طریق ابر متمایز کنید. چه چیزی شما را متمایز می کند؟

یادگیری ماشین (ML) و هوش مصنوعی (AI). اما شاید اینطور نباشد که شما فکر می کنید.

تفکر تدریجی در مورد هوش مصنوعی

این یکی از آن مقالاتی نیست که AI/ML را به عنوان یک داروی بد تعریف شده تبلیغ می کند. بله، هوش مصنوعی و ML ابزاری بوده اند در توسعه داروهای قوی برای مبارزه با کووید-۱۹، و حتی می‌توانند روزی به یافتن درمانی برای سرطان کمک کنند. اما هیچ کود AI/ML جادویی وجود ندارد که روی پروژه‌های در حال مرگ فناوری اطلاعات بریزید و آنها به شکلی جادویی شکوفا شوند. شرکت‌هایی مانند گوگل یا اوبر پیشتاز AI/ML بوده‌اند، اما اجازه دهید با آن روبرو شویم: شما استعداد مهندسی آنها را ندارید.

حتی این شرکت‌ها از رکود استفاده می‌کنند تا زمان کمتری را برای عکس‌برداری از ماه و زمان بیشتری را برای پیشرفت‌های تدریجی صرف کنند، همانطور که مقاله اخیر در وال استریت ژورنال (“تکنولوژی بزرگ انجام کارهای احمقانه را متوقف می کند“) فرا می خواند: بخش فناوری “که دارد مدت‌هاست که برای ایجاد اختلال کار می‌کردیم، اکنون بر تقویت آنچه که از قبل وجود دارد تمرکز می‌کنیم.» این مقاله خاطرنشان می‌کند که به جای اختراع مجدد چرخ‌ها، «بهترین سرمایه‌گذاری‌های فناوری در سال ۲۰۲۳ ممکن است شرکت‌ها راضی باشند که سکه‌های خود را برای روغن کاری [چرخ] خرج کنند.»

یکی از راه‌های بزرگی که شرکت‌ها این کار را انجام می‌دهند، با AI/ML است، اما نه با ماشین‌های پرنده gee-whiz. AI/ML به روش های بسیار بیشتری برای پیاده (و مفید) استفاده می شود.

Zillow سال‌ها تلاش کرد تا از مدل‌های AI/ML استفاده کند تا بتواند خانه‌های بزرگی را پیش ببرد. با این حال، در اواخر سال ۲۰۲۱، شرکت خروج کرد آن کسب و کار، با استناد به عدم توانایی در پیش بینی قیمت ها با وجود مدل های پیچیده. در عوض، Zillow عملگرا شده است و از AI/ML برای کمک به اجاره‌کنندگان بالقوه برای دیدن فهرست‌هایی که در شهر قدم می‌زنند استفاده می‌کند و صاحبخانه‌ها را قادر می‌سازد تا از روی عکس‌های آن آپارتمان‌ها نقشه‌های طبقاتی بسازند. بسیار جذاب تر از یک تجارت میلیارد دلاری و برای مشتریان مفیدتر است.

Google به نوبه خود، به خرده فروشان امکان ردیابی موجودی فروشگاه را با تجزیه و تحلیل ارائه کرده است. داده های ویدیویی گوگل مدل های خود را بر روی مجموعه داده ای از بیش از یک میلیارد تصویر محصول آموزش داده است. می‌تواند داده‌های تصویر را تشخیص دهد، چه از یک تلفن همراه یا یک دوربین در فروشگاه آمده باشد. اگر آن طور که تبلیغ می شود کار کند، برای خرده فروشانی که به طور سنتی برای دستیابی به موجودی مشکل داشتند، یک امتیاز قابل توجه خواهد بود. استفاده جذاب از AI/ML نیست، اما برای مشتریان خرده‌فروش مفید است.

مایکروسافت، پیشرو در AI/ML، به تازگی با گزارش کرده است که قصد دارد عملکردهای GPT را به برنامه های بهره وری خود، مانند Word یا Outlook، ارائه دهد. مایکروسافت منابع لازم برای شرط بندی بزرگ بر روی تغییر عکس ماه آفیس را دارد که شاید آن را کاملاً صدادار کند. در عوض، احتمالاً به آفیس یک ارتقای جدی Clippy با یک نوع رویکرد GitHub Copilot می دهد. یعنی، GPT ممکن است برخی از کارهای سنگین غیرمتمایز نوشتن اسناد یا صفحات گسترده را به عهده بگیرد. کمتر جذاب، مفیدتر.

انتخاب عدم موفقیت با هوش مصنوعی

رویکرد افزایشی هوشمندانه‌ترین راه برای ساخت با AI/ML است. به عنوان قهرمان بدون سرور AWS بن کهو استدلال می کند ، “زمانی که مردم تصور می کنند هوش مصنوعی … را در توسعه نرم افزار (یا هر فرآیند دیگری) ادغام می کنند، بیش از حد خوش بین هستند.” او تاکید می‌کند که یک شکست کلیدی، باور به پتانسیل هوش مصنوعی/ML برای فکر کردن بدون توانایی متناسب برای اعتماد کامل به نتایج آن است: «بسیاری از برداشت‌های هوش مصنوعی که من می‌بینم ادعا می‌کنند که هوش مصنوعی می‌تواند تمام مسئولیت را بر عهده بگیرد. /em> برای یک وظیفه معین برای یک شخص، و به طور ضمنی فرض کنید که مسئولیت فرد در قبال آن کار به نوعی … تبخیر می شود؟”