تحول هوش مصنوعی در سازمان‌ها بدون داده منظم و نیروی آماده پیش نمی‌رود

به گزارش شبکه اطلاع‌رسانی طلا و ارز، بحث آمادگی سازمان‌ها برای هوش مصنوعی از سطح انتخاب ابزار به سطح ساختار سازمان رسیده است. پرسش اصلی دیگر این نیست که کدام نرم‌افزار را باید تهیه کرد. پرسش این است که سازمان پیش از آن چه چیزی باید داشته باشد تا این ابزارها نتیجه بدهند.

این موضوع برای کسب‌وکارهای ایرانی اهمیت بیش‌تری دارد. بخش بزرگی از هزینه هوش مصنوعی، از اشتراک سرویس‌ها تا سخت‌افزار پردازشی، به ارز وابسته است. بنابراین پروژه‌ای که به نتیجه نرسد، علاوه بر زمان، بخشی از منابع ارزی شرکت را هم مصرف کرده است. برای کارکنان نیز پیام روشن است: شرح وظایف بسیاری از شغل‌ها در حال تغییر است.

داده؛ نقطه شروع

نخستین پیش‌نیاز، داده است. مدل‌های هوش مصنوعی بر پایه اطلاعات سازمان کار می‌کنند و کیفیت خروجی‌شان به کیفیت همین اطلاعات بستگی دارد. اگر اطلاعات مشتریان در چند فایل پراکنده و ناهمخوان ثبت شده باشد، پاسخ مدل هم به همان اندازه نامطمئن خواهد بود. به همین دلیل، پاک‌سازی و یکپارچه‌سازی داده در بسیاری از طرح‌های تحول دیجیتال گام نخست به شمار می‌رود.

پیش‌نیاز دوم، زیرساخت فنی است. اجرای مدل‌ها به توان پردازشی بالا نیاز دارد. این توان یا با سرورهای داخلی تأمین می‌شود یا با سرویس‌های ابری، یعنی اجاره ظرفیت پردازش از شرکت‌های ارائه‌دهنده. گزینه نخست سرمایه اولیه سنگینی می‌خواهد و گزینه دوم هزینه‌ای مستمر دارد که با نوسان نرخ ارز تغییر می‌کند.

انسان در کنار ابزار

سومین شرط، نیروی انسانی است. سازمانی که کارکنانش شیوه کار با این ابزارها را نمی‌شناسند، از ظرفیت آن‌ها بهره نمی‌برد. آموزش در این مرحله فقط به تیم فنی محدود نیست. کارمند حسابداری یا پشتیبانی نیز باید بداند خروجی مدل را چگونه بررسی کند و در چه مواردی به آن اتکا نکند.

حلقه آخر، مدیریت و فرهنگ سازمانی است. هوش مصنوعی زمانی اثر می‌گذارد که فرایندهای کاری متناسب با آن از نو طراحی شود. افزودن یک ابزار هوشمند به روال قدیمی، اغلب فقط یک مرحله تازه به همان روال اضافه می‌کند. تعیین قاعده برای حفاظت از داده‌ها و روشن‌کردن مسئولیت تصمیم‌های خودکار نیز بخشی از همین آمادگی است.

پیامد برای استارتاپ‌ها و شرکت‌ها

برای استارتاپ‌ها، این پیش‌نیازها هم مانع است و هم فرصت. شرکت‌های کوچک‌تر ساختار سبک‌تری دارند و تغییر فرایند برایشان آسان‌تر است. در مقابل، سازمان‌های بزرگ داده بیش‌تری در اختیار دارند اما با لایه‌های اداری و سامانه‌های قدیمی روبه‌رو هستند. محتمل‌ترین سناریو آن است که فاصله میان سازمان‌های آماده و ناآماده در سال‌های پیش رو بیش‌تر شود.

از نگاه مالی، معیار سنجش این تحول بازده سرمایه است؛ یعنی صرفه‌جویی یا درآمدی که در برابر هر واحد هزینه به دست می‌آید. سازمانی که پیش از سرمایه‌گذاری، وضعیت داده، زیرساخت و نیروی خود را ارزیابی کند، تصویر دقیق‌تری از این بازده خواهد داشت.