تعجب‌آور نیست که چرا هوش مصنوعی یکی از عناصر اصلی در فضای تکنولوژی‌های مدرن است. از یادگیری ماشین گرفته تا گجت‌های پوشیدنی هوشمند و رباتیک، هوش مصنوعی یک ضرورت فزاینده برای کسب و‌کارهایی است که می‌خواهند در بلند مدت نسبت به رقبایشان مزیت رقابتی داشته باشند. با این وجود چندیل دلیل عمده وجود دارد که باعث شده‌است مشاغل در اجرای استراتژی‌های هوش مصنوعی کوتاهی کنند.
اطلاعات مقاله منتشر شده در Eweek توسط دکتر چارلا گریفی-براون، استاد سیستم‌های اطلاعاتی و مدیریت فناوری و رئیس دانشیار برنامه‌های اجرایی و پاره وقت در دانشکده بازرگانی Graziadio در دانشگاه Pepperdine ارائه شده‌است. در این مقاله او پنج دلیل اصلی که باعث می‌شوند استراتژی‌های هوش مصنوعی شکست بخورند را بیان کرده‌است و راه حل‌هایی برای کسب و کارها با هدف جلوگیری از این مشکلات ارائه داده‌است.
نکته شماره 1: عملکرد فنی
اقدامات اولیه بر روی راه حل‌های هوش مصنوعی معمولاً شامل زیر مجموعه‌های کوچکی از داده‌ها است که به منابع محاسباتی کمتری نیاز دارند. وقتی هوش مصنوعی به سیستم‌های تولید بزرگ‌تر گسترش می‌یابد، عملکرد سیستم می‌تواند به طور تصاعدی تحت تأثیر قرار بگیرد. عدم توجه کافی به عملکرد متناسب با مقیاس‌پذیری سیستم، باعث به وجودآمدن سیستم‌های هوش مصنوعی می‌شود که در حین آزمایش به خوبی کار می‌کنند اما در هنگام پیاده‌سازی در کسب و کار به سرعت غیر قابل استفاده می‌شوند.
راه حل: کسب و کارها باید در محاسبه الزامات برای مقیاس‌پذیری دقیق باشند و آزمایش تا جایی که ممکن است در محیطی نزدیک به محل اجرا انجام شود.
نکته شماره 2 : صحت و حجم داده
تصمیمات مربوط به معماری داده، مسائل اساسی را به وجود می‌آورد. یک پایگاه داده اشتباه می‌تواند به راحتی یک سیستم آزمایشی هوش مصنوعی مقیاس‌بندی شده را غیرقابل استفاده کند. علاوه بر این، با پاک کردن داده‌ها و مشکلات آماده‌سازی، این مشکل‌ها شدت می‌یابند. به عنوان مثال، مداخلات دستی توسط انسان ممکن است در تهیه داده‌های آزمایش موثر باشد، اما به طور معمول قابل مقیاس‌پذیری نیست.
راه حل: تصمیمات مربوط به معماری داده‌ها را نه فقط بر اساس رشد، بلکه بر اساس درک فرآیندهای مورد نیاز برای آموزش داده‌ها در ساخت سیستم هوش مصنوعی اتخاذ کنید.
نکته شماره 3: فرایندهای تجاری و افراد
یکی از بزرگترین چالش‌های پیش روی اجرای فناوری‌های جدید، انسان است و قدرت پیاده‌سازی هوش مصنوعی به قدرت آموزش و پشتیبانی افراد اجراکننده‌ی آن بستگی دارد. راه حل‌های هوش مصنوعی همچنین باید مکانیزمی برای اطمینان از آمادگی کامل کانال‌های ارتباط با مشتری در مقابل واکنش‌های مشتری، داشته باشند. به عنوان مثال، اگر ربات‌های چت به درستی کار نکنند باعث افزایش موقت تماس‌های تلفنی خواهند شد یا اگر سرویس پاسخگویی تلفنی مشکل مشتریان را حل نکند می‌تواند باعث افزایش شدید تعداد ایمیل‌ها شود.
راه حل: درک اینکه هوش مصنوعی به کار انسان نیاز دارد، برای تفکر درمورد توسعه هوش مصنوعی اساسی است. پیش از اقدام به ساخت سیستم هوش مصنوعی، مشاغل باید استراتژی‌هایی را برای حل سریع چالش‌ها، از جمله ملاحظاتی در مورد تأثیر سیستم هوش مصنوعی بر کارکنان انسانی و مشتریان اجرا کنند.
نکته شماره 4: رفتارهای غیرمنتظره
پشتیبانی از موضوعات تجاری که در آزمایش‌ها نشان داده نشده‌اند، باعث ایجاد چالش در مقیاس‌پذیری سیستم می‌شود. مقیاس‌پذیری هوش مصنوعی به سیستم‌های تولیدی که شرایطی را که در طرح‌ها یا نقشه‌ها نیستند را پشتیبانی کنند، نیاز دارد. با گذشت زمان ممکن است چالش‌های جدیدی به دلیل تغییراتی در خود سیستم هوش مصنوعی، بوجود آید. یادگیری ماشین طوری طراحی شده‌است که در طول زمان خود را بهبود دهد و معمولاً این امر باعث بهبود دقت یک الگوریتم می‌شود. همچنین این پیشرفت می‌تواند منجر به افشاگری‌های دیگری مانند شناسایی الگوهای جدید در رفتار مشتری یا کلاهبرداری شود.
راه حل: بخش مهمی از مقیاس‌پذیری هوش مصنوعی به معنای توسعه و کار در انواع سناریوهای فرضی است. مشاغل باید موارد احتمالی فنی و عملیاتی را در نظر بگیرند. به طور مثال باید از خود بپرسند که چگونه “یک راه‌حل هوش مصنوعی” را به طور موقت و با حداقل اختلال متوقف کنند.
نکته شماره 5: امنیت و حاکمیت داده‌ها
یکی از مهمترین مشکلات در مقیاس‌گذاری هوش مصنوعی هنگام ساخت، مفاهیم امنیتی است. هنگام استفاده از هوش مصنوعی باید خطر سایبری را در همه جهات مورد توجه قرار داد. هوش مصنوعی آسیب‌پذیری‌ها و خطرات جدیدی را در راه حل‌های امنیت سایبری نشان می‌دهد.
راه حل: قبل از استفاده از هوش مصنوعی، شرکت‌ها باید یک رویکرد مبتنی بر ریسک را برای پیاده‌سازی، شناسایی و تقویت نقاط ضعف ایجاد کنند. همچنین شرکت‌ها می‌توانند برای شناسایی پیش از موعد نقاط آسیب پذیر، با یک شخص ثالث برای آزمایش امنیت سایبری همکاری کنند.
