يدرك معظمنا الآن أنه في عصرنا الحالي ، ليس للذكاء الاصطناعي (AI) ومجموعة فرعية من التعلم الآلي (ML) علاقة تذكر بالذكاء البشري. يدور الذكاء الاصطناعي / تعلم الآلة حول التعرف على الأنماط في البيانات وأتمتة المهام المنفصلة ، من الخوارزميات التي تحدد المعاملات المالية الاحتيالية إلى روبوتات الدردشة التي تجيب على أسئلة العملاء. وتخيل ماذا؟ يقدّر قادة تكنولوجيا المعلومات الإمكانات الهائلة.
وفقًا لاستطلاع CIO Tech لقادة تكنولوجيا المعلومات الذي نُشر في فبراير ، اعتُبر AI / ML أكثر التقنيات اضطرابًا من قبل 62 بالمائة من المستجيبين والتكنولوجيا ذات التأثير الأكبر بنسبة 42 بالمائة – في كلتا الحالتين ضعف النسبة المئوية لأقرب منافس AI / ML ، تحليلات البيانات الضخمة. 18٪ لديهم بالفعل حل AI / ML في الإنتاج.
طرح استطلاع تأثير الأعمال الوبائي الذي أجري في شهر يوليو / تموز على CIO سؤالاً أكثر إثارة: “ما مدى احتمال قيام شركتك بزيادة النظر في الذكاء الاصطناعي / تعلم الآلة كوسيلة لتسوية أو تقليل تكاليف رأس المال البشري؟” ما يقرب من النصف ، 48 في المائة ، كانوا إما أن يفعلوا ذلك بشدة أو من المرجح إلى حد ما. المعنى الضمني هو أنه مع تعمق الانكماش الاقتصادي ، قد يزداد الطلب على حلول الذكاء الاصطناعي / تعلم الآلة.
حان الوقت الآن للحصول على استراتيجية الذكاء الاصطناعي / التعلم الآلي الخاصة بك. ولهذه الغاية ، قام رئيس قسم المعلومات ، و Computerworld ، و CSO ، و InfoWorld ، و Network World بإنتاج خمس مقالات تشرح المشكلات وتقدم توصيات ذات مغزى.
المؤسسة الذكية
على الرغم من أن الذكاء الاصطناعي / التعلم الآلي سوف يحل محل بعض الوظائف بلا شك ، فإن مقالة عالم الكمبيوتر لماثيو فينيجان ، “الذكاء الاصطناعي في العمل: زميلك التالي في العمل يمكن أن يكون خوارزمية” ، يركز على المواقف التي تتعاون فيها أنظمة الذكاء الاصطناعي مع الأشخاص لزيادة إنتاجيتهم. من أكثر الأمثلة إثارة للاهتمام “cobots” ، التي تعمل جنبًا إلى جنب مع العمال في أرض المصنع لتعزيز القدرة البشرية.
لكن الحلول الفعالة للذكاء الاصطناعي / تعلم الآلة تأتي بأشكال عديدة ، كما يروي كلينت بولتون رئيس قسم المعلومات مع مجموعة جديدة من دراسات الحالة ، “5 قصص نجاح للتعلم الآلي: نظرة من الداخل”. يقرأ مثل أعظم نتائج تطبيقات ML: التحليلات التنبؤية لتوقع نتائج علاج الرعاية الصحية ، وتحليل البيانات المكثف لتخصيص توصيات المنتج ، وتحليل الصور لتحسين غلة المحاصيل. نمط واحد واضح: بمجرد أن ترى المؤسسة نجاح ML في منطقة واحدة ، يتم تطبيق تقنية ML مماثلة بشكل متكرر في مناطق أخرى.
يسلط المساهم Neil Weinberg الضوء على الاستخدام العملي للغاية للذكاء الاصطناعي / تعلم الآلة مع فائدة مباشرة لتقنية المعلومات في “كيف يمكن للذكاء الاصطناعي إنشاء مراكز بيانات ذاتية القيادة”. وفقًا لـ Weinberg ، يمكن لـ AI / ML التعامل مع إدارة الطاقة والمعدات وأعباء العمل ، والتحسين المستمر أثناء التنقل – وفي حالة الأجهزة ، توقع الفشل – دون تدخل بشري. يستفيد أمان مركز البيانات أيضًا من قدرة الذكاء الاصطناعي / تعلم الآلة ، سواء في تنبيه المسؤولين إلى الحالات الشاذة أو في تحديد نقاط الضعف ومعالجتها.
يبدأ ML بجميع أشكاله عادةً بإيجاد أنماط بكميات كبيرة من البيانات. ولكن في كثير من الحالات ، قد تكون هذه البيانات حساسة ، كما ذكرت ماريا كورلوف ، إحدى المساهمين في منظمات المجتمع المدني ، في تقرير “ما مدى أمان مشروعات الذكاء الاصطناعي والتعلم الآلي؟” يلاحظ كورلوف أن أمن البيانات يمكن أن يكون في كثير من الأحيان فكرة لاحقة ، مما يجعل بعض أنظمة تعلم الآلة عرضة لخروقات البيانات. الجواب هو وضع سياسات أمنية واضحة منذ البداية – وفي المؤسسات الأكبر ، لتكريس مسؤول تنفيذي واحد لإدارة المخاطر المتعلقة بالذكاء الاصطناعي.
إذن ، أين يجب أن تبني حل الذكاء الاصطناعي / تعلم الآلة؟ يقدم مقدمو الخدمات السحابية العامة خيارات جذابة للغاية ، ولكن عليك أن تختار بعناية ، كما يقول Martin Heller ، محرر مساهم لـ InfoWorld. في “كيفية اختيار نظام أساسي للتعلم الآلي على السحابة” ، يحدد هيلر 12 قدرة يجب أن تمتلكها كل منصة تعلم آلي سحابية ولماذا تحتاج إليها. مع انتقال الكثير من أعباء عمل تحليلات البيانات إلى السحابة ، فمن المنطقي إضافة ML للحصول على قيمة أكبر – ولكن الأهم من ذلك ، يجب التأكد من أنه يمكنك الاستفادة من أفضل أطر عمل ML والاستفادة من النماذج المدربة مسبقًا.
ما زلنا على بعد أجيال من أي مكافئ للذكاء الاصطناعي للذكاء البشري. في غضون ذلك ، سيتسلل الذكاء الاصطناعي / التعلم الآلي بشكل تدريجي إلى كل نوع من التطبيقات تقريبًا ، مما يقلل من الكدح ويقدم إمكانات غير مسبوقة. لا عجب أن يعتقد قادة تكنولوجيا المعلومات أنه سيكون له التأثير الأكبر.
حقوق النشر © 2020 IDG Communications، Inc.
