هوش مصنوعی در سال‌های اخیر پیشرفت‌های چشمگیری داشته است، به‌طوری‌که مدل‌های پایه‌ای جدید از آن ُ نظیر هوش مصنوعی مولد تقریباً هر دو و نیم روز معرفی می‌شوند. با این حال، علی‌رغم این نوآوری‌های سریع، تقریباً نیمی از مدیران ارشد فناوری اطلاعات (CIOها) گزارش می‌دهند که هوش مصنوعی نتوانسته است انتظارات بازگشت سرمایه (ROI) را برآورده کند. این تناقض چالشی منحصربه‌فرد برای سازمان‌ها ایجاد می‌کند: یافتن تعادل میان هیاهو و پتانسیل‌های هوش مصنوعی و واقعیت دستیابی به نتایج ملموس.
این چالش در کنار فوریت موضوع، اهمیت بیشتری پیدا می‌کند، چرا که ۷۴٪ از مدیران عامل (CEOها) باور دارند که هوش مصنوعی تأثیر قابل‌توجهی بر صنایع آن‌ها در سال ۲۰۲۴ خواهد داشت، در حالی که این رقم در سال ۲۰۲۳ تنها ۵۹٪ بود. بدیهی است که درک و اجرای استراتژی‌های هوش مصنوعی از هر زمان دیگری حیاتی‌تر شده است.
چارچوب لایه‌ای AI: راه‌حلی برای مقیاس‌پذیری هوش مصنوعی
همان‌طور که در سخنرانی کلیدی سمپوزیوم IT گارتنر ۲۰۲۴ مطرح شد، چشم‌انداز هوش مصنوعی ماهیتی دوگانه دارد. با پیشرفت سریع فناوری‌های هوش مصنوعی، سازمان‌هایی که به دنبال مقیاس‌پذیری در این حوزه هستند، باید تصمیم بگیرند که رویکردی پایدار (AI-steady) یا شتاب‌یافته (AI-accelerated) را اتخاذ کنند، بر اساس سرعت و جاه‌طلبی‌هایشان.
این چارچوب لایه‌ای به سازمان‌ها کمک می‌کند تا قبل از ورود به فازهای عملیاتی، موجودی دقیقی از ظرفیت‌ها، داده‌ها و اهداف خود تهیه کنند. درک این لایه‌ها و تصمیم‌گیری درباره سرعت و جهت حرکت، گامی کلیدی برای دستیابی به نتایج واقعی و ارزش‌افزوده از هوش مصنوعی است.
تحول پایدار با رویکرد استراتژیک
تحول پایدار با رویکرد استراتژیک به معنای ایجاد تغییراتی مداوم و اثربخش در سازمان‌ها با بهره‌گیری از برنامه‌ریزی هدفمند و هماهنگ است، به شکلی که نتایج آن در بلندمدت قابل حفظ باشد. همان‌طور که مایکل پورتر، پدر استراتژی مدرن، بیان می‌کند: "استراتژی یعنی ایجاد تناسب پایدار میان اهداف و اقدامات."
سازمان‌ها باید با شفاف‌سازی نیازها، منابع و اهداف خود، گام‌هایشان را در مسیر تحول هوش مصنوعی هماهنگ کنند. در این میان، سؤال کلیدی این است: آیا سرعت شتابدهی مناسب است یا اولویت با ثبات و پایداری است؟ پاسخ به این سؤال به جایگاه، ظرفیت و چشم‌انداز هر سازمان بستگی دارد. چارچوب لایه‌ای هوش مصنوعی، با ساختاردهی فرآیند تحول، به سازمان‌ها کمک می‌کند تا استراتژی‌های خود را به شکلی اثربخش از تئوری به عمل تبدیل کنند.
برای مقیاس‌دهی هوش مصنوعی: رقابت در دو مسیر همزمان
برای مقیاس‌دهی هوش مصنوعی و پذیرش گسترده‌تر آن در سازمان، شناخت جاه‌طلبی‌ها و اهداف ضروری است. سازمان‌ها باید بدانند که در دو مسیر متفاوت رقابت می‌کنند:
- رقابت عرضه‌کنندگان فناوری (Tech Vendor Race):
در این رقابت، نوآوری‌های عرضه‌کنندگان فناوری با سرعتی بی‌سابقه پیش می‌رود و مدل‌های هوش مصنوعی جدید هر چند روز یک‌بار معرفی می‌شوند. آگاهی از این روندها به سازمان‌ها کمک می‌کند تا از ظرفیت‌های موجود در بازار به شکلی مؤثر بهره‌برداری کنند. - رقابت تحقق نتایج AI (AI Outcomes Race):
این رقابت بر دستیابی به نتایج واقعی از هوش مصنوعی متمرکز است. هدف اصلی این مسیر، مقیاس‌دهی ایمن و اثربخش هوش مصنوعی به گونه‌ای است که ارزش ملموسی برای کسب‌وکار ایجاد شود.
موفقیت در این دو مسیر نیازمند هماهنگی دقیق بین جاه‌طلبی‌های سازمان و اقدامات عملیاتی آن است. با بهره‌گیری از رویکرد استراتژیک، سازمان‌ها می‌توانند جایگاه خود را در این رقابت تثبیت کرده و تحولی پایدار را رقم بزنند.
رقابت عرضه‌کنندگان فناوری (Tech Vendor Race):
این رقابت توسط نوآوری بی‌وقفه عرضه‌کنندگان فناوری هدایت می‌شود. در این مسیر، مدل‌های جدید هوش مصنوعی هر چند روز یک بار عرضه می‌شوند. هدف اصلی این رقابت، پیشبرد مرزهای فناوری و ارائه ابزارهایی است که می‌توانند توانمندی‌های جدیدی را به سازمان‌ها ارائه دهند. این روند سریع تحولات، فضای رقابتی شدیدی ایجاد کرده که آگاهی از آن برای سازمان‌ها ضروری است.
چگونه در هر دو رقابت موفق شویم؟
- درک چشم‌انداز AI: ابتدا مشخص کنید که سازمان شما در کدام مرحله از تحول AI قرار دارد و چه نتایجی را دنبال می‌کند. آیا تمرکز شما بر نوآوری است یا بر ایجاد ارزش‌های واقعی از هوش مصنوعی؟
- همکاری با عرضه‌کنندگان فناوری: از آخرین پیشرفت‌های عرضه‌کنندگان فناوری آگاه باشید و راه‌هایی برای بهره‌گیری از آن‌ها متناسب با اهداف سازمان بیابید.
- تمرکز بر مقیاس‌دهی ایمن: مقیاس‌دهی هوش مصنوعی باید با توجه به ظرفیت‌های سازمان و به شکلی ایمن انجام شود، تا نه تنها نتایج کوتاه‌مدت بلکه دستاوردهای بلندمدت نیز تضمین شوند.
شتابدهی به تحول در هوش مصنوعی چطورو چگونه؟ مسیرهای پایدار و شتاب‌یافته برای سازمان‌ها
سازمان‌ها باید با توجه به اهداف و موقعیت خود، یکی از دو رویکرد "سرعت پایدار AI" یا "سرعت شتاب‌یافته AI" را در پیش بگیرند. انتخاب این مسیرها، بر اساس جاه‌طلبی‌های هوش مصنوعی و تأثیر این فناوری بر صنعت آن‌ها تعیین می‌شود.
1. سرعت پایدار در هوش مصنوعی (AI-Steady Pace)
این رویکرد برای سازمان‌هایی مناسب است که جاه‌طلبی‌های هوش مصنوعی کمتری دارند یا در صنایعی فعالیت می‌کنند که هنوز تحت تأثیر عمده هوش مصنوعی قرار نگرفته‌اند. در این مسیر، سازمان‌ها با پذیرش تدریجی فناوری‌های AI، تغییرات را به شکلی مدیریت‌شده اعمال می‌کنند.
عناصر کلیدی این رویکرد:
- تمرکز بر بهره‌وری کارکنان:
افزایش بهره‌وری کارکنان از طریق ادغام ابزارهای هوش مصنوعی در جریان کار روزانه، چالش‌برانگیز است. آموزش و آگاهی‌بخشی برای استفاده مؤثر از این ابزارها ضروری است. - مدیریت هزینه‌های هوش مصنوعی:
سرمایه‌گذاری در هوش مصنوعی می‌تواند هزینه‌بر باشد. سازمان‌ها باید با دقت هزینه‌ها را رصد کنند و مشابه مدیریت هزینه‌های ابری، نظارت دقیقی بر هزینه‌های AI داشته باشند. - ساخت ساندویچ فناوری (Tech Sandwich):
این چارچوب ترکیبی از داده‌ها و هوش مصنوعی متمرکز (مدیریت‌شده توسط IT) در لایه پایینی و داده‌ها و هوش مصنوعی پراکنده (از واحدهای تجاری، تیم‌های علمی داده و مهندسی) در لایه بالایی است. این ساختار امکان هماهنگی بین منابع مختلف را فراهم می‌کند. - حکمرانی هوش مصنوعی و اعتماد:
ایجاد تیم مسئول هوش مصنوعی، کمیته مرکزی و جوامع تخصصی برای اطمینان از حکمرانی و ایمنی هوش مصنوعی حیاتی است. - مدیریت تغییرات:
سازمان‌ها باید استراتژی‌هایی برای پاسخ به واکنش‌های کارکنان نسبت به هوش مصنوعی، از جمله نگرانی‌ها و مقاومت‌ها، تدوین کنند.
2. سرعت شتاب‌یافته در هوش مصنوعی (AI-Accelerated Pace)
این رویکرد برای سازمان‌هایی مناسب است که اهداف بلندپروازانه هوش مصنوعی دارند یا در صنایعی فعالیت می‌کنند که هوش مصنوعی نقش کلیدی در تحول آن‌ها ایفا می‌کند. این مسیر نیازمند پذیرش تهاجمی‌تر فناوری‌های AI است.
عناصر کلیدی این رویکرد:
- فراتر از بهره‌وری:
بهبود فرآیندها، نوآوری در مدل‌های کسب‌وکار و ایجاد جریان‌های جدید درآمد، از اهداف اصلی این رویکرد هستند. - نظارت بلادرنگ بر هزینه‌ها:
استفاده از ابزارهای نظارتی در زمان واقعی برای مدیریت هزینه‌های هوش مصنوعی، به جلوگیری از هزینه‌های غیرمنتظره کمک می‌کند. - ساخت ساندویچ فناوری سفارشی:
این رویکرد شامل ترکیب هوش مصنوعی داخلی، استفاده از AI تعبیه‌شده در ابزارها و مدیریت داده‌های پراکنده است.
برای آشنایی با مفاهیم زیر ابتدا سند ترجمه شده اینجانب در خصوص ده استراتژی برتر حوزه فناوری در سال 2024 سندی ارزشمند از شرکت گارتنر را مطالعه بفرمایید و سپس مطالب زیر را مطالعه بفرمایید.
- فناوری‌های TRiSM:
مدیریت اعتماد، ریسک و امنیت (TRiSM) به صورت برنامه‌ریزی‌شده و بلادرنگ، ایمنی هوش مصنوعی را در مقیاس تضمین می‌کند. این فناوری‌ها از حاکمیت انسانی فراتر رفته و سیاست‌های AI را خودکارسازی می‌کنند. - مدیریت تأثیرات رفتاری:
سازمان‌ها باید به احساساتی مانند اضطراب و حسادت در کارکنان پاسخ دهند و آن‌ها را با تغییرات مبتنی بر AI همراه کنند.
3. مقیاس‌دهی برای دستیابی به نتایج هوش مصنوعی (Scaling AI to Achieve AI Outcomes)
صرف‌نظر از سرعت انتخاب‌شده، دستیابی به نتایج ملموس AI مستلزم تمرکز بر سه حوزه اصلی است:
- نتایج کسب‌وکار:
هوش مصنوعی باید مزایای تجاری قابل‌اندازه‌گیری مانند افزایش بهره‌وری، بهبود فرآیندها و نوآوری در مدل‌های کسب‌وکار ایجاد کند. - نتایج فناوری:
محیط فناوری سازمان باید برای مدیریت داده‌های ساختاریافته و غیرساختاریافته آماده باشد. تنظیم دقیق دسترسی به داده‌ها برای جلوگیری از مسائل امنیتی حیاتی است. - نتایج رفتاری:
تأثیرات احساسی و رفتاری AI بر کارکنان باید مدیریت شود. درگیر کردن کارکنان در مسیر هوش مصنوعی و پاسخ به واکنش‌های آن‌ها، کلید موفقیت در پذیرش این فناوری است.
این چارچوب به سازمان‌ها کمک می‌کند تا صرف‌نظر از سرعت و رویکرد، از هوش مصنوعی به‌عنوان ابزاری استراتژیک برای ایجاد تحول پایدار استفاده کنند.
مقیاس‌دهی هوش مصنوعی: گامی کلیدی در تحول دیجیتال سازمان‌ها
مقیاس‌دهی هوش مصنوعی چیست؟
مقیاس‌دهی هوش مصنوعی و به طور خاص هوش مصنوعی مولد به معنای گسترش استفاده از این فناوری در سراسر سازمان است. این فرآیند شامل گام‌های زیر است:
- اولویت‌بندی مستمر کاربردها: شناسایی و تمرکز بر موارد استفاده‌ای که بیشترین تأثیر را دارند.
- تصمیم‌گیری بین ساخت یا خرید: ایجاد یک چارچوب برای انتخاب بین توسعه داخلی یا استفاده از ابزارهای آماده.
- اجرای پایلوت برای سنجش مقیاس‌پذیری: آزمایش موارد استفاده با هدف ارزیابی امکان گسترش آن‌ها در سطح سازمان.
- تمرکز بر مسئولیت‌پذیری هوش مصنوعی: ایجاد سیستم‌های حاکمیتی و اخلاقی برای استفاده ایمن و شفاف از AI.
- سرمایه‌گذاری در سواد داده و هوش مصنوعی: توانمندسازی کارکنان برای درک و استفاده بهینه از فناوری‌های هوش مصنوعی.
این گام‌ها به مدیران ارشد فناوری اطلاعات (CIOها) کمک می‌کند تا استراتژی و اجرای موفقیت‌آمیز هوش مصنوعی را در سازمان خود تقویت کنند.
چگونه یک مدل هوش مصنوعی را مقیاس‌دهی کنیم؟
برای مقیاس‌دهی موفق یک مدل هوش مصنوعی، طراحی یک معماری پلتفرم ترکیبی و منعطف (Composable Platform Architecture) ضروری است. مراحل کلیدی برای دستیابی به این هدف شامل موارد زیر است:
- پذیرش ترکیب‌پذیری در معماری:
- مدل‌ها را از ابزارهای مهندسی، زیرساخت‌ها و لایه تجربه کاربری (UX) جدا کنید تا انعطاف‌پذیری و سازگاری بیشتری ایجاد شود.
- تعیین مدل مناسب برای موارد استفاده:
- بر اساس عملکرد مدل، هزینه‌های مالکیت، و اصول امنیت و حریم خصوصی، مدل‌های متناسب با نیازهای خاص سازمان را انتخاب کنید.
- سرمایه‌گذاری در ابزارهای مهندسی هوش مصنوعی:
- از ابزارهایی استفاده کنید که نسبت به مدل‌های زیربنایی بی‌طرف هستند اما به‌خوبی با آن‌ها یکپارچه می‌شوند. این ابزارها امکان بهینه‌سازی فرآیندها و مدیریت آسان‌تر را فراهم می‌کنند.
- اجتناب از هزینه‌های زیرساختی بالا:
- مگر اینکه دلایل تجاری واضحی وجود داشته باشد، از ساخت زیرساخت‌های گران‌قیمت یا سفارشی‌سازی پرهزینه مدل‌ها در مراحل ابتدایی پرهیز کنید.
ساندویچ فناوری هوش مصنوعی: پیوندی میان مقیاس‌دهی و اجرای عملیاتی
ساختار لایه‌ای: چارچوبی برای مقیاس‌دهی و اجرای هوش مصنوعی
ساندویچ فناوری هوش مصنوعی نه تنها به عنوان یک چارچوب برای توسعه و اجرای هوش مصنوعی عمل می‌کند، بلکه نقش کلیدی در مقیاس‌دهی AI در سازمان دارد. این چارچوب با ادغام اصول مقیاس‌دهی، از جمله تمرکز بر اولویت‌بندی موارد استفاده، مدیریت ریسک، و ساخت زیرساخت‌های ترکیب‌پذیر، به سازمان‌ها امکان می‌دهد که هوش مصنوعی را به شکلی پایدار و مؤثر توسعه دهند.
لایه‌های مرکزی (ساخت – Build): پایه‌ریزی برای مقیاس‌دهی
- زیرساخت برای مقیاس‌دهی: طراحی زیرساخت‌های انعطاف‌پذیر و مقرون‌به‌صرفه که از معماری ترکیب‌پذیر بهره می‌برد. این زیرساخت امکان جداسازی مدل‌ها از ابزارها و سیستم‌ها را فراهم می‌کند.
- پلتفرم هوش مصنوعی ترکیب‌پذیر: استفاده از محیط‌هایی که می‌توانند ابزارهای مختلف را با مدل‌های سفارشی و از پیش ساخته‌شده یکپارچه کنند، بدون ایجاد وابستگی به مدل‌های خاص.
- مدیریت هزینه‌ها: تمرکز بر کاهش هزینه‌های زیرساخت و سفارشی‌سازی مدل‌ها در مراحل ابتدایی، مگر اینکه دلایل قوی کسب‌وکار وجود داشته باشد.
لایه‌های اعتماد و مدیریت ریسک: تضمین ایمنی در مقیاس
- مدیریت مسئولیت‌پذیری: ایجاد تیم‌های مسئولیت‌پذیر برای نظارت بر اعتماد، ریسک و امنیت. فناوری‌های TRiSM (مدیریت اعتماد، ریسک و امنیت) می‌توانند سیاست‌ها را به صورت بلادرنگ اجرا کنند و ایمنی مقیاس‌پذیر را تضمین نمایند.
- کمیته‌های مرکزی و گروه‌های تخصصی: این گروه‌ها به هماهنگی تلاش‌ها و اشتراک دانش در زمینه مقیاس‌دهی و اجرای AI کمک می‌کنند.
لایه‌های عملیاتی (اجرای عملیاتی – Run): از تئوری به عمل
- AI جاسازی‌شده و سفارشی: در این مرحله، مدل‌های هوش مصنوعی یا در فرآیندها و محصولات ادغام می‌شوند یا به کاربران اجازه داده می‌شود مدل‌های خود را در محیط سازمانی اجرا کنند.
- پایش عملکرد و هزینه: نظارت بلادرنگ بر عملکرد مدل‌ها و مدیریت هزینه‌ها برای جلوگیری از چالش‌های مالی و عملیاتی ضروری است.
محور داده‌ها: قلب ساندویچ فناوری
داده‌ها در هر دو بخش ساخت و اجرای عملیاتی نقش حیاتی دارند. با مدیریت صحیح داده‌های متمرکز برای آموزش مدل‌ها و داده‌های غیرمتمرکز برای پشتیبانی از کاربردهای پراکنده، سازمان‌ها می‌توانند قابلیت‌های AI را به حداکثر برسانند.
چگونه ساندویچ فناوری هوش مصنوعی به مقیاس‌دهی کمک می‌کند؟
- اولویت‌بندی موارد استفاده: تمرکز بر موارد استفاده با ارزش بالا و قابلیت مقیاس‌پذیری.
- ایجاد پلتفرم ترکیب‌پذیر: جداسازی مدل‌ها از سیستم‌ها و ابزارها برای انعطاف‌پذیری بیشتر.
- توسعه فرهنگ داده و AI: سرمایه‌گذاری در آموزش و توانمندسازی کارکنان برای استفاده مؤثر از فناوری هوش مصنوعی.
جمع‌بندی و توصیه نهایی: پیش به سوی تحول پایدار و مقیاس‌دهی هوش مصنوعی
سازمان‌ها برای دستیابی به موفقیت در مقیاس‌دهی و اجرای هوش مصنوعی باید از چارچوب‌هایی مانند ساندویچ فناوری هوش مصنوعی بهره ببرند. این چارچوب با تمرکز بر ساخت زیرساخت‌های پایدار، مدیریت اعتماد و ریسک، و استفاده عملیاتی مؤثر، به سازمان‌ها امکان می‌دهد تا هوش مصنوعی را به شکلی پایدار و استراتژیک به کار گیرند.
اما برای هدایت این تحول و استفاده بهینه از هوش مصنوعی، نقش مدیران ارشد اطلاعات (CIOها) کلیدی است. فروم رهبری CIO گارتنر فرصتی بی‌نظیر برای این مدیران فراهم می‌کند تا با دیگر رهبران فناوری اطلاعات ارتباط برقرار کنند، از بینش‌های عمیق گارتنر بهره‌مند شوند، و ابزارها و راهنمایی‌های شخصی‌سازی‌شده‌ای برای موفقیت در نقش خود دریافت کنند.
توصیه نهایی: برای هدایت سازمان خود به سمت تحول پایدار و مقیاس‌دهی مؤثر هوش مصنوعی، ضمن بهره‌گیری از چارچوب‌های عملیاتی و راهکارهای استراتژیک، فرصت حضور در جامعه‌ای اختصاصی از مدیران ارشد فناوری اطلاعات را غنیمت بشمارید. این مسیر نه تنها به تقویت نقش شما کمک می‌کند، بلکه سازمان شما را برای رشد پایدار و نوآوری آماده می‌سازد.
این متن با برداشت از مقاله اصلی گارتنر با عنوان "Scaling AI: Strategies for AI-Steady and AI-Accelerated Organizations" ترجمه شده و در بخش‌هایی با افزودن دیدگاه‌های شخصی تکمیل و بومی‌سازی شده است.
مهدی عرب زاده یکتا - پاییز 1403
دیدگاه خود را بنویسید