المحتوى
- عدم التنظيم
- عدم كفاية التدريب
- No Bugs، No Stress - دليلك خطوة بخطوة لإنشاء برامج لتغيير الحياة دون تدمير حياتك
- يتعذر الوصول إلى البيانات وحماية الخصوصية
- الثقة والمصداقية
- خاتمة
المصدر: ريكاردوكوفا / iStockphoto
يبعد:
مع كل فوائد تعلم الآلة ، لماذا لا يعتمدها الجميع؟ هذه الحواجز هي بعض من أكبر الأسباب.
بفضل أحدث التطورات في التعلم الآلي ، فإن الذكاء الاصطناعي (AI) يهز الأسواق حاليًا مثل التكنولوجيا الأكثر ثورية في الثورة الصناعية الرابعة. الجميع في قطاع الأعمال يتحدثون عنه وكأنه سوف يغير عالمنا إلى الأبد ، ومن نواح كثيرة ، إنه بالفعل. تشير الدراسات الحديثة إلى أن 67 في المائة من المديرين التنفيذيين للأعمال ينظرون إلى الذكاء الاصطناعي كوسيلة مفيدة لأتمتة العمليات وزيادة الكفاءة. لكن ينظر إليها من قبل المستهلكين بشكل عام وكذلك أداة قوية لزيادة العدالة الاجتماعية ، مع أكثر من 40 في المئة منهم يعتقدون أن منظمة العفو الدولية سوف توسع الوصول إلى معظم الخدمات الأساسية (الطبية والقانونية والنقل) لأولئك ذوي الدخل المنخفض.
ومع ذلك ، يمكن أن تكون السرعة التي يكون بها هذا التحول المذهل لعمليات الأتمتة أعلى ، وهناك بعض المشكلات التي تعوقه عن العمل حاليًا. ما هي أهم حواجز الطرق التي تعطل تبني التعلم الآلي؟ (التعلم العميق هو شكل آخر من أشكال الذكاء الاصطناعي بدأت الشركات في تبنيه. لمعرفة المزيد ، راجع نقاط الألم هذه تمنع الشركات من تبني التعلم العميق.)
عدم التنظيم
الشركة ، خاصةً الشركة الأكبر ، مخلوق معقد. تماما مثل الهيدرا الأسطورية ، لديها العديد من الرؤساء الذين يحتاجون في كثير من الأحيان إلى اتخاذ نفس القرار ، مثل كبير مسؤولي المعلومات (CIO) ، كبير المسؤولين الرقميين (CDO) ومن الواضح أن الرئيس التنفيذي (الرئيس التنفيذي). يدير جميع هؤلاء الضباط إداراتهم الخاصة ، والتي من المفترض أن تقود جهودهم في منظمة العفو الدولية معًا ، في نفس الوقت وبنفس مستوى الجهد. يكفي أن أقول ، في الحياة الحقيقية ، وهذا نادرا ما يحدث.
الخطوة الأولى هي توضيح من "يمتلك" مشروع التعلم الآلي وبالتالي يكون مسؤولاً عن قيادة تنفيذه داخل الشركة. في المؤسسات التي تحتاج فيها العديد من فرق البيانات والتحليلات الراسخة إلى مزامنة عملياتها ، فليس من النادر أن ينتهي الأمر بالكثير منهم إلى تخفيف عملهم على عدد لا يحصى من المشاريع الأصغر. قد تساهم المشروعات الرائدة الأصغر في الفهم الشامل لعلوم التعلم الآلي ، لكنها ستفشل في كثير من الأحيان في تحقيق كفاءة التشغيل الآلي التي تتطلبها الأعمال الأساسية.
قد تمثل إدارة خدمات تكنولوجيا المعلومات (ITSM) حلاً فعالًا واحدًا لمعالجة هذه المشكلة من خلال مساعدة مختلف فرق تكنولوجيا المعلومات على فهم ، على سبيل المثال ، قطاعات الأعمال التي تولد إيرادات كبيرة حيث يمكن للأتمتة تحسين هوامش أو تقليل نسبة الأخطاء.
عدم كفاية التدريب
التعلم الآلي هو تقنية قديمة ولكنها جديدة. يعود تاريخ الذكاء الاصطناعي البدائي إلى أوائل الثمانينيات ، ولكن التطور الأخير في خوارزميات التعليم العميق الحديثة ساعد هذه التقنية على تحقيق قفزة نوعية إلى الأمام. إن المتخصصين الحقيقيين الذين يعملون في هذا المجال والذين يتمتعون بمعرفة متعمقة بالقدر الكافي نادرًا جدًا ، خاصة وأن Google تستحوذ على 80 في المائة من مهندسي التعليم الآلي باستخدام الدكتوراه.
تعرف العديد من المؤسسات حدودها ولا يعتقد أكثر من 20 بالمائة أن خبراء تكنولوجيا المعلومات لديهم يمتلكون المهارات اللازمة لمعالجة الذكاء الاصطناعي. إن الطلب على مهارات التعلم الآلي ينمو بسرعة ، لكن أولئك الذين يتمتعون بالخبرة والموهبة اللازمة هم نجوم صخرة حقيقيون في أيامنا هذه. ومع ذلك ، قد يفتقر العديد من الذين لديهم تدريب كافٍ باستخدام خوارزميات التعليم العميق إلى مؤهل رسمي مثل درجة الماجستير لإظهار ذلك. تذكر: لا يزال هذا الحقل جديدًا - فالعديد من رواده اليوم هم من المبرمجين القدامى من عصر كانت فيه الدكتوراه في التعلم الآلي غير موجودة.
يجب أن يواجه العديد من خبراء الموارد البشرية الآن صعوبات تعيين مرشح مناسب للوظائف التي قد يتجاوز تعقيدهم خاصة الخبرة. اليوم ، حتى معرفة الفرق بين كفاءات مهندس التعلم الآلي وعالم البيانات والمطور الأمامي هو إنجاز معقد لغير المواطنين. في النهاية ، على الرغم من أن التوظيف المدعوم من منظمة العفو الدولية قد يمثل الحل الخاص به لمساعدة جميع مديري الموارد البشرية.
No Bugs، No Stress - دليلك خطوة بخطوة لإنشاء برامج لتغيير الحياة دون تدمير حياتك
لا يمكنك تحسين مهارات البرمجة لديك عندما لا يهتم أحد بجودة البرنامج.
يتعذر الوصول إلى البيانات وحماية الخصوصية
قبل أن يتمكنوا من معرفة أي شيء من خلال خوارزميات التعلم المتطورة الخاصة بهم ، يجب أن يتم تزويد AIs بالبيانات. الكثير والكثير من البيانات. ومع ذلك ، في معظم الأوقات هذه البيانات غير جاهزة للاستهلاك ، خاصةً عندما تأتي في شكل غير منظم. عمليات تجميع البيانات معقدة وتستهلك الكثير من الوقت ، خاصةً عندما يتم تخزين البيانات بشكل منفصل أو باستخدام نظام معالجة مختلف. كل هذه الخطوات تحتاج إلى الاهتمام الكامل لفريق مخصص على وجه التحديد يتكون من نوع مختلف من الخبراء. (لمزيد من المعلومات حول بنية البيانات ، راجع كيف يتم هيكلة بياناتك؟ فحص البيانات المهيكلة وغير المهيكلة وشبه الهيكلية.)
غالبًا ما يكون استخراج البيانات غير قابل للاستخدام عندما يحتوي على كميات هائلة من المعلومات الحساسة أو الشخصية. على الرغم من أن تشويش أو تشفير هذه المعلومات يجعلها قابلة للاستخدام في النهاية ، يجب تخصيص وقت إضافي وموارد لهذه العمليات المرهقة. لحل المشكلة في مرحلة ما قبل الإنتاج ، يجب تخزين البيانات الحساسة التي تحتاج إلى الكشف عن هويتها بشكل منفصل بمجرد جمعها.
الثقة والمصداقية
المرونة ليست سمة يمتلكها جميع البشر. وعندما يتعذر شرح خوارزمية تعلم عميقة بطريقة بسيطة لشخص ليس مبرمجًا أو مهندسًا ، فإن أولئك الذين قد يرغبون في المراهنة على الذكاء الاصطناعى لتسخير فرص أعمال جديدة قد يبدأ في التراجع. وينطبق هذا بشكل خاص في بعض الصناعات التقليدية من الطوب والهاون. في معظم الأحيان ، في الواقع ، البيانات التاريخية غير موجودة عمليا ، ويجب اختبار الخوارزمية مقابل بيانات حقيقية لإثبات كفاءتها. من السهل أن نفهم كيف في بعض الصناعات مثل حفر النفط والغاز ، فإن النتيجة الأقل من الأمثل قد تؤدي إلى مخاطر كبيرة (وغير مرغوب فيها).
قد تحتاج العديد من الشركات التي لا تزال متخلفة من حيث التحول الرقمي إلى إحداث ثورة في بنيتها التحتية بالكامل لتبني الذكاء الاصطناعي بطريقة هادفة. قد تتطلب النتائج وقتًا طويلاً قبل ظهورها ، حيث يجب جمع البيانات واستهلاكها وهضمها قبل أن تؤتي التجربة ثمارها. يتطلب إطلاق مشروع تعليمي للآلات على نطاق واسع دون أي ضمان أن الأمر يستحق الاستثمار درجة معينة من المرونة والموارد والشجاعة التي قد تفتقر إليها الكثير من الشركات.
خاتمة
في تحول غريب للأحداث ، ترتبط العديد من حواجز الطرق التي لا تزال بطيئة أو توقف تقدم الذكاء الاصطناعى بالطبيعة والسلوكيات البشرية بدلاً من حدود التكنولوجيا نفسها.
لا توجد إجابات محددة لأولئك الذين لا يزالون يشكون في إمكانات التعلم الآلي. هذا مسار لم يسبق له مثيل ، ولا تزال هناك حاجة للتجربة الميدانية خلال مرحلة التطوير هذه. مرة أخرى ، حان دورنا للاستفادة من إحدى الخصائص التي ساعدت البشرية على تحقيق أعلى مستوياتها غير العادية: قدرتنا على التكيف. هذه المرة فقط نحتاج إلى تعليم هذه المهارة لآلاتنا الذكية.