از پذیرش رایانش ابری تا بلوغ برای هوش مصنوعی سازمانی

عبور از ابر؛ چرا آینده هوش مصنوعی سازمانی به بلوغ ابری گره خورده است؟

این روزها دیگر صرف استفاده از رایانش ابری برای جلو افتادن از رقبا کافی نیست. شرکت ها برای اجرای موفق هوش مصنوعی سازمانی به بلوغ ابری، زیرساخت ابری منعطف، داده های قابل اعتماد و یک برنامه جدی برای تحول دیجیتال نیاز دارند. ماجرا از خرید چند سرویس آنلاین خیلی فراتر رفته و حالا کیفیت استفاده از ابر است که نتیجه را تعیین می کند.

خیلی از سازمان ها تصور می کنند چون بخشی از اطلاعات یا نرم افزارهایشان را به فضای ابری منتقل کرده اند، برای موج هوش مصنوعی آماده اند. اما وقتی پروژه واقعی شروع می شود، تازه دردسرها بیرون می زنند؛ داده ها پراکنده اند، هزینه ها قابل پیش بینی نیستند و تیم ها هم هرکدام ساز خودشان را می زنند.

مطالعه مقاله قبلی در دسته بندی تکنولوژی با عنوان گوگل و احتمال حذف کامل اپلیکیشن های روسی از اندروید.

پذیرش ابر با بلوغ ابری یکی نیست

مهاجرت به ابر معمولاً با یک هدف روشن آغاز می شود؛ کاهش هزینه، افزایش سرعت یا خلاص شدن از نگهداری تجهیزات قدیمی. سازمان چند نرم افزار را منتقل می کند، فضای ذخیره سازی می خرد و احتمالاً از چند ابزار آماده هم کمک می گیرد. این مرحله مهم است، اما فقط نقطه شروع محسوب می شود.

بلوغ ابری یعنی کسب وکار بداند چه چیزی، چرا و با چه معماری ای باید روی ابر اجرا شود. یعنی تیم ها بتوانند منابع را بر اساس نیاز بالا و پایین کنند، امنیت را از ابتدا در طراحی ببینند و هزینه هر سرویس را دقیق زیر نظر داشته باشند. در چنین شرایطی، ابر دیگر فقط محل نگهداری اطلاعات نیست؛ به موتور نوآوری تبدیل می شود.

سازمانی که به این مرحله نرسیده، ممکن است فناوری های زیادی در اختیار داشته باشد، اما از آن ها نتیجه جدی نگیرد. حتی بدتر، پیچیدگی بیشتر می شود و هزینه ها هم بی سروصدا بالا می روند. نتیجه؟ مدیران از پروژه های جدید ناامید می شوند و تیم فنی مدام درگیر خاموش کردن آتش های روزانه است.

هوش مصنوعی این ضعف ها را خیلی زود آشکار می کند. مدل ها به توان پردازشی بالا، دسترسی سریع به داده و محیطی امن برای آموزش و اجرا نیاز دارند. اگر پایه ها درست چیده نشده باشند، یک نمونه آزمایشی جذاب هیچ وقت به محصولی قابل استفاده برای کل سازمان تبدیل نمی شود.

هوش مصنوعی به یک پایه محکم نیاز دارد

راه اندازی یک چت بات کوچک یا آزمایش ابزارهای مولد کار سختی نیست. چالش اصلی زمانی شروع می شود که قرار باشد صدها یا هزاران کارمند از همان ابزار استفاده کنند، داده های حساس وارد فرایند شوند و پاسخ ها هم دقیق، سریع و قابل پیگیری باقی بمانند.

هوش مصنوعی سازمانی با یک حساب کاربری و چند دستور متنی ساخته نمی شود. پشت صحنه باید شبکه پایدار، دسترسی کنترل شده، سامانه های نظارتی و مسیر مشخصی برای ورود و پردازش اطلاعات وجود داشته باشد. بدون این موارد، پروژه ای که در جلسه معرفی همه را هیجان زده کرده بود، خیلی زود به یک آزمایش فراموش شده تبدیل می شود.

اینجاست که بلوغ ابری خودش را نشان می دهد. محیط بالغ اجازه می دهد تیم ها مدل های مختلف را مقایسه کنند، بار کاری را میان سرویس ها جابه جا کنند و برای هر کاربرد، گزینه مناسب تری انتخاب کنند. در عین حال، مدیران می توانند ببینند پول دقیقاً کجا خرج می شود و کدام پروژه واقعاً ارزش ایجاد می کند.

موضوع فقط مدل های زبانی بزرگ هم نیست. تحلیل پیش بینانه، تشخیص تقلب، نگهداری پیشگیرانه تجهیزات، شخصی سازی تجربه مشتری و خودکارسازی فرایندهای اداری همگی به همین پایه وابسته اند. هرچه کاربرد گسترده تر شود، کیفیت زیرساخت ابری اهمیت بیشتری پیدا می کند.

داده ها؛ همان بخش شلوغ و دردسرساز ماجرا

تقریباً همه درباره ارزش داده حرف می زنند، ولی در عمل اطلاعات بسیاری از شرکت ها میان سامانه های قدیمی، فایل های شخصی، پایگاه های ناسازگار و ابزارهای مختلف پخش شده است. بعضی داده ها تکراری اند، بعضی ناقص اند و برای بخشی از آن ها حتی مالک مشخصی وجود ندارد.

مدل هوش مصنوعی با داده بد، خروجی جادویی تولید نمی کند. اگر اطلاعات اشتباه یا قدیمی باشند، نتیجه هم قابل اعتماد نخواهد بود. به زبان ساده، الگوریتم قرار نیست آشفتگی سال های گذشته را یک شبه مرتب کند؛ گاهی فقط همان آشفتگی را با سرعت بیشتری بازتولید می کند.

یک معماری داده درست باید مشخص کند اطلاعات از کجا می آیند، کجا ذخیره می شوند و چه افرادی اجازه استفاده از آن ها را دارند. کیفیت، تاریخچه تغییرات و مدت نگهداری داده هم باید روشن باشد. این کار شاید به اندازه معرفی یک مدل تازه هیجان انگیز نباشد، اما بدون آن خبری از مقیاس پذیری نیست.

در یک محیط بالغ، داده ها لزوماً در یک محل جمع نمی شوند. مهم این است که سازمان بتواند آن ها را به شکلی یکپارچه پیدا، مدیریت و پردازش کند. ابزارهای فهرست سازی، کنترل دسترسی و پایش کیفیت کمک می کنند تا تیم های مختلف به نسخه ای معتبر از اطلاعات برسند.

امنیت و حاکمیت را نمی شود به بعد موکول کرد

وقتی استفاده از هوش مصنوعی گسترده می شود، پرسش های سخت هم از راه می رسند. چه کسی اجازه دارد اطلاعات مشتری را وارد مدل کند؟ پاسخ تولیدشده کجا ذخیره می شود؟ اگر مدل اشتباه کند یا اطلاعات محرمانه را نمایش دهد، مسئولیت با چه کسی است؟

پاسخ این پرسش ها نباید بعد از وقوع بحران پیدا شود. سیاست های امنیتی، حقوق دسترسی و قواعد استفاده باید از همان روز اول در معماری پروژه حضور داشته باشند. اضافه کردن کنترل ها در آخر کار معمولاً هم گران تر است و هم باعث تأخیرهای جدی می شود.

رایانش ابری امکانات خوبی برای رمزنگاری، ثبت رویدادها، مدیریت هویت و جداسازی محیط ها ارائه می دهد. با این حال، روشن کردن چند گزینه امنیتی کافی نیست. سازمان باید بداند داده حساسش کجاست، چه سرویسی آن را پردازش می کند و چه خطری در هر مرحله وجود دارد.

حاکمیت خوب قرار نیست سرعت نوآوری را نابود کند. برعکس، وقتی مرزها روشن باشند، تیم ها با خیال راحت تری آزمایش می کنند. توسعه دهنده می داند از چه داده ای می تواند استفاده کند و مدیر هم مطمئن است که یک پروژه مخفی و کنترل نشده گوشه ای از شرکت در حال رشد نیست.

هزینه ابر باید قابل مشاهده و قابل کنترل باشد

هوش مصنوعی می تواند منابع پردازشی زیادی مصرف کند. آموزش مدل، اجرای مداوم درخواست ها و نگهداری حجم بالایی از اطلاعات، همگی هزینه دارند. اگر مصرف منابع دیده نشود، صورت حساب پایان ماه ممکن است حسابی غافلگیرکننده باشد.

سازمان های بالغ هزینه را فقط یک موضوع مالی نمی دانند. تیم فنی، مالی و مدیران محصول باید کنار هم بررسی کنند هر کاربرد چه ارزشی می سازد. شاید استفاده از مدلی کوچک تر برای یک کار روزمره، تقریباً همان کیفیت را با هزینه بسیار پایین تر ارائه دهد.

خاموش کردن منابع بدون استفاده، انتخاب ظرفیت مناسب و تعیین سقف مصرف از قدم های ساده اما مؤثر هستند. همین طور لازم است هزینه هر مدل، تیم یا محصول جداگانه اندازه گیری شود. وقتی همه چیز در یک عدد بزرگ پنهان باشد، تصمیم گیری بیشتر شبیه حدس زدن می شود.

این شفافیت به توقف نوآوری منجر نمی شود؛ اتفاقاً کمک می کند بودجه به ایده های موفق برسد. پروژه ای که ارزش مشخصی ایجاد نمی کند باید اصلاح یا کنار گذاشته شود و پروژه ای که نتیجه می دهد، منابع بیشتری دریافت کند. این یعنی مدیریت واقعی، نه خرج کردن بی حساب.

مهارت های انسانی هنوز وسط میدان هستند

با وجود تمام حرف ها درباره خودکارسازی، فناوری به تنهایی سازمان را بالغ نمی کند. شرکت ها به افرادی نیاز دارند که هم معماری ابر را بفهمند، هم با داده کار کنند و هم مسئله واقعی کسب وکار را بشناسند. پیدا کردن همه این مهارت ها در یک نفر هم تقریباً رؤیایی است.

راه بهتر، ساختن تیم های چندتخصصی است. متخصص امنیت، مهندس داده، توسعه دهنده، مسئول عملیات و مدیر محصول باید از ابتدای پروژه کنار هم باشند. اگر هر تیم فقط بخش خودش را ببیند، محصول نهایی احتمالاً بین شکاف های سازمانی گیر می کند.

آموزش کارکنان عادی هم به همان اندازه مهم است. آن ها باید بدانند ابزارهای هوشمند چه توانایی هایی دارند، کجا ممکن است اشتباه کنند و چه اطلاعاتی نباید در اختیارشان قرار بگیرد. سواد هوش مصنوعی دیگر یک مهارت لوکس نیست؛ کم کم به بخشی از کار روزانه تبدیل می شود.

فرهنگ سازمانی نیز نقش بزرگی دارد. تیم ها باید بتوانند سریع آزمایش کنند، شکست های کوچک را بپذیرند و از نتایج یاد بگیرند. البته آزمایش سریع به معنای بی قانونی نیست؛ چارچوب های روشن باعث می شوند سرعت و مسئولیت پذیری کنار هم قرار بگیرند.

یک مسیر عملی برای رسیدن به بلوغ

اولین قدم، ارزیابی صادقانه وضعیت فعلی است. سازمان باید بداند چه سامانه هایی دارد، داده ها کجا هستند، هزینه ها چگونه محاسبه می شوند و چه ریسک هایی وجود دارد. بدون این تصویر، برنامه تحول دیجیتال بیشتر شبیه فهرستی از آرزوها خواهد بود.

قدم بعدی، انتخاب چند کاربرد محدود اما ارزشمند است. بهتر است پروژه ای شروع شود که مسئله مشخصی را حل کند و نتیجه اش قابل اندازه گیری باشد. کاهش زمان پاسخ گویی به مشتری، پیش بینی خرابی یا خلاصه سازی اسناد داخلی می تواند نقطه شروع مناسبی باشد.

بعد از آن باید الگوهای فنی و مدیریتی قابل تکرار ساخته شوند. هر تیم نباید امنیت، اتصال داده و پایش مدل را از صفر طراحی کند. پلتفرم های داخلی و اجزای آماده، مسیر اجرای پروژه های بعدی را کوتاه تر و کم خطرتر می کنند.

در نهایت، بلوغ ابری مقصدی نیست که یک بار به آن برسیم و تمام شود. فناوری، مقررات و نیاز مشتری دائم تغییر می کنند. سازمان موفق مرتب معماری، هزینه ها، مهارت ها و قواعد خود را بازبینی می کند تا از این تغییرات عقب نماند.

برنده های عصر جدید شرکت هایی نیستند که صرفاً سریع تر یک ابزار هوشمند خریده اند. برنده واقعی سازمانی است که ابر، داده، امنیت و نیروی انسانی را هماهنگ کرده و می تواند ایده های خوب را با خیال راحت به محصول واقعی تبدیل کند. این همان جایی است که هوش مصنوعی سازمانی از یک نمایش جذاب به مزیت رقابتی ماندگار می رسد.

برای دریافت جدیدترین اخبار تکنولوژی با مجله هوش مصنوعی با ما همراه باشید