توقف عوامل هوش مصنوعی سازمانی به دلیل کمبود دانش در استقرار عملیاتی

ابتکارات هوش مصنوعی سازمانی با موانع مهمی روبرو هستند، زیرا عوامل خودکار در پر کردن شکاف میان داده‌های خام و دانش زمینه‌ای با مشکل مواجه‌اند. بر اساس مطالعه جدید MIT Technology Review Insights که از ۳۰۰ مدیر داده و فناوری نظرسنجی کرده است، ناتوانی گسترده در ارائه درک زمینه‌ای، مانع از استدلال مؤثر سیستم‌های عاملی و اجرای تصمیمات قابل اعتماد شرکتی می‌شود.

این پژوهش نشان می‌دهد که به طور میانگین تنها ۳۴ درصد از پروژه‌های هوش مصنوعی عاملی سازمانی به مرحله استقرار کامل می‌رسند. این نظرسنجی زیرساخت‌های قدیمی، گلوگاه‌های حریم خصوصی و دانش زمینه‌ای ناکافی را به عنوان نقاط اصلی شکست شناسایی می‌کند. در مقابل، گروهی از رهبران تولید موفق به استقرار ۶۱ درصد از پروژه‌های خود شده‌اند که این مزیت مستقیماً به قابلیت‌های برتر داده‌های معنایی نسبت داده می‌شود.

پراکندگی داده‌ها به عنوان بزرگترین مانع عملیاتی ظاهر شده است که ۵۵ درصد پاسخ‌دهندگان آن را چالش اصلی در دسترسی عوامل هوش مصنوعی به داده‌های یکپارچه شرکتی می‌دانند. برای سازمان‌های پیشرو که این پراکندگی را کاهش داده‌اند، نگرانی‌های امنیتی و حریم خصوصی به کانون اصلی توجه تبدیل شده است، به طوری که ۷۲ درصد از برترین‌ها در حال مدیریت محیط‌های پیچیده نظارتی و شرکتی هستند.

برای غلبه بر این کسری‌های عملیاتی، مدیران در حال تغییر سرمایه‌گذاری‌های خود به سمت معماری‌های دانشی هستند که داده‌های زیربنایی را به عوامل خودمختار متصل می‌کند. نقشه‌های راه صنعتی، خطوط لوله بازیابی داده‌های مقیاس‌پذیر، رابط‌های برنامه‌نویسی آماده برای هوش مصنوعی، چارچوب‌های تولید تقویت‌شده با بازیابی و نمودارهای دانش را در اولویت قرار می‌دهند تا تصمیم‌گیری هوش مصنوعی را پیش از فرسایش مزیت‌های رقابتی در سراسر سازمان، تقویت کنند.