خزیدن با تجزیه و تحلیل قبل از کار با هوش مصنوعی (قسمت 2)

سطوح مختلفی از تجزیه و تحلیل وجود دارد که با تجزیه و تحلیل توصیفی (گزارش ها، داشبوردها) و تجزیه و تحلیل تشخیصی (تجزیه، پرس و جوهای موقت) شروع می شود که بر درک گذشته تمرکز دارد. سه سطح بعدی توجه خود را به آینده معطوف کرده و به طور فزاینده ای با فناوری هوش مصنوعی تقویت می شوند. در حالی که پتانسیل تحلیل‌های پیش‌بینی‌کننده، تجویزی یا شناختی/خودمختار هیجان‌انگیز است، برخی از پایه‌های اساسی وجود دارند که در سطوح پایین‌تر مورد نیاز هستند. اگر شرکت شما هنوز بر اصول اولیه تجزیه و تحلیل تسلط پیدا نکرده است، این اشتباه است که فکر کنید هوش مصنوعی را از دست داده اید و پایه تحلیلی محکمی ندارید.

این را توییت کنید

بدون شفافیتی که تجزیه و تحلیل ارائه می کند، قضاوت در مورد نتایج هر سیستم هوش مصنوعی دشوار خواهد بود. ما در حال حاضر شروع به دیدن نمونه هایی از تصمیمات ضعیف توسط الگوریتم ها و مدل های داده با بینش کمی در منطق آنها کرده ایم. تجزیه و تحلیل ها هوش مصنوعی را مسئول می دانند و می توانند به بهینه سازی عملکرد سیستم های هوش مصنوعی در طول زمان کمک کنند. علاوه بر این، بسیاری از مشکلاتی که می تواند موفقیت شما را با تجزیه و تحلیل از مسیر خارج کند، تلاش های هوش مصنوعی شما را نیز از بین می برد. به همین دلیل برای سازمان شما مهم است که قبل از کار با هوش مصنوعی، نحوه خزیدن و کار با تجزیه و تحلیل را بیاموزد. در اینجا برخی از زمینه هایی وجود دارد که تجزیه و تحلیل به هموار کردن راه برای موفقیت هوش مصنوعی کمک می کند:

• هوش مصنوعی با همان سوختی که تجزیه و تحلیل – داده هاست تامین می شود.اگر داده‌های درستی را جمع‌آوری نمی‌کنید یا به کیفیت داده‌های خود ایمان ندارید، به طور جادویی با هوش مصنوعی حل نمی‌شود. همانطور که سیستم های تحلیلی شما بر داده های دقیق و کامل متکی هستند، هر فناوری هوش مصنوعی نیز چنین خواهد بود. به طور فزاینده‌ای می‌توان از هوش مصنوعی برای بهبود کیفیت داده‌ها استفاده کرد، اما داده‌هایی که اساساً آسیب دیده یا غیرقابل اعتماد هستند را جبران نمی‌کند.
• هوش مصنوعی همچنین به بسیاری از فرآیندهای تجاری مشابهی بستگی دارد که بر تجزیه و تحلیل تأثیر می گذاردبه عنوان مثال، حریم خصوصی داده ها یک موضوع حساس برای مصرف کنندگان است، به خصوص که شرکت ها اطلاعات بیشتری را در مورد مشتریان خود جمع آوری می کنند. بدون بهترین شیوه‌های حفظ حریم خصوصی داده‌ها که محصول جانبی یک برنامه تحلیلی بالغ هستند، فناوری هوش مصنوعی می‌تواند سهواً از داده‌های مشتری به روش‌های مختلفی سوء استفاده کند که می‌تواند به حسن نیت و درک برند آسیب برساند. این تجزیه و تحلیل اساساً فرآیندهای بالادستی و پایین دستی را برجسته می کند که می توانند تحت تأثیر هوش مصنوعی نیز قرار گیرند.
• هوش مصنوعی همچنین به داشتن افراد ماهر با تخصص در حوزه و داده بستگی دارد.دانش آنها از کسب و کار، فرآیندهای کلیدی و داده ها برای اجرای موثر فناوری هوش مصنوعی و همچنین برای حفظ و بهبود سیستم های هوش مصنوعی در طول زمان ضروری است.
• هوش مصنوعی به داشتن فرهنگ داده محور متکی است تا بتوان آن را به طور کامل پذیرفت.اگر مدیران و کارمندان شما اغلب هنگام تصمیم گیری اطلاعات ابزارهای تحلیلی شما را زیر سوال می برند یا نادیده می گیرند، هوش مصنوعی این مقاومت را تغییر نخواهد داد. با این حال، اگر آنها به تکیه و اعتماد به تجزیه و تحلیل شما عادت کنند، از فرصت هایی برای تکیه بر هوش مصنوعی برای افزایش بیشتر قابلیت های تجزیه و تحلیل خود استقبال خواهند کرد.
• هوش مصنوعی با بسیاری از موانع سازمانی مشابهی روبرو خواهد شد که می تواند از موفقیت با تجزیه و تحلیل جلوگیری کند.اگر مدیران و تیم‌های خاصی قبلاً با شفافیت بیشتر ایجاد شده توسط تجزیه و تحلیل‌ها احساس خطر می‌کنند، موفق باشید در تلاش برای معرفی چیزی مانند هوش مصنوعی که قدرت و نفوذ درک شده آنها را بیشتر تهدید می‌کند. حذف موانع سیاست داخلی با تجزیه و تحلیل می تواند مسیر آسان تری را برای پذیرش هوش مصنوعی در آینده باز کند.

قبل از اینکه فناوری هوش مصنوعی را در سال 2017 دنبال کنید، در نظر بگیرید که تا به امروز توانایی های تجزیه و تحلیل شما چقدر پیشرفته است. همانطور که خزیدن یک نقطه عطف کلیدی در رشد نوزادان است، تجزیه و تحلیل به همان اندازه برای سازمان های مشتاق مبتنی بر داده که به دنبال پذیرش هوش مصنوعی هستند، مهم است. فقدان تجزیه و تحلیل یا بلوغ داده ها، توانایی سازمان شما را برای استفاده از فناوری های نوظهور هوش مصنوعی کند می کند. از آنجایی که هوش مصنوعی می تواند انقلاب صنعتی جدیدی را آغاز کند، ضروری است که هر سازمانی قبل از اینکه به دنبال کار با هوش مصنوعی باشد، خزیدن و تجزیه و تحلیل را جدی بگیرد. شرکت های مبتنی بر داده که این کار را انجام می دهند می توانند به سرعت از رقبای خود که نتوانستند به اندازه کافی برای انقلاب هوش مصنوعی آماده شوند پیشی بگیرند.

** این مقاله در ابتدا در 11 ژانویه 2017 در Forbes.com منتشر شد.