آخرین بروزرسانی در ۱۳ تیر ۱۴۰۵ توسط Dr.Arman
دنیای تجارت امروز با سرعت به سمت بهرهگیری از هوش مصنوعی حرکت میکند. اخبار اخیر درباره قطع دسترسی به مدل کلود نشاندهنده چالشهای جدی است. بسیاری از سازمانها در هفتههای گذشته با بحرانهای غیرمنتظرهای روبرو شدند. این اتفاقات لزوم بازنگری در برنامههای بلندمدت شرکتها را بیش از پیش نمایان کرد.
استفاده از مدلهای منبعباز برای کاهش ریسکهای عملیاتی
بیش از دو سوم شرکتهای بزرگ هماکنون استراتژیهای احتیاطی خود را تدوین کردهاند. جنجالهای اخیر پیرامون مدلهای اختصاصی نشان داد که چرا این رویکرد فراگیر شده است. در اواسط ماه ژوئن دستور کنترل صادرات در ایالات متحده صادر شد. این دستور دسترسی به پیشرفتهترین مدل بازار یعنی کلود را مسدود کرد. این اتفاق بدون هیچ هشدار قبلی و زمانبندی مشخصی رخ داد. شرکتها ناگهان متوجه شدند که زیرساختهای آنها به شدت آسیبپذیر است. در مقابل مدلهای چینی با سرعت وارد این خلاء رقابتی شدند. دادههای جدید نشان میدهد که بسیاری از سازمانها از قبل پیشبینیهای لازم را کرده بودند. حدود ۵۱ درصد از شرکتها ترکیبی از مدلهای بسته و مدلهای منبعباز را به کار میگیرند. آنها مدلهای باز را روی زیرساختهای خصوصی خود اجرا میکنند. ۱۶ درصد دیگر نیز تمام فرآیندهای حیاتی خود را از محیطهای ابری خارج کردهاند. تنها یک سوم سازمانها همچنان به اکوسیستمهای کاملاً بسته متکی هستند. این گروه در زمان قطع خدمات بیشترین آسیب را متحمل شدند. وابستگی به فروشنده در اینجا به وضوح نقاط ضعف خود را نشان داد.
| نوع استراتژی | درصد پذیرش در سازمانها | مزیت اصلی |
|---|---|---|
| ترکیبی (بسته و باز) | ۵۱ درصد | تعادل بین قدرت و امنیت |
| کاملاً منبعباز | ۱۶ درصد | استقلال کامل از فروشنده |
| اکوسیستم بسته | ۳۲ درصد | سادگی در پیادهسازی اولیه |
شرکتها آموختهاند که نباید تمام دارایی خود را در یک سبد بگذارند. مدلهای منبعباز به عنوان یک لایه حفاظتی عمل میکنند. این مدلها به سازمان اجازه میدهند تا در شرایط اضطراری فعالیت خود را ادامه دهند. هزینههای نگهداری مدلهای شخصیسازی شده ممکن است در ابتدا بالا به نظر برسد. اما امنیت و تداوم کسب و کار ارزش این سرمایهگذاری را دارد. مدلهای منبعباز همچنین امکان کنترل دقیقتر روی دادههای حساس را فراهم میکنند.
اهمیت پایش خودکار هوش مصنوعی در محیطهای تولیدی
خاموشیهای اخیر تمرکز را بر روی موضوع حیاتی پایش سیستمها قرار داد. اکثر سازمانها ابزارهای لازم برای شناسایی خطاهای هوش مصنوعی را ندارند. آنها نمیدانند چه زمانی یک مدل در حال تولید خروجیهای اشتباه است. فقط ۱۰ درصد از شرکتها از پایش خودکار هوش مصنوعی استفاده میکنند. این سیستمها به صورت لحظهای نوسانات و رفتارهای غیرعادی را گزارش میدهند. حدود یک چهارم سازمانها تنها از طریق گزارش کاربران متوجه خرابی سیستم میشوند. این یک فاجعه برای برندهای بزرگ و معتبر محسوب میشود. ۷۹ درصد سازمانها تاکنون ضررهای مالی واقعی ناشی از خطاهای سیستم را تجربه کردهاند. اغلب این ضررها مربوط به فعالیتهای غیرمجاز کارکنان با کارتهای اعتباری شرکتی است. ما این پدیده را شکاف کنترلی مینامیم. این فاصله بین سرعت استقرار فناوری و میزان نظارت بر آن وجود دارد. آزمایشهای اخیر نشان داد که شرکتها در مدیریت هزینهها نیز ضعیف هستند. پایش خودکار هوش مصنوعی میتواند از بروز فاکتورهای هزینهبر سنگین جلوگیری کند. بدون این ابزارها شناسایی رفتارهای مخرب در مدلها غیرممکن خواهد بود. نظارت انسانی به تنهایی برای حجم عظیم دادههای امروزی کافی نیست. انسانها نمیتوانند تمام خروجیها را با دقت و سرعت لازم بررسی کنند. اتوماسیون در بخش پایش یک ضرورت است نه یک انتخاب لوکس.
- شناسایی لحظهای انحراف مدل (Drift)
- جلوگیری از پاسخهای غیراخلاقی یا ناایمن
- مدیریت بهینه مصرف توکن و هزینهها
- افزایش اعتماد کاربران نهایی به خروجیها
مدیران فنی باید پایش خودکار هوش مصنوعی را در اولویت قرار دهند. این کار از تکرار تجربههای تلخ گذشته جلوگیری میکند. سرمایهگذاری در این بخش باعث پایداری طولانیمدت سیستمهای سازمانی میشود.
مقابله با وابستگی به فروشنده و اصلاح ساختار سازمانی
تحقیقات نشان میدهد که وفاداری به یک تامینکننده خاص به پایان رسیده است. ۳۰ درصد از پاسخدهندگان قصد دارند همکاری با شرکتهای بزرگ را کاهش دهند. آنها به دنبال دسترسی مستقیم به مدلها بدون واسطههای نرمافزاری هستند. وابستگی به فروشنده باعث میشود سازمان در برابر تصمیمات سیاسی و اقتصادی دیگران تسلیم باشد. نوسانات قیمتی یکی از دلایل اصلی برای تغییر رویکرد شرکتها است. هزینههای استفاده از ابزارهای آماده گاهی از بودجههای سالانه فراتر میرود. مثال شرکت اوبر نشان داد که چگونه بودجه یک ساله در چهار ماه مصرف شد. این اتفاق به دلیل پذیرش گسترده و بدون نظارت یک ابزار خاص رخ داد. وابستگی به فروشنده همچنین باعث محدود شدن نوآوری در داخل سازمان میشود. شرکتهای پیشرو هماکنون در حال ساختن ستون فقرات هوش مصنوعی خود هستند. این زیرساختها به گونهای طراحی شدهاند که هر قطعه آن قابل تعویض باشد. آنها میتوانند مدلهای مختلف را بسته به نیاز خود جایگزین کنند. این انعطافپذیری باعث میشود تا در برابر تغییرات بازار مصون بمانند. اما بزرگترین مانع در راهبری این سیستمها نبود مالک مشخص است. در ۳۲ درصد سازمانها هیچ تیم پاسخگویی برای نظارت بر هوش مصنوعی وجود ندارد. ابهام در مالکیت باعث میشود تا ابزارهای نظارتی هرگز ساخته نشوند. استعدادهای فنی در بازار وجود دارند اما دستوری برای اجرا ندارند. مدیریت هوش مصنوعی باید از سطح پروژههای کوچک به سطح استراتژیک منتقل شود. تعیین یک متولی واحد اولین قدم برای حل این آشفتگی سازمانی است. وابستگی به فروشنده تنها زمانی حل میشود که سازمان اراده کافی داشته باشد.
- تعیین یک مدیر ارشد برای نظارت بر تمامی پروژههای هوش مصنوعی.
- تدوین استراتژی چند-مدلی برای جلوگیری از توقف عملیات.
- پیادهسازی لایههای نظارتی و حاکمیتی بر روی تمام پلتفرمها.
- ارزیابی مداوم هزینهها و عملکرد مدلهای مورد استفاده.
در نهایت باید گفت که جایگزینی مدلها سریعتر از مالکیت آنها در حال رشد است. سازمانها باید یاد بگیرند که چگونه بر داراییهای دیجیتال خود کنترل کامل داشته باشند. استراتژی هوش مصنوعی سازمانی بدون نظارت دقیق و ساختار مشخص محکوم به شکست است. ما در دورانی هستیم که تکیه بر شانس و نامهای بزرگ دیگر کافی نیست. پایداری در این مسیر نیازمند برنامهریزی دقیق و استفاده از مدلهای منبعباز است. آینده هوش مصنوعی در دستان شرکتهایی است که استقلال خود را حفظ میکنند.
منبع:
https://venturebeat.com/orchestration/enterprises-lost-claude-fable-5-for-a-few-weeks-new-data-shows-two-thirds-had-already-built-their-hedge
مطالب مرتبط