Та яагаад хиймэл оюун ухааныг багийн спорт гэж үзэх ёстой гэж?

AI-г багийн спорт гэж үзэх нь юу гэсэн үг вэ? Өмнө нь дутагдаж байсан бизнесийн нөхцөл байдлыг хангахын тулд зөв үүрэг оролцоотой байгаа учраас хиймэл оюун ухааны төслүүд шуугиан дэгдээхээс нөлөөлөл рүү шилжиж байгааг бид харж байна. Домэйн мэдлэг бол чухал; машинуудад хүмүүст байгаа нөхцөл байдлын гүн гүнзгий байдаггүй бөгөөд хүмүүс гарч ирсэн аливаа ойлголт, зөвлөмжид үндэслэн ямар арга хэмжээ авахаа ойлгохын тулд бизнес болон өгөгдлийг хангалттай сайн мэддэг байх ёстой.

Хиймэл оюун ухааныг өргөжүүлэх тухай ярихад олон удирдагчид хүмүүст асуудал байна гэж боддог, ялангуяа мэдээлэл судлаачид хангалтгүй байдаг. Гэхдээ бизнесийн асуудал бүр мэдээллийн шинжлэх ухааны асуудал биш юм. Эсвэл наад зах нь бизнесийн сорилт бүрийг таны мэдээллийн шинжлэх ухааны багт хаях ёсгүй. Зөв арга барилаар та уламжлалт өгөгдлийн шинжлэх ухааны мөчлөгтэй холбоотой бэрхшээлүүдгүйгээр хиймэл оюун ухааны ашиг тусыг хүртэх боломжтой.

Хиймэл оюун ухааны шийдлүүдийг нэвтрүүлэх, өргөжүүлэхийн тулд удирдагчид хиймэл оюун ухааныг багийн спорт гэж үзэхийн тулд байгууллагын сэтгэлгээг өөрчлөх хэрэгтэй. Зарим хиймэл оюун ухааны төслүүдэд амжилттай үр дүн ямар байхын тулд өөр өөр хүмүүс, багаж хэрэгсэл, хүлээлт хэрэгтэй. Эдгээр боломжуудыг хэрхэн таних талаар мэдэх нь илүү амжилттай AI төслүүдэд ойртож, AI хэрэглэгчдийн эгнээг гүнзгийрүүлэхэд тусалж, ажиллах хүчний хэмжээнд шийдвэр гаргахад хурд, хүчийг нэмнэ. Яагаад, яаж гэдгийг судалж үзье.

Байгууллагууд хиймэл оюун ухаантай дэвшилтэт шинжилгээг ардчилсан болгож байна

Бизнесийн асуудлыг шийдвэрлэхийн тулд хиймэл оюун ухааныг ашиглах нь мэдээллийн эрдэмтдийн гол үүрэг байсаар ирсэн. Ихэнхдээ мэдээллийн шинжлэх ухааны багууд байгууллагын хамгийн том боломж, хамгийн төвөгтэй сорилтод зориулагдсан байдаг. Техникийн гүн гүнзгий мэдлэг, нарийн тохируулсан загвар нь асар амжилттай үр дүнд хүргэдэг луйврыг илрүүлэх, хувийн тохиргоо хийх гэх мэт хэрэглээний тодорхой тохиолдлуудад мэдээллийн шинжлэх ухааныг олон байгууллага амжилттай ашиглаж байна.

Гэсэн хэдий ч мэдээллийн шинжлэх ухааны багаараа хиймэл оюун ухааны шийдлүүдийг өргөжүүлэх нь олон шалтгааны улмаас байгууллагуудад бэрхшээлтэй байдаг. Авьяас чадварыг татах, хадгалах нь маш үнэтэй бөгөөд өрсөлдөөнт зах зээлд хэцүү байж болно. Уламжлалт өгөгдлийн шинжлэх ухааны төслүүдийг бизнес үнэ цэнийг харахаас өмнө боловсруулж, хэрэгжүүлэхэд их цаг зарцуулдаг. Хамгийн туршлагатай, хүчирхэг мэдээллийн шинжлэх ухааны багууд ч гэсэн шийдвэрлэхийг хүссэн асуудлынхаа нарийн ширийн зүйлийг ойлгоход шаардлагатай өгөгдөл эсвэл нөхцөл байхгүй бол бүтэлгүйтэж магадгүй юм.

2021 Gartner® Өгөгдлийн шинжлэх ухаан ба машин сургалтын байдал (DSML) тайланд "Үйлчлүүлэгчийн эрэлт өөрчлөгдөж, техникийн бага мэдлэгтэй үзэгчид DSML-ийг илүү хялбар хэрэглэхийг хүсч, мэргэжилтнүүд бүтээмжийг сайжруулах шаардлагатай болж, аж ахуйн нэгжүүд хөрөнгө оруулалтаа үнэлэхэд богино хугацаа шаардагдаж байна" гэж тэмдэглэжээ.¹.” AI-ийн өгч чадах дүн шинжилгээ хийх хурд, нарийвчлал нь бизнесийн олон асуудал байж болох ч уламжлалт өгөгдлийн шинжлэх ухааны арга нь үнэ цэнийг хурдан харахын тулд довтолгооны хамгийн сайн төлөвлөгөө байж чаддаггүй. Үнэн хэрэгтээ, Gartner-ийн ижил тайланд "2025 он гэхэд өгөгдөл судлаачдын хомсдол нь байгууллагуудад мэдээллийн шинжлэх ухаан, машин сургалтыг нэвтрүүлэхэд саад болохгүй" гэж таамаглаж байна.

Домэйн мэдлэг нь AI-г бизнест өргөжүүлэхэд маш чухал юм

AI нь өгөгдлийн шинжлэх ухааны мэдлэггүй хэрэглэгчдэд дэвшилтэт дүн шинжилгээ хийх чадварыг бий болгоход аль хэдийн тусалж байна. Машинууд нь хамгийн сайн таамаглах загвар, алгоритмуудаас сонгож, үндсэн загваруудыг ил гаргаж, тэдгээрийг тааруулж, бүх зүйл хэрэглэгчийн хайж буй зүйлтэй нийцэж байгаа эсэхийг шалгах боломжийг олгодог.

Эдгээр чадварууд нь шинжээчид болон бизнесийн чадварлаг мэргэжилтнүүдэд өөрсдийн хиймэл оюун ухааны программуудыг зохион бүтээх, ашиглах боломжийг олгодог. Өгөгдөлтэй ойр байдгаараа эдгээр хэрэглэгчид олон тооны өгөгдөл судлаачдаас давуу талтай. Энэхүү хүчийг домэйны мэдлэгтэй хүмүүсийн гарт өгөх нь уламжлалт мэдээллийн шинжлэх ухааны мөчлөгтэй холбоотой урт хугацааны хөгжлийн хугацаа, нөөцийн ачаалал, далд зардлаас зайлсхийхэд тусална. Нэмж дурдахад, хиймэл оюун ухааны таамаглал эсвэл санал нь тустай эсэхийг шийдэх хүмүүс бол домэйн туршлагатай хүмүүс байх ёстой.

Загвар бүтээх үйл явц нь илүү давтагдах, засварлах, дахин байршуулах замаар бизнесийн нөхцөлтэй хүмүүс хиймэл оюун ухаанаас илүү хурдан үнэ цэнийг олж авах боломжтой, тэр ч байтугай хэдэн долоо хоногоос хэдэн долоо хоногийн дотор шинэ загваруудыг хэдэн долоо хоногоос хэдэн сарын дотор ашиглах боломжтой. Энэ нь өгөгдлийн шинжлэх ухааны багуудын хувьд онцгой сорилтууд нь тийм ч чухал биш байж болох ч хиймэл оюун ухааны шинжилгээний хурд, нарийвчлалын үр шимийг хүртэх боломжтой багуудад онцгой ач холбогдолтой юм.

Гэсэн хэдий ч эдгээр шийдлүүд нь шинжээчид болон өгөгдөл судлаачдын хоорондын ур чадварын зөрүүг арилгахад тусалж болох ч энэ нь сүүлийнхийг орлохгүй гэдгийг анхаарах нь чухал юм. Өгөгдлийн эрдэмтэд хиймэл оюун ухаантай шийдлүүдэд ашиглагдаж буй өгөгдлийг баталгаажуулахын тулд бизнесийн мэргэжилтнүүдтэй чухал түнш хэвээр байна. Энэхүү хамтын ажиллагаанаас гадна боловсрол, мэдээллийн ур чадвар нь эдгээр төрлийн хэрэгслийг өргөн хүрээнд амжилттай ашиглахад чухал үүрэг гүйцэтгэнэ.

Мэдээллийн мэдлэг нь илүү олон хүмүүст хиймэл оюун ухааныг ашиглах боломжийг олгодог

Таны өгөгдлийн үндсэн стратеги нь танай байгууллагыг хиймэл оюун ухаантай амжилтанд хүргэхэд асар их үүрэг гүйцэтгэдэг боловч AI шийдлийг бизнесийн хүрээнд илүү олон хүнд хүргэхийн тулд мэдээллийн суурь мэдлэг шаардагдана. Бизнесийн асуудалд ямар өгөгдөл хэрэглэхэд тохиромжтой, түүнчлэн хиймэл оюун ухааны зөвлөмжийн өгөгдөл, үр дүнг хэрхэн тайлбарлахыг ойлгох нь хүмүүст AI-д амжилттай итгэж, шийдвэр гаргах нэг хэсэг болгон нэвтрүүлэхэд тусална. Байгууллага доторх мэдээллийн хуваалцсан хэл нь мэргэжилтнүүдтэй амжилттай хамтран ажиллах илүү олон хаалгыг нээж өгдөг.

McKinsey-ийн хиймэл оюун ухааны талаарх дэлхийн хэмжээнд хийсэн хамгийн сүүлийн судалгаагаар өндөр гүйцэтгэлтэй байгууллагуудын 34% нь "тусгайлсан сургалтын төв нь практикт суралцах замаар техникийн бус боловсон хүчний хиймэл оюун ухааны чадварыг хөгжүүлдэг" гэж судалгаанд хамрагдсан бусад хүмүүсийн дөнгөж 14% нь харуулжээ. Нэмж дурдахад, өндөр гүйцэтгэлтэй байгууллагуудын 39% нь "Хиймэл оюун ухаан хэрэглэгчид болон байгууллагын мэдээллийн шинжлэх ухааны багийн хооронд тусгайлсан харилцаа холбоо, холбоо барих цэгүүд байдаг" бол бусад байгууллагын дөнгөж 20% нь байдаг.

Удирдагчид өгөгдлийн мэдлэгийг бий болгохын тулд боловсрол, сургалт, менторын хөтөлбөр, олон нийтийг бий болгох мэдээллийн уралдаан гэх мэт олон янзын арга барилыг ашиглаж болно. Өгөгдлийн хүртээмж, хуваалцахыг хэвийн болгох, мөн өгөгдөлтэй амжилт, суралцах, шийдвэр гаргах үйл явцыг хэрхэн тэмдэглэж, сурталчлах талаар бодоорой.

Tableau Research-ийн тэргүүн Видя Сетлур хэлэхдээ "Өгөгдлийн бичиг үсгийн мэдлэг, дүрслэл, мэдээллийн шинжлэх ухааны боловсролыг илүү түгээмэл болгож, илүү хурдан сургах хэрэгтэй" гэж хэлэв. “Өгөгдөл ашиглахад найдах нь нийгэм, зохион байгуулалтын нэг төрлийн хариуцлага байдаг. Хиймэл оюун ухаан улам боловсронгуй болж, бид тоглолтоос хэдхэн алхмын өмнө байх ёстой учраас хүмүүс өгөгдлийг ойлгох, тайлбарлах, ашиглахад илүү сайн бэлтгэгдсэн байх ёстой."

Байгууллагынхаа өгөгдлийн соёлыг үргэлжлүүлэн хөгжүүлэх нь ур чадварыг хөгжүүлэх, бизнес даяар шинэ шийдлүүдийг дэмжих хүчирхэг боломжийг бий болгодог. Сүүлийн жилүүдэд дижитал өөрчлөлт хурдацтай явагдаж байгаа тул олон байгууллагууд өгөгдөл, аналитикт хөрөнгө оруулалтаа аль хэдийн нэмэгдүүлсэн. Өгөгдлийг багийн спорт гэж үзэх нь тийм ч боломж биш бөгөөд одоо бидэнд энэ сэтгэлгээг хиймэл оюун ухаанд өргөжүүлэх боломж байна.