תכונה ממומנת בינה מלאכותית (AI) שלטה בכותרות העסקיות והטכנולוגיה לאחרונה. אתה לא יכול לבדוק אתר חדשות מבלי לראות כתבה על האופן שבו AI עומד לשנות את הדרך בה אנו עושים עסקים.
באופן טבעי, כמעט כל חברה להוטה להתחיל או להתקדם במסע שלה לתוך AI, אבל רובן לא ממש יודעות איך להמשיך.
ל-AI כבר יש השפעה גדולה על עסקים מודרניים. למעשה, על פי סטטיסטיקה שנאספה על ידי AuthorityHacker, 35 אחוז מהעסקים אימצו בינה מלאכותית, 77 אחוז מהמכשירים משתמשים בסוג כלשהו של בינה מלאכותית, ותשעה מתוך 10 ארגונים תומכים בשימוש בבינה מלאכותית כדי להשיג יתרון תחרותי. בינה מלאכותית צפויה בהמשך להוסיף 15.7 טריליון דולר לכלכלה העולמית עד 2030. וכמו בכל טכנולוגיה חדשה, יאבדו מקומות עבודה ויושגו. בינה מלאכותית עשויה לחסל 85 מיליון משרות עד 2025, אבל מהצד השני, היא גם יכולה ליצור 97 מיליון משרות חדשות.
חברות המעוניינות לאמץ בינה מלאכותית בפעם הראשונה, או להרחיב את השימוש הקיים שלהן בו, מתמודדות עם מספר רבדים של אתגרים הן בצד הצוות והן בפן הטכנולוגי. יש גם חששות רגולטוריים ואתיים לגבי הטכנולוגיה. ומכיוון שמערכות בינה מלאכותית מונעות על ידי נתונים, חברות בהכרח מתמודדות עם דאגות לגבי הבטחת האיכות, הרלוונטיות והזמינות של המידע שהן מזינות לאלגוריתמים של AI. הבטחת מערכי הנתונים הללו מדויקים, מעודכנים ומקיפים ככל האפשר עלולה להוות אתגר מתמשך. הדבר נכון גם כאשר מדובר בטיפול במורכבות של החומרה, התשתית ואספקת האנרגיה הנדרשת, והעלויות הנלוות.
התגברות על האתגרים כדי לקצור את הפירות
מאט ארמסטרונג-בארנס, טכנולוג ראשי לבינה מלאכותית ב-HPE, מאמין שארגונים עושים לעתים קרובות את הטעות שהם ניגשים לבינה מלאכותית ללא תוכנית אסטרטגית. "הם רצים על הטכנולוגיה מהר מדי. אין להם אסטרטגיה משותפת", הוא אומר. "הם יוצרים פרויקטים מדעיים מעניינים, אבל הם לא מוסיפים ערך עסקי".
בראש ובראשונה, חברות צריכות לפתח אסטרטגיית בינה מלאכותית המזהה ולתעדף מקרי שימוש, ודואגת שהן מתמודדות עם בעיות אמיתיות ולא רק בונות משהו שיחיה וימות במעבדה. יש כמובן שאלות מעשיות סביב התהליך הזה: "איך אתה מתכוון לבנות את פלטפורמות הבינה המלאכותית האלה? איך אתה מתכוון לפקח עליהם?" שואל ארמסטרונג-בארנס. "איך אתה מוודא שהם עדיין פועלים ביעילות? איך אתה הולך להבין שהשגת יתרונות שחשבת שהם הולכים להשיג? איך מקצה את התקציב למימון יוזמות בצורה נכונה?"
אין ספק ששאלת השאלות הנכונות ותכנון מוצק יכולים לעזור להפחית את הזמן שלוקח למימוש היתרונות של AI. אבל השגת כל מערכת בינה מלאכותית מהמודל הניסיוני למודל עובד בפועל מהווה גם אתגר גדול. "האתגרים הגדולים ביותר הם סביב 'אופציונליזציה', כלומר איך משיגים מערכת AI מאיסוף נתונים ראשוני ועד בניית מודל ועד לפריסת ייצור", מסביר ארמסטרונג-בארנס.
ולוודא שלעובדים יש את הכישורים המתאימים היא חיונית. משיכת ושימור צוות עם התכונות הנכונות, או שיתוף פעולה עם ארגון שיכול לספק את המומחיות הזו, יהיו מוקד מרכזי. "עדיין יש הרבה אי הבנה לגבי מה שהטכנולוגיה יכולה לעשות, אז חינוך לא רק בונה מיומנויות, הוא גם בונה קנייה", הוא מוסיף.
גישה אחת שחברות יכולות לנקוט כדי לפתור חלק ממערך המיומנויות ותשתיות היא לחפש שותפויות, הוא מייעץ: "אתה יכול לשתף פעולה כדי להביא את המיומנויות האלה; שותף לגישה לתשתית, פלטפורמה ושירותי מודל."
לארכיטקטורת בינה מלאכותית יש רבדים רבים. רכיבי שירות תשתית AI יכולים לכלול GPUs ומאיצים, למשל, לצד רכיבי מחשוב, אחסון ורשת, קונטיינרים ומכונות וירטואליות וספריות AI. כמו כן שירותי פלטפורמת AI יכולים לשלב יישומי ML, ושירותי נתונים, פיתוח ופריסה. ובל נשכח שירותי מודל הכוללים מודלים בסיסיים, כוונון עדין, חנויות וקטוריות והנחות, לצד שירותי AI עסקיים שנועדו לקדם מהימנות על ידי ביטול הטיה וסחף כדי לספק מצגות שימוש יקרות ערך.
HPE כבר בנתה מסגרת ממוקדת אנושית חזקה שניתן ליישם על דרישות הלקוח, ובמרכזה פרטיות, הכלה ואחריות, אומרת החברה.
"זה אומר שאתה יכול להתמקד בנתונים ובבעיה העסקית", אומר ארמסטרונג-בארנס.
הכל קשור לנתונים
התמקדות בנתונים בעת תכנון ופריסה של מערכות AI עשויה להיות קריטית. ארגונים נפגעים מצונאמי של נתונים מדי יום ביומו. מה שבינה מלאכותית מאפשרת להם לעשות זה למצוא דפוסים נסתרים בנתונים האלה, מה שעוזר להאיץ את יכולתם להפיק מהם ערך. אז הם יכולים לקבל החלטות מושכלות יותר באופן משמעותי לגבי היישומים, התהליכים והשירותים שהם רוצים לבנות או לשפר.
מרכיב עיקרי במיקוד הממוקד בנתונים הוא קיום אסטרטגיה מוצקה כיצד לאסוף, לנהל ולנטר את הנתונים - כזו המותאמת היטב לעסק, בונה תרבות נתונים וכוללת אלמנטים סביב ממשל, איכות נתונים, פרטיות ומטא נתונים, אומר HPE.
"אתה צריך להבין מה העסק מנסה לעשות", מסביר ארמסטרונג-בארנס. "אתה צריך להבין איך אתה מוביל לאיכות נתונים, מי ניגש אליהם, איך אתה נפטר מהם, אילו מטא נתונים אתה מאחסן."
בעיה נוספת שהנתונים יכולים להציג היא ממגורות. כאשר נתונים נעולים, חילוץ והפקת ערך מהם עלולים להיות בעייתיים. וברגע שהנתונים האלה נגישים וזמינים, מגיע הנושא של הכשרת הנתונים שיודיעו לפלטפורמות הבינה המלאכותית. בכל הנוגע לבניית מערכות AI, ברמה גבוהה ישנם מספר שלבים: איסוף נתונים; זיקוק נתונים כדי שיהיה מוכן לבניית מודל; בניית הדגמים; כוונון הדגמים; ולאחר מכן לפרוס אותם. כל אחד מהשלבים הללו מציג אתגרים ספציפיים.
אבל שימוש בארכיטקטורת AI מקורית מ-HPE Greenlake יכול לעשות דרך ארוכה כדי לשים את הבסיס הנכון כדי לזרז את התהליכים האלה, אומר HPE. וסביבת הפיתוח של למידת מכונה (MLDE) של החברה נועדה גם היא לעזור להפחית את המורכבות והעלות הקשורים לפיתוח מודל למידת מכונה.
אימון מודלים אלה של AI דורש גם כוח עיבוד משמעותי. כאשר חברות עוברות לאמץ או להגביר את השימוש שלהן ב-AI, תחילה עליהן להיות בעלת היכולת הטכנולוגית להתמודד עם העומס. פלטפורמת HPE GreenLake יכולה לספק את היכולת הזו בצורה של ארכיטקטורת עיבוד בעלת ביצועים גבוהים וצנרת נתונים יעילה שארגונים יצטרכו כדי להבטיח גישה לנתונים איכותיים ורלוונטיים כדי לבנות ולפרוס מודלים ועומסי עבודה של AI.
פרויקטים מוצלחים יכולים להאיר את הדרך
לעתים קרובות זה מועיל להסתכל על חברות שכבר עשו עבודה טובה באימוץ והטמעת AI לצורך הדרכה. אחד מהם הוא קבוצת הספורט האלקטרוני Evil Geniuses בסיאטל, WA. לאורך 25 שנות ההיסטוריה שלה, החברה נכנסה לקבוצות במגוון ספורט אלקטרוני במשחק Call of Duty, Fortnite, Halo, Rocket League ו-VALROANT. הקבוצות של Evil Geniuses הצליחו למדי. צוות Call of Duty: WWII של החברה זכה למשל באליפות Call of Duty 2018, וצוות VALORANT זכה באליפות VALORANT 2023.
"אנחנו כאן כדי לשנות את פני המשחקים", אומר כריס דאפולוניו, מנכ"ל ה-Evil Geniuses. "אנחנו ארגון ספורט ומשחקי בידור. אנחנו משחקים בצורה מקצועית ברחבי העולם. טכנולוגיה ונתונים הם עמוד השדרה של כל מה שאנחנו עושים. המשחקים שלנו בנויים על אחדות ואפסים. הם מבוססים על נתונים, ואיך אנחנו מעבדים את זה ויוצרים מזה תובנות?"
אחד החששות היותר דחופים שעומדים בפני גאוני הרע הוא זיהוי גיימרים מקצועיים פוטנציאליים. החברה מעבדת כמויות גדולות של נתונים מורכבים כדי למצוא כישרונות ברחבי העולם, ו. "אנחנו רוצים למצוא נתונים על המקצוען העתידי הזה", הוא אומר. ונראה שזה עובד. "אנחנו רוצים לנצח. אנחנו רוצים למצוא כישרונות טובים יותר. אנחנו רוצים להיות יעילים יותר עם מאמנים וסקאוטים. אנחנו יכולים להשתמש בתובנות כדי לחשוף את הכוכב הבא".
העתיד של AI - הן מנקודת מבט של פרודוקטיביות והן מנקודת מבט עסקית - נראה מבטיח. "AI הוא ספורט קבוצתי, זה קשור לכישורים", אומר ארמסטרונג-בארנס מ-HPE. "כשזה מגיע להטמעה מוצלחת של מערכות בינה מלאכותית, אחת השיטות היא שיתוף פעולה עם ארגון בעל רקורד עקבות בבניית מערכות בינה מלאכותית, יעילות ואפקטיביות. עם מורשת עמוקה בבינה מלאכותית של עשרות שנים אחורה, HPE מציעה את הכלים, הטכניקות והמיומנויות להאצת יוזמות בינה מלאכותית".
להיות מונע נתונים והבנה מלאה של הנתונים ולמה הם הולכים להשתמש בהם, יעזור לארגון לנקוט בגישה ממוקדת מקרה שימוש כדי לעזור לזהות כיצד הוא יכול למזג את הנתונים שלו עם טכניקות AI כדי להניב ערך עסקי. ברגע שההבנה הזו מתקיימת, קל יותר לבנות על היתרונות.
ארמסטרונג-בארנס מייעצת לחברות לבנות פלטפורמות שיאפשרו להן להתחיל בקטן, אך יש להן את כל היסודות על מנת לאפשר להן להתרחב בעת הצורך. אז הם רק צריכים להבין מה הם רוצים לעשות ואיך זה יוסיף ערך, ולצמוח עם הצרכים שלהם לאורך זמן. HPE מדגישה את יכולתה לבנות "מפעלי AI" המשלבים חומרה, תוכנה ושירותים המספקים את אותה מדרגיות ארגונית, הנתמכת על ידי מערכות משולבות המקלות על חיי משתמשי הקצה.
"אתה רוצה לשמור על קשר עם המתחרים שלך כבר במסע הבינה המלאכותית", הוא אומר. "הוספת שותפים ל-Team AI היא גורם הצלחה קריטי בכל הנוגע לבניית ארכיטקטורת בינה מלאכותית המותאמת לצרכים שלך ומאפשרת לך להתמקד בנתונים ובאתגרים העסקיים שלך במקום במורכבות של היסודות הבסיסיים."
בחסות HPE.
- הפצת תוכן ויחסי ציבור מופעל על ידי SEO. קבל הגברה היום.
- PlatoData.Network Vertical Generative Ai. העצים את עצמך. גישה כאן.
- PlatoAiStream. Web3 Intelligence. הידע מוגבר. גישה כאן.
- PlatoESG. פחמן, קלינטק, אנרגיה, סביבה, שמש, ניהול פסולת. גישה כאן.
- PlatoHealth. מודיעין ביוטכנולוגיה וניסויים קליניים. גישה כאן.
- מקור: https://go.theregister.com/feed/www.theregister.com/2024/04/18/getting_on_board_with_ai/
