AI இன் தரமதிப்பீடு: இது ஏன் வியாபாரத்திற்கு லாபம்

செயற்கை நுண்ணறிவு (AI) பயன்பாட்டின் அடிப்படையில் ஒரு நிலையான கணிக்கக்கூடிய நன்மைகளை பிரித்தெடுக்கவும், இந்த திசையை முறிப்பதன் பின்னர் ஒரு வணிக மட்டுமே முடியும். இது வியாபாரத்திற்கான II நடைமுறையின் அளவிடலின் ஒரு ஒருங்கிணைந்த பகுதியாக மட்டுமல்ல, வளர்ச்சியின் ஒரு உறுதிமொழியும் மட்டுமல்ல. தொழிற்துறை அல்லது கட்டுப்பாட்டாளர்கள் தங்களைத் தாங்களே தத்துவத்தை எடுப்பார்கள் என்று நிறுவனங்கள் எதிர்பார்க்கப்படக்கூடாது, அவர்கள் தங்கள் கைகளில் செயல்முறை எடுக்க வேண்டும்.

அணுகுமுறை இல்லை அளவு அல்ல

செயற்கை நுண்ணறிவு (AI) ஒரு உயர் முன்னுரிமை திசையில் ஆனது - உலக அளவிலான வணிக கடந்த மூன்று ஆண்டுகளில் AI தீர்வுகளுக்கு சுமார் 306 பில்லியன் டாலர் செலவழித்தது. கோட்பாட்டில், இந்த முதலீடுகள் மூன்று முறை வருமானத்தை கொண்டு வரக்கூடும். இருப்பினும், பல நிறுவனங்கள் எதிர்பார்க்கப்படும் முடிவுகளை எட்டவில்லை.

முக்கிய காரணம் AI தீர்வுகளின் பயனுள்ள அளவுகோலாக வணிகத்தின் இயலாமை ஆகும். இது AI இன் போதுமான தரமதிப்பீடு காரணமாக நடக்கிறது. உதாரணமாக, கட்டுமானத்திற்காக நாங்கள் ஒரு ஒப்புமை தரும். கட்டடக்காட்டிகள், செங்கல் ஸ்டேக்கர்ஸ், எலக்ட்ரிகர்கள் மற்றும் பிற கட்டுமான வல்லுநர்கள் அதன் மேடையில் ஒரு வீட்டை எவ்வாறு கட்டமைப்பது என்பதை அறிவோம். அவர்கள் பயிற்சி பெற்றனர், அவற்றின் பாத்திரத்தை புரிந்து கொள்ள வேண்டும், அதனுடன் தொடங்கும் பாதுகாப்பு தரங்களை நன்கு அறிந்திருக்க வேண்டும். சரியான மனதில் உள்ள ஒருவர், வீட்டின் வடிவமைப்பை வடிவமைப்பாளருக்கு ஒரு அமெச்சூர்-ஒரு அமெச்சூர், அதன் கட்டுமானம் சீரற்ற மக்களுக்கான ஒரு குழுவாகும் என்று அது சாத்தியமில்லை. அதே நேரத்தில், ஒரு விஷயம், நீங்கள் உருவாக்க விரும்பினால், உதாரணமாக, உயர்த்தி, மற்றும் மற்ற பொருட்களை பல்வேறு வகையான பொருட்களை, பல்வேறு அனுபவம் மற்றும் அறிவு நிபுணர்கள் தேவைப்படும்.

இது AI உடன் இருக்க வேண்டும் - பொது விதிமுறைகளை, தரநிலைகள் மற்றும் அடிப்படை கோட்பாடுகளை ஆணையிடுவதன் மூலம் திசையை முறியடையும், வணிக பணிகளை பொறுத்தவரை, தவறான விளக்கம் தொடர்பாக தொழில்நுட்ப திறன்களை குறைத்து மதிப்பிடுதல் அல்லது மறுபரிசீலனை செய்ய முடியும் பணிகள், அதே போல் தவறான எண்ணங்கள் மற்றும் நிதி திட்டங்கள். IA தொழில்நுட்பங்கள் மிக விரைவாக வளர்ந்து வருவதால், அரசாங்கங்கள் மற்றும் ஒழுங்குமுறை அதிகாரிகள் தொழிற்துறை சீர்திருத்தங்களை முன்னெடுக்க நேரம் இல்லை மற்றும் தரநிலைகளை செயல்படுத்த நேரம் இல்லை. இவ்வாறு, நிறுவனங்கள் தங்கள் கைகளில் தொழில்முறை பணி எடுக்க வேண்டும்.

நேரம் வந்துவிட்டது

ஒட்டுமொத்த வணிக அபிவிருத்தி மூலோபாயத்தின் கட்டமைப்பில் AI ஐ வெற்றிகரமாக அளவிடக்கூடிய நிறுவனங்களில் ஒரு ஆய்வு நடத்தியது - அவை மூலோபாய ஸ்காலர்கள் என்று அழைக்கப்படுகின்றன. அவர்கள் AI மற்றும் Interdisciplinary கட்டளைகளின் திசைகளின் தரநிலை தந்திரோபாயங்களைப் பயன்படுத்துகின்றனர். இந்த அணுகுமுறை 1.5-2.5 மடங்கு பயனுள்ள வடிவமைப்பு மற்றும் தயாரிப்பு தயாரிப்புகளை உருவாக்கும், பயிற்சி உட்பட, பங்கேற்பாளர்களிடையே பொறுப்பான ஒரு தெளிவான விநியோகத்தை உருவாக்குகிறது.

AI ஐ வெற்றிகரமாக அளவிடக்கூடிய 92% நிறுவனங்கள் நிறுவனத்தின் ஊடாக பயன்பாட்டு இடைவெளிகளைப் பயன்படுத்துகின்றன. 72% அவர்களது ஊழியர்கள் எவ்வாறு செயற்கை நுண்ணறிவு ஏற்கனவே பயன்படுத்தப்படுவது அல்லது அவற்றின் பாத்திரங்களுக்குள் பணிகளுக்கு எவ்வாறு பயன்படுத்தப்படலாம் என்பதைப் புரிந்துகொள்வதாக வாதிடுகின்றனர். தனது நடைமுறையில் மூலோபாய ஸ்காலர்கள் விரைவில் பணிநீக்க கடமைகளை அகற்றி, நிறுவனத்திற்குள் AI குழுக்களின் கூட்டுறவு நடைமுறையில் உள்ளேயும் பொதுவாக பொறுப்பின் எல்லைகளையும் தெளிவுபடுத்துகின்றனர்.

அத்தகைய அணிகளில் உள்ள பாத்திரங்களின் கலவையும் விகிதம் குறிப்பிட்ட நிகழ்வுகளையும் திட்டங்களையும் சார்ந்தது. பங்குதாரர் அனுபவம் மற்றும் / அல்லது அபிவிருத்தி திட்டத்தை பயன்படுத்தி, அணிகள் உருவாக்க மற்றும் அபிவிருத்தி திட்டத்தை பயன்படுத்தி இந்த செயல்முறையை நிறுவுதல் நிறுவனத்திற்கு தரப்படுத்தப்பட்டு, வெளிப்படையான நிறுவனத்திற்கு மாற்றியமைக்க உதவும். ஆனால் ஒரு விஷயம் அனைத்து திட்டங்களுக்கும் முக்கிய உள்ளது - இது ஆரம்பத்தில் இருந்து பொறுப்பை தீர்மானிக்க வேண்டும் மற்றும் எதிர்பார்ப்புகளை சரிசெய்ய வேண்டும்.

கட்டாய கல்வி மற்றும் மொத்த AI எழுத்தறிவு

நிறுவனங்கள் AI கற்கையில் முதலீடு செய்கின்றன, ஆனால் ஒரு விதியாக, உண்மையான உலகில், பலர் நிபுணர்களில் பலர் செயற்கை நுண்ணறிவுடன் பயனுள்ள பணிக்கான தேவையான பயிற்சி மற்றும் தகுதிகள் இன்னும் இல்லை. AI இன் திட்டங்களில் ஈடுபட்டுள்ள பணியாளர்களுக்கான கல்வி, திறமைகள் மற்றும் பயிற்சிக்கான தேவைகளை நிறுவுவது முக்கியம்.

அதே நேரத்தில், நிறுவனங்கள், AI ஐ வெற்றிகரமாக அளவிடுகின்றன, வணிகத் துறையில், தகவல் மற்றும் தரவு மேலாண்மை மற்றும் AI ஆகியவற்றில் உள்ள திறன்களையும் தகுதிகளுடனும் சரியான கலவையுடன் பிரேம்களை நம்பியிருக்கின்றன. எனவே, மூலோபாய ஸ்காலர் சுயவிவர நிறுவனங்களில் 70% தங்கள் ஊழியர்கள் AI வயதில் முறையான கற்றல் மற்றும் தரவு வேலை என்று கூறுகின்றனர்.

இன்று, வணிக பெரும்பாலும் பயிற்சி மற்றும் திறன்களின் தேவைகளை முறைப்படுத்தாமல் II அணிகள் பொருத்தப்பட்டிருக்கின்றன, முக்கிய வகையான பணிகளை ஒரு வகைப்பாடு மற்றும் அவர்களின் செயல்பாட்டிற்கு அணுகுமுறைகளை ஒரு வகைப்படுத்தி வேலை இல்லாமல். AI துறையில் பட்டதாரி அல்லது சான்றிதழ் நிபுணர்கள் மத்தியில் கூட, பல்வேறு பாதுகாப்பு மற்றும் நடைமுறை திறன்கள் மற்றும் கருவிகள் மற்றும் ஒரு குறிப்பிட்ட வணிக பண்புகள் புரிந்து அடிப்படையில் பல்வேறு பாதுகாப்பு மற்றும் நிலைகள் உள்ளன.

புதிய திறமை நிறுவனங்களைத் தட்டச்சு செய்யும் போது அடிக்கடி ஒரு குறிப்பிட்ட பாத்திரத்தை நிறைவேற்றுவதற்கான தேவையான அளவை மதிப்பிடுவதற்கான வேட்பாளர்களின் தொழில்நுட்ப திரையிடலைப் பயன்படுத்துகிறது. AI குழுக்களின் பங்கேற்பாளர்களை இன்னும் பொறுப்பான மற்றும் சுதந்திரம் கொடுக்க முடியும், AI நடைமுறையில் உண்மையான சூழ்நிலையை புரிந்து கொள்ள, நிறுவனங்கள் அறிவு மற்றும் திட்ட அபிவிருத்தி தொடர்பாக பணியாளர் தொழில்முறை முழுவதும் வழக்கமான மதிப்பீட்டை நிகழ்வுகளை நடத்த வேண்டும்.

AI இல் முதலீட்டில் நிபந்தனையற்ற அதிகரிப்பு இருந்தபோதிலும், இந்த பகுதியில் உண்மையான தொழில்முறை சாதனை அமைப்பு முழுவதும் மொத்த மற்றும் கல்வியறிவு உறுதி செய்வதை சார்ந்துள்ளது.

AI-Dream அணி

மற்றொரு சிறப்பியல்பு சவால் ஒரு பயனுள்ள இடைநிலை கட்டளையை உருவாக்க இயலாமை ஆகும். AI இன் உண்மையான வணிக மதிப்பு, பகுப்பாய்வு, தரவு மற்றும் செயற்கை நுண்ணறிவு வணிக சக ஊழியர்களுடன் கையில் உள்ள நிபுணர்கள் போது மட்டுமே நடைமுறைப்படுத்தப்படலாம். சரியான அணி இந்த மாதிரி இருக்க வேண்டும்:

• தயாரிப்பு உரிமையாளர் (தயாரிப்பு உரிமையாளர்), "தோல்" என்பது உற்பத்தி அளவீடுகளுக்கு பொறுப்பாகும் மற்றும் வணிகத்திலிருந்து தேவைகள் மற்றும் கருத்துக்களைப் பெறுவதற்கான ஒரு நுழைவு புள்ளியாகும்;
• பொருள் பகுதியில் ஒரு நிபுணர் முறைஞர், ஏற்கனவே வணிக செயல்முறை எவ்வாறு செயல்படுகிறது என்பதைப் புரிந்துகொள்வதுடன், மற்ற நிறுவனங்களில் இதேபோன்ற பணிகளை எவ்வாறு தீர்க்கப்படுவது என்பது பற்றிய அறிவை ஆதரிக்கிறது;
• ஒரு வணிக ஆய்வாளர் ஒரு வழக்கு வெளியிட யார் ஒரு வழக்கு வெளியிட வேண்டும் - II தயாரிப்பு தேவைகள் தேவைகளை ஆவணங்களை, கருதுகோள்கள், விளக்கங்கள் மற்றும் கட்டுப்பாடுகள் மாற்றங்கள்;
• சிக்கலான மறைக்கப்பட்ட முறைகள் கண்டறிதல் கருதுகோள்களை கண்டறிதல் மற்றும் அவற்றை சரிபார்க்க MVP உருவாக்க வரை காட்சி பகுப்பாய்வு இருந்து பகுப்பாய்வு கையாளுதல் ஒரு பரவலான பகுப்பாய்வு கையாளுதல் ஒரு பரவலான நடத்த முடியும் Sintist. இத்தகைய நிபுணர்களுக்கான திறன்களைப் பற்றிய ஒரு துறைகளில் ஒன்று தரவு கதைசொல்லல் ஆகும் - தரவை மாற்றுவதற்கான படி படிப்பதற்கான செயல்திறன் மற்றும் புரிந்துகொள்ளக்கூடிய வியாபார நுண்ணறிவுகளில் பகுப்பாய்வு முடிவுகளைப் பெறுவதற்கான திறன்;
• DataEngineer பொறியாளர் (Dateengineer), பகுப்பாய்வு மற்றும் தரவு Saystetist தரவு தயார் தரவு, எடுத்துக்காட்டாக, பல்வேறு ஆதாரங்களில் இருந்து இணைக்க, ஒரு வடிவம் மாற்ற; இந்த பாத்திரம் சுயாதீனமாக இருக்க வேண்டும் என்பதைக் காட்டுகிறது, ஏனெனில் தரவு-மதிப்பெண் அதன் செயல்பாட்டில் பயனற்றது என்பதால்;
• பகுதி நேர தரவு கட்டிடக்கலை (Datacharchitect) மற்றும் தரவு ஸ்டீவர்ட் பிரதிநிதி (தரவு ஸ்டீவர்ட்), இது விரைவாக தரவு, கட்டுப்பாடுகள் மற்றும் சோதனை மற்றும் உற்பத்தி வரையறைகள், தகவல் பாதுகாப்பு, மேகம் மற்றும் பிற உள்கட்டமைப்பு, devsecops / datrops செயல்முறைகள் / MLOPS / MLOPS ஆகிறது, இதனால் ஆரம்ப கட்டங்களில் அடையக்கூடியது மற்றும் சாத்தியமான அபாயங்கள் மற்றும் விளைவுகளை தெளிவுபடுத்துவது சரியானது.

பாத்திரங்களின் அடிப்படையில், அத்தகைய அணிகள் உள்ள நிறுவனங்களில் அதிகம் இருக்க முடியாது என்று காணலாம் - இந்த நிபுணர்கள் எப்போதும் பேக்கிங் செய்கிறார்கள். உண்மைகளை அத்தகைய ஒரு கட்டளைக்கு வளங்களை ஒதுக்குவதற்கு முன் இந்த நடவடிக்கையைப் பார்க்க விரும்புகிறது. அத்தகைய அணிகள் சீருடை தரங்களையும் விதிகளாலும் வழிநடத்தப்பட வேண்டும். ஐக்கியப்பட்ட கொள்கைகளுக்கு ஏற்ப வேலை ஒழுங்குபடுத்தப்பட்டிருந்தால், அது உகந்ததாகவும், அளவிடுவதற்கும் செய்யப்படுகிறது, மேலும் புதிய பணிகளைத் தீர்ப்பதற்கு விரைவாக நகர்கிறது, புதிய கருத்துக்களை சரிபார்க்கவும், புதிய பணிகளைத் தீர்ப்பதற்கு விரைவாகவும் இருக்கலாம். நிபுணர்களின் ஒரு பகுதி, நடைமுறைப்படுத்தப்பட்ட செயல்முறைகள் கண்டுபிடிப்புகளைத் தடுக்க முடியும் என்று வாதிடுகின்றன; Accenture ஆய்வுகள் எதிர் காட்டியுள்ளன.

தொழில் நிறுவனங்கள், தயாரிப்புகள் மற்றும் சேவைகள் உருவாக்கும் மற்றும் வளரும் போது சோதனை மற்றும் தரப்படுத்தல் ஒரு நிலையான அணுகுமுறை உள்ளது. ஆன்லைனில் சில்லறை விற்பனையாளரின் வாடிக்கையாளர் அனுபவத்தை மேம்படுத்துவதற்காக இயந்திரத்தின் அறிவார்ந்த சாதனங்கள் அல்லது மாதிரியை நிறுவனம் உருவாக்கியதா இல்லையா என்பதைப் பொருட்படுத்தாமல், AI-Pruse அபிவிருத்திக்கு ஆதரவாக ஒரு முறைமை மற்றும் செயல்முறைகளின் கிடைக்கும்

உதாரணமாக, மென்பொருள் குறியீட்டை உற்பத்தி செய்வதற்கு ஒரு முறையான செயல்முறை உங்களுக்கு தேவைப்படும். தரவு விஞ்ஞானி தரவு பொறியியலாளர்கள் தரவு பொறியியலாளர்கள் மோசமாக கட்டமைக்கப்பட்ட மற்றும் ஆவணமற்ற குறியீட்டை கடந்து செல்லும் போது, ​​Python இலிருந்து உற்பத்திக்கு விநியோகிப்பதற்காக ஸ்காலாவிலிருந்து பரிமாற்றம் செய்யப்பட வேண்டும்.

நடைமுறையில், IA-அபிவிருத்தி தரநிலைகள் வார்ப்புருக்கள், லாக்கிங் மற்றும் கண்காணித்தல் விதிகள், யுனைடெட் சோதனைகள், குறியீடு பதிப்புகள், லைப்ரரி பதிப்புகள் ஆகியவற்றின் கட்டுப்பாட்டு, லைப்ரரி பதிப்புகள் ஆகியவற்றின் கட்டுப்பாடுகளையும் பாதிக்கின்றன.

ரஷ்யாவிலும் உலகிலும்

ரஷ்யாவில், II அபிவிருத்தித் துறையில், மற்ற நாடுகளுக்கு இயந்திர கற்றல் நிபுணர்கள் மற்றும் செயற்கை நுண்ணறிவின் திறமைகளின் அடிப்படையில் ஒரு நல்ல உறவினர் ஒரு நல்ல உறவினர். தீம் தன்னை நிறுவனங்கள் மற்றும் மாநில அளவில் நிகழ்ச்சி நிரலில் உள்ளது. AI செயல்பாட்டின் அர்ப்பணிப்பு பெருநிறுவன ஆய்வகங்கள், ஒரு சிறிய எண்ணிக்கையிலான வணிக செயல்முறைகளில் AI தீர்வுகளின் தொழில்துறை உட்பொதித்தல் ஏற்படுகிறது.

தொழில்நுட்ப நிறுவனங்கள், e- காமர்ஸ் மற்றும் சில்லறை விற்பனை ஆகியவற்றில் நிலைமை சிறந்தது, தொலைத்தொடர்பு மற்றும் வங்கிகளில் செய்யப்படுகிறது. இந்த தொழில்களில், பெருநிறுவன அமைப்பில் ஒருங்கிணைந்த II குழுவுடன் ஒரு மேம்பாட்டின் ஒரு பார்வை ஏற்கனவே உருவாகிறது. பொருளாதாரம் உண்மையான துறையில் இன்னும் ஒரு பெரிய வழி உள்ளது, என் நடைமுறையில் வெற்றிகரமான ரஷ்ய உதாரணங்கள் ஒன்று எண்ணெய் மற்றும் எரிவாயு துறையில் இருந்து நிறுவனம் சொந்தமானது என்றாலும்.

வங்கி துறையில் நான் பார்த்த மேம்பட்ட பகுப்பாய்வு அடிப்படையில் ஒரு விரிவான மாற்றம் மிகவும் வெற்றிகரமான தொழில்துறை அணுகுமுறைகளில் ஒன்று. சர்வதேச வங்கியியல் குழு மேம்பட்ட பகுப்பாய்வு மற்றும் ஆன்லைன் ஒத்துழைப்புக்கான ஒரு தொழில்நுட்ப தளத்தில் முதலீடு செய்துள்ளது, அதே போல் ஒரே நேரத்தில் ஒரு சர்வதேச தரவு அறிவியல் சமூகத்தை தொடங்கியது. மேலே குறிப்பிட்டுள்ள கதாபாத்திரங்களுடன் இடைக்கால தயாரிப்பு குழுக்களின் பொருத்தத்தை ஒன்றாக சேர்த்து, முதல் ஆறு மாதங்களுக்கு 10 II- வழக்குகளில் ஒரு உற்பத்தி செய்யப்பட்டு, மற்றொரு 20 ஐ ஒரு விரிவான ஆய்வைத் தொடங்குவதற்கு இந்த வழிமுறைகளை அனுமதித்தது.

தொடக்க நேரத்தில் நிறுவனம் ஏற்கனவே ஒரு நன்கு உருவாக்கப்பட்ட தரவு மேலாண்மை செயல்பாடு (தரவு ஆட்சி) இருந்தது, இது மாற்றம் அடிப்படையில் செயல்பட்டது, ஒரு அணுகுமுறை, செயல்முறைகள் மற்றும் தொழில்நுட்பங்கள் அடையாளம்.

AI இல் தரநிலைகளைத் தீர்க்க வேண்டும்

முதலாவதாக, ஒரு திறமையான குழு மற்றும் வெளிப்படையான கொள்கைகள் மற்றும் AI இன் தரநிலைகள் ஆகியவற்றின் கலவையாகும், முன்முயற்சியிலிருந்து பொருளாதார விளைவுகளின் ஆதாரத்தின் பிரச்சினையைச் சமாளிக்கிறது. செலவினத்தின் இறுதி-இறுதி சங்கிலியின் பகுப்பாய்வுடன் தயாரிப்புக்கான திட்டத்திற்கும் செயல்முறை அணுகுமுறையிலும் இது மிகவும் நெருக்கமாக தொடர்புடையது. AI- மெட்ரிக்ஸ் நடைமுறையில் அணிகள் அறிமுகப்படுத்துகின்றன, இது AI திட்டங்களின் பிரச்சினைகள் மற்றும் நுட்பமான இடங்களை நீங்கள் கட்டுப்படுத்த அல்லது முற்றிலும் அகற்ற அனுமதிக்கும். உதாரணமாக, முன்னோக்கி அனலிட்டிக்ஸ் அறிமுகப்படுத்திய பின்னர் P & L தயாரிப்பு மாற்றத்திற்கான ஒரு முன்னறிவிப்பை உடனடியாக நடத்தலாம் மற்றும் இன்னும் துல்லியமாக ஒரு குறிப்பிட்ட வணிக செயல்பாட்டில் AI செயல்படுத்த ஒரு செலவு-பயன் பகுப்பாய்வு நடத்த.

மொத்தத்தில், இது AI இன் அபிவிருத்திக்கான ஒரு மூலோபாய திசையாகும், "ஆய்வக பரிசோதனைகள்" ஒரு முழுமையான II மூலோபாயத்திற்கு மாற்றத்தை முன்னெடுக்க நிறுவனங்களின் தயார்நிலையில் ஒரு முறிவு அனுமதிக்கிறது.