موثرترین حوزه های تجاری هوش مصنوعی در کسب و کارها

موثرترین حوزه های تجاری هوش مصنوعی در کسب و کارها

در حالی که پذیرش کلی هوش مصنوعی در بین کسب و کارها همچنان پایین است (طبق آخرین مطالعه ها حدود ۲۰ درصد)، مدیران ارشد می دانند که هوش مصنوعی صرفا هیاهو نیست. سازمان ها در سراسر بخش ها به دقت در حال بررسی این فناوری هستند تا ببینند چه کاری می تواند برای کسب و کار آنها انجام دهد. همانطور که باید انتظار داشت، طی بررسی ها تخمین می زنیم که ۴۰ درصد از کل ارزش بالقوه ای که امروزه می توان از طریق تحلیل ها ایجاد کرد، از تکنیک های هوش مصنوعی ناشی می شود که تحت عنوان «یادگیری عمیق» قرار می گیرند (که از چندین لایه شبکه عصبی مصنوعی استفاده می کنند، به این دلیل که ساختار و عملکرد آنها به طور آزادانه الهام گرفته از مغز انسان است). در مجموع، تخمین زده شده که یادگیری عمیق می تواند بین ۳.۵ تا ۵.۸ تریلیون دلار ارزش سالانه ایجاد کند.

با این حال، بسیاری از رهبران کسب و کار هنوز دقیقا مطمئن نیستند که باید هوش مصنوعی را در کجای کسب و کار خود اعمال کنند تا بیشترین بازدهی و بهره وری را کسب کنند. از این گذشته، ادغام هوش مصنوعی در کل کسب و کار نیازمند سرمایه گذاری قابل توجه در استعداد و ارتقاء پشتوانه فناوری و همچنین ابتکارات تغییر گسترده برای اطمینان از ایجاد ارزش معنادار توسط هوش مصنوعی، چه از طریق تصمیم گیری بهتر یا بهبود برنامه های کاربردی رو به مشتری است.

از طریق بررسی دقیق بیش از ۴۰۰ مورد استفاده واقعی هوش مصنوعی در ۱۹ صنعت و ۹ عملکرد تجاری، تحقیق شده که یک ضرب المثل قدیمی در پاسخ به این سوال که هوش مصنوعی را کجا باید به کار برد، مفید ترین است و آن این است که: «دنبال پول بروید.»

حوزه های تجاری که بیشترین ارزش را برای شرکت ها ایجاد می کنند، تمایل دارند مناطقی باشند که هوش مصنوعی می تواند بیشترین تاثیر را داشته باشد.

به عنوان مثال، در سازمان های خرده فروشی، بازاریابی و فروش اغلب ارزش قابل توجهی ایجاد کرده است. تحقیقات نشان می دهد که استفاده از هوش مصنوعی بر روی داده های مشتری برای شخصی سازی تبلیغات می تواند منجر به افزایش ۱ تا ۲ درصدی فروش اضافی تنها برای خرده فروشان فیزیکی شود. در مقابل، در تولید پیشرفته، عملیات اغلب بیشترین ارزش را ایجاد می کند. در اینجا، هوش مصنوعی می تواند پیشبینی را بر اساس عوامل اصلی محرک تقاضا به جای نتایج قبلی فعال کند و دقت پیشبینی را ۱۰ تا ۲۰ درصد بهبود بخشد. این امر به کاهش بالقوه ۵ درصدی هزینه های موجودی و افزایش درآمد ۲ تا ۳ درصدی منجر میشود.

در حالی که کاربردهای هوش مصنوعی طیف کاملی از حوزه های عملکردی را پوشش می دهد، در واقع در این دو حوزه فراگیر مدیریت زنجیره تامین و تولید و بازاریابی و فروش است که ما معتقدیم هوش مصنوعی می تواند حداقل در حال حاضر، در چندین صنعت، بیشترین تاثیر را داشته باشد. در مطالعات مشخص شده که این موارد استفاده بیش از دو سوم کل فرصت هوش مصنوعی را تشکیل می دهند. هوش مصنوعی می تواند ۱.۴ تا ۲.۶ تریلیون دلار ارزش در بازاریابی و فروش در سراسر کسب و کارهای جهان و ۱.۲ تا ۲ تریلیون دلار در مدیریت زنجیره تامین و تولید ایجاد کند (بخشی از ارزش به شرکت ها تعلق می گیرد و بخشی توسط مشتریان به دست می آید). در تولید، بیشترین ارزش از هوش مصنوعی را می توان با استفاده از آن برای نگهداری پیشبینی کننده (حدود ۰.۵ تا ۰.۷ تریلیون دلار در سراسر کسب و کارهای جهان) ایجاد کرد. توانایی هوش مصنوعی در پردازش حجم عظیمی از داده ها از جمله صدا و ویدئو به این معنی است که می تواند به سرعت ناهنجاری ها را برای جلوگیری از خرابی شناسایی کند، چه صدای عجیبی در موتور هواپیما باشد یا نقصی در خط مونتاژ که توسط یک سنسور تشخیص داده شده است.

راه دیگری که رهبران کسب و کار می توانند روی جایی که باید هوش مصنوعی را اعمال کنند تمرکز کنند، این است که به سادگی به عملکردهایی نگاه کنند که در حال حاضر از تکنیک های تحلیلی سنتی استفاده می کنند. در مطالعات صورت گرفته مشخص شده که بیشترین پتانسیل برای ایجاد ارزش توسط هوش مصنوعی در مواردی است که تکنیک های شبکه عصبی می توانند یا عملکرد بالاتری نسبت به تکنیک های تحلیلی تثبیت شده ارائه دهند یا بینش ها و کاربردهای اضافی ایجاد کنند. این مورد برای ۶۹ درصد از موارد استفاده هوش مصنوعی شناسایی شده در مطالعات صادق است. تنها در ۱۶ درصد از موارد استفاده، یکی از راه حل های بدست آمده برای بهره گیری از هوش مصنوعی "زمینه سبز" می باشد که در جایی که روش های تحلیلی دیگر موثر نبودند، قابل اجرا می باشد. (در حالی که تعداد موارد استفاده برای یادگیری عمیق احتمالا با همه کاره تر شدن الگوریتم ها و در دسترس تر شدن نوع و حجم داده های مورد نیاز برای عملی شدن آنها به سرعت افزایش می یابد، درصد موارد استفاده یادگیری عمیق زمینه سبز ممکن است به طور قابل توجهی افزایش نیابد، زیرا تکنیک های یادگیری ماشین تثبیت شده تر نیز فضای رشد برای بهتر و فراگیرتر شدن دارند.)

ما نمی خواهیم به عنوان هواداران ساده لوح ظاهر شویم.

حتی اگر ما پتانسیل اقتصادی را در استفاده از تکنیک های متنوع هوش مصنوعی میبینیم، موانع و محدودیت های ملموس برای اجرای هوش مصنوعی در طیف متنوعی از فعالیت و بخش های یک کسب و کار را نیز باید مد نظر داشت. به دست آوردن مجموعه داده هایی که به اندازه کافی بزرگ و جامع باشند تا اشتهای سیری ناپذیر یادگیری عمیق برای داده های آموزشی را برآورده کنند، یک چالش بزرگ است. همچنین رسیدگی به نگرانی های فزاینده در مورد استفاده از چنین داده هایی، از جمله امنیت، حریم خصوصی و احتمال انتقال تعصبات انسانی به الگوریتم های هوش مصنوعی، نیز مهم است. در برخی بخشها، مانند مراقبت های بهداشتی و بیمه، شرکت ها همچنین باید راه هایی برای توضیح نتایج به تنظیم کننده ها به زبان انسانی پیدا کنند: چرا ماشین به این پاسخ رسید؟ خبر خوب این است که خود فناوری ها در حال پیشرفت هستند و شروع به رسیدگی به برخی از این محدودیت ها می کنند.

فراتر از این محدودیت ها، چالش های سازمانی دشوارتری وجود دارد که شرکت ها با پذیرش هوش مصنوعی با آن مواجه هستند. تسلط بر فناوری نیازمند سطوح جدیدی از تخصص است و فرآیند می تواند به مانع اصلی برای پذیرش موفق تبدیل شود. شرکت ها باید فرآیندهای نگهداری و حکمرانی داده های قوی را توسعه دهند و هم روی «گام های اول» نحوه کسب و سازماندهی تلاش های داده و هم روی «گام های آخر» بسیار دشوارتر، یعنی نحوه ادغام خروجی مدل های هوش مصنوعی در جریان کار، از مدیران آزمایش های بالینی و مدیران نیروی فروش گرفته تا مسئولین تدارکات، تمرکز کنند.

در حالی که مشاغل باید در هنگام استقرار هوش مصنوعی هوشیار و مسئولیت پذیر باشند، مقیاس و تاثیر مفید فناوری بر مشاغل، مصرف کنندگان و جامعه، دنبال کردن فرصت های هوش مصنوعی را به یک تحقیق کامل تبدیل می کند. این پیگیری یک چشم انداز ساده نیست، اما می تواند با یادآوری یک مفهوم ساده آغاز شود: دنبال پول بروید.