چرا پروژه هوش مصنوعی شما ناموفق خواهد بود؟

توسط ترنس تسه ، مارك اسپوزیتو ، تاكاكی میزونو و دنی گوه

8 ژوئن 2020 نشریه هاروارد HBR     

                                                                                      

پل تیلور / گتی ایماژ

در اینجا طرح یک داستان مشترک در مورد چگونگی شکست شرکتها در تلاش برای پیاده سازی  هوش مصنوعی ارایه می شود. آنها از نزدیک با یک تامین کننده فناوری کار می کنند. آنها زمان ، پول و تلاش لازم را برای دستیابی به موفقیت چشمگیر برای کسب و کار خود سرمایه گذاری می کنند و نشان می دهند که چگونه استفاده از هوش مصنوعی باعث بهبود تجارت آنها می شود. اما پس از مدتی همه چیز به نوعی نشانگر این است که شرکت کار خود را متوقف کرده و تیم هایشان ناامید شده اند.

چه چیزی پایان ناامید کننده را توضیح می دهد؟

ادغام مدل های هوش مصنوعی در معماری کلی فناوری یک شرکت ، در واقع بسیار سخت است. انجام این کار مستلزم جاسازی صحیح فن آوری جدید در سیستم ها و زیرساخت های بزرگتر IT است – یک سیستم هوش مصنوعی درجه یک را اگر نتوانید به سیستم های موجود خود وصل کنید خوب نیست. در حالی که شرکت ها وقت و منابع خود را برای تفکر در مورد مدل های AI می گذارند ، در حالی که نمی توانند چگونگی عملکرد واقعی سیستم های مورد نظر خود را بررسی کنند.

مؤلفه گمشده در اینجا عملیات هوش مصنوعی است – یا به طور خلاصه  “AIOps”.

 این فعالیت ها شامل ساخت ، ادغام ، آزمایش ، آزادسازی ، استقرار و مدیریت سیستم است تا بتواند نتایج حاصل از مدلهای هوش مصنوعی را به بینش مطلوب کاربران نهایی تبدیل کند. در ابتدایی ترین ، AIOps به داشتن سخت افزار و نرم افزار مناسب ، به برخورداری از یک تیم درست نیازمند است: توسعه دهندگان و مهندسان با مهارت و دانش برای ادغام هوش مصنوعی در فرایندها و سیستم های موجود شرکت.

مهندسی نرم افزار و عملی که هدف آن ادغام نهایی توسعه نرم افزار و عملکرد آن است ، کلید اصلی تبدیل کار موتورهای هوش مصنوعی برای تبدیل به پیشنهادات تجاری واقعی و دستیابی به هوش مصنوعی در مقیاس بزرگ و قابل اعتماد است.

اما برای دستیابی به این امر چه باید کرد؟

با محیط مناسب شروع کنید.

تنها بخشی از کد ها در بسیاری از کسب و کار ها دارای هوش مصنوعی ، به عملکرد هوش مصنوعی اختصاص یافته است – در حقیقت ، مدل های واقعی AI بخش کوچکی از یک سیستم بسیار بزرگتر هستند و اینکه کاربران چگونه می توانند با آنها ارتباط برقرار کنند به همان اندازه مدل خود مهم هستند. برای بهینه کردن ارزش AI ، باید از یک محیط تولید به خوبی طراحی شده (نامی که برنامه نویسان برای تنظیم  آن در دنیای واقعی که آن کد با کاربر  ارتباط برقرار می کند) شروع کنید. فکر کردن در مورد این طراحی از ابتدا به شما کمک می کند تا پروژه خود را مدیریت کنید ، از اینکه آیا راه حل هوش مصنوعی می تواند در محیط فناوری اطلاعات مشتری ایجاد شود تا ادغام و استقرار الگوریتم در سیستم عامل مشتری توسعه یابد. شما می خواهید تنظیماتی انجام دهید که در آن نرم افزار و سخت افزار یکپارچه با هم کار کنند ، بنابراین یک کسب و کار تجاری می تواند برای اجرای عملیات تجاری روزانه خود در زمان واقعی به آن اعتماد کند.

یک محیط برای یک محصول خوب باید با سه معیار مطابقت داشته باشد:

قابل اعتماد بودن در حال حاضر ،  در حالی که فناوری های هوش مصنوعی مملو از مسائل فنی است. به عنوان مثال ، سیستم ها و مدل های مبتنی بر هوش مصنوعی هنگام تغذیه داده های اشتباه و نادرست ، عملکرد خود را متوقف می کنند. علاوه بر این ، سرعت لازم برای اجرای آنها در صورت نیاز به مقدار زیادی از داده ها کاهش می یابد. این مشکلات در بهترین حالت باعث كاهش كل عملکرد سیستم خواهد شد و در بدترین حالت آن را به زانو در می آورد.

جلوگیری از تنگناهای مرتبط با داده برای ایجاد یک محیط قابل اعتماد  ، مهم است. با قرار دادن معماری های پردازش شده و ذخیره سازی مناسب ، می توان بر مشکلات توان و تأخیرات غلبه کرد. علاوه بر این ، پیش بینی ها نیز مهم است. یک تیم خوب AIOps راه هایی را برای جلوگیری از سقوط محیط ،  در نظر گرفته و برنامه های احتمالی را برای کنترل اشتباهات پیش می برد.

انعطاف پذیری اهداف كسب و كار – و جريانات و فرآيندهاي حمايتي در كل سيستم – به طور مداوم تغيير مي كنند. در عین حال ، همه چیز باید مانند ساعت در سطح سیستم کار کند تا مدل های هوش مصنوعی بتوانند مزایای وعده داده شده خود را ارائه دهند: ورود داده ها باید طبق برخی از قوانین ثابت در فواصل زمانی منظم انجام شود ، مکانیسم های گزارشگری باید به طور مداوم به روز شوند و داده های قدیمی باید با بهنگام شوند.

برای پاسخگویی به الزامات در حال تحول در کسب و کار  ، همیشه ، یک محیط تولید باید به اندازه کافی انعطاف پذیر باشد . برای پیکربندی سریع و روان سیستم و هماهنگ سازی داده ها بدون به خطر انداختن کارایی در حال اجرا این انعطاف مهم است .  به این فکر کنید که چگونه می توانید با تجزیه آن به بخش های قابل کنترل ، مانند یک بلوک LEGO که بعداً می تواند اضافه یا جایگزین شود یا از آن خارج شود ، یک معماری انعطاف پذیر ایجاد کنید.

قابلیت مقیاس پذیری و گسترش پذیری.

وقتی مشاغل گسترش می یابند ،  تغییرات در زیرساخت ها ناگزیر از سازگاری با کل سیستم است. این موضوع می تواند شامل افزایش ظرفیت های موجود و گسترش کارایی های جدید باشد. با این حال ، یک واقعیت غیر قابل اجتناب است که سیستم های مختلف IT اغلب دارای ویژگی های مختلف عملکرد ، مقیاس پذیری و قابلیت گسترش هستند. نتیجه این است که در هنگام تلاش برای عبور از مرزهای سیستم ، بسیاری از مشکلات به وجود می آیند.

قدرت و توانایی بطور همزمان “کار کردن طبق روال معمول” در حالی که تعبیه مدل های  هوش مصنوعی ارتقا می یابند یک امر واقعیت یافته شده است و برای گسترش تجارت ضروری است. موفقیت تا حد زیادی به توانایی تیم بستگی دارد تا مرتباً تنظیمات و تست سیستم موجود را با راه حل جدید پیشنهادی انجام دهد و از طریق عملکرد قدیمی با سیستم های جدید به تعادل برسد.

سیستم های خوب از تیم های خوب حاصل می شوند.

با توجه به این موضوع حالا ، این سوال این نیست که آیا شما به تیم AIOps احتیاج دارید یا نه ، باید درک کنید این نوع تیم AIOps برای کسب و کار شما چه احساسی را ایجاد می کند. برای اکثر مشاغل ، مهمترین تصمیمی که آنها با تیم AIOps خود می گیرند این است که آیا آنها می خواهند آن را درمحل کار شما  بسازند یا آن را با انعقاد قرارداد برون سپاری کنند. مزایا برای هر دو وجود دارد ، اما آنچه  مهم است :

 اگر خودتان آن را انجام  میدهید نکته مثبت ، با ایجاد تیم خودتان برای ایجاد و حفظ یک محیط کاری ، کنترل کامل بر کل مجموعه را به شما می دهد. همچنین می تواند بسیاری از مشکلات احتمالی مدیریتی و پیمانکاری را ناشی از همکاری با تأمین کنندگان خارجی راحذف کند. این امر در مورد هر دو شرکت بزرگ ، که ممکن است بخواهند تیم AIOps را خود برپا کنند ، و همچنین برای شرکتهای کوچک و متوسط ​​که ممکن است بخواهند تیم IT خود را گسترش دهند ، اعمال می شود تا بتوانند مستقیماً با محیط کاری برخورد کنند.

 اما این امر شامل بارهای مهم اداری و سازمانی است ، و این بدان معنا نیست که سربارتنها موضوع است. علاوه بر این ، شرکت ها نیاز به توسعه تخصص و دانش AIOps در محل خود را دارند. تأثیر اقتصادی اولیه این امر نیز به احتمال زیاد بسیار زیاد است: برای خرید دارایی ها مانند سخت افزار ذخیره سازی و سرورها ، نیاز به هزینه های اولیه است. حتی با وجود زیرساخت های ابری ، فعالیت های نصب و راه اندازی “آزمایش و خطا” احتمالاً هزینه های  برپایی را بالا می برد.

با وصل شدن به سیستم بیرون کار کنید.

این روش یک جایگزین برای مشارکت با یک فروشنده AIOps است. یک فروشنده خوب قادر به همکاری نزدیک با مشتری خود خواهد بود ، و تخصص لازم را برای ایجاد و اجرای یک محیط کار که به خوبی در زیرساخت IT فناوری مشتری قرار دارد ارائه می دهد و می تواند از مدل های هوش مصنوعی پشتیبانی کند ، خواه  این امر توسط خود ساخته و یا توسط شخص ثالث تهیه شود. با چنین خدمتی ، شرکت ها اکنون می توانند به یک محیط تولید قوی و یک تیم معتبر AIOps دسترسی پیدا کنند و در عین حال منابع عظیمی را که در غیر اینصورت برای اجرای AIOps خود لازم است ، آزاد کنند.

با این حال ، برای بسیاری از کسب و کارها ، این ممکن است به معنای از دست دادن حق مالکیت یک سیستم اختصاصی و تسلط کامل در اجرای AIOps باشد. این روش ممکن است به عنوان روشی برای سازش بین محدودیت های مالی و دسترسی به یک معماری کامل و قوی AI ، که ممکن است به اندازه مورد نیاز پروژه AIOps بومی بوده و به اندازه کافی برای کمک به شرکت خوب است.

***

اغلب اوقات ، ما با اخبار مربوط به شگفتی های ایجاد شده توسط هوش مصنوعی بمباران می شویم – چه کاری می تواند برای ما انجام دهد و چگونه می تواند زندگی ما را تغییر دهد. اما این پوشش نکته مهمی را از دست می دهد: برای هر کسب و کاری که می خواهد از مزایای هوش مصنوعی بهره ببرد ، آنچه در واقع مهم است ، خود مدل های هوش مصنوعی نیستند. بلکه این دستگاه مثل روغنی است که توسط AI طراحی شده است و شرکت را از جایی که امروز  هست به مکانی که می خواهد در آینده باشد ، می برد.  این یک ضرورت رقابتی است و ایده آلها را باید به واقعیات تبدیل نمود.

درباره مولفین:

ترنس تسه بنیانگذار Nexus FrontierTech و استاد کارآفرینی در دانشکده تجارت ESCP است.

مارک اسپوزیتو بنیانگذار و مدیر ارشد یادگیری در Nexus FontierTech است. وی به عنوان استاد اقتصاد در دانشکده بازرگانی بین المللی هولت و تاندربرد دانشگاه ایالتی آریزونا کار کرده است و به عنوان مدیر شورای انستیتو برای برنامه MOC در دانشکده بازرگانی هاروارد خدمت کرده است.

Takaaki Mizuno بنیانگذار و مدیر فنی فنی Nexus FontierTech است و نویسنده انتشارات متعددی از جمله “Web API: The Good Parts” ، که پرفروش ترین آمازون ژاپن شد.

دنی گوه بنیانگذار و مدیر اجرایی Nexus FrontierTech و کارشناس کارآفرینی در دانشکده تجارت سعید ، دانشگاه آکسفورد است.