ChatGPT و ابزارهای AI مشابه به دلیل سهولت استفاده و پتانسیل بهره‌وری بالا، مورد استقبال گسترده‌ای قرار گرفتند. اما CIOها دریافتند که کاربرد مؤثر این فناوری نیازمند مهارت‌های تخصصی، مدیریت داده قوی و زیرساخت‌های مدرن است.
پنجشنبه ۸ آذر ۱۴۰۳ ساعت ۰۶:۱۹
کاهش هیجان و افزایش احتیاط؛
نگاهی به دو سال رشد و چالش‌های پیش روی ChatGPT و هوش مصنوعی مولد
دو سال پس از عرضه ChatGPT توسط OpenAI، هیجان اولیه پیرامون هوش مصنوعی مولد جای خود را به دیدگاه‌های محتاطانه‌تر از سوی مدیران فناوری اطلاعات (CIOها) داده است.
به گزارش ایتنا و به نقل از سیودایو، با وجود وعده‌های تحول‌آفرین و افزایش رقابت بین شرکت‌های فناوری، سازمان‌ها با چالش‌هایی جدی در مقیاس‌دهی و پیاده‌سازی این فناوری روبه‌رو شده‌اند.
چالش‌ها و موانع پیاده‌سازی
ChatGPT و ابزارهای AI مشابه به دلیل سهولت استفاده و پتانسیل بهره‌وری بالا، مورد استقبال گسترده‌ای قرار گرفتند. اما CIOها دریافتند که کاربرد مؤثر این فناوری نیازمند مهارت‌های تخصصی، مدیریت قوی بر داده‌ها و زیرساخت‌های مدرن است. بر اساس گزارش Infosys، تنها ۲٪ از سازمان‌ها به سطح لازم از مهارت‌ها، داده‌ها و فناوری برای موفقیت در این حوزه رسیده‌اند.
مشکلات مرتبط با هزینه‌ها نیز به یک دغدغه اصلی تبدیل شده است. هزینه‌های بالای سرویس‌های AI مولد، مانند طرح‌های سازمانی ChatGPT و کوپایلوت 365 مایکروسافت، در کنار افزایش ۳۰ درصدی هزینه‌های ابری، فشار بیشتری به سازمان‌ها وارد کرده است.
به گزارش ایتنا و به نقل از سیودایو، با وجود وعده‌های تحول‌آفرین و افزایش رقابت بین شرکت‌های فناوری، سازمان‌ها با چالش‌هایی جدی در مقیاس‌دهی و پیاده‌سازی این فناوری روبه‌رو شده‌اند.
چالش‌ها و موانع پیاده‌سازی
ChatGPT و ابزارهای AI مشابه به دلیل سهولت استفاده و پتانسیل بهره‌وری بالا، مورد استقبال گسترده‌ای قرار گرفتند. اما CIOها دریافتند که کاربرد مؤثر این فناوری نیازمند مهارت‌های تخصصی، مدیریت قوی بر داده‌ها و زیرساخت‌های مدرن است. بر اساس گزارش Infosys، تنها ۲٪ از سازمان‌ها به سطح لازم از مهارت‌ها، داده‌ها و فناوری برای موفقیت در این حوزه رسیده‌اند.
مشکلات مرتبط با هزینه‌ها نیز به یک دغدغه اصلی تبدیل شده است. هزینه‌های بالای سرویس‌های AI مولد، مانند طرح‌های سازمانی ChatGPT و کوپایلوت 365 مایکروسافت، در کنار افزایش ۳۰ درصدی هزینه‌های ابری، فشار بیشتری به سازمان‌ها وارد کرده است.
ضرورت اولویت‌بندی و سفارشی‌سازی
بسیاری از پروژه‌های AI مولد به دلیل عدم تحقق نتایج مورد انتظار و عدم تحقق تولید عملی شکست خورده‌اند. مدیران ارشد فناوری، اکنون به جای دنبال کردن همه موارد استفاده از این ابزارها، بر روی اهداف خاص و با ارزش‌گذاری مشخص تمرکز دارند. ابزارهای سفارشی‌سازی‌شده که بر نیازهای خاص صنعت تکیه دارند، در کاهش مسائل مربوط به دقت و مدیریت داده‌ها مؤثرتر ظاهر شده‌اند.
سازمان‌هایی مانند جنرال میلز با ایجاد تیم‌های بین‌وظیفه‌ای و استفاده از ابزارهای سفارشی‌شده توانسته‌اند بهره‌وری قابل‌توجهی حاصل کنند. این شرکت با بهره‌گیری از ابزار MillsChat مبتنی بر مدل PaLM 2 گوگل، بیست هزار کارمند خود را در فعالیت‌های نگارشی و ایده‌پردازی تجهیز کرده است.
به گفته مدیران این شرکت، شفاف‌سازی انتظارات و گزارش‌دهی منظم به هیات مدیره درباره موفقیت‌ها و چالش‌ها، نقشی کلیدی در مدیریت این فناوری ایفا کرده است.
چشم‌انداز آینده
در حالی که استفاده عمومی از مدل‌های جامع مانند ChatGPT همچنان ادامه دارد، تمرکز بر ابزارهای اختصاصی و مدل‌های سفارشی، به دلیل کنترل بهتر بر دقت و خروجی‌ها، رو به افزایش است. CIOها همچنان تلاش می‌کنند تا با شناسایی بهترین موارد استفاده و ایجاد چارچوب‌های نظارتی مناسب، به اهداف خود دست یابند.
کد مطلب: 81901
