اتصال عوامل AI به دانش سازمانی

برای تمام داده هایی که سیستم های AI به طور مداوم تجزیه و تحلیل و تجزیه و تحلیل می کنند، عوامل هوش مصنوعی شرکت اغلب از یک کوتاه کنجکاو رنج می برند: کمبود دانش. بیش از داده ها، دانش درک این است که داده ها در زمینه سازمان های فردی چه معنایی دارند. عوامل AI به این درک در مورد موقعیت ها، تصمیم گیری ها و در نهایت اقدامات نیاز دارند. بدون دانش کافی، عوامل مستعد تصمیم گیری های ناقص و غیر قابل اعتماد هستند.

فقدان دانش، تحقیقات ما، یکی از دلایل اصلی استفاده از هوش مصنوعی است که هرگز آن را به تولید تبدیل نمی کند. فشار رقابتی آن را برای پرداختن به این موضوع ضروری می کند. سازمان ها نیاز به استقرار و مقیاس بیشتر از پروژه های نمایندگی خود را برای ثبت بهره وری وعده های AI. کاهش ریسک های کوتاه در حال حاضر سرمایه گذاری را به این پروژه ها واگذار می کند و زمین را به رقبا واگذار می کند که در حال حاضر نمایندگان خود را به طور موثرتری کار می کنند.

دانلود بازی The RePORT

هدف از این گزارش، که بر اساس بررسی ۳۰۰ داده، AI و دیگر مدیران فناوری است، سه برابر است. اول، آن را به دنبال ارزیابی توانایی های دانش عامل سازمان (به عنوان مثال، توانایی آنها برای ارائه به عوامل AI درک متن کامل از داده هایی که مصرف می کنند) در سراسر دانش معنایی، حافظه اپیدورال و دانش رویه ای.

دوم، این گزارش بررسی چالش هایی است که سازمان ها در بهبود دسترسی به دانش و در نهایت برای استفاده بیشتر از موارد در تولید با آن مواجه هستند. سوم، سازمان های اندازه گیری برای غلبه بر این چالش ها را بررسی می کنند.

یافته های کلیدی شامل موارد زیر است:

ضعف داده ها و دانش به طور مداوم پیشرفت عامل هوش مصنوعی را متوقف می کند. به طور متوسط، تنها حدود یک سوم (34 درصد از پروژه های هوش مصنوعی سازمان ها آن را به تولید تبدیل می کنند. حتی شرکت های با تکنولوژی بالا نیز با این مسئله مبارزه می کنند. سیستم های داده میراث، نگرانی های امنیتی و حریم خصوصی و فقدان دانش و زمینه نقاط کلیدی شکست هستند.

توانایی های دانش قوی با موفقیت عامل ارتباط دارد. یک گروه کوچک از رهبران تولید (سازمان هایی که به طور متوسط 61 درصد از پروژه های نمایندگی را فراتر از خلبان پیش می گیرند) توانایی های دانش قوی تری نسبت به بقیه دارند، به ویژه هنگامی که به معنایی می رسد. این مزیت با نرخ تولید بالاتر خود نزدیک است.

داده های تقسیم شده به شدت دسترسی به دانش را پیچیده می کند. تجزیه و تحلیل داده ها (به اشتراک گذاری ناکافی داده ها در سراسر سیستم ها) به طور معمول به عنوان یک چالش برتر برای گسترش دسترسی عوامل به دانش (که توسط 55٪ تحریک شده است) ذکر شده است. در مقابل، رهبران تولید بیشتر احتمال دارد که نگرانی های امنیتی و حریم خصوصی را به عنوان یک نگرانی عمده ببینند (که توسط 72 درصد از این گروه تحریک شده است).

اکثر شرکت ها قصد دارند ارتباط بین داده ها و عوامل را تقویت کنند. در میان مراحلی که می توانند تصمیم های عالی تری را به دست آورند، مدیران انتظار دارند که بزرگ ترین تاثیر از تقویت پایه ساختاری بین داده های سازمان و عوامل AI آن باشد. کارشناسانی که ما با آنها مصاحبه کردیم، یک لایه دانش را به عنوان یک راه نخست برای دستیابی به این هدف می بینند.

اولویت های سرمایه گذاری برای افزایش دانش از خط لوله به نمودار دانش. برای گسترش دسترسی به دانش، سازمان ها سرمایه گذاری در فن آوری های بازیابی، مانند خط لوله های مصرف، API های آماده AI و نسل بازیابی (RAG)؛ در عوامل ارزیابی هوش مصنوعی و در نمودار های دانش را اولویت بندی می کنند.

دانلود بازی The Report

این محتوا توسط Insights، بازوی محتوای سفارشی MIT Technology Review تولید شد، نه کارکنان سرمقاله آن. تحقیق و نوشته شدن توسط انسان با هر ابزار AI که ممکن است محدود به فرآیندهای تولید تحت نظارت انسان باشد.