چرا بیش از نیمی از پروژه‌های هوش مصنوعی ممکن است در سال ۲۰۲۶ شکست بخورند؟

بیش از نیمی از پروژه‌های هوش مصنوعی تا سال ۲۰۲۶ ممکن است شکست بخورند. کارشناسان، مشکل اصلی را ریشه‌ای‌تر از فناوری می‌دانند.

پروژه‌های بزرگ سازمانی هوش مصنوعی با چالش‌های جدی مواجه‌اند. این مشکلات ناشی از داده‌های نامرتب و عدم حاکمیت منسجم است که به هزینه‌های بالا و پدیده هوش مصنوعی سایه منجر می‌شود.

چرا پروژه‌های هوش مصنوعی شکست می‌خورند؟

پروژه‌های هوش مصنوعی به دلیل داده‌های نامرتب و فقدان حاکمیت شکست می‌خورند. گارتنر پیش‌بینی می‌کند بدون حاکمیت منسجم، از AI ارزش کسب نمی‌شود. عدم آمادگی داده‌ها، مانع نتایج مطلوب است.

تفاوت حاکمیت داده و حاکمیت هوش مصنوعی

• حاکمیت داده (Data Governance): یافتن، دسته‌بندی، ایمن‌سازی و نظارت بر داده‌ها و چارچوب‌دهی به دسترسی و استفاده.
• حاکمیت هوش مصنوعی (AI Governance): تعریف استفاده از AI در سازمان و تضمین انطباق آن با قوانین و اخلاق.

حاکمیت داده: از یک بخش فرعی تا یک توانمندساز اصلی

حاکمیت داده که سابقا برای جلوگیری از پیامدهای منفی (مانند نقض مقررات) بود، اکنون با ظهور هوش مصنوعی به توانمندساز نوآوری تبدیل شده است. سازمان‌های دارای حاکمیت قوی، پلتفرم‌های هوش مصنوعی خود را با داده‌های معتبر و عاری از سوگیری تغذیه می‌کنند.

• هشدار اقتصاددان نوبل: چگونه هوش مصنوعی می‌تواند آینده مشاغل را دگرگون کند؟
• هرگز از هوش مصنوعی برای این ۵ کار استفاده نکنید!
• آیا دیتاسنتر غول‌پیکر متا آب آشامیدنی شهر شما را می‌بلعد؟

راهکارهای موفقیت پروژه‌های هوش مصنوعی

برای موفقیت پروژه‌های هوش مصنوعی، حاکمیت داده قوی، آماده بودن داده برای هوش مصنوعی و تمرکز بر انطباق ضروری است:

• ایجاد داده‌های آماده هوش مصنوعی: درک جامع داده‌ها و اطمینان از حاکمیت، مشاهده‌پذیری و مجوز آنها.
• تمرکز بر انطباق: حذف داده‌های زائد و اعمال نگهداری برای ایمن‌سازی و انطباق داده‌ها.
• ممیزی دسترسی به داده‌ها: قبل از معرفی هوش مصنوعی (مانند مایکروسافت کوپایلوت)، دسترسی کارکنان به داده‌ها را ممیزی کنید.
• ایجاد مرکز حاکمیت هوش مصنوعی متمرکز: ایجاد مرکز کنترل متمرکز برای تعریف و اعمال یکپارچه سیاست‌های هوش مصنوعی.