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.