فرانسوا گروبلر، رئیس تجزیه و تحلیل تصمیم در Experian Africa می گوید که ایجاد تخصص، دانش و زیرساخت لازم برای بهره مندی از مزایای تجزیه و تحلیل پیشرفته می تواند برای بسیاری از مشاغل مشکلاتی ایجاد کند. در آخرین گزارش Experian، افزایش پیچیدگی فناوری اطلاعات مورد نیاز برای مدیریت هوش مصنوعی و ML به عنوان بزرگترین چالش توسط 48 درصد از کسب و کارها مشخص شد.
گزارش Experian نشان می دهد که ارائه دهندگان خدمات مالی و مخابراتی اهمیت این عامل را درک می کنند. 79 درصد از شرکت‌هایی که قبلاً روی برنامه‌های نرم‌افزاری مبتنی بر ابر سرمایه‌گذاری کرده‌اند، اعلام کردند که دسترسی به قدرت محاسباتی بیشتر دلیل اصلی تصمیم‌گیری برای انجام چنین سرمایه‌گذاری‌هایی بوده است.
تجزیه و تحلیل پیشرفته به کسب و کارها کمک می کند تا با افزایش اتوماسیون وظایف، کاهش خطای انسانی، و مهمتر از آن، افزایش توانایی تجزیه و تحلیل و تفسیر حجم وسیعی از داده ها، عملیات خود را بهبود بخشند. تحقیقات منتشر شده در گزارش بینش تجاری و بینش مصرف‌کننده 2022 Experian نشان داد که 62 درصد از شرکت‌ها معتقدند که هوش مصنوعی و ML در حال حاضر به‌طور بنیادی روش انجام تجارت خود را تغییر داده‌اند.
ثانیاً، کسب و کارها باید در مورد اینکه کجا سرمایه گذاری را هدایت کنند، هوشمند باشند. گروبلر می‌گوید که قدرت محاسباتی مقیاس‌پذیر تا حد زیادی به عملکرد مؤثر ML کمک می‌کند و باید در اولویت قرار گیرد.
سومین چالش کلیدی که مشاغل با آن روبرو هستند یکپارچگی است. در حالی که هوش مصنوعی و ML می‌توانند از کسب‌وکارها در یافتن راه‌حل‌های جدید برای مشکلات حمایت کنند، ادغام آنها در سیستم‌های از قبل موجود باعث ایجاد سردرد برای برخی می‌شود. جاسازی ML به قدرت محاسباتی مقیاس پذیر و زیرساخت کافی برای فعال کردن آن نیاز دارد.
چگونه ارائه دهندگان خدمات مالی و مخابرات می توانند بر چالش های هوش مصنوعی و ML غلبه کنند تا مزایای خود را به حداکثر برسانند؟ اجرای سه نکته زیر محل خوبی برای شروع برای کسب و کارهایی است که به دنبال استفاده از قدرت تجزیه و تحلیل پیشرفته هستند.
استفاده از هوش مصنوعی (AI) و یادگیری ماشین (ML) انقلابی در دنیای تجزیه و تحلیل پیشرفته برای ارائه دهندگان خدمات مالی و مخابراتی ایجاد کرده است. این فناوری‌های پیچیده را می‌توان برای اهداف متعدد مورد استفاده قرار داد و به نفع شرکت‌ها و مشتریان به طور یکسان است.
«توضیح پذیری موضوع دیگری است که باید به آن پرداخته شود. از آنجایی که شرکت‌ها پذیرش تحلیل‌های پیشرفته را تسریع می‌کنند، باید اطمینان حاصل کنند که نتایج حاصل از هوش مصنوعی و ML توسط کسانی که نظارت نظارتی را انجام می‌دهند قابل درک است و همچنین می‌توانند به مشتریان توضیح دهند که چرا یک طراحی خاص انجام شده است. تقریباً یک سوم کسب و کارها اظهار داشتند که توضیح‌پذیری مدل‌های پیچیده ML یک چالش بزرگ است. با توجه به پیچیدگی فرآیندهای زیربنایی تجزیه و تحلیل پیشرفته، اطمینان از شفافیت و توضیح در AI و ML موفقیت آسانی نیست – اما زمانی که به درستی انجام شود می تواند دقت اعتبار و ارزیابی ریسک را تا حد زیادی بهبود بخشد.
ارتقای مهارت تیم ها در جنبه های مختلف تجزیه و تحلیل پیشرفته بسیار مهم است. کسب‌وکارها با ارتقای مهارت تیم‌های خود در هوش مصنوعی و ML، می‌توانند یک تیم تحلیلی بسازند که می‌تواند استفاده از تجزیه و تحلیل پیشرفته را برای بهبود عملکرد عملیاتی به حداکثر برساند. در حال حاضر، شکاف در تخصص IT در حال حاضر یکی از موانع اصلی برای پذیرش گسترده‌تر و مؤثرتر این فناوری‌های پیشرفته است.
بهبود عملکرد تجاری به معنای توانایی بهبود چشمگیر دقت مدل‌ها و ارائه یک تجربه راحت‌تر و شخصی‌تر برای مشتری است که در دنیای دیجیتالی فزاینده از اهمیت بالایی برخوردار است.
“آموزش کارگران در AI و ML یک فعالیت یک روزه نیست، بلکه یک سرمایه گذاری طولانی مدت است، زیرا تجزیه و تحلیل های پیشرفته با سرعتی بی وقفه در حال پیشرفت است و مقررات جدیدی برای استفاده از حاکمیت اجرا می شود. این بدان معناست که شرکت‌ها باید آموزش‌های مستمری ارائه دهند و کارکنان را توانمند سازند تا با آخرین پیشرفت‌های این بخش همگام شوند.»
و در نهایت، ساده‌ترین راه برای شرکت‌ها برای برداشتن گام‌های ملموس به سمت اجرای بهتر تجزیه و تحلیل‌های پیشرفته، ایجاد مشارکت با سازمان‌هایی است که می‌توانند در زمینه هوش مصنوعی و ML تخصص داشته باشند – هم در زمینه فناوری و هم الزامات نظارتی. تسلط بر هر جنبه ای از تجزیه و تحلیل پیشرفته برای هر کسب و کاری می تواند دلهره آور باشد. ایجاد شراکت مناسب می‌تواند به آنها کمک کند تا در این حوزه گسترده و پیچیده جهت پیدا کنند و تیم‌های تحلیلی موجود را تعریف و پشتیبانی کنند.»
نسخه چاپگر پسند