«آینده هر شرکتی با کلاندادهها گره خورده است و دیر یا زود، همه شرکتها به کسبوکار داده تبدیل خواهند شد.»
"Every company has big data in its future and every company will eventually be in the data business."
Thomas H. Davenport
استاد دانشگاه، پژوهشگر برجسته حوزه تحلیل داده، هوش مصنوعی و هوش تجاری و نویسنده کتابهای پرفروش Competing on Analytics و The AI Advantage.
#نقلقول
@fanavin_tech
"Every company has big data in its future and every company will eventually be in the data business."
Thomas H. Davenportاستاد دانشگاه، پژوهشگر برجسته حوزه تحلیل داده، هوش مصنوعی و هوش تجاری و نویسنده کتابهای پرفروش Competing on Analytics و The AI Advantage.
#نقلقول
@fanavin_tech۵
چرا بسیاری از سرمایهگذاریهای هوش مصنوعی به بازدهی مطلوب نمیرسند؟در یادداشتی که TechRadar Pro منتشر کرده است، مشکل بسیاری از پروژههای هوش مصنوعی را نه خودِ مدلهای AI؛ بلکه زیرساخت داده میداند.
بر اساس این گزارش، با وجود اینکه سرمایهگذاری جهانی در حوزه هوش مصنوعی تا پایان سال ۲۰۲۶ به حدود ۲.۵۹ تریلیون دلار خواهد رسید، تنها ۲۸٪ از پروژههای AI توانستهاند بازگشت سرمایه (ROI) قابل اندازهگیری ایجاد کنند.
دلیل اصلی این شکاف، ضعف در برنامهریزی برای مدیریت، ذخیرهسازی و آمادهسازی دادهها عنوان شده است.
کارشناسان تأکید میکنند سازمانها معمولاً روی مدلهای هوش مصنوعی و توان پردازشی سرمایهگذاری میکنند، اما نقش داده را دستکم میگیرند؛ در حالی که بدون دادههای باکیفیت و زیرساخت مناسب، حتی پیشرفتهترین مدلهای AI نیز نمیتوانند ارزش واقعی خلق کنند.
#خبر
منبع: TechRadar Pro @fanavin_tech۵
سازمان غیرانتفاعی Partnership on AI مجموعهای از توصیههای جدید برای افشای ریسکها و حاکمیت هوش مصنوعی منتشر کرده است تا به سرمایهگذاران کمک کند عملکرد شرکتها در مدیریت AI را بهتر ارزیابی کنند.این توصیهها از شرکتها میخواهد اطلاعاتی مانند مسئولیتپذیری مدیران، شیوه مدیریت ریسک، اقدامات کنترلی و تأثیرات مالی هوش مصنوعی را شفافتر کنند.
به نظر میرسد با گسترش استفاده از AI در کسبوکارها، شفافیت در حاکمیت هوش مصنوعی به یکی از معیارهای مهم ارزیابی شرکتها برای سرمایهگذاران تبدیل خواهد شد.
#خبر
منبع: Reuters (با استناد به توصیههای Partnership on AI) @fanavin_tech۸
اگر داده یکی از ارزشمندترین داراییهای سازمانهاست، چرا در ترازنامه بسیاری از شرکتها اثری از آن دیده نمیشود؟این سؤال، یکی از مهمترین بحثهای امروز اقتصاد دیجیتال است.فرض کنید یک بانک میلیونها رکورد تراکنش، الگوهای رفتار مشتریان و دادههای اعتباری، در اختیار دارد. این دادهها ارزشمند هستند و میتوانند درآمد ایجاد کنند، اما آیا میتوان در صورتهای مالی شرکت، مثلا عدد ۱۰۰ میلیارد تومان به آن اختصاص داد؟بیایید نگاهی به شرایط ثبت یک دارایی، بیندازیم:سازمان باید بر آن دارایی کنترل داشته باشد.آن دارایی باید منافع اقتصادی ایجاد کند.ارزش آن باید بهصورت قابل اتکا اندازهگیری شود.- دیتا، دو شرط اول را داراست، یعنی بسیاری از دادهها تحت کنترل سازمان هستند و ارزش اقتصادی ایجاد میکنند؛ اما ارزش داده را چگونه باید اندازهگیری کرد؟
امروز در استانداردهای حسابداری بینالمللی (IFRS) و بسیاری از نظامهای مالی، دادههای تولیدشده در داخل سازمان معمولاً بهعنوان دارایی در ترازنامه ثبت نمیشوند؛ درست مانند برندهای داخلی یا دانش سازمانی. بیشتر داراییهای نامشهود زمانی در ترازنامه ظاهر میشوند که خریداری شده باشند یا در جریان ادغام و تملک شرکتها به دست آمده باشند.بسیاری از شرکتهای مدرن بخش بزرگی از ارزش خود را از داراییهای نامشهودی (Intangible Asset) میگیرند که در ترازنامه بهطور کامل دیده نمیشوند: داده، الگوریتم، برند، دانش سازمانی، نیروی انسانی متخصص و ... پژوهشگران معتقدند اگر داده، قابل کنترل، قابل اندازهگیری و دارای منافع اقتصادی مشخص باشد، میتواند در آینده بهصورت یک دارایی مستقل در ترازنامه ثبت شود. حتی برخی مدلها پیشنهاد میکنند دادههای داخلی و دادههای قابل معامله، بهعنوان سرفصل جداگانهای در داراییهای نامشهود گزارش شوند.مسئله مهم در عصر هوش مصنوعی و اقتصاد دیجیتال این است که شرکتی که ارزش دادههای خود را نشناسد، احتمالاً ارزش واقعی کسبوکارش را هم نخواهد شناخت.@fanavin_tech۸
#نقلقول«داده، دارایی ارزشمندی است و عمر آن از خودِ سیستمها بیشتر است.»
"Data is a precious thing and will last longer than the systems themselves."
Tim Berners-Leeدانشمند علوم کامپیوتر و مخترع وب جهانی
@fanavin_tech۸۲
AI Agentها باهوشاند؛ اما اگر دادهها در سیلو باشند، کاری از دستشان برنمیآید!یک تحلیل جدید در CIO با استناد به مطالعات Google/MIT و Cloudera به یک مشکل مهم در مسیر گسترش AI Agentها اشاره میکند: دادههای سازمانی هنوز در سیستمها و واحدهای مختلف پراکندهاند. AI Agent برای اینکه بتواند درست تصمیم بگیرد، باید بتواند داده را پیدا کند، به آن دسترسی داشته باشد، معنای آن را بفهمد و در زمان مناسب به آن دسترسی پیدا کند. اما وقتی دادهها در سیلوهای مختلف گرفتار باشند، Agentها هم نمیتوانند تصویر کاملی از وضعیت سازمان داشته باشند. تحقیقات نشان میدهد مشکلات مربوط به دسترسی به داده، Context و حاکمیت داده باعث شده برخی پروژههای Agentic AI با تأخیر مواجه شوند یا حتی متوقف شوند.#خبر منبع: CIO @fanavin_tech۵۱
«میتوانید تمام ابزارهای پیشرفته را در اختیار داشته باشید؛ اما اگر کیفیت دادههایتان خوب نباشد، به جایی نخواهید رسید.»"You can have all of the fancy tools, but if your data quality is not good, you're nowhere"
Veda Bawoمتخصص و مدیر حوزه حاکمیت داده و مدیریت کیفیت داده#نقلقول
@fanavin_tech۶
چرا LLMها به دادههای سازمانی نیاز دارند؟ یک LLM (مدل زبانی بزرگ) ممکن است میلیاردها پارامتر داشته باشد و روی حجم عظیمی از دادهها آموزش ببیند،اما وقتی وارد سازمان شما میشود شناختی نسبت به آن ندارد.نمیداند سیاست بازگشت محصول شما چیست، آخرین دستورالعمل منابع انسانی کدام است، هر مشتری چه سابقهای دارد یا گزارش فروش ماه گذشته چه عددی را نشان میدهد.دلیل این امر این است که این اطلاعات معمولاً بخشی از دادههای عمومی مورد استفاده برای آموزش مدل نیستند. اینجا ضرورت ورود دادههای سازمانی حس میشود. فرض کنید کارمند یک شرکت از LLM میپرسد: «شرایط بازپرداخت هزینه سفر در شرکت ما چیست؟»یک مدل عمومی ممکن است پاسخی بر اساس اطلاعات عمومی درباره Travel Policy بدهد؛ اما اگر مدل به آییننامه داخلی شرکت دسترسی داشته باشد، میتواند پاسخ خود را بر اساس سیاست واقعی همان سازمان تولید کند.تفاوت مهم اینجاست که LLM دانش عمومی دارد، اما از داده سازمانی و زمینه کسبوکار چیزی نمیداند.اکنون سوال مهم این است که چاره چیست؟یکی از رایجترین روشها برای این کار RAG یا Retrieval-Augmented Generation است. در RAG، مدل لزوماً دوباره آموزش داده نمیشود، در عوض، هنگام دریافت سؤال، سیستم ابتدا اطلاعات مرتبط را از منابع سازمانی پیدا میکند و سپس آن اطلاعات را در اختیار LLM قرار میدهد تا پاسخ را بر اساس آن Context تولید کند.این معماری به سازمان اجازه میدهد اطلاعات داخلی و بهروز را در اختیار مدل قرار دهد، بدون اینکه برای هر تغییر اطلاعاتی، مدل را از ابتدا آموزش دهد.@fanavin_tech۴
«بدون دادههای پاک، یا دادههای به اندازه کافی پاک، علم داده شما بیارزش است.»"Without clean data, or clean enough data, your data science is worthless."
Michael Stonebrakerاستاد برجسته علوم کامپیوتر در MIT؛ برنده جایزه Turing در سال ۲۰۱۴#نقلقول
@fanavin_tech۵
هوش مصنوعی نقش تیمهای تحلیل داده را تغییر میدهد.سالها تیمهای تحلیل داده وظیفه داشتند داشبورد بسازند، گزارش تهیه کنند و به مدیران کمک کنند تا بفهمند در کسبوکار چه اتفاقی افتاده است؛ اما حالا یک تغییر مهم در حال رخ دادن است: کارکنان بهجای اینکه خودشان سراغ داشبوردها بروند، سؤالشان را از ChatGPT، Copilot یا AI Agentها میپرسند و انتظار دارند سیستم خودش دادهها را تحلیل کرده و نتیجهگیری کند.اما سوال مهم اینجاست که چه کسی باید بررسی کند که پاسخ AI واقعاً درست است یا نه؟! بنا بر گزارش تحلیلی جدید در BigDATAwire، این مسئولیت بیش از گذشته به تیمهای تحلیل داده منتقل میشود. این تیمها باید خروجی AI را اعتبارسنجی کنند، خطاها را پیدا کنند، نتایج را با واقعیت مقایسه کنند و میزان قابلاعتماد بودن Agentها را زیر نظر بگیرند. - در گذشته، تحلیلگران کمک میکردند کاربران یا مدیران با داده تصمیم بهتری بگیرند، حالا باید مطمئن شوند AI هم با داده تصمیم درستی میگیرد.
این تغییر، مرز میان Data Analytics، Data Governance و AI Governance را بیش از پیش به هم نزدیک میکند.#خبر منبع: BigDATAwire — AI Is Forcing @fanavin_tech۶