విస్తృత AI స్వీకరణ కోసం విశ్వాస అంతరాన్ని తగ్గించడం

ఆర్టిఫిషియల్ ఇంటెలిజెన్స్ స్ప్లాష్‌తో మార్కెట్‌లోకి ప్రవేశించింది, భారీ సంచలనం మరియు స్వీకరణ. కానీ ఇప్పుడు వేగం తడబడింది.

వ్యాపార నాయకులు ఇప్పటికీ AIని స్వీకరించడం గురించి మాట్లాడుతున్నారు, ఎందుకంటే వారికి ప్రయోజనాలు కావాలి – GenAI కంపెనీలను ఆదా చేయగలదని మెకిన్సే అంచనా వేసింది. $2.6 ట్రిలియన్ అంతటా కార్యకలాపాల శ్రేణి. అయితే, వారు నడకలో నడవడం లేదు. సీనియర్ అనలిటిక్స్ మరియు IT లీడర్‌ల ఒక సర్వే ప్రకారం, GenAI అప్లికేషన్‌లలో 20% మాత్రమే ప్రస్తుతం ఉత్పత్తిలో ఉన్నాయి.

ఆసక్తికి, వాస్తవికతకు మధ్య అంతరం ఎందుకు?

సమాధానం బహుముఖంగా ఉంది. భద్రత మరియు డేటా గోప్యత, సమ్మతి ప్రమాదాలు మరియు డేటా నిర్వహణ గురించిన ఆందోళనలు అధిక ప్రొఫైల్‌లో ఉన్నాయి, అయితే AI యొక్క పారదర్శకత లేకపోవడం మరియు ROI, ఖర్చులు మరియు నైపుణ్యం అంతరాల గురించి ఆందోళనలు కూడా ఉన్నాయి. ఈ కథనంలో, మేము AI స్వీకరణకు ఉన్న అడ్డంకులను పరిశీలిస్తాము మరియు వాటిని అధిగమించడానికి వ్యాపార నాయకులు తీసుకోగల కొన్ని చర్యలను భాగస్వామ్యం చేస్తాము.

డేటాపై హ్యాండిల్ పొందండి

“హై-క్వాలిటీ డేటా అనేది ఖచ్చితమైన మరియు నమ్మదగిన AI మోడల్‌లకు మూలస్తంభం, ఇది మంచి నిర్ణయం తీసుకోవడం మరియు ఫలితాలను అందిస్తుంది” అని సోలార్‌విండ్స్‌లోని VP మరియు గ్లోబల్ హెడ్ ఆఫ్ సొల్యూషన్స్ ఇంజినీరింగ్ రాబ్ జాన్సన్ అన్నారు, “విశ్వసనీయమైన డేటా AIపై నమ్మకాన్ని పెంచుతుంది. IT నిపుణులలో, AI సాంకేతికతలను విస్తృతంగా స్వీకరించడం మరియు ఏకీకరణను వేగవంతం చేయడం.

నేడు, 43% మంది IT నిపుణులు మాత్రమే AI యొక్క డేటా డిమాండ్‌లను తీర్చగల సామర్థ్యం గురించి తమకు నమ్మకంగా ఉన్నారని చెప్పారు. AI విజయానికి డేటా చాలా ముఖ్యమైనది కాబట్టి, నెమ్మదిగా AI స్వీకరణలో డేటా సవాళ్లు తరచుగా ఉదహరించబడిన అంశం కావడంలో ఆశ్చర్యం లేదు.

ఈ అడ్డంకిని అధిగమించడానికి ఉత్తమ మార్గం డేటా బేసిక్స్‌కి తిరిగి వెళ్లడం. డేటా నాణ్యత మరియు సమగ్రతను అమలు చేసే కఠినమైన నియంత్రణలతో సంస్థలు ప్రాథమిక స్థాయి నుండి బలమైన డేటా గవర్నెన్స్ వ్యూహాన్ని రూపొందించాలి.

నైతికత మరియు పాలనను తీవ్రంగా పరిగణించండి

పుట్టగొడుగుల్లా పుట్టుకొస్తున్న నిబంధనలతో, సమ్మతి ఇప్పటికే చాలా సంస్థలకు తలనొప్పిగా మారింది. భద్రత మరియు సమ్మతి ప్రమాదం మేరకు వ్యాపార నాయకులు ఆందోళన చెందడానికి AI కొత్త రిస్క్ ప్రాంతాలు, మరిన్ని నిబంధనలు మరియు పెరిగిన నైతిక పాలన సమస్యలను మాత్రమే జోడిస్తుంది. అత్యంత ఉదహరించిన ఆందోళన క్లౌడెరా స్టేట్ ఆఫ్ ఎంటర్‌ప్రైజ్ AI మరియు మోడరన్ డేటా ఆర్కిటెక్చర్ నివేదికలో.

AI నిబంధనల పెరుగుదల మొదట ఆందోళనకరంగా అనిపించినప్పటికీ, కార్యనిర్వాహకులు ఈ ఫ్రేమ్‌వర్క్‌లు అందించే మద్దతును స్వీకరించాలి, ఎందుకంటే వారు తమ స్వంత రిస్క్ నియంత్రణలు మరియు నైతిక రక్షణ మార్గాలను నిర్మించుకునే నిర్మాణాన్ని సంస్థలకు అందించగలరు.

సమ్మతి విధానాలను అభివృద్ధి చేయడం, AI గవర్నెన్స్ కోసం బృందాలను నియమించడం మరియు AI-ఆధారిత నిర్ణయాలపై మానవులు అధికారాన్ని కలిగి ఉండేలా చూడడం వంటివి AI నైతికత మరియు పాలన యొక్క సమగ్ర వ్యవస్థను రూపొందించడంలో ముఖ్యమైన దశలు.

భద్రత మరియు గోప్యతపై నియంత్రణను బలోపేతం చేయండి

భద్రత మరియు డేటా గోప్యత ఆందోళనలు ప్రతి వ్యాపారానికి పెద్దవిగా ఉంటాయి మరియు మంచి కారణంతో ఉంటాయి. సిస్కో యొక్క 2024 డేటా గోప్యతా బెంచ్‌మార్క్ అధ్యయనం ఈ విషయాన్ని వెల్లడించింది 48% ఉద్యోగులు GenAI టూల్స్‌లో పబ్లిక్ కాని కంపెనీ సమాచారాన్ని నమోదు చేయడాన్ని అంగీకరించండి (మరియు ఒక తెలియని సంఖ్య అలా చేసింది మరియు దానిని అంగీకరించదు), 27% సంస్థలు అటువంటి సాధనాల వినియోగాన్ని నిషేధించాయి.

ప్రమాదాలను తగ్గించడానికి ఉత్తమ మార్గం సున్నితమైన డేటాకు ప్రాప్యతను పరిమితం చేయడం. యాక్సెస్ నియంత్రణలు మరియు ప్రివిలేజ్ క్రీప్‌ను రెట్టింపు చేయడం మరియు పబ్లిక్‌గా హోస్ట్ చేయబడిన LLMల నుండి డేటాను దూరంగా ఉంచడం ఇందులో ఉంటుంది. పిరమిడ్ అనలిటిక్స్ యొక్క CTO, Avi పెరెజ్, తన బిజినెస్ ఇంటెలిజెన్స్ సాఫ్ట్‌వేర్ యొక్క AI ఇన్‌ఫ్రాస్ట్రక్చర్ ఉద్దేశపూర్వకంగా నిర్మించబడిందని వివరించారు. LLM నుండి డేటాను దూరంగా ఉంచండిసమస్యను వివరించే మెటాడేటాను మాత్రమే భాగస్వామ్యం చేయడం మరియు LLMతో ఇంటర్‌ఫేసింగ్ చేయడం అనేది విశ్లేషణను అమలు చేయడానికి స్థానికంగా-హోస్ట్ చేసిన ఇంజిన్‌లకు ఉత్తమ మార్గం. ఇది గోప్యత గురించి మాత్రమే కాదు, ఇది తప్పుదారి పట్టించే ఫలితాల గురించి కూడా. కాబట్టి ఆ ఫ్రేమ్‌వర్క్‌లో, డేటా గోప్యత మరియు దానితో అనుబంధించబడిన సమస్యలు విపరీతమైనవి, నా అభిప్రాయం. వాళ్ళు షోస్టాపర్” పెరెజ్ అన్నారు. అయితే, పిరమిడ్ సెటప్‌తో, “LLM రెసిపీని రూపొందిస్తుంది, అయితే అది డేటాపై (దాని) చేతిని పొందకుండా మరియు గణిత కార్యకలాపాలు చేయకుండానే చేస్తుంది. (…) ఇది డేటా గోప్యతా ప్రమాదాల పరంగా 95% సమస్యను తొలగిస్తుంది.

పారదర్శకత మరియు వివరణను పెంచండి

AI స్వీకరణకు మరో తీవ్రమైన అడ్డంకి దాని ఫలితాలపై నమ్మకం లేకపోవడం. మహిళల పట్ల వివక్ష చూపిన Amazon యొక్క AI-ఆధారిత నియామక సాధనం యొక్క అప్రసిద్ధ కథనం చాలా మందిని AI నుండి దూరం చేసే ఒక హెచ్చరిక కథగా మారింది. ఈ భయాన్ని ఎదుర్కోవడానికి ఉత్తమ మార్గం వివరణ మరియు పారదర్శకతను పెంచడం.

“AI పారదర్శకత అనేది అవుట్‌పుట్ వెనుక ఉన్న తార్కికతను స్పష్టంగా వివరించడం, నిర్ణయం తీసుకునే ప్రక్రియను అందుబాటులోకి తీసుకురావడం మరియు అర్థమయ్యేలా చేయడం” అని అద్నాన్ మసూద్ అన్నారుUSTలో చీఫ్ AI ఆర్కిటెక్ట్ మరియు మైక్రోసాఫ్ట్ ప్రాంతీయ డైరెక్టర్. “రోజు చివరిలో, ఇది AI యొక్క బ్లాక్ బాక్స్ మిస్టరీని తొలగించడం మరియు AI నిర్ణయం తీసుకోవడం ఎలా మరియు ఎందుకు అనే దానిపై అంతర్దృష్టిని అందించడం.” దురదృష్టవశాత్తు, చాలా మంది అధికారులు పారదర్శకత యొక్క ప్రాముఖ్యతను విస్మరించారు. ఐబీఎం తాజా అధ్యయనంలో ఈ విషయం వెల్లడైంది కేవలం 45% CEOలు మాత్రమే వారు ఓపెన్‌నెస్ కోసం సామర్థ్యాలను అందిస్తున్నారని చెప్పారు. AI ఛాంపియన్‌లు బ్లాక్ బాక్స్‌లు తలెత్తకుండా ఉండే కఠినమైన AI గవర్నెన్స్ పాలసీల అభివృద్ధికి ప్రాధాన్యత ఇవ్వాలి మరియు SHAPley Additive exPlanations (SHAPs), Google యొక్క ఫెయిర్‌నెస్ ఇండికేటర్స్ వంటి ఫెయిర్‌నెస్ టూల్‌కిట్‌లు మరియు ఇన్‌స్టిట్యూట్ ఆఫ్ ఇంటర్నల్ ఆడిటర్స్ AI వంటి ఆటోమేటెడ్ కంప్లైయన్స్ చెక్‌ల వంటి వివరణాత్మక సాధనాల్లో పెట్టుబడి పెట్టాలి. ఆడిటింగ్ ఫ్రేమ్‌వర్క్.

స్పష్టమైన వ్యాపార విలువను నిర్వచించండి

ధర ఎప్పటిలాగే AI అడ్డంకుల జాబితాలో ఉంది. క్లౌడెరా సర్వేలో 26% మంది ప్రతివాదులు AI సాధనాలు చాలా ఖరీదైనవి అని చెప్పారు మరియు AI ప్రాజెక్ట్‌ల వైఫల్యానికి గార్ట్‌నర్ “అస్పష్టమైన వ్యాపార విలువ”ని ఒక కారకంగా చేర్చారు. అదే గార్ట్‌నర్ నివేదిక ప్రకారం GenAI దాని వినియోగదారులలో సగటు రాబడి పెరుగుదల మరియు ఖర్చు ఆదా 15% కంటే ఎక్కువగా ఉంది, AI సరిగ్గా అమలు చేయబడితే ఆర్థికంగా ఎదుగుదల చేయగలదని రుజువు చేసింది.

అందుకే ప్రతి ఇతర వ్యాపార ప్రాజెక్ట్‌లాగా AIని సంప్రదించడం చాలా కీలకం – వేగవంతమైన ROIని అందించే ప్రాంతాలను గుర్తించడం, మీరు చూడాలనుకుంటున్న ప్రయోజనాలను నిర్వచించడం మరియు నిర్దిష్ట KPIలను సెట్ చేయడం ద్వారా మీరు విలువను నిరూపించుకోవచ్చు.” AI వ్యూహం మరియు రోడ్‌మ్యాప్, ఫోకస్ చేయడానికి అత్యంత విలువైన మరియు రూపాంతరం చెందిన AI వినియోగ కేసులను గుర్తించడం ఒక క్లిష్టమైన మొదటి దశ,” మైఖేల్ రాబిన్సన్ అన్నారుUiPath వద్ద ఉత్పత్తి మార్కెటింగ్ డైరెక్టర్.

సమర్థవంతమైన శిక్షణా కార్యక్రమాలను ఏర్పాటు చేయండి

నైపుణ్యాల అంతరం AI స్వీకరణకు ముఖ్యమైన రోడ్‌బ్లాక్‌గా మిగిలిపోయింది, అయితే సమస్యను పరిష్కరించడానికి చాలా తక్కువ ప్రయత్నం చేస్తున్నట్లు కనిపిస్తోంది. వర్క్‌లైఫ్ నుండి వచ్చిన నివేదిక AI స్వీకరణలో ప్రారంభ విజృంభణను ముందస్తుగా స్వీకరించేవారి నుండి వచ్చిందని సూచిస్తుంది. ఇప్పుడు, AI మరియు ఏదైనా కొత్త సాంకేతికతపై అంతర్లీనంగా సందేహాస్పదంగా మరియు సాధారణంగా తక్కువ విశ్వాసంతో ఉన్న వెనుకబడిన వారిపై ఆధారపడి ఉంది.

ఇది శిక్షణను కీలకం చేస్తుంది. ఇంకా అసనా స్టేట్ ఆఫ్ AI ఎట్ వర్క్ స్టడీ ప్రకారం, పాల్గొనేవారిలో 82% మంది చెప్పారు వారి సంస్థలు ఉత్పాదక AIని ఉపయోగించడంపై శిక్షణను అందించలేదు. శిక్షణ పని చేయడం లేదని ఎటువంటి సూచన లేదు; కాకుండా అది జరగాల్సిన విధంగా జరగడం లేదు.

నాణ్యమైన ప్రాంప్టింగ్ మరియు ఇతర సంబంధిత నైపుణ్యాలలో సమగ్ర శిక్షణను అందించడమే స్పష్టమైన టేకావే. ప్రోత్సాహకరంగా, శిక్షణ లేకుండా AIని ఉపయోగించడం కూడా వ్యక్తుల నైపుణ్యాలను మరియు విశ్వాసాన్ని పెంచుతుందని అదే పరిశోధన చూపిస్తుంది. కాబట్టి, AIలో నైపుణ్యం లేని ఉద్యోగులు ఉద్యోగంలో నేర్చుకునేందుకు వీలు కల్పించే తక్కువ మరియు కోడ్ లేని సాధనాలతో ప్రారంభించడం మంచిది.

AI స్వీకరణకు అడ్డంకులు అధిగమించలేనివి కావు

AI స్వీకరణ మందగించినప్పటికీ, దీర్ఘకాలికంగా ఇది ప్రమాదంలో ఉన్నట్లు ఎటువంటి సూచన లేదు. AI టూల్స్‌ను విడుదల చేయకుండా కంపెనీలను వెనుకకు ఉంచే అనేక అడ్డంకులను చాలా ఇబ్బంది లేకుండా అధిగమించవచ్చు. డేటా నాణ్యత మరియు నైతిక పాలనను బలోపేతం చేయడం వంటి అనేక దశలు AI పరిశీలనలో ఉన్నా లేదా అనే దానితో సంబంధం లేకుండా తీసుకోవాలి, అయితే తీసుకున్న ఇతర చర్యలు పెరిగిన రాబడి మరియు AI తీసుకురాగల ఉత్పాదకత లాభాలకు చెల్లించబడతాయి.