شواهد نشان می‌دهد که خلق ارزش از پروژه‌های هوش مصنوعی کار دشواری است، اما یک نکته قطعی است: ابتکارهای موفق به داده نیاز دارند — و آن هم در حجم زیاد.

چه در حال اجرای هوش مصنوعی مولد باشید و چه در حال بررسی هوش مصنوعی عامل‌محور (Agentic AI)، مدل‌های زبانی که فناوری‌های نوظهور را تغذیه می‌کنند، به دسترسی به منابع عظیم اطلاعاتی نیاز دارند. با گسترش تلاش‌های هوش مصنوعی شرکت‌ها تا سال ۲۰۲۶ و پس از آن، دسترسی به دارایی‌های داده‌ای مناسب هرگز تا این حد مهم نبوده است.

همچنین بخوانید: به گفته یکی از مدیران ارشد هوش مصنوعی گوگل، هنوز هم باید برنامه‌نویسی یاد بگیرید — این هم دلیلش

اما چگونه می‌توانید مطمئن شوید سازمان شما اطلاعات درستی را برای ابتکارهای هوش مصنوعی جمع‌آوری می‌کند؟ پنج رهبر کسب‌وکار، نکات خود را با ما در میان می‌گذارند.

۱. رویکردی سنجیده داشته باشید

پل نِویل، مدیر دیجیتال، داده و فناوری در نهاد ناظر صندوق‌های بازنشستگی (TPR)، می‌گوید این سازمان دولتی در جمع‌آوری داده برای پروژه‌های فناوری نوظهور «بسیار سنجیده» عمل می‌کند.

او گفت: «نتیجه‌ای که از هوش مصنوعی می‌گیرید به داده‌ای بستگی دارد که به آن نگاه می‌کند. بنابراین اگر داده‌های بی‌کیفیت به آن بدهید، خروجی بی‌کیفیت هم تحویل می‌گیرید. این کاملاً روشن است.»

نِویل به ZDNET گفت عناصر زیربنایی — شیوه‌های درست مدیریت داده، حاکمیت داده و مالکیت — کمک می‌کنند تا سازمانش اطلاعات درست را به بینش تبدیل کند.

همچنین بخوانید: آیا شرکت شما هزینه‌های کلانی برای فناوری‌های جدید می‌کند؟ این ۵ راه نشان می‌دهد که چگونه ثابت کنید این هزینه‌ها بازده داشته‌اند

TPR همچنین تحولات بیرونی شرکای فناوری مانند OpenAI و Microsoft Azure را بررسی می‌کند.

او گفت: «مدل‌های آن‌ها مرتب در حال توسعه هستند و انتشار نسخه‌های جدید بر نتایجی که ما می‌گیریم تأثیر می‌گذارد. بنابراین باید از این چرخه نوآوری آگاه باشیم و با دقت نتایج را پایش کنیم و فرآیندهای خودمان را برای رسیدن به نتایج درست تطبیق دهیم. ما کار زیادی روی این موضوع انجام می‌دهیم و دقیقاً به همین دلیل، نقش‌های جدیدی در حوزه راهبرد و حاکمیت هوش مصنوعی ایجاد کرده‌ایم.»

۲. روی ۲۰٪ حیاتی تمرکز کنید

ایان رافل، رئیس داده و بینش در شرکت خدمات امداد خودروی RAC در بریتانیا، می‌گوید متخصصان نباید بیش از حد درگیر حدس زدن نوع اطلاعاتی شوند که نوآوری‌های آینده را تغذیه خواهد کرد.

او گفت: «به نظر من باید روی چیزی تمرکز کنید که امروز برای کسب‌وکار شما مهم است. فکر می‌کنم بهتر است چند کار را به‌خوبی انجام دهید تا اینکه خودتان را بیش از حد پراکنده کنید.»

RAC از فناوری AI Data Cloud شرکت Snowflake استفاده می‌کند تا سیلوهای داده‌ای پراکنده گذشته را در یک بستر یکپارچه برای پروژه‌های مبتنی بر بینش تجمیع کند.

همچنین بخوانید: گارتنر می‌گوید هوش مصنوعی در چند سال آینده باعث «آشوب شغلی» خواهد شد — این یعنی چه؟

رافل به ZDNET گفت قابلیت‌های ذخیره‌سازی پلتفرم‌های مدرن داده باعث شده برخی متخصصان تصمیم بگیرند همه‌چیز را «برای احتیاط» نگه دارند.

او گفت: «امروزه ذخیره‌سازی داده نسبتاً ارزان است. بنابراین شاید اگر فکر می‌کنید داده‌ای ممکن است در آینده ارزش داشته باشد، این رویکرد بدی نباشد.»

با این حال، رافل اذعان کرد که استخراج طلا از انبارهای عظیم داده کاری پرهزینه از نظر منابع است و پیشنهاد داد کنترل سخت‌گیرانه‌تری روی اطلاعات داشته باشید.

او گفت: «وقتی مدل‌های پیش‌بینی می‌سازید یا یک مورد استفاده برای مرکز تماس دارید که سعی می‌کند اطلاعات را تجمیع کند یا یک شکایت پیچیده را پردازش کند و از هوش مصنوعی برای گردآوری داده استفاده می‌کند، بهتر است روی همان ۲۰ درصد اطلاعاتی تمرکز کنید که واقعاً مهم هستند.»

۳. یک راهبرد انعطاف‌پذیر ایجاد کنید

دومینیک ردموند، مدیر ارشد اطلاعات (CIO) در شرکت استخدامی PageGroup، می‌گوید رهبران کسب‌وکار باید یک راهبرد آینده‌نگر و انعطاف‌پذیر برای جمع‌آوری داده ایجاد کنند.

او گفت: «کسی به من گفت شما یا می‌توانید منتظر بمانید تا دیگران به شما بگویند تأثیر چه خواهد بود، یا می‌توانید خودتان سعی کنید برنامه‌ای برای آن تأثیر تدوین و مدیریت کنید. به نظرم در مورد داده هم همین‌طور است. در نهایت، شما فقط داده‌هایی را دارید که در سازمانتان وجود دارد. بنابراین سؤال کلیدی این است: کدام بخش از این داده‌ها بیشترین ارزش را خواهند داشت؟»

همچنین بخوانید: هنوز بازگشت سرمایه‌ای از هوش مصنوعی نمی‌بینید؟ این شش تاکتیک اثبات‌شده را برای خلق ارزش واقعی امتحان کنید

ردموند پذیرفت که پاسخ دادن مؤثر به این سؤال، به‌ویژه در عصر هوش مصنوعی، آسان نیست.

او گفت: «ما نمی‌دانیم وقتی تصمیم می‌گیریم در سال اول به چه داده‌ای نیاز داریم، آیا همان داده در سال دوم یا سوم هم لازم خواهد بود یا نه. همچنین نمی‌دانیم آیا هوش مصنوعی می‌تواند به ما کمک کند این داده را به روش‌های متفاوتی نسبت به گذشته به دست بیاوریم یا خیر.»

ردموند به ZDNET گفت بهترین رویکرد این است که برنامه‌ای تدوین شود که مهم‌ترین داده‌ها برای پروژه‌های آینده را شناسایی کند و در عین حال فضای کافی برای تطبیق با نیازهای جدید کسب‌وکار داشته باشد.

او گفت: «موفقیت یعنی داده‌محور و داده‌فهم بودن، اما در عین حال مطمئن شوید همه‌چیز را برای هر آنچه در آینده می‌آید ثبت می‌کنید و سپس به اندازه‌ای انعطاف‌پذیر باشید که با تغییر بازار و صنعت، خودتان را تطبیق دهید.»

۴. گردِ طلا را پیدا کنید

ساچا وان، مدیر ارشد زنجیره تأمین در شرکت تولید لوازم خانگی Joseph Joseph، می‌گوید ضروری است که همزمان یک چشم به اهداف بلندمدت و چشم دیگر به اولویت‌های فعلی داشته باشید.

او گفت در این مسیر، بهتر است ذخیره‌سازی داده به فرآیندهای شفاف کسب‌وکار گره بخورد؛ مثلاً تلاش‌های او برای استفاده از بینش‌ها جهت بهبود عملیات زنجیره تأمین.

او گفت: «در آینده، فکر می‌کنم چالش جمع‌آوری همه‌چیز ممکن است بازدارنده باشد. چطور می‌شود همه‌چیز را جمع‌آوری کرد؟ چه حجم ذخیره‌سازی‌ای لازم است تا همه داده‌ها را نگه داریم؟»

همچنین بخوانید: نگران تعدیل نیرو به‌خاطر هوش مصنوعی هستید؟ کارمندان یقه‌سفید چگونه می‌توانند از همین حالا از خودشان محافظت کنند

وان به ZDNET گفت مشتاق است بفهمد چگونه می‌توان از داده، هوش مصنوعی و تحلیل‌ها برای بهبود فرآیندهای کسب‌وکار استفاده کرد و مثالی از این رویکرد ارائه داد.

او گفت: «عالی می‌شود اگر بتوانیم راهی برای جمع‌آوری و تحلیل بینش‌های مشتریان، تا جزئی‌ترین سطح، پیدا کنیم؛ چون حتی در میان نظرات و شکایت‌های مشتریان هم گردِ طلا برای طراحی وجود دارد. این یعنی داشتن سازوکاری برای استخراج آن داده و بازگرداندن مناسب آن در سطحی جزئی به طراح، به‌طوری که طراح بتواند یک پرسش مشتری درباره بخشی از محصول را ببیند و از آن ایده‌ای برای طراحی‌های آینده بگیرد.»

۵. به معناشناسی با دقت فکر کنید

استیو لوکاس، مدیرعامل شرکت فناوری Boomi، می‌گوید پرسشی که رهبران دیجیتال و کسب‌وکار باید از خود بپرسند این است: «چطور داده درستی را که برای هوش مصنوعی اهمیت دارد ذخیره کنم؟» — و یافتن راه‌حل مناسب برای این چالش، به معناشناسی برمی‌گردد.

او گفت: «احتمالاً همه داده‌ای را که نیاز دارید در اختیار دارید. داده مثل شن است. اما آیا برای آن اطلاعات، زمینه و بستر (Context) هم دارید؟»

لوکاس به ZDNET گفت فهرست‌بندی و برچسب‌گذاری مؤثر می‌تواند به متخصصان کمک کند داده‌های واقعاً مهم را پیدا کنند.

او گفت: «آیا می‌توانید یک پایگاه داده را پرس‌وجو کنید و دقیقاً پاسخ سؤال‌تان را بگیرید؟ قطعاً. اما اگر به دنبال شباهت‌ها در داده هستید، همین شباهت‌ها هستند که واقعاً اهمیت دارند. در چنین شرایطی، کاتالوگ‌ها و فراداده‌ها از خودِ داده خام ارزشمندتر خواهند بود.»

لوکاس گفت شرکت‌های بزرگ فناوری می‌توانند به رهبران کسب‌وکار کمک کنند تا سازمانشان روی ذخیره داده‌های درست برای هوش مصنوعی تمرکز کند: «آن‌ها میلیاردها دلار هزینه می‌کنند. بگذارید همین میلیاردها به شما کمک کند پول پس‌انداز کنید و مسیرتان را نشان بدهد.»