هوش مصنوعی

• GPT-4o مدل هوشمند جدید OpenAI ‌بار دیگر خبرساز شد 
• یکپارچه‌سازی داده چیست، چه مباحثی را شامل می‌شود و چگونه اجرا می‌شود؟
• داده پرت چیست و چگونه آن را  در یک مجموعه داده تشخیص دهیم؟ 

فناوری شبکه

• چگونه زیرساخت‌های 5G را برای راه‌اندازی شبکه‌‌های 6G آماده کنیم؟
• آینده‌ اتصال، طراحی یک معماری پیشرو بر مبنای شبکه‌سازی چندابری
• آشنایی با توپولوژی‌های مورد استفاده در طراحی شبکه‌ها

امنیت

• چت‌بات‌های مبتنی بر  هوش مصنوعی مولد چه ریسک‌های امنیتی دارند؟ 
• چگونه آسیب‌پذیری بانک‌های اطلاعاتی را شناسایی و برطرف کنیم؟

عصر شبکه

• جیم سایمونز، ریاضیدانی که توانست با بهره‌گیری از ریاضیات به ثروت 30.7 میلیارد دلاری دست یابد 
• چه آینده‌ای پیش روی محیط‌های کاری و متخصصان وجود دارد؟

کارگاه

• وراثت در پایتون چیست و چگونه پیاده‌‌سازی می‌شود؟ 
• چگونه رکوردهای تکراری در MySQL را مدیریت کنیم؟ 
• بهترین بانک‌های اطلاعاتی برای پایتون چیستند و چه ویژگی‌هایی دارند؟

پرونده ویژه

• در آستانه تحول دیجیتال: هوش مصنوعی و تحلیل داده‌محور در کسب‌وکار
• چگونه فرهنگ تحلیل مبتنی بر هوش مصنوعی را در سازمان تعریف کنیم؟ 
• مصورسازی داده‌ها، فراتر از زیبایی به سمت بینش
• مسئولیت‌های مدیران اجرایی در پیاده‌سازی فرهنگ تحلیل چیست؟
• فرآیند پیاده‌سازی تحلیل در یک سازمان با چه چالش‌هایی روبه‌رو است؟
• نقش تحلیل در تصمیمات راهبردی سازمانی چیست؟ 
• آشنایی با دلایل شکست‌ تحلیل به‌دلیل انحراف از نقشه راه 

در آستانه تحول دیجیتال: هوش مصنوعی و تحلیل داده‌محور در کسب‌وکار

هر کجا نگاه می‌کنید، صحبت از هوش مصنوعی و اهمیت روزافزون تحول دیجیتال است. برای دستیابی به مزیت رقابتی در دنیای تجارت مدرن، تصمیم‌گیری باید به فرآیندی عینی‌تر، عمیق‌تر و بی‌طرفانه‌تر تبدیل شود که از طریق تحلیل‌های داده‌محور و همچنین برخواسته از هوش مصنوعی به‌دست می‌آید. واقعیت این است که عصر جدید به‌شکل غیر‌قابل تصوری با داده‌ها عجین شده است و برای دستیابی به بینش برخواسته از داده‌ها نیازمند اقدامات عملی در راستای پیاده‌سازی هوش مصنوعی و تحلیل مبتنی بر داده‌ها هستیم. نکته مهمی که باید به آن دقت کنید این است که به ازای هر موفقیت، دو شکست در زمینه تحلیل وجود دارد. واقعیت این است که بخش عمده‌ای از شکست‌ها برخواسته از تصمیمات اجرایی اشتباه هستند که البته قابل اجتناب هستند، به شرطی که به موقع تشخیص داده شوند. 

اصل مهمی که باید بپذیریم این است که تحلیل مبتنی بر داده‌ها و به‌کارگیری هوش مصنوعی، تنها مختص شرکت‌های بزرگ، کلان‌داده‌ها و پروژه‌های عظیم داده‌ای نیست. تقریبا همه مشاغل مرتبط با فناوری اطلاعات می‌توانند هوش مصنوعی را برای افزایش بهره‌وری، کاهش حجم کارها، حفظ استعدادهای برتر و بهبود تجربه مشتری به کار گیرند. البته، بهتر است هوش مصنوعی و تحلیل به صورت تدریجی و با تکیه بر هر موفقیت برای ارتقای کسب‌وکار مورد استفاده قرار گیرد. در آینده نزدیک، تحقیقات، آموزش، مشاوره و تجربیات میدانی ما با تحلیل مبتنی بر هوش مصنوعی، دیدگاه‌های ما را شکل داده، خط‌مشی‌های ما را اصلاح کرده و تاکتیک‌های ما را بهبود می‌دهند. اکنون اجازه دهید کمی در مورد هوش مصنوعی صحبت کنیم. 

هوش مصنوعی قدمتی بیش از ۷۵ سال دارد. آلن تورینگ، ریاضیدان برجسته، امکان به‌کارگیری ریاضیات در حوزه هوش مصنوعی را بررسی کرد و این‌گونه بیان داشت: «انسان‌ها می‌توانند برای حل مشکلات و تصمیم‌گیری بر مبنای اطلاعات موجود و استدلال از این فناوری نوین استفاده ‌کنند. بنابراین، اگر این فرضیه درست باشد، پس ماشین‌ها می‌توانند کاری را که ما انجام می‌دهیم انجام دهند». این اساس مقاله او در سال ۱۹۵۰ با عنوان «ماشین‌های محاسباتی و هوش» بود که در آن به «چگونگی ساخت ماشین‌های هوشمند و چگونگی آزمایش هوش آن‌ها» پرداخت. با این اوصاف، هوش مصنوعی چیست؟ به‌طور کلی، هوش مصنوعی، توانایی یک ماشین در تصمیم‌گیری به شیوه‌ انسان‌ها است، اما این به چه معناست، هوش مصنوعی چه شکلی است و چگونه زندگی و جامعه‌ ما را تغییر خواهد داد؟

همه می‌دانیم که دیر یا زود هوش مصنوعی بخشی از تمام کسب‌وکارها خواهد شد، اما این‌که چه زمانی وارد فعالیت‌های تجاری شرکت‌ها می‌شود، کاملا به دانش و درک هر مدیر اجرایی در مورد هوش مصنوعی و تحلیل داده‌محور بستگی دارد. 

طبق گزارش نقش حیاتی مدیر مالی در تحول دیجیتال که توسط Grant Thornton در ۲۱ می ۲۰۲۲ منتشر شد، از مدیران مالی در خصوص پذیرش فناوری، تحلیل‌های پیشرفته و یادگیری ماشین سوال پرسیده شد. ۳۸ درصد پاسخ‌دهندگان اعلام داشتند در حال حاضر از تحلیل‌های پیشرفته استفاده می‌کنند و ۲۹ درصد نیز برنامه‌ریزی برای پیاده‌سازی آن در ۱۲ ماه آینده را ابزار داشتند. نتایج نظرسنجی در مورد فناوری یادگیری ماشین حاکی از آن است که ۲۹ درصد آن را پیاده‌سازی کرده‌اند و ۲۴ درصد قصد دارند در ۱۲ ماه آینده آن را اجرا کنند. این نتایج نمونه‌ای قابل توجه از اولویت و روند روبه‌رشد پذیرش تحلیل داده‌محور و هوش مصنوعی در دنیای تجارت است. با این حال، این نظرسنجی علی‌رغم نشان دادن پیشرفت، تصویری ضعیف از لیوانی به ما ارائه می‌دهد که حتا نیمی از آن پر نیست.

پیاده‌سازی‌های هوش مصنوعی تنها ابتدای کار است، زیرا پروژه‌ها عمدتا بر روی بخش‌های خاصی از کسب‌وکار و برای وظایف مشخصی هدف‌گذاری شده‌اند. بنابراین، در حالی که حرکت به‌سمت ترکیب تحلیل‌های پیشرفته در مسیر درست قرار دارد، شکست‌های بیشتری نسبت به موفقیت‌ها وجود دارد. این خبر بسیار نگران‌کننده‌ای است که عمدتا متوجه مدیران اجرایی است. خبر خوب این است که شکست‌های هوش مصنوعی و تحلیل کاملا قابل اجتناب هستند. 

برخی از مدیران اجرایی قادر به مشاهده چشم‌انداز نیستند یا توانایی هدایت کسب‌وکار، بخش، گروه یا دپارتمان در مسیر پذیرش تحلیل و هوش مصنوعی را ندارند. برخی دیگر فکر می‌کنند که می‌دانند توانمندسازی با هوش مصنوعی به چه معنا است، اما اغلب با اصطلاحات تعریف‌نشده ضعیف یا برداشت‌های غلط در مورد تحلیل کار می‌کنند. واکنش ناگهانی آن‌ها استخدام مشاوران و خرید نرم‌افزار تحلیل مبتنی بر هوش مصنوعی بدون درک کامل از چگونگی استفاده از تحلیل برای هدایت تصمیم‌گیری است.

فریادهای «ما به پیش‌بینی بهتر نیاز داریم» و «چه عواملی کسب‌وکار ما را هدایت می‌کنند» و «ما باید در مورد کاری که انجام می‌دهیم باهوش‌تر شویم» در جلسات هیئت‌مدیره و مدیران طنین‌انداز می‌شود. اما دقیقا چگونه این کار انجام می‌شود؟ با این‌حال، نکته مهمی که باید به آن دقت کنید این است که قبل از ورود هوش مصنوعی به سازمان‌ها، شما باید فرهنگ تحلیل داده‌محور را به‌درستی تعریف کرده باشید، اما چگونه مفهوم تحلیل را بهتر درک کنیم؟ 

پرونده ویژه این شماره به مبحث تحلیل و فرهنگ پیاده‌سازی تحلیل در سازمان اختصاص دارد که زیربنای به‌کارگیری فناوری‌های نوین تحلیل داده‌محور را شکل می‌دهند. در پرونده ویژه این شماره خواهیم خواند که چگونه فرهنگ تحلیل مبتنی بر هوش مصنوعی را در سازمان تعریف کنیم؛ مصورسازی داده‌ها فراتر از زیبایی بوده و باید برخواسته از بینش باشد؛ مسئولیت‌های مدیران اجرایی برای پیاده‌سازی تحلیل؛ فرآیند پیاده‌سازی تحلیل در یک سازمان با چه چالش‌هایی روبه‌رو است؛ نقش تحلیل در تصمیمات راهبردی سازمانی چیست و در نهایت دلایل شکست‌های تحلیل به‌دلیل انحراف از نقشه راه آشنا را بررسی خواهیم کرد.