اگر استقرار هوش مصنوعی در شرکتتان را به دلیل «نامنظم بودن دادهها» به تعویق انداختهاید، احتمالاً در حال از دست دادن مزیت رقابتی خود هستید. جو روز (Joe Rose)، رئیس شرکت JBS Dev، ادعا میکند که استاندارد رایج صنعت یعنی ایجاد «دریاچههای دادهٔ بینقص» پیش از اجرای مدلها، یک افسانه است.
بسیاری از مشاوران، مدیران را به سمت برنامههای چندساله برای تغییر ساختار دادهها سوق میدهند. این رویکرد سدی ایجاد میکند که تواناییهای واقعی مدلهای زبانی بزرگ (LLM) — مثل کتابخانهداری که میلیاردها صفحه را خوانده و حالا با همان لحن کتابها جواب میدهد — را نادیده میگیرد. همانطور که در تحلیل قبلی ما دربارهی زیرساختهای دادهای اشاره کردیم، انعطافپذیری در مواجهه با دادههای خام، کلید سرعت در دنیای امروز است.
به نقل از روز در جریان نمایشگاه AI & Big Data Expo، این تغییر دیدگاه در پروژههای واقعی نتایج درخشانی داشته است. او به نمونهای از یک مشتری در بخش پزشکی اشاره میکند که در حال انتقال سیستمهای صورتحساب بود. سوابق این شرکت، ترکیبی آشفته از فایلهای PDF و تصاویر بود که در آنها نام پزشک و بیمار بهکرات جابهجا شده بود.
تیم اجرایی از هوش مصنوعی زاینده (Generative AI) — شبیه نقاشی که الگوهای دنیا را یاد گرفته و میتواند چیزهای جدید بسازد — برای استخراج دادههای پاک از طریق یک پرامپت ساده استفاده کردند. آنها سپس رویکردهای عاملمحور (Agentic) — مثل کارمندی که نه فقط دستور میگیرد، بلکه مسیر رسیدن به جواب را خودش مدیریت میکند — را به کار گرفتند تا سوابق را با قراردادهای بیمه تطبیق دهند.
اتوماسیون در این پروژه آنی نبود. طبق گزارش روز، نرخ خودکارسازی بهصورت تکرارپذیر از ۲۰٪ به ۸۰٪ رسید و همیشه یک انسان برای مدیریت پیشبینیناپذیریها در چرخه باقی ماند. او همچنین پیشنهاد میکند که شرکتها بهجای خرید لایسنسهای گرانقیمت SaaS — نرمافزارهایی که بهجای خرید، هر ماه برایشان اجاره میپردازید — مستقیماً از ابزارهای بومی سه ارائهدهنده بزرگ ابری استفاده کنند.
این رویکرد، نقطه عطفی در تغییر هدف است؛ یعنی عبور از تلاش برای جهشهای رادیکال در توانایی مدل، به سمت حل مشکل «مایل آخر». تمرکز اکنون روی پایداری هزینهها و قابلیت انتقال است تا مدلها بهجای مراکز داده عظیم، روی گوشی یا لپتاپ اجرا شوند.
گام بعدی شما
- موجودی ابزارهای ابری فعلی خود را بررسی کنید تا ببینید کدام قابلیتهای عاملمحور را بدون خرید نرمافزار جدید میتوانید فعال کنید.
- بهجای انتظار برای پاکسازی کامل دیتابیس، یک زیرمجموعه کوچک و «کثیف» از دادهها را برای آزمایش استخراج با LLM انتخاب کنید.
- استراتژی «انسان در چرخه» را برای نظارت بر خروجیهای مدل در مراحل ابتدایی اتوماسیون پیاده کنید.
اما داستان سختافزاری این تحول حتی شگفتانگیزتر است — به تحلیل ما دربارهی تراشههای Blackwell مراجعه کنید.
گفتگو