SaaS ، PaaS-و در حال حاضر AIaaS: شرکتهای کارآفرین و آینده نگر سعی خواهند کرد تا انواع مشکلات را برای مشکلات تجاری بیشمار به مشتریان از انواع مختلف ارائه دهند.

صنایع مختلف از راه حل های AI خارج از قفسه استفاده می کنند. به گفته کارشناسان صنعت ، درآمد جهانی نرم افزار هوش مصنوعی – بیشتر آن هوش مصنوعی آنلاین به عنوان یک نرم افزار خدمات (AIaaS) – با نرخ حیرت آور سالانه 34.9، افزایش می یابد و بازار تا سال 2025 به بیش از 100 میلیارد دلار می رسد. ایده خوبی است ، اما یک هشدار وجود دارد-سندرم “برای همه مناسب”.

شرکت هایی که به دنبال استفاده از هوش مصنوعی به عنوان یک فناوری متمایزکننده به منظور دستیابی به مزایای تجاری هستند – و نه تنها این کار را انجام نمی دهند زیرا این کاری است که دیگران انجام می دهند – نیاز به برنامه ریزی و استراتژی دارند و این تقریباً همیشه به معنی یک راه حل سفارشی است.

به گفته Sepp Hochreiter (مخترع LSTM ، یکی از معروفترین و موفق ترین الگوریتم های هوش مصنوعی در جهان) ، “ترکیب ایده آل برای بهترین زمان برای بازار و کمترین ریسک برای پروژه های هوش مصنوعی شما این است که به آرامی یک تیم بسازید و از عوامل خارجی اثبات شده استفاده کنید. کارشناسان نیز هیچ کس نمی تواند به سرعت بهترین استعدادها را استخدام کند و بدتر از آن ، شما حتی نمی توانید در طول استخدام در مورد کیفیت قضاوت کنید ، اما فقط سالها بعد متوجه خواهید شد. “

این بسیار متفاوت از چیزی است که امروزه اکثر خدمات آنلاین AI خارج از قفسه ارائه می دهند. فناوری هوش مصنوعی ارائه شده توسط AIaaS در دو نوع ارائه می شود-و اصلی ترین آن یک سیستم هوش مصنوعی بسیار اساسی است که ادعا می کند یک راه حل “مناسب برای همه” برای همه مشاغل ارائه می دهد. ماژول های ارائه شده توسط ارائه دهندگان خدمات هوش مصنوعی به این معناست که در هر چیزی از سازماندهی اتاق انبار تا بهینه سازی پایگاه داده مشتری تا جلوگیری از ناهنجاری در تولید بسیاری از محصولات استفاده می شود.

چندین شرکت وجود دارند که ادعا می کنند AIaaS را برای تولید صنعتی خودکار ارائه می دهند. اکثر داده های موفق ارائه شده توسط این ارائه دهندگان براساس مطالعات موردی فردی ، با مشکلات مربوط به مجموعه داده های محدود و اهداف عمومی محدود است. اما راه حل های عمومی هوش مصنوعی نتایج کلی ایجاد می کنند.

به عنوان مثال ، فرآیند آموزش الگوریتم های تشخیص سایش و پارگی در کارخانه هایی که محصولات مختلف تولید می کنند متفاوت خواهد بود. پس از همه ، یک کفش یک گوشی هوشمند نیست یک دوچرخه نیست. بنابراین ، برای کار “واقعی” هوش مصنوعی – جایی که ماژول های هوشمند در واقع مدیریت و تغییر تولید را در پاسخ به عوامل محیطی و عوامل دیگر انجام می دهند – شرکت ها راه حل های سفارشی را برای مشتریان خود ایجاد کردند.

بسیاری از مشتریانی که به دلیل تجربه بد با AIaaS “سوخته” شده اند ، با احساس این که وقت تلف می شود ، در امتحان مجدد تردید خواهند داشت. و موارد استفاده که مستلزم پردازش هوش مصنوعی سنگین تری بود ، نتایج مورد انتظار – یا وعده داده شده را به همراه نداشت. برخی حتی شرکت های ابری را متهم کرده اند که عمداً مشتریان را گمراه می کنند-به آنها این تصور را می دهند که هوش مصنوعی خارج از قفسه یک راه حل مناسب است ، در حالی که آنها به خوبی می دانند که اینطور نیست. و اگر یک فناوری بارها به اندازه کافی کار نکند ، احتمال دارد کسانی که به طور بالقوه می توانند از راه حل های واقعی هوش مصنوعی بهره مند شوند ، حتی قبل از شروع به کار تسلیم شوند.

هدف استانداردسازی راه حلی است که تقریباً بلافاصله خوب عمل می کند و نیازی به دانش گسترده ندارد. موفقیت AIaaS تا کنون در این بوده است که محققان می توانند آزمایشات پیچیده ای را بدون نیاز به خدمات یک تیم فناوری اطلاعات برای نحوه مدیریت زیرساخت های لازم انجام دهند.

در آینده ، AIaaS امیدوار است افرادی که متخصص هوش مصنوعی نیستند بتوانند از این سیستم برای دستیابی به نتایج مطلوب استفاده کنند. با این اوصاف ، خدمات خودکار آنلاین هوش مصنوعی حتی در سطوح فعلی آنها می تواند برای تولید صنعتی بسیار مفید باشد – اگر به درستی انجام شود.

هوش مصنوعی که به درستی انجام شود می تواند مزایای بزرگی برای صنعت ایجاد کند. به جای تسلیم شدن از هوش مصنوعی ، شرکت ها باید در مورد خدمات هوش مصنوعی که به فکر استفاده از آنها هستند ، غوطه ور شوند. آیا راه حل سفارشی سازی را ارائه می دهد؟ این سرویس چه نوع حمایتی را ارائه می دهد؟ الگوریتم چگونه برای مدیریت داده های خاص مورد استفاده شما آموزش می بیند؟ اینها س questionsالاتی است که شرکت ها هنگام خرید خدمات هوش مصنوعی باید بپرسند. ارائه دهندگانی که می توانند پاسخ های قابل توجهی ارائه دهند – و ادعاهای خود را با داده های واقعی در مورد میزان موفقیت پشتیبانی کنند – کسانی هستند که شرکت ها باید با آنها کار کنند.

مانند همه پیشرفت های جدید که فعالیت های تجاری را تقویت می کند ، برنامه های کاربردی هوش مصنوعی نیاز به تخصص بالایی دارند. مهندسانی که در شرکت های بزرگ ابری کار می کنند در واقع دارای این تخصص هستند – این بدان معناست که آنها می توانند با کمک به مشتریان در ایجاد راه حل های سفارشی ، ارزش بسیار بیشتری را برای مشتریان فراهم آورند. این که آیا می توان آن را “به عنوان یک سرویس” انجام داد باید مورد بررسی قرار گیرد – اما سیستم موجود در حال حاضر جواب نمی دهد.




منبع Tech Crunch