گارتنر: ارزیابی اثرات مالی داده ها و تیم های هوش مصنوعی بسیار مهم شده است
به طور خلاصه
مشکل ارزیابی اثرات مالی تیم‌های داده، هوش مصنوعی و ML حیاتی شده است.
در دنیای آینده روشن هوش مصنوعی، همه فقط در مورد اثرات خیره کننده تجزیه و تحلیل داده ها و آنچه که تیم های داده به طور کلی می توانند روی میز بیاورند صحبت می کنند. آیا این اثرات را در واقعیت دیده اید: جریان های نقدی خاص در نتیجه اجرای پروژه های تجزیه و تحلیل داده ها؟ پاسخ احتمالا مبهم است. بنابراین گارتنر در مورد مشکل ارزیابی اثرات تیم های داده در رهبری آنها بحث کرد کنفرانس داده و تحلیل امسال.
طبق مطالعه گارتنر، از سال 1975، نسبت شرکت‌هایی که تأثیر مالی خاص پروژه‌های تجزیه و تحلیل داده‌ها (رشد درآمد، کاهش هزینه، رشد بهره‌وری و کاهش ریسک) را اندازه‌گیری می‌کنند، به طور مداوم کاهش یافته است. پیش از این در سال 2020، بیش از 90 درصد از سرمایه گذاری ها در داده ها (در مقابل 17 درصد در سال 1975) با اهداف به اصطلاح استراتژیک توجیه می شد: ایجاد نوآوری ها، داده ها به عنوان دارایی، و ارزش برند.
و سپس می توانید در مورد اینکه چگونه و چرا به این موضوع رسیدیم و در پس زمینه ابرهای جمع شده در محیط اقتصاد کلان جهانی چه اتفاقی خواهد افتاد، بسیار صحبت کنید.
چرا این روند شکل گرفته است؟
توجیه تأثیر تجزیه و تحلیل داده ها از نظر اهداف استراتژیک، در بسیاری از موارد، کاملاً طبیعی است. به نظر می رسد توسعه صنعت در سال های اخیر برای همه آشکار شده است: ChatGPT اینجا آخرین ضربه را به آخرین شک می کند. در لحظه پیشرفت، هیچ شرکتی که بخواهد زنده بماند، نمی‌خواهد ناامیدانه عقب بماند.
توجیه اثر با اهداف استراتژیک گاهی اوقات زمانی اجباری می شود که برای درک اینکه سرمایه گذاری در داده ها چه اثرات مالی واقعی می تواند داشته باشد و چگونه می توان آن را اندازه گیری کرد، سرمایه گذاری نمی کنید. بسیاری از شرکت‌ها ارقام هنگفتی را در پروژه‌ها سرمایه‌گذاری می‌کنند تا فرآیندهای تجاری مبتنی بر داده‌ها را بهبود بخشند، اما در عین حال، در ایجاد روش‌شناسی برای ارزیابی اثرات این پروژه‌ها (تست AB، تجزیه و تحلیل پروژه‌های داده پس از سرمایه‌گذاری و غیره) صرفه‌جویی می‌کنند. با هر پروژه جدید، چنین شرکت هایی بیشتر و بیشتر در دام عدم اطمینان گرفتار می شوند. برای آنها، خطر ورشکستگی نهایی تمام فعالیت‌های داده‌ای در حال افزایش است، یا تیم داده‌ها بدون درک موفقیت فعالیت‌هایشان، بیش از حد متورم می‌شوند.
در عین حال، در عمل، معرفی چنین متدولوژی هایی همیشه بیشترین تأثیر را بر روی تمام پروژه های داده ای داشته است.
بعد از این چه خواهد شد؟
جنبه تاریک آسیب پذیری روزافزون تیم های داده در شرایط سخت اقتصاد کلان در بازارهای جهانی است. اگر 90 درصد از تأثیرات برخی از انواع تیم‌ها را نتوان «لمس» کرد، زیرا در آینده‌ای روشن هستند، وقتی بحران اقتصادی تشدید می‌شود، این تیم‌ها هستند که اولین ضربه می‌خورند. متاسفانه، آغاز این روند تا حد زیادی تا سال 2022 تایید شد، و تعدادی از مقیاس بزرگ اخراج در شرکت های بزرگ
جنبه مثبت آن افزایش علاقه به ارزیابی تاثیرات مالی واقعی است. با توجه به تمام موارد فوق، ما انتظار داریم که در سال های 2024-2025 یک روند معکوس وجود داشته باشد و سرمایه گذاری های بیشتری با یک اثر مالی واقعی توجیه شوند.
و این به معنای افزایش علاقه به روش هایی مانند Reliable ML خواهد بود: نحوه سازماندهی کار تیم های داده به گونه ای که تأثیر فعالیت های آنها قابل اندازه گیری و از نظر مالی مثبت باشد. برای انجام این کار، باید به طراحی سیستم ML (برای اینکه وارد پروژه های آشکارا غیرسود یا غیرقابل تحقق نشوید)، استنتاج علی (برای اینکه در دام الگوهای غلط نیفتید) و آزمایش AB (به منظور درستی) فکر کنید. درک کنید که آیا نمونه اولیه شما هنگام مقیاس بندی پول به همراه خواهد داشت).
ادامه خبر مرتبط را بخوانید:
سلب مسئولیت
در خط با دستورالعمل های پروژه اعتماد، لطفاً توجه داشته باشید که اطلاعات ارائه شده در این صفحه به عنوان مشاوره حقوقی، مالیاتی، سرمایه گذاری، مالی یا هر شکل دیگری در نظر گرفته نشده است و نباید تفسیر شود. مهم است که فقط در موردی سرمایه گذاری کنید که توانایی از دست دادن آن را دارید و در صورت شک و تردید به دنبال مشاوره مالی مستقل باشید. برای کسب اطلاعات بیشتر، پیشنهاد می کنیم به شرایط و ضوابط و همچنین صفحات راهنمایی و پشتیبانی ارائه شده توسط صادرکننده یا تبلیغ کننده مراجعه کنید. MetaversePost متعهد به گزارش دقیق و بی طرفانه است، اما شرایط بازار بدون اطلاع قبلی ممکن است تغییر کند.
درباره نویسنده
Damir رهبر تیم، مدیر محصول و سردبیر در است Metaverse Post، موضوعاتی مانند AI/ML، AGI، LLMs، Metaverse و Web3- زمینه های مرتبط مقالات او هر ماه مخاطبان زیادی از بیش از یک میلیون کاربر را جذب می کند. به نظر می رسد او یک متخصص با 10 سال تجربه در سئو و بازاریابی دیجیتال است. دمیر در Mashable, Wired, ذکر شده است. Cointelegraph، نیویورکر، Inside.com، Entrepreneur، BeInCrypto، و انتشارات دیگر. او بین امارات متحده عربی، ترکیه، روسیه و کشورهای مستقل مشترک المنافع به عنوان یک عشایر دیجیتال سفر می کند. دمیر مدرک لیسانس خود را در فیزیک گرفت که به اعتقاد او مهارت های تفکر انتقادی لازم برای موفقیت در چشم انداز دائماً در حال تغییر اینترنت را به او داده است.
مقالات بیشتر
Damir رهبر تیم، مدیر محصول و سردبیر در است Metaverse Post، موضوعاتی مانند AI/ML، AGI، LLMs، Metaverse و Web3- زمینه های مرتبط مقالات او هر ماه مخاطبان زیادی از بیش از یک میلیون کاربر را جذب می کند. به نظر می رسد او یک متخصص با 10 سال تجربه در سئو و بازاریابی دیجیتال است. دمیر در Mashable, Wired, ذکر شده است. Cointelegraph، نیویورکر، Inside.com، Entrepreneur، BeInCrypto، و انتشارات دیگر. او بین امارات متحده عربی، ترکیه، روسیه و کشورهای مستقل مشترک المنافع به عنوان یک عشایر دیجیتال سفر می کند. دمیر مدرک لیسانس خود را در فیزیک گرفت که به اعتقاد او مهارت های تفکر انتقادی لازم برای موفقیت در چشم انداز دائماً در حال تغییر اینترنت را به او داده است.
