Netweek 50 technology leaders
30 Ιουλίου 2024
Netweek 50 technology leaders
Netweek 50 technology leaders
Η Τεχνητή Νοημοσύνη διευρύνει τους ορίζοντες, αλλά εμείς πρέπει να ορίσουμε τη πορεία
Η Τεχνητή Νοημοσύνη διευρύνει τους ορίζοντες, αλλά εμείς πρέπει να ορίσουμε τη πορεία
Η Τεχνητή Νοημοσύνη διευρύνει τους ορίζοντες, αλλά εμείς πρέπει να ορίσουμε τη πορεία
Αντώνης Σιδερής Managing Director, Seven Red Lines.
Η Τεχνητή Νοημοσύνη (ΑΙ) αποτελεί το πιο ηχηρό buzzword τον τελευταίο καιρό, και όχι άδικα. Αν και χρησιμοποιείται εδώ και πολλά χρόνια, με την έλευση του Generative ΑΙ (Gen AI), έγινε προσιτή σε πολύ κόσμο χωρίς να απαιτεί εξειδικευμένες γνώσεις και αυτό ήταν καταλυτικό. Εστιάζοντας στις επιχειρήσεις, ανεξαρτήτως μεγέθους, υπάρχουν πια πολλές επιλογές υπηρεσιών και προϊόντων που στοχεύουν στην αύξηση της παραγωγικότητας, την καλύτερη εξυπηρέτηση πελατών κ.α.. Ειδικά στο GenAI, είμαστε ακόμα στην αρχή και βλέπουμε κάθε νέα έκδοση να ξεπερνά την προηγούμενη εκθετικά σε δυνατότητες.
Αν κάναμε ένα διαχωρισμό, οι επιχειρήσεις σήμερα, μπορούν να επιλέξουν τρεις τύπους λύσεων: Μηχανική Μάθηση (ML), Purpose-Built AI και Gen AI. Κάθε ένα από αυτά έχει διαφορετικό επίπεδο ωριμότητας, ακρίβειας και κόστους. Το Gen AI είναι πιο γενικό και είναι δυσκολότερο να αποδείξει την ακρίβεια των αποτελεσμάτων του από τα άλλα δύο. Από την άλλη, μπορεί να χρησιμοποιηθεί ευρέως και συντηρεί την προσδοκίας της αύξησης της παραγωγικότητας όλων των υπαλλήλων μιας εταιρείας, κάτι που θα είχε εντυπωσιακά αποτελέσματα. Τα άλλα δύο είδη είναι πιο ώριμα, εστιασμένα σε μια λειτουργία, ή στην λύση ενός προβλήματος και είναι πιο εύκολο να επιβεβαιώσει κανείς την ακρίβειά τους. Δεν απευθύνονται σε τόσο ευρύ κοινό και γι’ αυτό ίσως δεν προκάλεσαν τέτοια αναστάτωση.
Η Τεχνητή Νοημοσύνη (ΑΙ) αποτελεί το πιο ηχηρό buzzword τον τελευταίο καιρό, και όχι άδικα. Αν και χρησιμοποιείται εδώ και πολλά χρόνια, με την έλευση του Generative ΑΙ (Gen AI), έγινε προσιτή σε πολύ κόσμο χωρίς να απαιτεί εξειδικευμένες γνώσεις και αυτό ήταν καταλυτικό. Εστιάζοντας στις επιχειρήσεις, ανεξαρτήτως μεγέθους, υπάρχουν πια πολλές επιλογές υπηρεσιών και προϊόντων που στοχεύουν στην αύξηση της παραγωγικότητας, την καλύτερη εξυπηρέτηση πελατών κ.α.. Ειδικά στο GenAI, είμαστε ακόμα στην αρχή και βλέπουμε κάθε νέα έκδοση να ξεπερνά την προηγούμενη εκθετικά σε δυνατότητες.
Αν κάναμε ένα διαχωρισμό, οι επιχειρήσεις σήμερα, μπορούν να επιλέξουν τρεις τύπους λύσεων: Μηχανική Μάθηση (ML), Purpose-Built AI και Gen AI. Κάθε ένα από αυτά έχει διαφορετικό επίπεδο ωριμότητας, ακρίβειας και κόστους. Το Gen AI είναι πιο γενικό και είναι δυσκολότερο να αποδείξει την ακρίβεια των αποτελεσμάτων του από τα άλλα δύο. Από την άλλη, μπορεί να χρησιμοποιηθεί ευρέως και συντηρεί την προσδοκίας της αύξησης της παραγωγικότητας όλων των υπαλλήλων μιας εταιρείας, κάτι που θα είχε εντυπωσιακά αποτελέσματα. Τα άλλα δύο είδη είναι πιο ώριμα, εστιασμένα σε μια λειτουργία, ή στην λύση ενός προβλήματος και είναι πιο εύκολο να επιβεβαιώσει κανείς την ακρίβειά τους. Δεν απευθύνονται σε τόσο ευρύ κοινό και γι’ αυτό ίσως δεν προκάλεσαν τέτοια αναστάτωση.
Η Τεχνητή Νοημοσύνη (ΑΙ) αποτελεί το πιο ηχηρό buzzword τον τελευταίο καιρό, και όχι άδικα. Αν και χρησιμοποιείται εδώ και πολλά χρόνια, με την έλευση του Generative ΑΙ (Gen AI), έγινε προσιτή σε πολύ κόσμο χωρίς να απαιτεί εξειδικευμένες γνώσεις και αυτό ήταν καταλυτικό. Εστιάζοντας στις επιχειρήσεις, ανεξαρτήτως μεγέθους, υπάρχουν πια πολλές επιλογές υπηρεσιών και προϊόντων που στοχεύουν στην αύξηση της παραγωγικότητας, την καλύτερη εξυπηρέτηση πελατών κ.α.. Ειδικά στο GenAI, είμαστε ακόμα στην αρχή και βλέπουμε κάθε νέα έκδοση να ξεπερνά την προηγούμενη εκθετικά σε δυνατότητες.
Αν κάναμε ένα διαχωρισμό, οι επιχειρήσεις σήμερα, μπορούν να επιλέξουν τρεις τύπους λύσεων: Μηχανική Μάθηση (ML), Purpose-Built AI και Gen AI. Κάθε ένα από αυτά έχει διαφορετικό επίπεδο ωριμότητας, ακρίβειας και κόστους. Το Gen AI είναι πιο γενικό και είναι δυσκολότερο να αποδείξει την ακρίβεια των αποτελεσμάτων του από τα άλλα δύο. Από την άλλη, μπορεί να χρησιμοποιηθεί ευρέως και συντηρεί την προσδοκίας της αύξησης της παραγωγικότητας όλων των υπαλλήλων μιας εταιρείας, κάτι που θα είχε εντυπωσιακά αποτελέσματα. Τα άλλα δύο είδη είναι πιο ώριμα, εστιασμένα σε μια λειτουργία, ή στην λύση ενός προβλήματος και είναι πιο εύκολο να επιβεβαιώσει κανείς την ακρίβειά τους. Δεν απευθύνονται σε τόσο ευρύ κοινό και γι’ αυτό ίσως δεν προκάλεσαν τέτοια αναστάτωση.
Σε όλα αυτά τα είδη, υπάρχει ένας κοινός παρονομαστής. Η αποτελεσματικότητα οποιουδήποτε είδους ΑΙ – και αυτό ισχύει και για τις υπόλοιπες τεχνολογίες – εξαρτάται άμεσα από την ποιότητα και την ορθότητα των δεδομένων που χρησιμοποιεί. Μια επιχείρηση που κάνει ψηφιακό μετασχηματισμό, δεν αρκεί να εισάγει ένα νέο σύστημα και να περιμένει αποτελέσματα. Πρέπει πρώτα, τα δεδομένα που χρησιμοποιεί να είναι αξιόπιστα, πλήρη και σωστά. Αυτό ισχύει είτε μιλάμε για τα δεδομένα ενός ERP ή CRM, είτε για τα αρχεία στους φακέλους μας είτε τα mail μας.
Επίσης, δεν πρέπει να ξεχνάμε ότι ο ψηφιακός μετασχηματισμός, δεν μπορεί να είναι μόνο ψηφιακός. Είναι ευρύτερος και επηρεάζει όλη τη δομή της επιχείρησης. Έχει σημασία να ξεκινά από την αντικειμενική αξιολόγηση της πραγματικότητας – με μετρήσιμα στοιχεία – και να θέτει μετρήσιμους στόχους. Απαιτεί αλλαγές σε διαδικασίες, οργάνωση, τρόπο δουλειάς. Αλλάζει την καθημερινότητα των ανθρώπων μιας εταιρείας και είναι σημαντικό να συμπεριληφθούν και αυτοί στη διαδικασία της αλλαγής καθώς απαιτεί αλλαγή κουλτούρας, κάτι που δεν είναι απλό. Η αποδοχή και η αξιοποίηση της τεχνολογίας είναι κρίσιμος παράγοντας για την επιτυχία της εισαγωγής της.
Τέλος, πρέπει να θυμόμαστε ότι η χρήση της Τεχνητής Νοημοσύνης έχει σημαντικές νομικές, ηθικές και πρακτικές προεκτάσεις. Το νομικό/κανονιστικό πλαίσιο δεν είναι ακόμα έτοιμο καθώς η τεχνολογία κινείται πολύ πιο γρήγορα. Επίσης, υπάρχει το ρίσκο να προκαταλαμβάνονται τα αποτελέσματα (bias) λόγω ιδιαιτεροτήτων των δεδομένων που χρησιμοποιούν, κάνοντας την ανάγκη για τη δυνατότητα επαλήθευσης των αποτελεσμάτων ακόμα πιο σημαντική.
Η Τεχνητή Νοημοσύνη είναι εδώ για να βοηθήσει τους ανθρώπους, όχι για να τους αντικαταστήσει και ειδικά, όχι για να αντικαταστήσει την ανάγκη να σκέφτονται και να παίρνουν αποφάσεις.
Σε όλα αυτά τα είδη, υπάρχει ένας κοινός παρονομαστής. Η αποτελεσματικότητα οποιουδήποτε είδους ΑΙ – και αυτό ισχύει και για τις υπόλοιπες τεχνολογίες – εξαρτάται άμεσα από την ποιότητα και την ορθότητα των δεδομένων που χρησιμοποιεί. Μια επιχείρηση που κάνει ψηφιακό μετασχηματισμό, δεν αρκεί να εισάγει ένα νέο σύστημα και να περιμένει αποτελέσματα. Πρέπει πρώτα, τα δεδομένα που χρησιμοποιεί να είναι αξιόπιστα, πλήρη και σωστά. Αυτό ισχύει είτε μιλάμε για τα δεδομένα ενός ERP ή CRM, είτε για τα αρχεία στους φακέλους μας είτε τα mail μας.
Επίσης, δεν πρέπει να ξεχνάμε ότι ο ψηφιακός μετασχηματισμός, δεν μπορεί να είναι μόνο ψηφιακός. Είναι ευρύτερος και επηρεάζει όλη τη δομή της επιχείρησης. Έχει σημασία να ξεκινά από την αντικειμενική αξιολόγηση της πραγματικότητας – με μετρήσιμα στοιχεία – και να θέτει μετρήσιμους στόχους. Απαιτεί αλλαγές σε διαδικασίες, οργάνωση, τρόπο δουλειάς. Αλλάζει την καθημερινότητα των ανθρώπων μιας εταιρείας και είναι σημαντικό να συμπεριληφθούν και αυτοί στη διαδικασία της αλλαγής καθώς απαιτεί αλλαγή κουλτούρας, κάτι που δεν είναι απλό. Η αποδοχή και η αξιοποίηση της τεχνολογίας είναι κρίσιμος παράγοντας για την επιτυχία της εισαγωγής της.
Τέλος, πρέπει να θυμόμαστε ότι η χρήση της Τεχνητής Νοημοσύνης έχει σημαντικές νομικές, ηθικές και πρακτικές προεκτάσεις. Το νομικό/κανονιστικό πλαίσιο δεν είναι ακόμα έτοιμο καθώς η τεχνολογία κινείται πολύ πιο γρήγορα. Επίσης, υπάρχει το ρίσκο να προκαταλαμβάνονται τα αποτελέσματα (bias) λόγω ιδιαιτεροτήτων των δεδομένων που χρησιμοποιούν, κάνοντας την ανάγκη για τη δυνατότητα επαλήθευσης των αποτελεσμάτων ακόμα πιο σημαντική.
Η Τεχνητή Νοημοσύνη είναι εδώ για να βοηθήσει τους ανθρώπους, όχι για να τους αντικαταστήσει και ειδικά, όχι για να αντικαταστήσει την ανάγκη να σκέφτονται και να παίρνουν αποφάσεις.
Σε όλα αυτά τα είδη, υπάρχει ένας κοινός παρονομαστής. Η αποτελεσματικότητα οποιουδήποτε είδους ΑΙ – και αυτό ισχύει και για τις υπόλοιπες τεχνολογίες – εξαρτάται άμεσα από την ποιότητα και την ορθότητα των δεδομένων που χρησιμοποιεί. Μια επιχείρηση που κάνει ψηφιακό μετασχηματισμό, δεν αρκεί να εισάγει ένα νέο σύστημα και να περιμένει αποτελέσματα. Πρέπει πρώτα, τα δεδομένα που χρησιμοποιεί να είναι αξιόπιστα, πλήρη και σωστά. Αυτό ισχύει είτε μιλάμε για τα δεδομένα ενός ERP ή CRM, είτε για τα αρχεία στους φακέλους μας είτε τα mail μας.
Επίσης, δεν πρέπει να ξεχνάμε ότι ο ψηφιακός μετασχηματισμός, δεν μπορεί να είναι μόνο ψηφιακός. Είναι ευρύτερος και επηρεάζει όλη τη δομή της επιχείρησης. Έχει σημασία να ξεκινά από την αντικειμενική αξιολόγηση της πραγματικότητας – με μετρήσιμα στοιχεία – και να θέτει μετρήσιμους στόχους. Απαιτεί αλλαγές σε διαδικασίες, οργάνωση, τρόπο δουλειάς. Αλλάζει την καθημερινότητα των ανθρώπων μιας εταιρείας και είναι σημαντικό να συμπεριληφθούν και αυτοί στη διαδικασία της αλλαγής καθώς απαιτεί αλλαγή κουλτούρας, κάτι που δεν είναι απλό. Η αποδοχή και η αξιοποίηση της τεχνολογίας είναι κρίσιμος παράγοντας για την επιτυχία της εισαγωγής της.
Τέλος, πρέπει να θυμόμαστε ότι η χρήση της Τεχνητής Νοημοσύνης έχει σημαντικές νομικές, ηθικές και πρακτικές προεκτάσεις. Το νομικό/κανονιστικό πλαίσιο δεν είναι ακόμα έτοιμο καθώς η τεχνολογία κινείται πολύ πιο γρήγορα. Επίσης, υπάρχει το ρίσκο να προκαταλαμβάνονται τα αποτελέσματα (bias) λόγω ιδιαιτεροτήτων των δεδομένων που χρησιμοποιούν, κάνοντας την ανάγκη για τη δυνατότητα επαλήθευσης των αποτελεσμάτων ακόμα πιο σημαντική.
Η Τεχνητή Νοημοσύνη είναι εδώ για να βοηθήσει τους ανθρώπους, όχι για να τους αντικαταστήσει και ειδικά, όχι για να αντικαταστήσει την ανάγκη να σκέφτονται και να παίρνουν αποφάσεις.
Διαβάστε επίσης...
16 Οκτ 2024
Η Seven Red Lines χορηγός στο 19ο IT Directors Forum
16 Οκτ 2024
Η Seven Red Lines χορηγός στο 19ο IT Directors Forum
16 Οκτ 2024
Η Seven Red Lines χορηγός στο 19ο IT Directors Forum
9 Οκτ 2024
Ανάλυση ιατρικών δεδομένων: Παρουσίαση εργασίας στο 2ο Πανελλήνιο Συνέδριο Ιατρικής Φυσικής
9 Οκτ 2024
Ανάλυση ιατρικών δεδομένων: Παρουσίαση εργασίας στο 2ο Πανελλήνιο Συνέδριο Ιατρικής Φυσικής
9 Οκτ 2024
Ανάλυση ιατρικών δεδομένων: Παρουσίαση εργασίας στο 2ο Πανελλήνιο Συνέδριο Ιατρικής Φυσικής
7 Οκτ 2024
Seven Red Lines: Έργο Datawarehouse για την Επιτροπή Εποπτείας και Ελέγχου Παιγνίων
7 Οκτ 2024
Seven Red Lines: Έργο Datawarehouse για την Επιτροπή Εποπτείας και Ελέγχου Παιγνίων
7 Οκτ 2024