Apr 28, 2022

استخدامات الذكاء الاصطناعي

من المفيد للشركات أن تنظر إلى الذكاء الاصطناعي من منظور قدرات الأعمال بدلاً من التقنيات، وبشكل عام، يمكن للذكاء الاصطناعي دعم ثلاثة احتياجات عمل مهمة: أتمتة العمليات التجارية، واكتساب نظرة ثاقبة من خلال تحليل البيانات، والتفاعل مع العملاء والموظفين.

استخدامات الذكاء الاصطناعي

أتمتة العمليات

النوع الأكثر شيوعًا هو أتمتة المهام الرقمية والمادية - عادةً الأنشطة الإدارية والمالية للمكاتب الخلفية - باستخدام تقنيات أتمتة العمليات الروبوتية، وتعد تقنية RPA أكثر تقدمًا من أدوات أتمتة عمليات الأعمال السابقة، لأن "الروبوتات" (أي الكود الموجود على الخادم) تعمل مثل الإنسان الذي يقوم بإدخال المعلومات واستهلاكها من أنظمة تكنولوجيا المعلومات المتعددة. تشمل المهام:

نقل البيانات من البريد الإلكتروني وأنظمة مركز الاتصال إلى أنظمة التسجيل - على سبيل المثال، تحديث ملفات العملاء بتغيير العنوان أو إضافات الخدمة.

استبدال بطاقات الائتمان أو بطاقات الصراف الآلي المفقودة، والوصول إلى أنظمة متعددة لتحديث السجلات والتعامل مع اتصالات العملاء.

التوفيق بين حالات الفشل في تحصيل رسوم مقابل الخدمات عبر أنظمة الفوترة عن طريق استخراج المعلومات من أنواع مستندات متعددة؛ وقراءة" المستندات القانونية والتعاقدية لاستخراج الأحكام باستخدام معالجة اللغة الطبيعية.

تقنية RPA هي الأقل تكلفة والأسهل من حيث تنفيذها للتقنيات المعرفية، وعادةً ما تحقق عائدًا سريعًا وعاليًا على الاستثمار. (إنها أيضًا الأقل "ذكاءً" بمعنى أن هذه التطبيقات ليست مبرمجة للتعلم والتحسين، على الرغم من أن المطورين يضيفون ببطء المزيد من الذكاء وقدرات التعلم.) وهي مناسبة بشكل خاص للعمل عبر أنظمة خلفية متعددة.

البصيرة المعرفية

يستخدم ثاني أكثر أنواع المشاريع شيوعًا الخوارزميات لاكتشاف الأنماط في أحجام هائلة من البيانات وتفسير معناها، لذا فكر في الأمر على أنه "تحليلات".

 تُستخدم تطبيقات التعلم الآلي هذه من أجل:

توقع ما يحتمل أن يشتريه عميل معين.

تحديد الاحتيال الائتماني في الوقت الفعلي والكشف عن الاحتيال في مطالبات التأمين.

تحليل بيانات الضمان لتحديد مشاكل السلامة والجودة في السيارات وغيرها من المنتجات المصنعة.

أتمتة الاستهداف المخصص للإعلانات الرقمية؛ وتزويد شركات التأمين بنمذجة اكتوارية أكثر دقة وتفصيلاً.

تختلف الرؤى المعرفية التي يوفرها التعلم الآلي عن تلك المتاحة من التحليلات التقليدية بثلاث طرق: فهي عادة ما تكون أكثر كثافة للبيانات وتفصيلا، وعادة ما يتم تدريب النماذج على جزء من مجموعة البيانات، وتتحسن النماذج - أي، تتحسن قدرتهم على استخدام البيانات الجديدة لعمل تنبؤات أو تصنيف الأشياء بمرور الوقت.

تقنيات المشاركة المعرفية

تميل الشركات إلى استخدام تقنيات المشاركة المعرفية للتفاعل مع الموظفين أكثر من التفاعل مع العملاء، وقد يتغير ذلك عندما تصبح الشركات أكثر راحة في تحويل تفاعلات العملاء إلى الآلات.

تقوم بعض الشركات بتجربة وكيل ذكي يساعد موظفي خدمة العملاء لديها على الإجابة عن الأسئلة المتداولة، وتتمثل الخطة في نهاية المطاف في السماح للعملاء بالتفاعل مع الوكيل المعرفي مباشرة، بدلاً من وكلاء خدمة العملاء البشريين. 

ولكن على الرغم من خبرتها سريعة التوسع في الأدوات المعرفية، إلا أن الشركات تواجه عقبات كبيرة في التطوير والتنفيذ. 

قبل الشروع في مبادرة الذكاء الاصطناعي، يجب على الشركات فهم التقنيات التي تؤدي أنواع المهام ونقاط القوة والقيود لكل منها، الأنظمة الخبيرة القائمة على القواعد وأتمتة العمليات الروبوتية، على سبيل المثال، تتسم بالشفافية في كيفية قيامها بعملها، ولكن لا يمكن لأي منهما التعلم والتحسين.

من ناحية أخرى، يعد التعلم العميق أمرًا رائعًا في التعلم من كميات كبيرة من البيانات المصنفة، ولكن يكاد يكون من المستحيل فهم كيفية إنشاء النماذج التي يقوم بها.