कृत्रिम बुद्धिमत्ता (AI) छोट्या अनुप्रयोगांमध्ये जसे की व्यक्तिगत सहाय्यक, रोबोट्स आणि मोबाइल उपकरणे यामध्ये प्रभावी ठरली आहे, परंतु मोठ्या उद्योगातील प्रकल्पांमध्ये तिची भूमिका अनिश्चित राहते. अनेक कार्यकारी अधिकारी आणि व्यावसायिकांना आता हे जाणवू लागले आहे की AI कडून त्यांची अपेक्षा प्रारंभीच्या विचारापेक्षा अधिक जटिल आहेत. AI तंत्रज्ञान महाग होत आहे, उद्योगे अजून तयार नाहीत आणि गुंतवणुकीवरील परतावा (ROI) अद्याप अनिश्चित आहे. याशिवाय, परतावा निश्चित नसतानाही AI उपक्रमांना गती देण्याचा संस्थांवर वाढता दबाव आहे. हे सावधगिरीचे मत डेव्हिड लिन्थिकम यांच्याकडून आले आहे, जे एंटरप्राइझ इंटिग्रेशन आणि क्लाउड कम्प्युटिंगवर मान्यवर विश्लेषक आणि लेखक आहेत. ते सध्या AI प्रकल्पांच्या तातडीच्या यशाबद्दल आशावादी नाहीत आणि "गाजावाजा आणि वास्तव यांच्यातील अंतर ओळखल्यामुळे" कंपन्यांना ह्याचा शोध लागेल असा अंदाज वर्तवतात, ज्यामुळे निराशा येऊ शकते. तरीही, ही परिस्थिती काही काळानंतर व्यवसायाच्या गरजांच्या आधारे ठोस AI वापर आणि अंमलबजावणीच्या वाटेवर नेऊ शकते. लिन्थिकम चार कारणे देतात ज्यामुळे उद्योगांमध्ये AI बद्दलची वाढती नाराजी दिसून येते: 1. "डेटा वॉल" ला सामोरे जाणे: मुख्य समस्या वाईट जनरेटिव्ह AI तंत्रज्ञानाची नाही, तर अपूरी गुणवत्ता डेटा याची आहे. ते स्पष्ट करतात, "कोणताही साधा उपाय नाही; संस्थांनी त्यांचा डेटा पुन्हा तपासावा आणि काही दशकांपासून दुर्लक्षित केलेल्या समस्यांचा सामना करावा लागेल, ज्यासाठी मोठ्या गुंतवणुकीची आवश्यकता असू शकते. " बोर्डासमोर अशी आव्हाने मांडल्याने कठीण चर्चा होऊ शकते. 2.

आर्थिक धक्का: AI मागणी ट्रॅडिशनल टेक्नॉलॉजींनुसार जास्त संसाधने आवश्यक आहे जसे कि क्लाउड वा मोबाइल. "या खर्चिक गोष्टी आहेत, " ते म्हणतात, "पारंपारिक सेट-अप्सपेक्षा दोन ते तीन पटीने अधिक, ज्यात विशेष GPUs, विस्तृत संसाधने, इकोसिस्टम घटक आणि व्यापक प्रशिक्षण डेटा लागतो. " 3. धोरणात्मक दिशा नसणे: लिन्थिकम यांच्या मते, उद्योगांनी नियोजन सुधारले पाहिजे, "जनरेटिव्ह AI प्रकल्प सुरू करण्यापूर्वी आपला डेटा कसा आहे याची जाणीव असणे अत्यंत महत्त्वाचे आहे. नवीन तंत्रज्ञानाच्या वापरामध्ये डेटा पूरक करण्यासाठी धोरणात्मक नियोजन आवश्यक आहे. " 4. कौशल्यांचा अभाव: AI च्या यशस्वीतेसाठी उत्तम प्रशिक्षित कर्मचाऱ्यांचे असणे आवश्यक आहे. लिन्थिकम विविध बाबींचे महत्त्व अधोरेखित करतात, जसे की आर्किटेक्चरची समज, डेटा सायन्स, AI नैतिकता, मॉडेल सेटिंग, कामगिरी मोजणी आणि सिंथेटिक डेटा, एकमेव AI प्लॅटफॉर्मच्या प्रमाणपत्र प्रशिक्षणापलीकडे. लिन्थिकम यांच्या म्हणण्यानुसार, AI मागील तंत्रज्ञान उपक्रमांपेक्षा अधिक प्रयत्न आणि जटिलता मागतो. तसेच, कर्मचारी काही कारणांसाठी व्यवस्थापकांपासून त्यांचा AI वापर लपवण्यास प्रवृत्त होतात. यशस्वी होण्यासाठी, संस्थांनी "त्यांचा डेटा स्वच्छ आणि व्यवस्थित करणे, आवश्यक कौशल्ये विकसित करणे, धोरणात्मक नियोजन करणे, वापर प्रकरणे रेखाटणे, आणि ROI गणना करणे" गरजेचे आहे. असे करणं कंपन्यांना AI चा एक रणनीतिक फायदा घेण्याची संधी देते, ज्यामुळे ग्राहक अनुभव वाढतात, उत्पादकता वाढते, खर्चात कमी येते, आणि प्रतिस्पर्ध्यांच्या तुलनेत अधिक कार्यक्षमता मिळते.