آمادگی داده‌ها، حلقه مفقوده موفقیت پروژه‌های هوش مصنوعی
به گزارش Veeam، با وجود استقرار هوش مصنوعی در ۹۵ درصد سازمان‌های بررسی‌شده، زیرساخت داده و عملیات بسیاری از آنها هنوز برای پشتیبانی پایدار از این فناوری آماده نیست. بیش از نیمی از پاسخ‌دهندگان نیز طی ۱۸ ماه گذشته دست‌کم یکی از طرح‌های هوش مصنوعی خود را کوچک‌تر کرده‌اند؛ موضوعی که فاصله میان استفاده از AI و آمادگی واقعی سازمان را نشان می‌دهد.
استقرار گسترده، آمادگی محدود
پژوهش «مدل بلوغ اعتماد به داده و هوش مصنوعی» نشان می‌دهد حدود ۵۲ درصد سازمان‌ها یک طرح AI را کاهش داده‌اند، نزدیک به چهار سازمان از هر ۱۰ سازمان با تأخیر روبه‌رو شده‌اند و ۲۸ درصد نیز اجرای یک طرح را متوقف کرده‌اند. تنها حدود یک‌سوم پروژه‌ها مطابق برنامه پیش رفته‌اند.
مهم‌ترین موانع گزارش‌شده شامل کمبود مهارت در هوش مصنوعی و یادگیری ماشین با سهم ۴۳ درصد، دشواری ادغام AI با فرایندها و سامانه‌های موجود با ۳۳ درصد، ابهام‌های مقرراتی با ۲۵ درصد، محدودیت کیفیت داده با ۲۰ درصد و نگرانی درباره توضیح‌پذیری با ۱۹ درصد است. این عوامل جدا از یکدیگر عمل نمی‌کنند؛ برای نمونه، داده نامعتبر می‌تواند دقت خروجی را کاهش دهد و کنترل ضعیف دسترسی، ریسک عامل‌های هوش مصنوعی را افزایش دهد.
فاصله میان اطمینان مدیران و شواهد عملی نیز قابل توجه است. حدود ۸۰ درصد مدیران گفته‌اند به توانایی سازمان خود برای توسعه ایمن AI اطمینان دارند، اما فقط ۳۱ درصد یک بررسی مقرراتی یا ممیزی مرتبط با هوش مصنوعی را با موفقیت پشت سر گذاشته‌اند و ۲۰ درصد حاکمیت AI خود را با همتایان صنعت سنجیده‌اند.
پنج سطح برای سنجش آمادگی داده
این مدل، بلوغ سازمان را در پنج سطح «موردی»، «در حال شکل‌گیری»، «تثبیت‌شده»، «پیشرفته» و «پیشرو در صنعت» ارزیابی می‌کند. معیارها شامل حاکمیت و مالکیت داده، مدیریت هویت و دسترسی انسان‌ها و عامل‌های AI، پوشش پشتیبان‌گیری تغییرناپذیر، آزمون بازیابی و امکان ارائه سریع شواهد ممیزی است.
برای مدیران IT، پیام عملی این ارزیابی آن است که تعداد ابزارها یا کاربران فعال، به‌تنهایی نشانه آمادگی نیست. داده‌ها، مدل‌ها، تنظیمات، شاخص‌ها و وابستگی‌های حیاتی باید در برنامه حفاظت و بازیابی قرار گیرند و سناریوهای اختلال ویژه AI نیز آزمایش شوند.
در نتیجه، موفقیت پایدار پروژه‌های هوش مصنوعی به حاکمیت روشن، کنترل دسترسی، پشتیبان‌گیری قابل اتکا و آزمون منظم بازیابی وابسته است. سازمانی که نتواند این قابلیت‌ها را با شواهد عملی اثبات کند، حتی با استفاده گسترده از AI هنوز آماده توسعه مطمئن آن نیست.
