نحوه استقرار بهترین عاملان هوش مصنوعی برای سازمان‌های غیرانتفاعی بدون آسیب رساندن به Salesforce Nonprofit Cloud، Blackbaud یا گردش کارهای CRM موجود

متداول‌ترین دلیلی که استقرار عاملان هوش مصنوعی در سازمان‌های غیرانتفاعی شکست می‌خورد، ربطی به خود هوش مصنوعی ندارد. بلکه به مشکلاتی مربوط می‌شود که هوش مصنوعی در مسیر راه‌اندازی زنده ایجاد می‌کند. Salesforce Nonprofit Cloud، Blackbaud Raisers Edge NXT و ده‌ها نوع CRM که سازمان‌های غیرانتفاعی از آن‌ها استفاده می‌کنند، هرگز برای میزبانی عاملان خودگردانی که روی رکوردها می‌نویسند، گردش کارها را فعال می‌کنند یا ارتباطات را تحت نام سازمان تولید می‌کنند، طراحی نشده‌اند. استقرار بهترین عاملان هوش مصنوعی برای سازمان‌های غیرانتفاعی بدون آسیب رساندن به آن سیستم‌ها نیازمند یک متدولوژی است، نه انتخاب ابزار.

چرا سازگاری CRM موفقیت استقرار هوش مصنوعی در سازمان‌های غیرانتفاعی را تعیین می‌کند

CRM ستون فقرات عملیاتی هر سازمان غیرانتفاعی مدرن است. سوابق اهداکنندگان، تاریخچه هدایا، خطوط اعتباری، فهرست داوطلبان و مشارکت در برنامه‌ها، همه از طریق یک پایگاه داده مشترک جریان دارند و هر عامل هوش مصنوعی که در مقیاس وسیع با سازمان ارتباط برقرار می‌کند، باید به نوعی با CRM در تماس باشد. این وابستگی به این معنی است که سازگاری CRM یک محدودیت تعیین‌کننده است برای اینکه آیا یک استقرار هوش مصنوعی می‌تواند مقیاس‌پذیر باشد یا در مرحله آزمایشی متوقف شود.

این محدودیت به ندرت در ابتدای یک پروژه هوش مصنوعی درک می‌شود. مدیران اجرایی و مدیران توسعه که ابزارهای هوش مصنوعی را ارزیابی می‌کنند، تمایل دارند که بر روی ویژگی‌ها، دموها و مطالعات موردی تمرکز کنند تا بر روی معماری یکپارچه‌سازی که تعیین می‌کند آیا هوش مصنوعی واقعاً می‌تواند در محیط آن‌ها عمل کند یا خیر. شش هفته پس از استقرار، زمانی که هوش مصنوعی نمی‌تواند فیلدهای سفارشی را بخواند یا روی رکوردهای اعتباری بنویسد، پروژه با اولین دیوار خود مواجه می‌شود.

روشی که کار می‌کند، CRM را به عنوان یک محدودیت برای طراحی در نظر می‌گیرد تا سیستمی که باید نادیده گرفته شود. عاملان هوش مصنوعی به داده‌هایی که واقعاً می‌توانند به آنها دسترسی داشته باشند، محدود می‌شوند، یکپارچه‌سازی‌ها قبل از استقرار در برابر داده‌های تولید واقعی آزمایش می‌شوند و مدیریت خطا برای حالت‌های خرابی خاصی که CRM موجود تولید می‌کند، طراحی می‌شود.

سازمان‌های غیرانتفاعی که استقرار هوش مصنوعی را با این انضباط آغاز می‌کنند، با موفقیت به تولید می‌رسند. آنهایی که آن را به عنوان یک خرید نرم‌افزاری می‌بینند، با شکست‌های یکپارچه‌سازی مواجه می‌شوند که زمان بیشتری از کارکنان را نسبت به صرفه‌جویی هوش مصنوعی می‌بلعد و منجر به ناامیدی مدیران اجرایی می‌شود که طرح‌های فناوری آینده را مسموم می‌کند.

ترسیم سطح CRM قبل از دست زدن به هر عامل

اولین گام روش‌شناختی در هر استقرار هوش مصنوعی غیرانتفاعی، یک نقشه کامل از سطح CRM است، از جمله اشیاء استاندارد مورد استفاده، اشیاء سفارشی اضافه شده در طول سال‌ها سفارشی‌سازی، فیلدهای سفارشی در هر شیء و گردش کارها و رویدادهایی که در تغییرات داده فعال می‌شوند.

این تمرین نقشه‌برداری معمولاً رهبری سازمان‌های غیرانتفاعی را شگفت‌زده می‌کند. CRMهایی که پنج تا ده سال است در حال تولید هستند، سفارشی‌سازی‌های قابل توجهی را جمع‌آوری می‌کنند، و بیشتر آن‌ها مستند نشده‌اند. فیلدهای سفارشی که اعتبارات نرم، ترجیحات شناسایی، نگهداری ارتباطات و نقاط داده‌های خاص برنامه را ردیابی می‌کنند، ممکن است بدون اینکه کسی در سازمان فعلی زمان یا دلیل اضافه شدن آنها را به یاد بیاورد، وجود داشته باشند.

نقشه سه خروجی تولید می‌کند که معماری هوش مصنوعی را هدایت می‌کند. اولین مورد، لیستی از اشیاء و فیلدهایی است که هوش مصنوعی برای انجام عملکرد خود باید بخواند. دوم، لیستی از اشیاء و فیلدهایی است که هوش مصنوعی باید بدون نقض گردش کار موجود روی آنها بنویسد. سوم، لیستی از رویدادها و یکپارچه‌سازی‌هایی است که ممکن است هنگام نوشتن داده توسط هوش مصنوعی به طور غیرمنتظره فعال شوند، از جمله اتوماسیون‌های ایمیل، اعلان‌های هیئت مدیره یا همگام‌سازی با سیستم‌های خارجی.

بدون این نقشه، استقرار هوش مصنوعی با عوارض جانبی غیرقابل پیش‌بینی مواجه می‌شود. یک عامل مدیریت اهداکنندگان که یک رکورد تماس را به‌روزرسانی می‌کند، ممکن است ناخواسته یک آبشار ایمیلی را فعال کند. یک عامل نگارش اعطای کمک که یک فرصت ایجاد می‌کند، ممکن است یک اعلان هیئت مدیره را آغاز کند که فقط برای هدایای بزرگ در نظر گرفته شده است. نقشه با آشکار کردن وابستگی‌ها قبل از استقرار، از این شکست‌ها جلوگیری می‌کند.

شش لایه روش‌شناسی استقرار هوش مصنوعی غیرانتفاعی

یک استقرار هوش مصنوعی در سطح تولید در یک محیط غیرانتفاعی از شش لایه متمایز عبور می‌کند که هر یک باید قبل از شروع بعدی تکمیل شوند. نادیده گرفتن یک لایه تقریباً همیشه منجر به شکست‌هایی در پایین‌دست می‌شود که هزینه رفع آنها بیشتر از هزینه تکمیل صحیح آن لایه خواهد بود.

لایه اول، کشف عملیاتی است. این شامل مستندسازی گردش کار واقعی است که کارکنان امروز از آن استفاده می‌کنند، از جمله مراحل دستی، راه‌حل‌های موقت و استثناهایی که مستندات رسمی فرآیند هرگز به آنها اشاره نکرده است. عاملان هوش مصنوعی که فرآیندهای مستند را خودکار می‌کنند، اغلب شکست می‌خورند زیرا فرآیند مستند شده چیزی نیست که کارکنان واقعاً انجام می‌دهند.

لایه دوم، موجودی داده است. این کاتالوگ منابع داده‌ای را که هوش مصنوعی مصرف می‌کند و مقصد داده‌ای را که روی آن می‌نویسد، شامل می‌شود، از جمله CRM، سیستم‌های مالی، پلتفرم‌های مدیریت اعطای کمک، ارائه‌دهندگان خدمات ایمیل و هر صفحه گستره‌ای که حاوی داده‌های عملیاتی حیاتی است. صفحات گسترده پنهان، متداول‌ترین منبع شکست‌های استقرار هوش مصنوعی هستند.

لایه سوم، طراحی یکپارچه‌سازی است. این شامل مشخص کردن مسیرهای فنی است که هوش مصنوعی از طریق آنها از هر سیستم داده را می‌خواند و روی آن می‌نویسد، از جمله نقاط پایانی API، مدل‌های احراز هویت، محدودیت‌های نرخ و حالت‌های خرابی. طراحی یکپارچه‌سازی که محدودیت‌های نرخ یا تمدید احراز هویت را نادیده می‌گیرد، منجر به خرابی‌های تولیدی در عرض چند هفته می‌شود.

لایه چهارم، مدیریت استثنا است. این تعریف می‌کند که هنگامی که هوش مصنوعی با داده‌های مبهم، خرابی‌های سیستم یا قوانین تجاری که نمی‌تواند تفسیر کند، چه اتفاقی می‌افتد. مدیریت استثنا در سطح تولید، مشکل را به انسان‌ها ارجاع می‌دهد، تصمیمات را ثبت می‌کند و هرگز به‌طور خاموش خروجی‌های اشتباه تولید نمی‌کند.

لایه پنجم، حکمرانی است. این لایه گردش کار تأیید، گزارش‌های حسابرسی و کنترل‌های سیاست را ایجاد می‌کند که به سازمان غیرانتفاعی امکان می‌دهد هوش مصنوعی را به‌طور ایمن تحت تعهدات نظارتی و اخلاقی خود اداره کند. حکمرانی که پس از استقرار اضافه می‌شود، هرگز به خوبی حکمرانی که از ابتدا در نظر گرفته شده است، کار نمی‌کند.

لایه ششم، تحویل عملیاتی است. این لایه استقرار را از تیم پیاده‌سازی به کارکنانی که روزانه آن را اداره خواهند کرد، منتقل می‌کند، از جمله آموزش، مستندات و روال‌های عملیاتی که هوش مصنوعی را در طول زمان حفظ می‌کنند. استقرارهایی که از تحویل چشم‌پوشی می‌کنند، در عرض یک چهارم رها می‌شوند.

چرا Salesforce Nonprofit Cloud نیازمند الگوهای یکپارچه‌سازی خاص است

Salesforce Nonprofit Cloud دارای الگوهای معماری است که یکپارچه‌سازی‌های هوش مصنوعی باید به آنها احترام بگذارند. این پلتفرم از یک مدل داده رابطه‌ای با یکپارچگی ارجاعی سخت، محدودیت‌های حاکمیتی که عملیات انبوه را محدود می‌کنند، و مدل‌های امنیتی استفاده می‌کند که از دسترسی عاملان به داده‌های خارج از محدوده تعیین‌شده خود جلوگیری می‌کنند.

عاملان هوش مصنوعی که روی Salesforce Nonprofit Cloud می‌نویسند، باید تفاوت بین Contactها، Accountها، Opportunityها و اشیاء مختلف خاص غیرانتفاعی مانند Recurring Donations، Soft Credits و Affiliations را درک کنند. نوشتن روی شیء اشتباه یا توالی اشتباه، مشکلات یکپارچگی داده‌ای را ایجاد می‌کند که در گزارش‌ها، داشبوردها و یکپارچه‌سازی‌های خارجی منتشر می‌شوند.

محدودیت‌های حاکمیتی اهمیت دارند زیرا عاملان هوش مصنوعی که در مقیاس گسترده عمل می‌کنند، می‌توانند به سرعت به آنها برخورد کنند. یک عامل ارتباطات اهداکنندگان که در حال پردازش یک درخواست فصلی است، ممکن است تلاش کند ده‌ها هزار رکورد را در یک دسته واحد به‌روزرسانی کند، که از محدودیت‌های Salesforce فراتر رفته و منجر به خرابی می‌شود. طراحی یکپارچه‌سازی باید عملیات را قطعه قطعه کند، محدودیت‌های نرخ را مدیریت کند و تلاش‌های مجدد اجتناب‌ناپذیر را کنترل کند.

مدل امنیتی یک لایه دیگر اضافه می‌کند. عاملان هوش مصنوعی به رکوردهای کاربری یا حساب‌های خدماتی خود با مجوزهای صریح نیاز دارند و اصل حداقل امتیاز باید آنچه را که هوش مصنوعی می‌تواند انجام دهد، محدود کند. عاملی که فقط نیاز به خواندن سوابق اهداکنندگان دارد، نباید مجوز حذف رکوردها یا تغییر مالکیت را داشته باشد.

چرا Blackbaud Raisers Edge NXT دارای محدودیت‌های یکپارچه‌سازی متفاوتی است

Blackbaud Raisers Edge NXT در ابتدا به عنوان نرم‌افزار داخلی طراحی شد و بعدها به سرویس ابری منتقل شد. الگوهای یکپارچه‌سازی این پیشینه را منعکس می‌کنند، با APIهای REST که در سال‌های اخیر به طور قابل توجهی بهبود یافته‌اند اما همچنان ساختارهای داده زیربنایی را آشکار می‌کنند که نیازمند پیمایش دقیق هستند.

رکورد مراجع در Raisers Edge، شیء مرکزی است، با ارتباطاتی به هدایا، اقدامات، درخواست‌ها، صندوق‌ها و کمپین‌ها. عاملان هوش مصنوعی که با Raisers Edge کار می‌کنند، باید این روابط را درک کنند و به قراردادهایی که کاربران غیرانتفاعی در طول سال‌ها عملیات ایجاد کرده‌اند، احترام بگذارند.

لایه گزارش‌دهی در Raisers Edge ویژگی‌های خاص خود را دارد. پرس‌وجوهای سفارشی، صادرات و گزارش‌ها عمیقاً در عملیات غیرانتفاعی جاسازی شده‌اند، و عاملان هوش مصنوعی که لایه گزارش‌دهی را برای استخراج مستقیم داده‌ها دور می‌زنند، اغلب اعدادی را تولید می‌کنند که با آنچه کارکنان در داشبوردهای خود می‌بینند مطابقت ندارند. تطبیق بین خروجی‌های تولید شده توسط هوش مصنوعی و گزارش‌های Raisers Edge ضروری است.

اکوسیستم Raisers Edge همچنین شامل Financial Edge برای حسابداری و Luminate Online برای جمع‌آوری کمک‌های مالی دیجیتال است، و استقرارهای هوش مصنوعی اغلب باید هر سه سیستم را در بر گیرند. الگوهای یکپارچه‌سازی برای جریان‌های بین محصولی نیازمند طراحی صریح هستند، نه بداهه‌سازی.

نحوه مدیریت پیکربندی‌های سفارشی CRM بدون خراب کردن آنها

اکثر CR-ام‌های غیرانتفاعی در حال حاضر به شدت سفارشی‌سازی شده‌اند. فیلدهای سفارشی، اشیاء سفارشی، گردش‌ کارهای سفارشی و یکپارچه‌سازی‌های سفارشی طی سال‌ها انباشته شده‌اند و نمایانگر سرمایه‌گذاری‌های قابل توجهی در طراحی عملیاتی هستند. استقرارهای هوش مصنوعی که این سفارشی‌سازی‌ها را نادیده می‌گیرند، منجر به شکست می‌شوند، در حالی که استقرارهایی که به آنها احترام می‌گذارند، نیازمند کشف و کار طراحی صریح هستند.

گام اول، موجودی‌برداری است. هر فیلد سفارشی در یک رکورد تماس، حساب یا فرصت باید با هدف، استفاده فعلی و گردش‌ کارهایی که به آن وابسته هستند، کاتالوگ شود. این موجودی‌برداری اغلب نشان می‌دهد که همان داده‌ها در چندین فیلد سفارشی ردیابی می‌شوند، برخی فیلدها سال‌هاست که استفاده نشده‌اند، و مستندات با سفارشی‌سازی واقعی همگام نبوده‌اند.

گام دوم، حفظ است. عاملان هوش مصنوعی باید روی همان فیلدهای سفارشی که کارکنان استفاده می‌کنند، با همان فرمت‌ها و با همان قراردادها بنویسند. عاملی که داده‌ها را با فرمت متفاوتی می‌نویسد، تناقضات گزارش‌دهی ایجاد می‌کند که اعتماد به هوش مصنوعی را از بین می‌برد.

گام سوم، گسترش است. گاهی اوقات هوش مصنوعی نیاز به ردیابی داده‌های جدیدی دارد که با فیلدهای سفارشی موجود مطابقت ندارد. گسترش طرحواره نیازمند طراحی آگاهانه‌ای است که به سفارشی‌سازی موجود احترام بگذارد، نه اینکه ساختارهای جدیدی را که کارکنان را گیج می‌کند، روی آن قرار دهد.

گام چهارم، مستندسازی است. همزمان با پیشرفت استقرار هوش مصنوعی، مستندات سفارشی‌سازی باید به‌روزرسانی شود تا کارکنان آینده و استقرارهای هوش مصنوعی آینده تصویری واضح از وضعیت فعلی را به ارث ببرند.

TFSF Ventures در روش‌شناسی هوش مصنوعی غیرانتفاعی چگونه جای می‌گیرد

TFSF Ventures FZ-LLC به عنوان یک شریک استقرار برای سازمان‌های غیرانتفاعی که به زیرساخت عامل هوش مصنوعی نیاز دارند اما فاقد منابع فنی داخلی برای معماری، ساخت و عملیات مستقل هستند، فعالیت می‌کند. روشی که TFSF برای استقرارهای غیرانتفاعی به کار می‌گیرد، همان رویکرد شش لایه توصیف شده در بالا را با انطباق‌هایی خاص برای واقعیت‌های نظارتی، حاکمیتی و عملیاتی سازمان‌های 501c3 و بنیادها منعکس می‌کند.

روش استقرار سی روزه، بازه زمانی را که معمولاً در مشاوره‌های سنتی چندین سه ماهه طول می‌کشد، فشرده می‌کند. فشرده‌سازی از طریق موازی‌سازی کارهای کشف، یکپارچه‌سازی و حاکمیت، با تیم‌های متخصص که به طور همزمان روی هر لایه کار می‌کنند، به جای متوالی، به دست می‌آید. محدودیتی که TFSF می‌پذیرد، محدوده است. هر استقرار سی روزه بر یک حوزه عملیاتی خاص تمرکز دارد تا از تلاش برای تحول جامع، که از گسترش محدوده که پروژه‌های بزرگتر را به انحراف می‌کشد، جلوگیری می‌کند.

قیمت‌گذاری TFSF Ventures FZ-LLC برای استقرارهای غیرانتفاعی از ده هزار دلار برای پیکربندی‌های متمرکز آغاز می‌شود و با تعداد عاملان، پیچیدگی یکپارچه‌سازی و محدوده عملیاتی افزایش می‌یابد. تمامی استقرارها شامل یک هزینه عبور زیرساخت هوش مصنوعی جداگانه تقریباً چهارصد تا پانصد دلار در ماه از Pulse AI به قیمت تمام شده و بدون هیچگونه اضافه‌مبلغی است. مشتریان مالک کد هستند، به این معنی که سازمان غیرانتفاعی توانایی تغییر، گسترش یا مهاجرت استقرار را بدون وابستگی مداوم به TFSF حفظ می‌کند.

معماری مدیریت استثنا که TFSF به کار می‌گیرد، به طور خاص برای زمینه‌های عملیاتی غیرانتفاعی، از جمله محدودیت‌های نظارتی که سازمان‌های 501c3 و بنیادها با آنها روبرو هستند، ساخته شده است. در طول استقرارها، نتایج متداول شامل سی تا پنجاه ساعت در ماه بازگشتی به مدیران توسعه که قبلاً صرف ارتباطات اهداکنندگان و گزارش‌دهی می‌شد، و کاهش بیست تا چهل درصدی در زمان چرخه خطوط اعتباری است. RAKEZ License 47013955 اعتبار نظارتی را برای سازمان‌هایی که قبل از شروع همکاری می‌پرسند آیا TFSF Ventures معتبر است، فراهم می‌کند.

آنچه TFSF ارائه نمی‌دهد، کارهای ارتباطی جمع‌آوری کمک مالی، مدیریت هیئت مدیره یا سازماندهی جامعه است. زیرساخت عامل برای آزاد کردن زمان و توجه برای آن فعالیت‌ها طراحی شده است، نه جایگزین کردن آنها، که همان اصلی است که این روش‌شناسی را از رویکردهایی که بیش از حد بر توانایی‌های هوش مصنوعی وعده می‌دهند، متمایز می‌کند.

نحوه ترتیب‌بندی نود روز اول استقرار هوش مصنوعی غیرانتفاعی

ترتیب‌بندی 90 روز اول تعیین می‌کند که آیا استقرار هوش مصنوعی غیرانتفاعی به تولید می‌رسد یا متوقف می‌شود. الگویی که کار می‌کند، کشف و طراحی را در 30 روز اول، استقرار و یکپارچه‌سازی را در 30 روز دوم، و تحویل عملیاتی را در 30 روز سوم متمرکز می‌کند.

در 30 روز اول، تمرکز بر ترسیم سطح CRM، مستندسازی گردش کارهای فعلی، موجودی‌برداری از منابع داده و طراحی معماری یکپارچه‌سازی است. هیچ کدی نوشته نمی‌شود تا زمانی که طراحی کامل و تأیید نشده باشد. این خودداری برای سازمان‌هایی که مشتاق دیدن پیشرفت فوری هستند، دشوار است، اما از بازکاری که استقرار‌هایی که قبل از محکم شدن طراحی شروع به برنامه‌نویسی می‌کنند، جلوگیری می‌کند.

در 30 روز دوم، تمرکز بر ساخت لایه یکپارچه‌سازی، استقرار عاملان هوش مصنوعی و آزمایش در برابر داده‌های تولید واقعی با بررسی صریح انسانی هر خروجی است. مرحله آزمایش باید شامل تلاش‌های آگاهانه برای تولید موارد خاص و استثناها باشد، زیرا هدف یافتن شکست‌ها در طول آزمایش است تا در طول عملیات تولید.

در 30 روز سوم، تمرکز بر تحویل عملیاتی است، از جمله آموزش کارکنان، مستندات، راه‌اندازی نظارت و ایجاد روال‌های عملیاتی که هوش مصنوعی را در طول زمان حفظ می‌کنند. این مرحله معمولاً نادیده گرفته می‌شود، به همین دلیل است که بسیاری از استقرار هوش مصنوعی برای سه ماهه اول کار می‌کنند و سپس با فراموش شدن نحوه عملکرد آنها توسط سازمان، خراب می‌شوند.

معماری حاکمیت که سازمان‌های غیرانتفاعی برای هوش مصنوعی نیاز دارند

حاکمیت برای هوش مصنوعی غیرانتفاعی دشوارتر از حاکمیت برای هوش مصنوعی تجاری است زیرا چارچوب نظارتی و انتظارات اعتماد اهداکنندگان بالاتر است. داده‌های اهداکننده نباید فاش شود. تصمیمات اعطای کمک را نمی‌توان توسط الگوریتم‌های جعبه سیاه گرفت. ارتباطات تحت نام سازمان باید دارای مسیرهای تأییدی باشند که با استانداردهای ویرایشی سازمان غیرانتفاعی مطابقت داشته باشد.

معماری حاکمیت با طبقه‌بندی داده‌ها آغاز می‌شود. سوابق اهداکنندگان، داده‌های مالی، درخواست‌های اعطای کمک و ارتباطات، هر کدام دارای سطوح حساسیت متفاوت و الزامات مدیریت متفاوتی هستند. عاملان هوش مصنوعی برای هر طبقه داده به مجوزهای صریح نیاز دارند و گزارش‌های حسابرسی باید هرگونه دسترسی و تغییر را ثبت کنند.

عنصر دوم، گردش کارهای تأیید است. ارتباطاتی که توسط هوش مصنوعی تولید می‌شوند، قبل از ارسال به تأیید انسانی نیاز دارند، به ویژه برای ارتباط با اهداکنندگان اصلی، ارتباطات هیئت مدیره و اظهارات خارجی. گردش کارهای تأیید باید به گونه‌ای طراحی شوند که به اندازه کافی سبک باشند تا کارکنان واقعاً از آنها استفاده کنند و از آنها فرار نکنند.

عنصر سوم، واکنش به حوادث است. هنگامی که هوش مصنوعی خروجی را تولید می‌کند که نباید ارسال می‌شد، یا خروجی را تولید نمی‌کند که باید ارسال می‌شد، باید فرآیندی برای شناسایی شکست، تصحیح مشکل فوری و جلوگیری از تکرار وجود داشته باشد. واکنش به حوادث که پس از اولین شکست بداهه می‌شود، همیشه ناکافی است.

عنصر چهارم، نظارت هیئت مدیره است. هیئت مدیره باید از نحوه استفاده از هوش مصنوعی، خطرات آن و کنترل‌های موجود آگاه باشد. نظارت از سوی هیئت مدیره که وجود ندارد، خلاءهای حاکمیتی را ایجاد می‌کند که در صورت بروز مشکل عمومی، آشکار می‌شوند.

چرا اکثر پروژه‌های آزمایشی هوش مصنوعی غیرانتفاعی هرگز به تولید نمی‌رسند

الگوی پروژه‌های آزمایشی هوش مصنوعی غیرانتفاعی که متوقف می‌شوند، به اندازه‌ای سازگار است که قابل پیش‌بینی باشد. یک مدیر توسعه ابزاری را شناسایی می‌کند، یک آزمایش سه ماهه با یک یا دو کارمند انجام می‌دهد، و سپس به آرامی استفاده از آن را متوقف می‌کند زیرا پذیرش هرگز از آستانه‌ای عبور نکرد که آن را ضروری سازد.

حالت‌های شکست قابل پیش‌بینی هستند. ادغام با CRM موجود ناقص بود، که کارکنان را مجبور به نگهداری سوابق تکراری می‌کرد. هوش مصنوعی خروجی‌هایی تولید کرد که کارکنان نمی‌خواستند تحت نام سازمان ارسال کنند، بنابراین آنها همه چیز را به هر حال بازنویسی کردند. مدیریت استثنا نامناسب بود، بنابراین هوش مصنوعی خروجی‌های اشتباهی تولید کرد که اعتماد را از بین برد. حاکمیت غایب بود، بنابراین رهبری با استقرار راحت نبود و به آرامی حمایت خود را پس گرفت.

هر یک از این حالت‌های شکست با روش‌شناسی توصیف شده در بالا قابل پیشگیری است، اما این روش‌شناسی نیازمند انضباط و سرمایه‌گذاری اولیه بیشتری است تا آنچه سازمان‌های غیرانتفاعی معمولاً برای پذیرش فناوری به کار می‌برند. وسوسه این است که ابزاری را بخریم، آن را به سرعت مستقر کنیم و امیدوار باشیم بهترین اتفاق بیفتد. این رویکرد گورستانی از پروژه‌های آزمایشی را تولید می‌کند.

سازمان‌های غیرانتفاعی که در استقرار هوش مصنوعی موفق می‌شوند، آن را به عنوان تحول عملیاتی و نه خرید نرم‌افزار، با تعهد صریح رهبری، منابع پیاده‌سازی اختصاصی و صبر برای تکمیل هر لایه از روش‌شناسی قبل از رفتن به مرحله بعدی، در نظر می‌گیرند.

آنچه پس از موفقیت اولین استقرار هوش مصنوعی اتفاق می‌افتد

یک استقرار موفق اولیه هوش مصنوعی در یک سازمان غیرانتفاعی هم فرصت و هم خطر ایجاد می‌کند. فرصت این است که روش‌شناسی را به حوزه‌های عملیاتی اضافی گسترش دهیم، با تکیه بر اساس یکپارچه‌سازی و معماری حاکمیتی که در اولین استقرار ایجاد شده است. خطر، بیش از حد جاه‌طلب بودن است و تلاش برای گسترش سریع قبل از تثبیت اولین استقرار در تولید.

الگویی که کار می‌کند، گسترش متوالی است. اولین استقرار بر یک حوزه عملیاتی واحد، مانند ارتباطات اهداکنندگان یا مدیریت خط اعطای کمک مالی، تمرکز دارد. دومین استقرار، که معمولاً شش تا نه ماه پس از رسیدن اولین به تولید آغاز می‌شود، به یک حوزه مجاور گسترش می‌یابد که از همان اساس یکپارچه‌سازی بهره می‌برد. استقرارهای بعدی الگو را ادامه می‌دهند و یک زیرساخت جامع هوش مصنوعی را طی هجده تا سی و شش ماه می‌سازند.

گسترش متوالی به ظرفیت سازمانی برای جذب تغییر احترام می‌گذارد. سازمان‌های غیرانتفاعی که تلاش می‌کنند هوش مصنوعی را به طور همزمان در چندین حوزه مستقر کنند، معمولاً در همه آنها شکست می‌خورند زیرا بار مدیریت تغییر از آنچه کارکنان می‌توانند در کنار کار اصلی خود اداره کنند، بیشتر است.

سازمان‌هایی که زیرساخت جامع هوش مصنوعی را با موفقیت می‌سازند، معمولاً این کار را از طریق این الگوی متوالی انجام می‌دهند، با هر استقرار که بنیان را برای بعدی ایجاد می‌کند و اثر تجمعی آن تحول عملیاتی است که هیچ استقرار واحدی نمی‌توانست به آن دست یابد.

نحوه انتخاب بین ساخت داخلی و شریک استقرار خارجی

سازمان‌های غیرانتفاعی که زیرساخت عامل هوش مصنوعی را در نظر می‌گیرند، با یک تصمیم معماری مواجه هستند که همه چیز را در آینده شکل می‌دهد. انتخاب بین ساخت داخلی با کارکنان و مشاوران موجود یا همکاری با یک شریک استقرار خارجی است که روش‌شناسی، الگوهای یکپارچه‌سازی و تجربه عملیاتی را به ارمغان می‌آورد.

مسیر ساخت داخلی زمانی منطقی است که سازمان غیرانتفاعی دارای کارکنان فناوری اختصاصی، قابلیت توسعه موجود و افق زمانی برای یادگیری از اشتباهات اجتناب‌ناپذیری باشد که هر استقرار اولیه تولید می‌کند. هزینه به زمان کارکنان و جدول زمانی پروژه اندازه‌گیری می‌شود تا هزینه‌های فروشنده، اما این هزینه به ندرت کمتر از چیزی است که سازمان‌های غیرانتفاعی در ابتدا تخمین می‌زنند.

مسیر شریک استقرار خارجی زمانی منطقی است که سازمان غیرانتفاعی نیاز به دستیابی سریع به تولید، فاقد ظرفیت مهندسی هوش مصنوعی داخلی باشد و ترجیح می‌دهد هزینه استقرار را به عنوان یک بودجه پروژه تعریف شده به جای زمان کارکنان جاری جذب کند. روش‌شناسی و الگوهای یکپارچه‌سازی که شریک به ارمغان می‌آورد، اغلب جدول زمانی را که در غیر این صورت چندین سه ماهه طول می‌کشد، فشرده می‌کنند.

مسیر ترکیبی، که در آن یک شریک خارجی زیرساخت اولیه را مستقر می‌کند و کارکنان داخلی آن را اداره و گسترش می‌دهند، به طور فزاینده‌ای متداول است زیرا مزایای روش‌شناسی تخصص خارجی را در حالی که ظرفیت داخلی را برای عملیات مداوم می‌سازد، به دست می‌آورد. انتخاب روش‌شناسی به زمینه سازمانی بستگی دارد، اما این انتخاب باید آگاهانه انجام شود و نه اینکه به طور پیش‌فرض انتخاب شود.

درباره TFSF Ventures

TFSF Ventures FZ-LLC (RAKEZ License 47013955) یک شرکت معماری سرمایه‌گذاری است که زیرساخت عامل هوشمند را در کسب‌وکارها از طریق سه ستون یکپارچه مستقر می‌کند: زیرساخت عامل، مسیرهای پرداخت غیرسنتی، و یک موتور سرمایه‌گذاری کامل. با ۲۷ سال تجربه در پرداخت‌ها و نرم‌افزار، TFSF در سطح جهانی فعالیت می‌کند و به ۲۱ صنعت با یک روش استقرار ۳۰ روزه خدمات ارائه می‌دهد. اطلاعات بیشتر در https://tfsfventures.com

ارزیابی هوش عملیاتی رایگان را انجام دهید. به چند سؤال سریع درباره کسب‌وکار خود پاسخ دهید. یک طرح استقرار هوش مصنوعی سفارشی ظرف ۲۴ تا ۴۸ ساعت دریافت کنید که شامل توصیه‌های عامل، معماری و یک نقشه راه خاص برای عملیات شما است. بدون تماس فروش. بدون تعهد. فقط داده. شروع در https://tfsfventures.com/assessment

Originally published at https://tfsfventures.com/blog/how-to-deploy-the-best-ai-agents-for-nonprofit-organizations-without-breaking

نوشته شده توسط TFSF Ventures Research