بنگاه‌ها، چقدر برای پذیرش هوش مصنوعی آماده‌اند؟

به گزارش می‌متالز، جهانی را تصور کنید که در آن ماشین‌های هوشمند همه کاری می‌کنند، مرتب در حال یادگیری هستند، با انسان‌ها تعامل می‌کنند و حتی دارای احساسات شده‌اند. موضوع داغی که این روز‌ها برای ساخت فیلم‌های پرفروش مناسب است؛ از هال ۹۰۰۰ شیطانی در فیلم اودیسه فضایی ۲۰۰۱ کوبریک گرفته تا ربات بی‌آزار دوست‌داشتنی Wall-E، هوش مصنوعی (AI) موجود غریبی است که دهه‌هاست دستمایه داستان‌های علمی تخیلی بوده است. اما چیزی که زمانی تخیلی بود، به‌سرعت و تنها ظرف چند سال، در حال تبدیل شدن به واقعیت جدایی‌ناپذیر امروز و فردای ما و کسب‌وکار‌های گوناگون ماست. صحبت از هوش مصنوعی تقریبا در همه جا از صنعت بهداشت و درمان گرفته تا امور مالی، از سالن‌های زیبایی کوچک گرفته تا خطوط تولید طویل، به یک موضوع داغ روز تبدیل شده است. کافی است سری به اینستاگرام بزنید تا ببینید در همین مدت کوتاه از ظهور چت جی پی تی، چند هزار نفر به اصطلاح استاد و متخصص هوش مصنوعی در حال فروش پکیج‌های عجیب و غریب هستند. انگار ما در زمانه‌ای هستیم که صحبت از یک چیز سریع‌تر از خودش در حال پیشرفت است. لیکن ورای این هیاهوی گوشخراش، آنچه مسلم است این است که ما با یک انقلاب فناورانه و یک صنعت بسیار بزرگ مواجه هستیم. وقتی صدای مدعیان خاموش شود، تازه وقت آن است که بفهمیم چه کسی در حال پارو کردن ثروت بی‌حد و حصری است که این فناوری با خود به همراه خواهد آورد.

ما می‌دانیم که گنجی بزرگ در جزیره هوش مصنوعی در دریای آینده نهفته است، اما سوال اینجاست چقدر برای رسیدن به این جزیره آماده‌ایم؟. چقدر مختصات دریای آشوبناک آینده، آن جزیره دوست داشتنی و آن گنج بی‌نهایت را می‌دانیم؟. اینها سوالاتی است که می‌توان با تکیه به مفهوم آمادگی هوش مصنوعی (AI Readiness)، برای آنها پاسخی درخور یافت. البته آمادگی هوش مصنوعی یک مقصد نیست، بلکه یک سفر است. این امر مستلزم تلاش مستمر، برنامه‌ریزی استراتژیک و درک عمیق این موضوع است که هوش مصنوعی چگونه می‌تواند برای یک سازمان ارزش ایجاد کند. شکل شماره ۱، میزان استفاده از هوش مصنوعی توسط سازمان‌های مختلف در چند سال گذشته را نمایش می‌دهد [۱].

شکل شماره (۱) - استفاده از هوش مصنوعی بعد از سپری کردن چندسال بدون تغییر معنادار، در یک سال گذشته به‌طور چشمگیری بعد از به‌کارگیری هوش مصنوعی مولد افزایش پیدا کرده است - سازمان‌هایی که AI را در حداقل ۱ عملکرد تجاری خود پذیرفته‌اند

مدل آمادگی هوش مصنوعی، چارچوبی جامع برای سازمان‌ها فراهم می‌کند تا آمادگی خود را برای استقرار هوش مصنوعی ارزیابی و تقویت کنند. همچنین اطمینان حاصل کنند که از زیرساخت‌ها، مهارت‌ها، فرآیند‌ها و فرهنگ سازمانی مناسب برای بهره‌برداری از فرصت‌های مبتنی بر هوش مصنوعی برخوردار هستند. کسب‌وکار‌هایی که امروز یک استراتژی مناسب - که به‌طور خاص برای خودشان طراحی شده - برای هوش مصنوعی به کار می‌گیرند، نه‌تنها از حفظ جایگاه خود در آینده اطمینان حاصل می‌کنند، بلکه ایجاد عملیات هوشمندتر، کارآمدتر و رقابتی‌تر را نیز تضمین می‌کنند.

کمپانی معظم اینتل (Intel) به‌منظور هدایت سازمان‌ها در هر کجای سفر پذیرش و استفاده از هوش‌مصنوعی، یک مدل آمادگی پذیرش هوش مصنوعی (The AI Readiness Model) توسعه داده است، تا به برنامه‌ریزان کمپانی‌ها کمک کند بفهمند تلاش‌های خود را باید در چه زمینه‌هایی اولویت‌بندی کنند. اینتل، مدل فوق را بر اساس تجربه خود در کار با مشتریان، در طیف وسیعی از سناریو‌ها و بخش‌های صنعتی مختلف، توسعه داده است. برای مثال مدل اینتل می‌تواند به شرکت‌های تولیدی که مایل به بهبود کنترل کیفیت هستند یا سازمان‌های خدمات مالی که به‌دنبال استفاده از هوش مصنوعی در معاملات الگوریتمی هستند، کمک به سزایی کند [۲]. از نظر مدل آمادگی هوش مصنوعی اینتل، سازمان‌ها معمولاً در زمینه پیاده‌سازی هوش مصنوعی، در یکی از سه دسته زیر قرار می‌گیرند:

۱. تازه‌واردان به هوش مصنوعی: این سازمان‌ها، به‌تازگی شروع به بررسی کاربرد‌های هوش مصنوعی کرده‌اند. ممکن است داده‌هایی موجود داشته باشند، اما با پیاده‌سازی فناوری‌های هوش مصنوعی مانند تشخیص تصویر یا پردازش زبان طبیعی (NLP) آشنایی کافی ندارند.

۲. گسترش مقیاس: سازمان‌های این دسته، تحقیقات اولیه را انجام داده و راه‌حل‌های اثبات مفهومی هوش مصنوعی را توسعه داده‌اند. همچنین به‌دنبال گسترش این راه‌حل‌ها به برنامه‌های قابل‌اعتمادتر و قابل‌گسترش هستند.

۳. گسترش همه‌جانبه: این سازمان‌ها به‌طور موفقیت‌آمیزی هوش مصنوعی را در زمینه‌های خاص پیاده‌سازی کرده‌اند و اکنون به دنبال گسترش استفاده از آن در بخش‌ها و فرآیند‌های مختلف خود هستند [۲].

شرکت معتبر سیسکو (Cisco) نیز، آمادگی هوش مصنوعی را در سندی تحت عنوان شاخص آمادگی هوش مصنوعی (Cisco AI Readiness Index) در چهار سطحِ پیشتازان (Pacesetters) کاملا آماده، تعقیب‌کنندگان (Chasers) با آمادگی متوسط، پیروان (Followers) با آمادگی محدود و جامانده‌ها (Laggards) کاملاً ناآماده طبقه‌بندی می‌کند [۴].

از نظر موسسه معتبر دیلویت (Deloitte)، همان‌طور که در شکل شماره ۲ نیز مشاهده می‌نمائید، پذیرش هوش مصنوعی دارای ماهیتی غیرخطی است و سازمان‌ها می‌توانند سفر AI خود را، از هر نقطه از منحنی جاه‌طلبی هوش مصنوعی آغاز کنند [۳].

شکل (۲) - ماهیت غیرخطی AI

سمت چپ-وسط: ارزش بالقوه، حد بالا و حد پایین - پایین: دامنه تلاش، محدود و گسترده - بالای منحنی: سمت چپ: راه‌حل‌های تک‌نقطه‌ای، راه‌حل‌های نقطه‌ای مبتنی بر وظیفه معمولا شامل اتوماسیون روباتیکی فرآیند - وسط منحنی: استفاده موردی، برنامه‌های کاربردی متمرکز بر فرآیند یا مشکل شامل اتوماسیون هوشمند، تعامل و بینش‌ها - سمت راست منحنی: تحول‌آفرین، استفاده سازمان از AI برای افزایش سرعت، کارآیی و بهره‌وری در عین افزایش موفقیت در ماموریت

منبع: دیلویت Deloitte analysis

ابعاد آمادگی پذیرش هوش مصنوعی

همان‌طور که قبلا هم اشاره شد، سازمان‌ها می‌توانند در مراحل مختلفی از مسیر پذیرش هوش مصنوعی خود قرار داشته باشند، اما پیشرفت آنها و رفتن به مرحله بعدی یا کسب موفقیت پایدار، وابسته به داشتن عناصر مناسب در زمینه مهارت‌ها و منابع، زیرساخت‌ها و فناوری، فرآیند‌ها و مدل‌ها است [۲]. با استناد به مدل آمادگی پذیرش هوش مصنوعی شرکت اینتل، به‌طور کلی سه نوع آمادگی هوش مصنوعی وجود دارد:

۱- آمادگی بنیادی (Foundation AI Readiness): شامل وجود زیرساخت‌ها و رابط‌های لازم برای پشتیبانی از بار کاری هوش مصنوعی است. در اینجا سه بخش باید مورد ارزیابی قرار گیرند:

• زیرساخت: آیا مراکز داده موجود می‌توانند از پس نیاز‌های پردازش هوش مصنوعی برآیند یا خیر.
• منابع ابری: توانایی این منابع در زمینه پشتیبانی از آموزش و استقرار هوش مصنوعی.
• منابع داده: اطمینان از دسترسی به داده‌های با کیفیت بالا (ضروری برای الگوریتم‌های هوش مصنوعی).

۲- آمادگی عملیاتی (Operation AI Readiness): روی ساختار‌های مدیریتی و حاکمیتی متمرکز است که راه‌حل‌های هوش مصنوعی را حفظ می‌کند. جنبه‌های مهم این نوع آمادگی عبارتند از:

• تحویل چابک: پیاده‌سازی روش‌های چابک مانند DevOps برای تسهیل بهبود مستمر و سازگاری.
• مدیریت عملیاتی: ایجاد فرآیند‌هایی برای نظارت و اندازه‌گیری اثربخشی راه‌حل‌های هوش مصنوعی.
• مهارت و تخصص: اطمینان از داشتن استعداد‌های انسانی لازم برای مدیریت پروژه‌های هوش مصنوعی.

۳- آمادگی تحول‌آفرین (Transformation AI Readiness): توانایی سازمان را برای استفاده از هوش مصنوعی به منظور خلق حداکثر ارزش، ارزیابی می‌کند که شامل موارد زیر است:

• رهبری استراتژیک: داشتن مدیرانی که هوش مصنوعی را عاملی برای رشد کسب و کار می‌داند.
• فرصت‌های تجاری: شناسایی فرصت‌های جدیدی که هوش مصنوعی می‌تواند قفل آنها را باز کند.
• وضوح موارد تجاری (Clarity of Business Case): ایجاد درک روشنی از مزایا و هزینه‌های مرتبط با ابتکارات هوش مصنوعی [۲].

مطالعات اخیر، به‌ویژه در شاخص آمادگی هوش مصنوعی سیسکو نیز به جنبه‌های مهم آمادگی هوش مصنوعی در بخش‌های مختلف پرداخته و بر ضرورت ارزیابی فوری و تقویت قابلیت‌های سازمان‌ها در این حوزه تاکید می‌کند. این مطالعه، پاسخ‌دهندگان را در چهار گروه طبقه‌بندی می‌کند: پیشتازان (۱۴ درصد)؛ تعقیب‌کنندگان زیرک (۳۴ درصد)، پیروان (۴۸ درصد) و جاماندگان (۴ درصد). این طبقه‌بندی بر اساس یک نظرسنجی جامع از ۸,۱۶۱ مدیر ارشد کسب‌وکار از سازمان‌های دارای تعداد کارکنانی حدود ۵۰۰ نفر یا بیشتر، در ۳۰ بازار جهانی صورت گرفته است. همچنین این شاخص، آمادگی را در شش رکن کلیدی زیر ارزیابی می‌کند که هر کدام وزن جداگانه‌ای دارند:

۱. استراتژی (Strategy readiness) با وزن (۱۵ درصد)، ۲. زیرساخت (Infrastructure readiness) با وزن (۲۵ درصد)، ۳. مدیریت داده (Data readiness) با وزن (۲۰ درصد)، ۴. حاکمیت (Governance readiness) با وزن (۱۵ درصد)، ۵. استعداد (Talent readiness) با وزن (۱۵ درصد) و ۶. فرهنگ سازمانی (Culture readiness) با وزن (۱۰ درصد) [۴].

در شکل شماره (۳)، آمادگی سازمانی برای پذیرش و ادغام، به تفکیک رکن‌های کلیدی ارزیابی شاخص آمادگی هوش مصنوعی سیسکو، برای هر گروه را مشاهده می‌کنید.

شکل شماره (۳) - شاخص آمادگی هوش مصنوعی سیسکو، پایین: نیت‌ها از توانایی‌ها پیشی می‌گیرند

در ادامه این شش رکن را بررسی خواهیم کرد:

۱. استراتژی: هیچ چیز را نمی‌توان به‌طور موثر در یک سازمان بدون استراتژی مشخص پیاده‌سازی کرد و همین امر در مورد هوش مصنوعی نیز صادق است؛ بنابراین، داشتن یک استراتژی هوش مصنوعی قوی ضروری است. شاخص سیسکو نشان می‌دهد که ۹۵ درصد از سازمان‌ها یا دارای استراتژی هوش مصنوعی مشخص هستند، یا در حال توسعه آن هستند. با این حال، تنها ۲۷ درصد از شرکت‌کنندگان، اولویت تخصیص بودجه را برای پیاده‌سازی هوش مصنوعی در نظر گرفته‌اند، که نشان‌دهنده فاصله بین نیت استراتژیک و تعهد مالی آنها است [۴,۵].

۲. زیرساخت: آمادگی زیرساختی حیاتی است، زیرا ۹۵ درصد از پاسخ‌دهندگان اذعان دارند که هوش مصنوعی بار کاری زیرساخت‌ها را افزایش خواهد داد. با این حال بیش از نیمی از پاسخ‌دهندگان (۵۴ درصد) معتقدند که زیرساخت آنها فقط مقیاس‌پذیری متوسط ​​یا محدودی داشته و برای پیاده‌سازی برنامه‌های کاربردی و پیچیده هوش مصنوعی نیاز به پیشرفت یا به‌روز‌رسانی دارد، که نشان‌دهنده یک شکاف مهم در آمادگی برای پشتیبانی از فناوری‌های پیشرفته هوش مصنوعی است. همچنین کمتر از یک سوم (۳۱ درصد) زیرساخت خود را بسیار مقیاس‌پذیر دانسته‌اند [۴].

۳. مدیریت داده: تمرکز داده‌ها همچنان یک چالش اساسی است، به‌طوری‌که ۸۱ درصد از سازمان‌ها اعتراف می‌کنند که داده‌هایشان دچار پراکندگی عمیق است. این پراکندگی، پیاده‌سازی مؤثر هوش مصنوعی را پیچیده می‌کند، زیرا مدل‌های هوش مصنوعی به‌شدت به کیفیت و دسترسی داده‌ها وابسته هستند [۴].

داده‌ها شاهرگ حیاتی هوش مصنوعی بوده و سازمان‌ها باید اطمینان حاصل کنند که دارای شیوه‌های مدیریت داده قوی هستند. این امر شامل جمع‌آوری، ذخیره‌سازی و پردازش حجم زیادی از داده‌های با کیفیت است که سیستم‌های هوش مصنوعی از آنها می‌آموزند. علاوه‌بر این، سازمان‌ها باید در نظر بگیرند که چگونه مدل‌های هوش مصنوعی را با سیستم‌های موجود خود یکپارچه کنند، تا جریان داده‌ها بین برنامه‌های هوش مصنوعی و سایر فناوری‌های سازمانی به‌طور روان ادامه یابد. از آنجا که سیستم‌های هوش مصنوعی، اغلب با داده‌های حساس کار می‌کنند، ممکن است اهدافی برای حملات سایبری باشند که سازمان‌ها نباید از امنیت آنها نیز غافل شوند [۲].

گزارش Review Insights دانشگاه MIT Technology نیز، به نقش حیاتی آمادگی داده‌ها و یکپارچه‌سازی آنها در پیاده‌سازی موفقیت‌آمیز فناوری‌های هوش مصنوعی اشاره می‌کند. آمادگی داده‌ها به‌عنوان یک عنصر اساسی برای پذیرش مؤثر هوش مصنوعی شناسایی شده است. طبق این گزارش، ۴۵ درصد از مدیران اجرایی، یکپارچه‌سازی داده‌ها و جریان‌های داده را به عنوان چالش اصلی در دستیابی به آمادگی هوش مصنوعی عنوان می‌کنند. این چالش‌ها شامل مدیریت داده‌ها از منابع مختلف، اطمینان از دسترسی بلادرنگ و حفظ کیفیت داده‌ها است [۶].

۴. حاکمیت: چارچوب‌های حاکمیتی برای هوش مصنوعی هنوز در حال توسعه بوده و تنها ۳۰ درصد از سازمان‌ها (یا کشورها) دارای سیاست‌های جامع هوش مصنوعی هستند. این نقصان حاکمیت می‌تواند منجر به خطراتی مرتبط با حفظ حریم خصوصی داده‌ها، تعصبات و عدم تطابق با مقررات در حال تغییر شود [۴]. در گزارش MIT نیز، حاکمیت داده‌ها و امنیت، نگرانی‌های اساسی مدیران ذکر شده‌اند؛ به‌طوری که ۴۴ درصد از پاسخ‌دهندگان این مسائل را به‌عنوان موانع مهم در پیاده‌سازی مؤثر هوش مصنوعی ذکر کرده‌اند [۶].

۵. جذب و توسعه استعدادها: با وجود خوش‌بینی نسبت به دسترسی به استعداد‌ها (نیروی کار نخبه) هوش مصنوعی، سازمان‌ها با چالش‌هایی در جذب و حفظ متخصصان ماهر مواجه هستند. ۹۰ درصد از شرکت‌ها در حال سرمایه‌گذاری در آموزش برای پر کردن این شکاف‌های مهارتی هستند، اما بسیاری همچنان با دسترسی برابر به فناوری‌های هوش مصنوعی برای همه کارکنان دست‌وپنجه نرم می‌کنند [۴].

۶. فرهنگ سازمانی: آمادگی فرهنگی برای پذیرش هوش مصنوعی، با تفاوت‌های قابل توجهی در پذیرش هوش مصنوعی بین رهبران ارشد و مدیران میانی، ضعیف‌ترین رکن است. تنها ۲۵ درصد از سازمان‌ها برنامه‌های مدیریت تغییر را برای تسهیل این تغییر فرهنگی ایجاد کرده‌اند [۴]. طبق گزارش اخیر دانشگاه MIT نیز، پذیرش موفقیت‌آمیز هوش مصنوعی نیازمند یک تغییر فرهنگی درون سازمان‌هاست. سازمان‌ها باید فرهنگی را پرورش دهند که ارزش داده‌ها را درک کرده و استفاده‌های نوآورانه از هوش مصنوعی را تشویق کند. این امر شامل غلبه بر تعصباتی است که ممکن است کشف فرصت‌های جدید داده را محدود کند. مدیران ارشد داده (CDO)، نقش مرکزی در هدایت ابتکارات هوش مصنوعی دارند. ۹۷ درصد از این مدیران، مقیاس‌بندی هوش مصنوعی را به‌عنوان اولویت اصلی می‌بینند و بر نیاز به رهبری قوی در هدایت پیچیدگی‌های پذیرش هوش مصنوعی تأکید می‌کنند [۶].

شکل شماره (۴) اجزای یک مدل دیگر ارزیابی آمادگی هوش مصنوعی (AI) را نمایش می‌دهد [۷]

شکل شماره (۴) - چارچوب ارزیابی آمادگی هوش مصنوعی (AI) – وسط شکل: پارامتر‌های آمادگی هوش مصنوعی: استراتژی، تکنولوژی، داده‌ها، حاکمیت، سازمان، فرآیند - استراتژی: جامعیت استراتژی AI، همسویی با استراتژی گسترده‌تر تحول دیجیتال – تکنولوژی: سطوح آمادگی برای خرید یا توسعه فناوری و پلتفرم‌های AI برای پیاده‌سازی دارایی‌های AI – داده‌ها: در دسترس بودن داده‌ها، کیفیت و سطوح حاکمیتی، قابلیت‌های تجزیه و تحلیل سازمانی – حاکمیت: ایجاد حاکمیت برای درک و جلوگیری از تعصب AI و اطمینان از شفافیت در ابتکارات رهبری AI – سازمان: درجه آگاهی گسترده سازمان، حمایت و پذیرش AI، سطح آموزش، آموزش و در دسترس بودن مهارت‌ها در سازمان – فرآیند: بهینه‌سازی فرآیند‌ها برای فعال کردن اهرم فناوری AI، شناسایی و اولویت‌بندی موارد استفاده آماده پذیرش AI

سازمان‌ها باید به‌دقت نرم‌افزار‌های هوش مصنوعی، چارچوب‌ها و پلتفرم‌های توسعه‌ای را انتخاب کنند که با اهداف و قابلیت‌های آنها همخوانی داشته باشند. انتخاب نرم‌افزار مناسب برای ساخت مدل‌های هوش مصنوعی مقیاس‌پذیر و کارآمد، حیاتی است. به‌عنوان مثال، اینتل بهینه‌سازی‌هایی برای چارچوب‌های محبوب خود مانند TensorFlow و MXNet و همچنین پردازنده‌های شتاب‌دهنده هوش مصنوعی مانند Intel Xeon را ارائه می‌دهد که عملکرد برنامه‌های هوش مصنوعی را افزایش می‌دهند. با استفاده از ابزار‌های مناسب، سازمان‌ها می‌توانند پیچیدگی توسعه هوش مصنوعی را کاهش داده و زمان رسیدن به ارزش افزوده را تسریع کنند [۲].

آمادگی هوش مصنوعی می‌تواند در سطح ملی نیز بررسی شود. برای مثال بد نیست برای دانستن رتبه کشورمان، نگاهی بر شاخص آمادگی هوش مصنوعی دولتی ۲۰۲۳ که توسط Oxford Insights تهیه شده است، بیندازیم. این گزارش آمادگی دولت‌های سراسر جهان را برای پیاده‌سازی و ادغام هوش مصنوعی در خدمات عمومی ارزیابی و رتبه‌بندی می‌کند [۸]. ایران در رتبه ۹۴ در بین ۱۹۳ کشور ارزیابی شده قرار دارد. این شاخص شامل ۳۹ شاخص در ۱۰ بعد است که ۳ ستون دولت، بخش فناوری و داده را تشکیل می‌دهند [۹].

شکل شماره (۵)-سمت چپ: دولت، فناوری، داده‌ها و زیرساخت‌ها، مجموع – سمت راست (ساعت‌گرد): چشم‌انداز، حاکمیت و اصول اخلاقی، ظرفیت دیجیتال، قابلیت سازگاری، بلوغ، ظرفیت اختراعات جدید، سرمایه انسانی، زیرساخت، دسترسی به داده‌ها، بازنمود داده‌ها

به‌طور کلی، مدل‌های آمادگی هوش مصنوعی مختلف، بر پیچیدگی‌های ادغام هوش مصنوعی در محیط‌های کسب‌وکار تاکید می‌کنند. این مدل‌ها بر این ایده تمرکز دارند که موفقیت در پذیرش هوش مصنوعی تنها به قابلیت‌های فنی وابسته نیست؛ بلکه فرآیندی پویا است که نیاز به هم‌سویی مستمر بین استراتژی، فناوری، نیروی انسانی و حاکمیت دارد.

سازمان‌هایی در آمادگی برای هوش مصنوعی موفق هستند که چشم‌اندازی واضح برای هوش مصنوعی ایجاد کنند، در زیرساخت‌های مقیاس‌پذیر سرمایه‌گذاری کنند، نیروی کار ماهری را پرورش داده و چارچوب‌های حاکمیتی محکمی را توسعه دهند و همچنین بر ساخت یک مدل جامع آمادگی هوش مصنوعی متمرکز شوند. چنین سازمان‌هایی بهتر می‌توانند از هوش‌مصنوعی برای نوآوری و مزیت رقابتی در چشم‌انداز دیجیتال سریعا در حال تغییر بهره‌مند شوند.

اینکه سازمان یا کسب و کار شما از کدام یک از مدل‌های آمادگی برای هوش مصنوعی استفاده کند، خیلی مهم نیست، این مدل‌ها تقریبا شبیه به هم هستند، مهم درک این ضرورت توسط سازمان و به خصوص مدیران ارشد آن است که باید شکل مواجهه سازمان با هوش مصنوعی مشخص شود. باید آمادگی سازمان برای استفاده از هوش مصنوعی به صورت مرتب ارزیابی شود تا از این رهگذر سازمان با بهبود مستمر و رفع نقاط ضعف خود، در سفر تحول دیجیتال هر روز وضعیت بهتری پیدا کند.

نقل از دیدوان - اپلیکیشن دانش‌بنیان رصد استراتژیک

منابع:

1. https://www.mckinsey.com/capabilities/quantumblack/our-insights/the-state-of-ai#/
2. https://www.intel.com/content/dam/www/public/us/en/documents/white-papers/ai-readiness-model-whitepaper.pdf
3. https://www۲.deloitte.com/xe/en/insights/industry/public-sector/ai-readiness-in-government.html
4. https://www.cisco.com/c/dam/m/en_us/solutions/ai/readiness-index/documents/cisco-globAI-ai-readiness-index.pdf
5. https://www.cisco.com/c/m/en_us/solutions/ai/readiness-index.html#blade_measuring-readiness
6. https://cdn.prod.website-files.com/۶۱۳۰fa۱۵۰۱۷۹۴e۳۷c۲۱۸۶۷cf/۶۶۵۷۴۲a۲a۹۶۸a۴۳۲c۱۹a۷۷۳۷_MIT-report-AI-readiness-for-C-suite-leaders.pdf
7. https://www.future-processing.com/blog/ai-readiness-assessment-checklist/
8. https://www.govloop.com/community/blog/decoding-the-۲۰۲۳-government-ai-readiness-index-opportunities-and-strategies/#:~:text=Overview%۲۰of%۲۰the%۲۰۲۰۲۳%۲۰Government,of%۲۰AI%۲۰in%۲۰public%۲۰services.
9. https://oxfordinsights.com/ai-readiness/ai-readiness-index/

منبع: فولاد مبارکه اصفهان