- عنوان کتاب: Making AI Work for People -A Framework for Designing and Building Impactful AI-Powered Applications
- نویسنده: Asmaa Ibrahim
- حوزه: کاربرد هوش مصنوعی
- سال انتشار: 2026
- تعداد صفحه: 448
- زبان اصلی: انگلیسی
- نوع فایل: pdf
- حجم فایل: 5.94 مگابایت
وقتی پیادهسازیهای هوش مصنوعی را در صنایع مختلف بررسی میکنید، الگوی عجیبی پدیدار میشود: سازمانهایی که بیشترین سرمایهگذاری را انجام میدهند، اغلب بیشترین تلاش را برای نشان دادن نتایج میکنند. این حدس و گمان نیست. گارتنر پیشبینی میکند که هزینههای جهانی هوش مصنوعی در سال 2026 به 2.5 تریلیون دلار خواهد رسید. با این حال، خود گارتنر اذعان میکند که هوش مصنوعی اکنون در حضیض ناامیدی قرار دارد و بهبود پیشبینیپذیری بازگشت سرمایه باید قبل از اینکه شرکتها بتوانند واقعاً آن را در مقیاس بزرگ به کار گیرند، رخ دهد (گارتنر، 2026). سرمایهگذاری شتاب میگیرد. با این حال، نرخ شکست همچنان در کنار آن بالا میرود. این الگو به طور قابل پیشبینی پیش میرود. یک اپراتور مخابراتی پس از ماهها توسعه، یک موتور توصیه مبتنی بر هوش مصنوعی را مستقر میکند. شش ماه پس از راهاندازی، کاربران تجاری 85 درصد از مواقع توصیههای آن را نادیده میگیرند. یک زنجیره خردهفروشی یک سیستم ردیابی موجودی میسازد که در آزمایش عملکرد درخشانی دارد. در تولید، در تنها وظیفهای که برای آن طراحی شده بود، یعنی شناسایی اقلام ناموجود، شکست میخورد. سالها بعد، هر دو سازمان به سرمایهگذاری در رفع مشکلات ادامه میدهند، به این امید که تکرار بعدی سرانجام به نتیجه برسد. اکثر شرکتها قابلیتهای هوش مصنوعی توسعهیافته توسط دیگران را میپذیرند. آنها این ابزارها را در عملیات موجود ادغام میکنند تا به مشتریان بهتر خدمترسانی کنند، هزینهها را کاهش دهند و مزیت رقابتی کسب کنند. آنها با آزمایشگاههای تحقیقاتی یا مدلهای پایه آموزشی از ابتدا رقابت نمیکنند. با این حال، آنها به پیادهسازی هوش مصنوعی طوری نگاه میکنند که گویی در حال رقابت هستند – به دنبال معیارهای فنی، استخدام بیش از حد برای توسعه سفارشی و نادیده گرفتن واقعیتهای سازمانی که تعیین میکنند آیا کسی واقعاً از آنچه ساخته میشود استفاده میکند یا خیر. این کتاب چارچوبی برای مصرفکنندگان فناوری سازمانی – سازمانهایی که سیستمهای هوش مصنوعی یا برنامههای کاربردی مبتنی بر هوش مصنوعی را برای کار میسازند، ارائه میدهد، نه سازمانهایی که هوش مصنوعی را به عنوان محصول اصلی خود میسازند.
A curious pattern emerges when you examine AI implementations across industries: the organizations investing the most aggressively often struggle the most to show results. This isn’t speculation. Gartner forecasts worldwide AI spending will reach $2.5 trillion in 2026. Yet Gartner itself acknowledges that AI now sits in the Trough of Disillusionment, and that improved predictability of ROI must occur before enterprises can truly scale it (Gartner, 2026). Investment accelerates. However, failure rates still climb alongside it. The pattern plays out predictably. A telecom operator deploys an AIpowered recommendation engine after months of development. Six months post-launch, business users ignore its recommendations 85% of the time. A retail chain builds an inventory tracking system that performs brilliantly in testing. In production, it fails at the one task it was designed for: identifying out-of-stock items. Years later, both organizations continue investing in fixes, hoping the next iteration will finally deliver. Most enterprises adopt AI capabilities developed by others. They integrate these tools into existing operations to serve customers better, reduce costs, and gain competitive advantage. They aren’t competing with research labs or training foundation models from scratch. Yet they approach AI implementation as if they were—chasing technical benchmarks, overstaffing for custom development, and ignoring the organizational realities that determine whether anyone actually uses what gets built. This book provides a framework for enterprise technology consumers— organizations that build AI systems or AI-powered applications to work, not organizations building AI as their core product.
این کتاب را میتوانید از لینک زیر بصورت رایگان دانلود کنید:
Download: Making AI Work for People
نظرات کاربران