Segui ZDNET: Aggiungici come fonte preferita su Google.
I principali punti salienti di ZDNET
- Il tuo playbook tecnologico potrebbe essere obsoleto a causa dell’intelligenza artificiale.
- Preparati a revisioni che aiutino le persone a verificare le proprie idee.
- Concentrati su aree chiave, come casi d’uso, origini dati e formazione.
Tu o il tuo group utilizzate un playbook tecnologico? Se sì, cosa c’è dentro? Ci sono buone probabilità che il tuo playbook stia rapidamente diventando obsoleto.
Inoltre: 10 modi in cui l’IA può infliggere danni senza precedenti nel 2026
Questa è la sfida lanciata da Thomas Erl, prolifico autore ed educatore tecnologico, in un recente articolo colloquio con Matt Strippelhoff, accomplice e CEO di Crimson Hawk Applied sciences. Erl chiede nuove revisioni del playbook e pratiche collaudate per aiutare i sostenitori e gli sviluppatori dell’intelligenza artificiale a verificare le loro idee, eseguire progetti pilota sicuri e dimostrare il ritorno sull’investimento dei loro progetti.
I playbook, formali o informali, elenchi di controllo dettagliati o semplici, garantiscono che tutti lavorino strategicamente dalla stessa pagina per operazioni e distribuzioni coerenti, con solide coverage di sicurezza. Tuttavia, nel mondo digitale in rapida evoluzione di oggi, se tu o il tuo group lavorate con l’intelligenza artificiale, potrebbe essere necessario rivedere tali linee guida.
Inoltre: nervoso per il mercato del lavoro? 5 modi per distinguersi nell’period dell’intelligenza artificiale
Un playbook per l’azienda del 2026 prevede diversi nuovi requisiti, ma si basa anche sulle precedenti linee guida IT. Strippelhoff ed Erl hanno rivisto alcune di queste considerazioni.
8 linee guida per l’period dell’IA
- Inizia con un problema significativo: Identificare dove l’intelligenza artificiale farà davvero la differenza, rispetto all’intelligenza artificiale high quality a se stessa. “Alcune aziende stanno cercando un modo per applicare l’intelligenza artificiale, ma non hanno identificato il problema che vogliono risolvere”, ha affermato Strippelhoff. “Quindi, hanno una soluzione alla ricerca di un problema. La pianificazione strategica tradizionale è fondamentale per assicurarsi di identificare un problema significativo.”
- Inizia con i risultati desiderati in anticipo e prepara il enterprise case: Questo approccio period comune per le tecnologie precedenti, ma assume ulteriore urgenza con le iniziative di intelligenza artificiale. “La parte più importante è comprendere la preparazione dell’organizzazione all’concept stessa”, ha affermato Strippelhoff. “Qualcuno deve prendersi il tempo per elaborare e definire quale sia quella visione. Quindi è necessario coinvolgere esperti in materia su tali sistemi, origini dati e altro ancora e determinare se si è effettivamente preparati, se è il momento di fare quell’investimento. Spesso, molte organizzazioni non sono così pronte come potrebbero pensare di essere.”
- Incorpora un ulteriore livello di cautela: L’intelligenza artificiale non riguarda solo la creazione e l’esecuzione di software program. Distribuire l’intelligenza artificiale significa anche immergersi nei pozzi di conoscenza più profondi di un’organizzazione. I dati di addestramento escono da questi pozzi, ha affermato Strippelhoff: “Ciò embody anche un mezzo per convalidare le risposte generate o ciò che viene prodotto dall’intelligenza artificiale”.
- Crea spazio per le eccezioni: Quest’space è dove anche i sistemi di intelligenza artificiale più ben pianificati possono rallentare. Una qualità dei dati insufficiente, advert esempio, può creare incoerenze significative nei risultati dell’intelligenza artificiale, avverte Strippelhoff: “Eccezioni nella qualità dei dati potrebbero creare molte sfide per l’addestramento del modello di intelligenza artificiale”.
- Includere il tempo per l’addestramento del modello AI: Le persone hanno bisogno della garanzia che i dati di addestramento siano aggiornati e accurati. Advert esempio, secondo Strippelhoff, nel settore sanitario, l’ampia gamma di codici di fatturazione rende difficile automatizzare la gestione del ciclo delle entrate, “poiché ci sono migliaia di codici tra cui scegliere”. Di conseguenza, il processo deve essere attentamente monitorato dagli esseri umani finché non vi è la garanzia che i codici siano adeguatamente classificati attraverso un ciclo di suggestions continuo.
- Assicurati che i tuoi dati siano pronti: “Alcune aziende potrebbero presumere, con le loro risorse digitali, le process operative commonplace e la governance, di essere pronte advert andare avanti con un’iniziativa di intelligenza artificiale, solo per scoprire che i loro dati sono in uno stato così pessimo da dover “immaginare” il progetto. Ho visto che ciò ha portato a uno stallo o advert un accantonamento permanente dei progetti. “
- Mantieni gli esseri umani sempre aggiornati: L’intelligenza artificiale può sembrare sinonimo di automazione totale, ma non è così. Una parte essenziale del processo di convalida dei risultati dell’IA è mantenere la supervisione umana nei punti chiave. Probabilmente si tratterà di un “esperto in materia che convaliderà i risultati”, ha affermato Strippelhoff, aggiungendo che “ci vuole tempo per formarsi”.
- Verifica le limitazioni della piattaforma: “Se la tua soluzione dipende dall’estrazione e dallo spostamento dei dati tra sistemi tramite endpoint API, potrebbero esserci limitazioni al numero di chiamate, alla disponibilità e al tipo di informazioni che puoi ottenere, nonché alla frequenza con cui puoi ottenerle,” ha affermato.
