AI యొక్క వాణిజ్య పాత్ర మరింత విశ్లేషణాత్మకంగా మారుతోంది
IEEE Spectrum ప్రచురించిన ఒక ప్రొఫైల్ OpenAI ఇంజినీర్ Sarang Gupta ను మరియు కంపెనీలు కొనుగోలుదారులను ఆకర్షించడంలో, అమ్మకాలను మెరుగుపరచడంలో సహాయపడే AI టూల్స్పై ఆయన చేస్తున్న పనిని హైలైట్ చేస్తోంది. ఇచ్చిన మూల పాఠ్యం ప్రకారం, Gupta IEEE యొక్క సీనియర్ సభ్యుడు మరియు సాన్ ఫ్రాన్సిస్కోలోని OpenAIలో డేటా సైన్స్ స్టాఫ్లో పనిచేస్తున్నారు. ఆ ప్రొఫైల్, మార్కెటింగ్ బృందాల వ్యూహాత్మక నిర్ణయాలను మెరుగుపరచడంలో ఆయన ఇచ్చే సహకారాన్ని ప్రస్తావిస్తోంది.
ఆ ప్రాధాన్యత గమనించదగినది. వ్యాపారంలో జనరేటివ్ AI గురించి ప్రజల్లో జరిగే చర్చలో చాలా భాగం కాపీ రాయడం, చిత్రాలు తయారు చేయడం లేదా కస్టమర్ సేవను వేగవంతం చేయడంపైనే కేంద్రీకృతమై ఉంది. ఇచ్చిన వివరణ కొంచెం భిన్నమైన వాణిజ్య వినియోగాన్ని సూచిస్తోంది: మార్కెటింగ్ సంస్థల లోపల నిర్ణయ తీసుకోవడాన్ని మద్దతు ఇవ్వడానికి AIని ఉపయోగించడం.
ఇది ఎందుకు ముఖ్యం
మార్కెటింగ్ అనేది డేటాతో అత్యంత నిండిన వ్యాపార విధులలో ఒకటి, అలాగే స్పష్టంగా ఆప్టిమైజ్ చేయడం అత్యంత కష్టమైన వాటిలో ఒకటి. ఏ ఛానళ్లకు ప్రాధాన్యం ఇవ్వాలి, ఏ సందేశాలు బాగా ప్రతిధ్వనిస్తాయి, ఏ ప్రాస్పెక్ట్స్ కన్వర్ట్ అయ్యే అవకాశం ఎక్కువ, ఎక్కడ ఖర్చు ఎక్కువ ప్రభావాన్ని చూపుతుంది వంటి నిర్ణయాలను బృందాలు తరచూ తీసుకోవాల్సి ఉంటుంది. ఆ ఎంపికలను నిర్మించడంలో సహాయపడగల AI వ్యవస్థలు, కేవలం ప్రచార సామగ్రిని ముసాయిదా చేసే టూల్స్ కంటే ఎక్కువ విలువైనవిగా ఉండవచ్చు.
ఇచ్చిన పాఠ్యం సంక్షిప్తంగా ఉన్నందున Gupta వ్యవస్థల సాంకేతిక వివరాలను అది వెల్లడించదు. కానీ అది ఒక ప్రధాన నిర్ధారణను మద్దతిస్తుంది: లక్ష్యం వ్యూహాత్మక నిర్ణయాలను మెరుగుపరచడం, కేవలం అవుట్పుట్ పరిమాణాన్ని పెంచడం కాదు. ఇది ఎంటర్ప్రైజ్ AIలో కొత్తదనం సృష్టించడం నుండి ఆపరేషనల్ తీర్పు మద్దతు వైపు జరుగుతున్న పెద్ద మార్పును ప్రతిబింబిస్తుంది.
నిర్ణయ మద్దతు యొక్క ప్రాయోగిక ఆకర్షణ
AI వ్యవస్థలను కొనుగోలు చేసే కంపెనీలకు, నిర్ణయ మద్దతు అస్పష్టమైన మార్పు హామీల కంటే సమర్థించుకోవడం సులభం. ఒక టూల్ ఒక బృందానికి వనరులను మెరుగ్గా కేటాయించడంలో, కొనుగోలు చేసే అవకాశం ఉన్న వారిని మరింత ఖచ్చితంగా గుర్తించడంలో లేదా అమ్మక సమర్థతను మెరుగుపరచడంలో సహాయపడితే, వ్యాపార కారణం మరింత స్పష్టమవుతుంది. ముఖ్యంగా మార్కెటింగ్ సంస్థలు కొలవదగిన ఫలితాలను చూపించాల్సిన నిరంతర ఒత్తిడిలో ఉండటంతో, AI-సహాయిత విశ్లేషణల కోసం అవి సహజమైన ప్రారంభ కస్టమర్లుగా మారుతాయి.
డేటా సైన్స్ నేపథ్యమున్న ఒక ఇంజినీర్ ఈ తరహా పనిలో కేంద్రంగా ఉండటానికి ఇదే కారణం. సమస్య కేవలం భాషా ఉత్పత్తి కాదు. అది సంకేతాల వెలికితీత, నమూనా అర్థీకరణ, మరియు బృందాలు వాస్తవంగా ఉపయోగించగల విధంగా సిఫార్సులను సమర్పించడం.
AI స్వీకరణ గురించి ప్రొఫైల్ ఏమి సూచిస్తోంది
వ్యక్తిగత ఇంజినీర్ల ప్రొఫైల్స్ సాధారణంగా బ్రేకింగ్ న్యూస్గా పరిగణించబడవు, కానీ సంస్థలు విలువ ఎక్కడ పెరుగుతోందని భావిస్తున్నాయో అవి చూపగలవు. ఈ సందర్భంలో, మార్కెటింగ్ వ్యూహంపై ఉన్న దృష్టి, అప్లైడ్ AI ఒకే పనిని భర్తీ చేయడం కంటే వాణిజ్య వ్యవస్థలను ఎండ్ టు ఎండ్గా మెరుగుపరచే దశగా మారుతోందని సూచిస్తోంది.
ఆ ధోరణి కొనసాగితే, ఎంటర్ప్రైజ్ AI పోటీ యొక్క తదుపరి తరంగం, ఏ మోడల్ అత్యంత సులభంగా ప్రవహించే పాఠ్యాన్ని రాస్తుంది అనే దానికంటే, కఠినంగా నిర్వచించబడిన రంగాల్లో ఏ టూల్స్ మెరుగైన వ్యాపార నిర్ణయాలను ఉత్పత్తి చేస్తాయనే దానిపై ఎక్కువగా కేంద్రీకృతమవవచ్చు. Gupta ప్రొఫైల్ ఆ మార్పులోకి ఒక చిన్న కిటికీ మాత్రమే, కానీ ఉపయోగకరమైనది. ఇది AI స్వీకరణలో మరింత ప్రాయోగిక దశను సూచిస్తోంది, అక్కడ ప్రశ్న మోడల్ అవుట్పుట్ రూపొందించగలదా అనే కాదు, అది కంపెనీ మరింత సమర్థవంతంగా ఎంపిక చేసుకోవడంలో సహాయపడగలదా అనే దానిపై ఉంటుంది.
ఈ వ్యాసం IEEE Spectrum నివేదిక ఆధారంగా రూపొందించబడింది. మూల వ్యాసాన్ని చదవండి.
Originally published on spectrum.ieee.org