در سال‌های اخیر، سازمان‌های خیریه، راه‌های افزایش تحلیل داده را موردتوجه قرار داده‌اند که این روند تا سال 2022 ادامه خواهد داشت، زیرا تحلیل داده‌ها، به طرز چشمگیری برای اطلاع‌رسانی به رهبران خیریه در مورد بهترین روش ارائه خدمات، جذب سرمایه، بازاریابی و... کارآمد است.
با دسترسی به مزایای هوش مصنوعی و توده‌های اطلاعاتی (cloud) بسیاری از خیریه‌ها، برای رفع شکاف‌های علمی و همگامی با نوآوری‌های بخش خصوصی، دربارۀ چگونگی استفاده از داده‌هایشان در ماه‌های آینده، فکر می‌کنند.
در اینجا روندهای غالب بر نهاد خیریه را بررسی می‌کنیم.
رقابت با بخش خصوصی
در سال 2022، تمرکز بیشتری روی نهاد خیریه، برای مقابله با شکاف میان داده‌ها خواهیم دید. تا اثربخشی آن به حداکثر برسد و ارزش آن به سیاستمداران و سرمایه‌گذاران ثابت شود. مشخصاً این امر باعث می‌شود که نهاد خیریه برای رقابت با نوآوری‌های بخش خصوصی، بیشتر تلاش کند. این تلاش برای تقویت تجزیه‌وتحلیل داده‌ها به عنوان یک موضوع کلیدی در اتاق فکر پروژه تحقیقاتی خیریۀ Pro Bono Economics مطرح شده است که مجمع قانون خانواده در جامعه مدنی است.
بیشتر بخوانید:
تحقیقاتی که در اکتبر 2021 توسط مجمع منتشر شد، نشان داد که نهاد خیریه به دلیل خلأهای موجود در تحلیل داده‌ها خصوصاً در اثبات ارزش‌های داوطلبانه و همبستگی آفرین‌اش برای نهاد اقتصاد و جامعه در حال تضعیف و پسرفت است.
هشدارآمیز است که بسیاری از تحلیل‌های دادهای خیریه در «قالب‌های ناخوانا گیر کرده است» و خیریه در به کارگیری آمارها از بخش خصوصی عقب مانده است.
این سازمان خواستار ایجاد «حساب‌های ماهواره‌ای اقتصادِ اجتماعی» توسط دولت است تا آمارهای رسمی از مشارکت اقتصادی خیریه منتشر و با داده‌های اقتصادی بخش خصوصی مقایسه شود.
آنوشکا کنلی، مدیر تحقیقات و سیاست‌گذاری Pro Bono Economics می‌گوید: «میان اطلاعاتی که در مورد کسب‌وکارها و مؤسسات خیریه در اختیار داریم شکاف عظیمی وجود دارد.»
پیشنهاد راه‌اندازی یک کارگروه هماهنگ و استانداردسازی داده‌های بخش اجتماعی که شامل خیریه‌ها و دولت می‌شود به نهادها کمک می‌کند تا در تجزیه‌وتحلیل داده‌هایشان همپای کسب‌وکارها پیش بیایند. رهبران خیریه راه‌اندازی این گروه را مورد حمایت قرار داده‌اند.
برای مطالعه :
با هوش مصنوعی به نوآوری ادامه دهید
هوش مصنوعی قوای مثبتی برای خیریه‌ها بوده است که به آنان کمک می‌کند، داده‌های خود را بهتر تفسیر کنند و مجموعه‌ای از ابزارهای ارائه خدمات خودکار، مانند چت بات‌ها را ایجاد کنند که تا سال 2020 این روند ادامه خواهد داشت.
هوش مصنوعی، در شناخت الگوریتم‌ها، تفسیر سیستم‌ها و افزایش سرعت همه جانبۀ سازمانی، کمک چشمگیری به خیریه‌ها خواهد کرد؛ و این مؤسسات، بیشتر از هر زمانی به مزایای هوش مصنوعی و یادگیری ماشینی (machine learnin) متکی خواهند شد.
برای مطالعه:
نوآوری‌های نوظهور امکان استفاده از هوش مصنوعی به‌عنوان یک ابزار خدمت‌رسانی را فراهم کرده است (AIaaS). این مسئله به ابزارهای هوش مصنوعی در کمک‌رسانی به مؤسسات خیریه و سایر سازمان‌ها در استفاده از تکنیک‌های هوش مصنوعی اشاره دارد تا کاربرد درون‌سازمانی این فناوری با کاهش هزینه همراه شود.
AlaaS را می‌توان توسط یک متخصص شخص ثالث خریداری کرد و آن را بهینه کرد تا مهم‌ترین نیازهای موسسه خیریه را برآورده کند. با ورود به سال 2022، مؤسسات خیریه، بیش‌ازپیش، هزینه‌های گزافی برای توسعۀ هوش مصنوعی و همچنین جبران کمبود متخصصان ماهر، متحمل خواهند شد.
شناخت داده‌های مصنوعی
هوش مصنوعی کاربردهای منفی نیز دارد. به خصوص، استفاده از هوش مصنوعی مولد برای ایجاد ویدیوهای به‌اصطلاح "دیپ فیک " که مردم را به این باور غلط می‌رساند که افراد مشهور، سیاستمداران و دیگران حرف‌هایی می‌زنند و کارهایی انجام می‌دهند که هیچ مبنایی در واقعیت ندارد.
هرچند طرفداران جنگ ستارگان با دید مثبت به این مسئله می‌نگرند. آن‌ها با شخصیت‌های موردعلاقه‌شان مانند لوک اسکای‌واکر که در برنامه‌ها و فیلم‌های تلویزیونی اخیر دیده شده‌اند، همراه می‌شوند؛ اما متأسفانه در این مورد هم دلایل شومی نهفته است.
داده‌های مصنوعی مانند کلیدی است که از الگوریتم‌های بازشناسی چهره برای بازسازی تمایلات افراد استفاده می‌کند. در سال 2022، مؤسسات خیریه باید درک بیشتری از داده‌های مصنوعی به دست بیاورند تا بتوانند استفاده‌های نامناسب از آن را نقد و رد کنند.
بیشتر بخوانید :
نیاز بیشتر به توده‌های اطلاعاتی
همان‌طور که کمیسیون قانون خانوادۀ Pro Bono Economics، در تحقیقات جامعه مدنی نشان داد، فناوری تجزیه‌وتحلیل داده‌های خیریه از فضای کسب‌وکار تجاری بسیار عقب مانده است.
خیریه‌هایی که از راه‌حل‌های قدیمی تجزیه‌وتحلیل داده استفاده می‌کنند، باید با محصولات مبتنی بر توده‌های اطلاعاتی منطبق شوند تا هر ساله از راه‌حل‌های جدید تحلیلِ توده‌های اطلاعاتی عقب نمانند.
اما مزایای آن عبارت‌اند از: اطمینان از ارتقاء و به‌روزرسانی مداوم محصولات که موجب حفاظت در برابر خطرات امنیت سایبریِ تکامل یافته و همچنین به‌روز نگه‌داشتن جدیدترین روندهای هوش اطلاعاتی می‌شود.
افزایش تمرکز بر "داده‌های کم " و TinyML(یادگیری ماشینی)
رشد تجزیه‌وتحلیل داده، الگوریتم‌های پیچیده‌تری را برای مدل‌سازی زبان و رفتار انسان فراهم آورده است که اغلب تحت عنوان "داده‌های بزرگ " شناخته می‌شود. برای کاهش این اختلال، در سال 2022 سازمان‌ها به مزایای TinyML (یادگیری ماشینی) و به‌کارگیری داده‌های کم، توجه بیشتری نشان خواهند داد.
TinyML اساساً، داده‌ها را فشرده می‌کند تا برای استفاده در سخت‌افزارهای جزئی کارآمد باشند و فقط بر روی داده‌های مناسب و مورد نیاز تمرکز می‌کند. در حوزه‌هایی مانند فناوری پوشاک، لوازم‌خانگی و تجهیزات صنعتی، مورد استفاده است. کاربرد TinyML مزایای روشنی دارد، از جمله: ارائه سریع‌تر خدمات دیجیتال به افراد بهره‌مند و کمک به متخصصان خیریه در انجام وظایف تعیین‌شدۀ برایشان.
این شکل از تجزیه‌وتحلیل داده‌ها، به دلیل استفاده از سخت‌افزار کم مصرف، برای محیط‌زیست نیز بهتر است.
منبع: سایت charitydigita
ارسال نظر