به جمع آوری رهبران صنعت برای تقریباً دو دهه بپیوندید. رویداد VB Transform از افرادی که در حال ساخت استراتژی واقعی هوش مصنوعی برای سازمان‌ها هستند، میزبانی می‌کند.
شرکت‌ها ممکن است نگران تأثیر کاربردهای هوش مصنوعی در زمان اجرا باشند، اما قرار دادن محدودیت‌های فنی از ابتدا می‌تواند نوآوری را کند کند. اندرو Ng، بنیان‌گذار DeepLearningAI و یکی از چهره‌های برجسته در توسعه هوش مصنوعی، در طی یک گفتمان آزاد در رویداد VB Transform بر اهمیت قابلیت مشاهده و ایجاد محدودیت‌های فنی در توسعه هوش مصنوعی تأکید کرد. او با این حال افزود که این موارد نباید به هزینه نوآوری و رشد بیافزایند. Ng پیشنهاد کرد که سازمان‌ها در محیط‌های آزمایشی (sandbox) شروع به کار کنند تا پروژه‌ها را سریعاً پروتوتایپ کرده و پیش‌نمونه‌هایی که کار می‌کنند را شناسایی کنند و پس از اطمینان از موفقیت، شروع به سرمایه‌گذاری در قابلیت مشاهده و محدودیت‌های فنی برای این کاربردها کنند.
این ممکن است برای سازمان‌ها که قصد پیاده‌سازی هوش مصنوعی را دارند، غیرمعمول به نظر برسد. Ng گفت: “نقش مهمی برای قابلیت مشاهده، ایمنی و محدودیت‌های فنی وجود دارد.” او همچنین بیان کرد که به دلیل سطوح بالای تأیید در کسب‌وکارهای بزرگ، به طور معمول محدودیت‌های فنی را در مراحل بعدی وارد می‌کند. این چالشی است که برخی از شرکت‌های بزرگ با آن روبرو هستند و می‌تواند نوآوری را مختل کند.
محیط‌های آزمایشی به تیم‌های توسعه‌دهنده این امکان را می‌دهند که با اطلاعات محدود و به طور سریع آزمایش‌هایی را انجام دهند. این محیط‌ها به سازمان‌ها اجازه می‌دهند که فقط در پروژه‌هایی سرمایه‌گذاری کنند که عملکرد خوبی دارند و سپس تکنولوژی‌های مرتبط با مسئولیت‌پذیری را اضافه کنند. به‌ویژه در حوزه هوش مصنوعی، ایجاد محیط‌های آزمایشی به یک روند متداول تبدیل شده است.
مشاهده‌پذیری به سرعت به یکی از موضوعات کلیدی در دسترسی به کاربردهای هوش مصنوعی تبدیل شده است. به عنوان مثال، Salesforce به تازگی کتابخانه‌ی نمایندگی خود را به‌روز کرده و بهبودهای قابل توجهی در قابلیت مشاهده عملکرد نمایندگان و حمایت از استانداردهای بین‌عملکردی ارائه داده است.
Ng تأکید کرد که سرعت و نوآوری باید در کنار هم قرار گیرند و سازمان‌ها نباید از آن ترسید. او توضیح داد که ابزارهای جدید برای توسعه‌دهندگان این امکان را فراهم می‌کند تا ایده‌هایی را به سرعت تحقق بخشند و زمان توسعه پروژه‌ها به طور قابل توجهی کاهش یافته است.
یکی از چالش‌های بزرگ برای بسیاری از شرکت‌ها، یافتن استعدادهای مناسب است. Ng به این نکته اشاره کرد که در حالی که برخی از شرکت‌های هوش مصنوعی به دنبال استخدام مهندسان مدل‌های پایه با حقوق‌های بسیار بالا هستند، برای مهندسان نرم‌افزار، این قیمت‌ها به آن حد نیست. با این حال، کمبود استعداد در ساخت پروژه‌های هوش مصنوعی برای سازمان‌ها به عنوان یک مشکل باقی مانده است.
در نهایت، Ng به پیشنهاد اولیه خود بازمی‌گردد: بگذارید تیم‌ها در محیط‌های آزمایشی آزمایش کنند و تجربه کسب کنند. به این ترتیب، سازمان‌ها می‌توانند با ایجاد فضای خلاقانه و آزمایشی، به دستیابی به نوآوری و پیشرفت‌های بیشتر در هوش مصنوعی دست یابند.