حل كيف ومتى: دمج الاستراتيجية التجارية في تبني الذكاء الاصطناعي

لقد بلغنا نقطة تحول مع الذكاء الاصطناعي حيث تحولت مناقشات غرف المجالس من مناقشة الفعالية إلى تسريع التبني. إنها فترة مثيرة، خاصة عند النظر إلى سرعة التغيير لن تكون أبداً بهذا البطء مرة أخرى. وفقا لشركة BCG، على الرغم من عدم اليقين الاقتصادي العالمي، فقد ارتفعت الابتكار كأحد أهم الأولويات للشركات في عام 2023، حيث صنفت 79% من الشركات الابتكار كأحد أهم ثلاثة أهداف.

لكن الابتكار من أجل الابتكار فقط ليس استراتيجية تجارية صحيحة، والشركات التي تتعرض للهياج حول الذكاء الاصطناعي تتعرض لخطر الاستثمار في الهياج بدلاً من الحلول التي تخلق قيمة طويلة الأمد. لفهم الفرق يتطلب التفكير بعناية في القدرات الحالية والصبر لتحديد الأولويات للنمو المستدام على الاتجاهات قصيرة الأمد.

منطقة جولديلوك

تاريخ الأعمال يمتلئ بالأمثلة على الشركات التي كانت قراراتها الاستراتيجية في لحظات حاسمة لها عواقب على وجودها. على سبيل المثال، نجت شركة أمازون من انفجار الإنترنت من خلال الاعتراف بأهمية تعديل استراتيجية المحاسبة وزيادة الاحتياطات بينما كانت الشركات الأخرى تحرق النقود كما لو لم تكن هناك غد.

بشكل عام، هناك شعور عام من خوف فقدان الفرصة (AI FOMO) الذي أصبح منتشراً بين فرق القيادة، مما يُضاعف من التعقيد بسبب حقيقة أن عدم القيام بأي شيء (أي الخضوع ل “شلل التحليل”) يُعتبر تهديداً حقيقياً. (سؤال كوداك.) هنا ثلاثة اعتبارات للشركات التي تبحث عن “منطقة جولديلوك” للذكاء الاصطناعي – لا تستثمر بسرعة أو ببطء، ولكن تجد نقطة العسل للابتكار المستدام.

1. التركيز على نمو البيانات أولاً

مثل أي آلة، من المهم فهم آلياتها الداخلية لاستخلاص مكان القيمة. هذا يعني أن الذكاء الاصطناعي ليس منتجاً كاملاً، بل يعتمد على نماذج اللغة الكبيرة (LLMs) على كميات هائلة من النقاط البيانية المتنوعة لتعلم الأنماط والسياق وال细يات اللغوية. يتطلب حجم و複雑ية نماذج اللغة الكبيرة بيانات تدريب واسعة النطاق للعمل بشكل فعال عبر مجالات ومهام مختلفة. جودة وكمية هذه البيانات سيكون لها تأثير كبير على أداء نماذج اللغة الكبيرة، وبالتالي على مجموعة أدوات الذكاء الاصطناعي للشركة.

إنشاء بيئات بيانات أكثر متانة هو بالتالي استثمار حكيم أول للشركة التي تخطط لتحول الذكاء الاصطناعي، وستخدم هذه البيانات كأساس لنماذج اللغة الكبيرة مع نموها وتطورها. في هذه التطور، تصبح البيانات عالية الجودة أكثر أهمية. بينما وجدت الدراسات أن نماذج اللغة الكبيرة يمكن أن تكون كفؤة مع بيانات قليلة، يقول الخبراء الآن أن “تأثير جودة وتنوع البيانات على كل من التوجيه ومسارات تدريب نماذج اللغة الكبيرة (التدريب المسبق، التعديل، التوجيه، إلخ.) هو ضخم بشكل مطلق”.

2. تحديد حالة استخدام تجارية

في حين أن الذكاء الاصطناعي يمتلك القدرة على التطبيقات الخارجية الواسعة، فإن معظم الشركات أكثر تركيزاً على استخدام التكنولوجيا لتحسين العمليات الداخلية. “تحسين” هو الكلمة الأساسية هنا، مما يعني أن الشركات لا يجب أن تتوقع ببساطة تشغيل برنامج الذكاء الاصطناعي لتحسين الإنتاج بشكل سحري. بل بعض حالات استخدام الذكاء الاصطناعي الأكثر نجاحاً تتضمن تحليل البيانات ليكشف عن رؤى قيمة حول سلوك العملاء وتendencies السوق والمخاطر المحتملة. كما أثبتت فعاليتها في简ification الأنشطة الداخلية، بما في ذلك أشياء مثل توفير المهام اليدوية لتخصيص وقت الموظفين لأنشطة أعلى مستوى.

باختصار، بدلاً من تبديد الوقت في محاولة معرفة أي نماذج الذكاء الاصطناعي لاستخدامها، تحتاج المنظمات إلى التركيز على المشاكل المحددة التي تحتاج إلى حلها. (أي ابدأ بالدقة التي تريد تحريكها، وضبط المؤشرات الأساسية التي تريد التأثير عليها، ثم اعمل إلى الوراء نحو أدوات الذكاء الاصطناعي التي ستحقق هذه الأهداف.) وفقاً لمسح MIT Global Executive AI، يقول 90% من الذين يستخدمون الذكاء الاصطناعي لإنشاء مؤشرات أداء رئيسية جديدة أنهم يرون تحسنًا في المؤشرات الأساسية. “تُقدم هذه المؤشرات الأساسية المُستوحاة من الذكاء الاصطناعي فوائد تجارية وتُظهر قدرات جديدة: غالباً ما تؤدي إلى مزيد من الكفاءة والمنافع المالية الأكبر وتكون أكثر تفصيلاً وملاءمة للزمن ومواءمة مع أهداف المنظمة”.

3. بناء أدوات الذكاء الاصطناعي المخصصة باستخدام نماذج اللغة الكبيرة المفتوحة المصدر

لبناء أو شراء – هذا هو السؤال. بناء حل مخصص للذكاء الاصطناعي قد يبدو مخيفاً، وتنتهج العديد من الشركات شراء ترخيص من مورد خارجي بنموذج لغة كبير مملوك لتفادي السير على هذا المسار. ومع ذلك، قد يحد الترخيص من كيفية استخدام نموذج اللغة الكبيرة، ويمكن أن تصبح رسوم الترخيص باهظة الثمن مع مرور الوقت. بدلاً من ذلك، نماذج اللغة الكبيرة المفتوحة المصدر مجانية والهيكل المعماري الأساسي متاح للمطورين للوصول إليه وبنائه وتعديله بناءً على احتياجات الشركة المحددة.

نظام نماذج اللغة الكبيرة المفتوحة المصدر هذا اكتسب شعبية بينما تسعى الشركات إلى الحفاظ على المعلومات الحساسة على شبكتها والمحافظة على المزيد من التحكم في بياناتها. توفر نماذج اللغة الكبيرة المفتوحة المصدر للشركات هذه الشفافية والمرونة، بالإضافة إلى الفوائد الإضافية مثل تقليل مشاكل التأخير وزيادة الأداء. قامت شركة آي بي إم و ناسا مؤخراً بالتعاون على تطوير نموذج لغة كبير مفتوح المصدر مدرب على بيانات الجغرافيا المكانية لمساعدة العلماء على مكافحة تغير المناخ، كجزء من مبادرة ناسا للعلوم المفتوحة لمدة عشر سنوات لإنشاء مجتمع علمي أكثر سهولة وشمولية وتعاونية.

كما هو الحال مع أي تكنولوجيا مفتوحة المصدر، هناك مخاطر مرتبطة بنماذج اللغة الكبيرة المفتوحة المصدر، بما في ذلك تسربات أمنية محتملة وخلل/تحيز بناءً على معلومات غير دقيقة أو معيبة، وممثلي السيئين الذين يُ đíchاً لتحريف البيانات. لكن نماذج اللغة الكبيرة المفتوحة المصدر تصبح أكثر ذكاء وأمان مع مرور الوقت، مما يؤدي إلى بعض الخبراء يشعرون أن نماذج اللغة الكبيرة المفتوحة المصدر سوف تصل قريباً إلى مستوى أفضل نماذج اللغة الكبيرة المملوكة، مما يبرر الاستثمار في التبني المبكر والوقت المستغرق في تطوير مهارات الفرق.

تبني الذكاء الاصطناعي سيكون عدة سباقات سريعة في ماراثون

استناداً إلى الأرقام الحديثة، هناك حوالي 15,000 شركة ذكاء اصطناعي في الولايات المتحدة، أكثر من ضعف العدد في عام 2017. على مستوى العالم، تزيد هذه الأرقام أربع مرات. مع وجود هذا العدد الكبير من الموردين والشركات الناشئة الجديدة التي تروج لخدماتها، لا يُعتبر من المستغرب أن تعاني الشركات في تحديد مكان استثمار وقتها ومالها. لكن من خلال التقييم العناية لاحتياجاتها ومخاطر ومنافع الابتكار، سوف تجد القيادات المixture الصحيح من الذكاء الاصطناعي لدفع شركاتها إلى مستقبل النمو المستدام.