حل كيفية ومتى: دمج الاستراتيجية التجارية في اعتماد الذكاء الاصطناعي

لقد وصلنا إلى نقطة تحول مع الذكاء الاصطناعي حيث تحولت مناقشات غرف المجالس من مناقشة الفعالية إلى تسريع الاستحواذ. إنه وقت مثير، خاصة عند النظر إلى سرعة التغيير التي لن تكون أبدا بهذا الإبطاء مرة أخرى. وفقا لشركة BCG، على الرغم من عدم اليقين الاقتصادي العالمي، زادت الابتكار كأحد أهم الأولويات للشركات في عام 2023، حيث صنفت 79٪ من الشركات الابتكار كأحد أهم ثلاثة أهداف لها.

لكن الابتكار من أجل الابتكار فقط ليس استراتيجية تجارية صحيحة، والشركات التي تتعرض للهيجان حول الذكاء الاصطناعي تتعرض لخطر الاستثمار في الهيجان بدلا من الحلول التي تُحدث قيمة طويلة الأمد. فهم الفرق يتطلب التفكير بعناية في القدرات الحالية والصبر لتحديد الأولويات للنمو المستدام على الاتجاهات القصيرة الأمد.

منطقة جولديلوك

تاريخ الأعمال يمتلئ بالأمثلة على الشركات التي كانت قراراتها الاستراتيجية في اللحظات الحاسمة لها عواقب على وجودها. على سبيل المثال، نجت أمازون من انفجار الدوت كوم من خلال الاعتراف بأهمية تعديل استراتيجية المحاسبة وتعزيز الاحتياطات أثناء حرق الشركات الأخرى للنقود كما لو كانت هناك لا نهاية لها. النقطة هي أن القرارات التجارية الصحيحة أكثر أهمية من أي وقت مضى خلال فترات الحماس الجماعي، والتخطيط للغد يتطلب القدرة على التفكير في جميع السيناريوهات المحتملة.

بشكل عام، هناك شعور عام بالخوف من الذكاء الاصطناعي (“خوف من الفقدان”) الذي أصبح منتشرا بين فرق القيادة، مما يُضاعف من التعقيد بسبب حقيقة أن عدم القيام بأي شيء (أي الخضوع ل “الشلل بالتحليل”) هو تهديد حقيقي. (اسأل كوداك.) هنا ثلاثة اعتبارات للشركات التي تبحث عن “منطقة جولديلوك” للذكاء الاصطناعي – لا تستثمر بسرعة أو ببطء، ولكن تجد نقطة التكنولوجيا المستدامة.

1. التركيز على نمو البيانات أولا

مثل أي آلة، من المهم فهم آلياتها الداخلية لاستخلاص القيمة منها. وهذا يعني أن الذكاء الاصطناعي ليس منتجا كاملا، بل يعتمد نماذج اللغة الكبيرة (LLM) على كميات هائلة من نقاط البيانات المتنوعة لتعلم الأنماط والسياق وال细يات اللغوية. حجم و複雑ية LLM تتطلب بيانات تدريب واسعة لتشغيلها بشكل فعال عبر مجالات ومهام مختلفة. جودة وكمية هذه البيانات ستؤثر بشكل كبير على أداء LLM، وبالتالي على مجموعة أدوات الذكاء الاصطناعي للشركة.

إنشاء أنظمة بيانية أكثر متانة هو بالتالي استثمار حكيم أول للشركة التي تخطط لتحول الذكاء الاصطناعي، وستخدم هذه البيانات كأساس لنمو LLM و تطورها. في هذه التطور، تصبح البيانات عالية الجودة أكثر أهمية. بينما وجدت الدراسات أن LLM يمكن أن تكون كفؤة مع بيانات mínima، يقول الخبراء الآن أن “تأثير جودة البيانات وتنوعها على كل من التوجيه وطرق أخرى لتدريب LLM (التدريب المسبق، التعديل، التحكم، إلخ.) هو بالفعل كبير للغاية”.

2. تحديد حالة استخدام تجارية

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

باختصار، بدلا من تبديد الوقت في محاولة تحديد أي نماذج الذكاء الاصطناعي لاستخدامها، تحتاج المنظمات إلى التركيز على المشاكل المحددة التي تحتاج إلى حلها. (أي ابدأ بالدقة التي تريد تحريكها، وأعد ضبط معيار الأداء الذي تريد التأثير عليه، ثم اعمل بشكل عكسي لتحديد أدوات الذكاء الاصطناعي التي ستحقق تلك الأهداف.) وفقا لمسح MIT العالمي للذكاء الاصطناعي، يقول 90٪ من الذين يستخدمون الذكاء الاصطناعي لإنشاء معايير أداء جديدة أنهم يرون تحسين معايير الأداء الخاصة بهم. “تقدّم هذه المعايير الموجهة بالذكاء الاصطناعي فوائد تجارية وتظهر قدرات جديدة: غالبا ما تؤدي إلى مزيد من الكفاءة والفائدة المالية الأكبر وتكون أكثر تفصيلا ووقتية ومتوافقة مع أهداف المنظمة”.

3. بناء أدوات الذكاء الاصطناعي المخصصة باستخدام LLM مفتوحة المصدر

لبناء أو شراء – هذا هو السؤال. بناء حل مخصص للذكاء الاصطناعي قد يبدو محفزا، وتنطوي العديد من الشركات على شراء ترخيص من مورد خارجي بنموذج لغة مفتوح المصدر لتجنب السير في هذا المسار. ومع ذلك، قد يحد الترخيص من كيفية استخدام نموذج اللغة، ويمكن أن تصبح رسوم الترخيص باهظة الثمن مع مرور الوقت. بدلا من ذلك، فإن نماذج اللغة مفتوحة المصدر مجانية والهيكل الأساسي متاح للمطورين للوصول إليه وبنائه وتعديله بناء على احتياجات الشركة المحددة.

أصبحت هذه النماذج مفتوحة المصدر شائعة بين الشركات التي تسعى إلى الاحتفاظ بمعلومات حساسة على شبكتها والحفاظ على المزيد من التحكم في بياناتها. توفر نماذج اللغة مفتوحة المصدر للشركات هذه الشفافية والمرونة، بالإضافة إلى الفوائد المضافة لتحسين أداء التأخير وتحسين الأداء. قامت شركة آي بي إم و ناسا مؤخرا بتعاون لتحديث نموذج لغة مفتوح المصدر مدرب على بيانات الجغرافية المكانية لمساعدة العلماء على مكافحة تغير المناخ، كجزء من مبادرة ناسا لمدة عشر سنوات العلم المفتوح لبناء مجتمع علمي أكثر سهولة وشمولية وتعاون.

كما هو الحال مع أي تكنولوجيا مفتوحة المصدر، هناك مخاطر مرتبطة بنماذج اللغة مفتوحة المصدر، بما في ذلك تسربات أمنية محتملة أو انتهاكات أو تحيزات بناء على معلومات غير دقيقة أو معيبة، وممثلي السيئين الذين يُ đíchًا البيانات. ومع ذلك، تصبح نماذج اللغة مفتوحة المصدر أكثر ذكاء وأمان مع مرور الوقت، مما يؤدي إلى بعض الخبراء يشعرون أن نماذج اللغة مفتوحة المصدر سوف تصل إلى مستوى أفضل نماذج اللغة مغلقة المصدر قريبا، مما يبرر الاستثمار في الاستحواذ المبكر والوقت الذي يقضيه في تطوير مهارات الفريق.

استحواذ الذكاء الاصطناعي سيكون عدة سباقات سريعة في ماراثون

استنادا 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 هذا العدد الكبير من البائعين وشركات التشغيل الجديدة التي تروج لخدماتها، لا ي驚 أن الشركات تواجه صعوبة في تحديد مكان استثمار وقتها ومالها. ومع ذلك، من خلال تقييم احتياجاتها بعناية وفرص المخاطر التي تقدمها الابتكارات، ستجد قادة الشركات الخلطة الصحيحة من الذكاء الاصطناعي لدفع شركاتهم إلى مستقبل النمو المستدام.