Dodání dopadů z umělé inteligence ve výzkumu, vývoji a inovacích

Umělá inteligence (AI) transformuje výzkum, vývoj a inovace (R&D&I), odemykající nové možnosti pro řešení některých z nejnaléhavějších světových výzev, včetně udržitelnosti, zdravotnictví, změny klimatu a potravinové a energetické bezpečnosti, stejně jako pomáhá organizacím inovovat lépe a uvádět na trh průlomové produkty a služby.

AI ve výzkumu, vývoji a inovacích není nic nového. Nicméně, vzestup generativní AI (GenAI) a velkých jazykových modelů (LLM) významně zvýšil jeho schopnosti, urychlující průlomové objevy a celkovou inovaci.

Jak mohou organizace využít AI ve svých úsilích o výzkum, vývoj a inovace, a jaké jsou nejlepší postupy pro úspěšné nasazení? Abychom zjistili, provedl Blue Shift Institute ze společnosti Arthur D. Little (ADL) komplexní studii, ve které jsme interviewovali více než 40 poskytovatelů AI, odborníků a praktiků, stejně jako jsme provedli průzkum mezi více než 200 organizacemi z veřejného a soukromého sektoru. Výsledná zpráva, Eureka! on Steroids: AI-driven Research, Development, and Innovation, nabízí hlubokou analýzu současné krajiny a budoucí trajektorie AI ve výzkumu a inovacích.

Naše analýza se zaměřuje na pět klíčových oblastí:

AI dodává výhody napříč R&D&I – ale nebude nahrazovat lidi

Každý stavební kámen R&D&I může využít AI, od technologie a tržní inteligence po inovační strategii, ideaci, portfolio a projektový management a správu duševního vlastnictví. Když se snažíme pochopit tyto výhody, tři klíčové faktory se objevují:

• AI bude doplňovat výzkumné pracovníky, spíše než je nahrazovat, uvolňující jejich čas a umožňující jim být produktivnější a kreativnější
• AI pomáhá řešit složitá problémy, které nemohly být dříve řešeny kvůli technologii a její schopnosti škálovat a učit se, otevírající nové cesty inovace
• AI bude zastávat roli “plánovače-myslitele”, pohybující se za hranice generování obsahu a vyhledávání a pokrývající komplexnější role, jako je správce znalostí, generátor hypotéz a asistent pro týmy R&D&I.

Když se rozhodujeme, zda použít AI pro řešení konkrétního případu použití R&D&I, neexistuje žádný univerzální model. Abychom pochopili, který přístup AI poskytne nejlepší výsledky, organizace se musí zaměřit na dva faktory – typ a množství dostupných dat (od málo po hodně) a povahu otázky, která je kladena (od otevřené po specifické). Současně, jeden přístup AI nemusí poskytnout optimální výsledky — většina inteligentních systémů vyvinutých v posledních 15 letech byly systémy systémů. Tyto jsou nezávislé systémy AI, modely nebo algoritmy navržené pro specifické úkoly, které, když jsou kombinovány, nabízejí větší funkčnost a výkon.

Úspěch vyžaduje osm dobrých postupů

Na základě interview s výzkumnými pracovníky, vědci AI, zakladateli a vedoucími týmu R&D v digitálním, výrobním, marketingovém a R&D týmech vidíme osm dobrých postupů, které jsou základem úspěšného nasazení AI. Organizace potřebují:

• Přijmout agilní metodologie, aby týmy mohly pracovat rychle v rychle se měnícím prostředí AI
• Vybudovat robustní základy, zaměřené na kvalitu dat, spolupráci napříč organizací a využívání vlastních dat
• Vybrat strategickou volbu mezi budováním, kupováním a jemným laděním modelů, přičemž poslední přístup je často nejúčinnější
• Zvažovat analytické kompromisy, aby se zajistil pokrok během projektů proof-of-concept, jako je získání versus syntéza dat, přesnost versus recall a underfitting versus overfitting
• Být proaktivní při využívání dostupných talentů v oblasti datové vědy, včetně partnerství mimo organizaci, aby se získaly nezbytné dovednosti
• Soulad s IT, aby se vyvážila bezpečnost a soulad s experimentální rychlostí
• Prokázat výhody rychle a získat souhlas uživatelů, aby se vybudila důvěra a odblokovala další investice
• Udržovat a monitorovat systémový výkon kontinuálně, zejména kolem vylepšení modelů

3. Technologické komponenty jsou nyní na místě

Jako u většiny případů použití AI, hodnota R&D&I sestává ze tří vrstev – infrastruktury, vývojářů modelů a aplikací.

Co se týče infrastruktury, náklady na implementaci a údržbu dostatečné výpočetní síly jsou velké, ale poskytovatelé hostingu nabízejí stále více modelů inference-as-a-service, běží inference a dotazy v cloudu, aby odstranili potřebu vnitřní infrastruktury, snižují předchozí výdaje a demokratizují přístup k AI.

Hodnota AI ve výzkumu a inovacích silně závisí na velkých otevřených modelech od hráčů, jako jsou Meta, Microsoft a Nvidia. Nicméně, menší hráči, jako Mistral a Cohere, také tvoří klíčovou část ekosystému, stejně jako akademické instituce.

Na straně aplikací již byly vytvořeny obecné a specializované aplikace R&D&I, aby pokryly většinu případů použití, s více než 500 aplikacemi, které pokrývají celý proces R&D&I.

Budoucnost je nejasná – ale plánování scénářů pomáhá porozumět

Jak AI ve výzkumu, vývoji a inovacích bude evoluce záviset na výsledcích tří hlavních faktorů – výkonu, důvěry a dostupnosti. Kombinace těchto faktorů vede k šesti pravděpodobným budoucím scénářům na spektru mezi AI, transformující každým aspektem R&D&I, a používáním pouze v selektivních, nízkorizikových případech použití. Na škále od maximálního po minimální dopad, tyto scénáře jsou:

• Blockbuster: AI se stává prioritou v celém cyklu R&D, měnící organizace na cestě. Data se stávají novou hranicí.
• Crowd-Pleaser: AI je pohodlné, dostupné a přijaté pro denní produktivní úkoly, ale selhává při dodání vědecké/kreativní hodnoty.
• Crown Jewel: AI dodává produktivitu a vědecké průlomové objevy, ale pouze těm organizacím, které si to mohou dovolit – vedoucí k dvousměrnému světu v R&D&I.
• Problem Child: Navzdory některým významným případům použití a dostupným řešením, AI selhává při prokázání své hodnoty – organizace R&D&I zůstávají znepokojeny bezpečností dat, deontologií a nedostatkem interpretability.
• Best-Kept Secret: AI výkon se zlepšuje, ale vysoké náklady činí organizace více riskantními. Nízká důvěra a byrokratická omezení omezují přijetí s málo novými odvážnými experimenty spuštěnými.
• Cheap & Nasty: AI je široce používán v nízkorizikových případech použití, ale pouze jako nástroj pro prototypování nebo brainstorming. Nedůvěryhodné systémy jsou přísně prověřeny a výstupy jsou ověřeny, omezující produktivní zisky.

Porozumění těmto scénářům je důležité pro organizace R&D&I, aby našly cestu vpřed pro své přijetí AI.

Čas pro organizace R&D&I jednat je nyní

V některých případech, AI již umožňuje dvojciferná zlepšení času, nákladů a efektivity ve formulaci, produktovém vývoji, inteligenci a dalších úkolech R&D&I. To znamená, že bez ohledu na to, který scénář sehraje, šest bez-rizika kroků pomůže organizacím R&D&I vybudovat odolnost a využít výhody AI. Musí:

• Ridit a povzbuzovat talent, zajišťující, aby pracovní síla měla potřebné školení a odbornost, aby využila AI, pokud je to nutné, outsourcing implementace externím poskytovatelům v střednědobém horizontu
• Ovládat AI-generovaný obsah, aktualizovat procesy řízení rizik a sdílet metodologie ověřování veřejně, aby se vybudila důvěra
• Vybudovat sdílení dat a spolupráci, pracující s širším ekosystémem veřejného a soukromého sektoru, aby se podpořilo úspěšné přijetí AI
• Školení pro dlouhodobý běh, vzdělávající co nejširší populaci uživatelů o základních principech AI, požadovaných dovednostech a potenciálních rizicích
• Přemýšlet o organizaci a správě, přesouvající ji za hranice IT, aby se poskytla senior-level zaměření a odstranily bariéry pro spolupráci
• Mutualizovat výpočetní zdroje, pracující s partnery nebo sdílející zdroje interně, aby se efektivně pokryly současné a budoucí potřeby infrastruktury

Mimo tyto bez-rizika kroky, úspěch bude pocházet z vytvoření vyváženého portfolia investic do AI-založených R&D&I, které jsou v souladu s firemními cíli. To znamená, že se musíme zaměřit na rozsah, náklady a výhody konkrétních případů použití AI a použít je k optimalizaci portfolia inovačních projektů. Rozhodnutí by měla být založena na strategických cílech, schopnostech a tržní inteligenci a kontextu, ve kterém organizace operují.

Každá fáze výzkumu, vývoje a inovací může být potenciálně transformována prostřednictvím AI, doplňující lidské výzkumné pracovníky, aby se transformovala produktivita a umožnila průlomová inovace. Tyto příležitosti je třeba vyvážit s řadou výzev kolem výkonu, důvěry a dostupnosti, což znamená, že organizace musí se nyní zaměřit na své úsilí o R&D&I AI, aby dosáhly úspěchu, bez ohledu na to, co budoucnost přinese.

Tento článek byl napsán s pomocí Alberta Meige, Zoe Huczok, Arnauda Siraudina a Arthura D. Little.