Řešení Jak a kdy: Začlenění obchodní strategie do osvojení umělé inteligence

S umělou inteligencí (AI) jsme narazili na bod zlomu, kdy se diskuse v zasedací místnosti posunuly od debaty o účinnosti k urychlení přijetí. Je to vzrušující čas, zvláště s ohledem na to, že tempo změn už nikdy nebude tak pomalé. Podle BCGI přes globální ekonomickou nejistotu se inovace v roce 2023 staly hlavní prioritou společnosti, přičemž 79 % společností ji zařadilo mezi své tři hlavní cíle.

Inovace pro inovace však nejsou dobrou obchodní strategií a organizace, které se chytnou AI, riskují, že budou investovat do humbuku namísto řešení, která vytvářejí dlouhodobou hodnotu. Pochopení rozdílu vyžaduje pečlivé zvážení současných schopností a trpělivost při upřednostňování udržitelného růstu před krátkodobými trendy.

Zóna Zlatovláska

Obchodní historie je plná příkladů společností, jejichž strategická rozhodnutí v klíčových okamžicích byla důsledkem jejich existence. Například, Amazon přežil dot-com krach tím, že si uvědomuje, jak je důležité upravit svou účetní strategii a navýšit rezervy, zatímco ostatní společnosti propalovaly hotovost, jako by neexistoval žádný zítřek. Jde o to, že správná obchodní rozhodnutí jsou v dobách masového nadšení kritičtější než kdy jindy a plánování zítřka vyžaduje horlivou schopnost promyslet všechny potenciální scénáře.

Celkově existuje obecný pocit AI FOMO („strach z prošvihnutí“), který pronikl do vedoucích týmů, dále komplikován skutečností, že nicnedělání (tj. podlehnutí „paralýze analýzou“) je také skutečnou hrozbou. (Jen se ptám Fotoaparát značky kodak.) Zde jsou 3 úvahy pro společnosti, které hledají onu „Zlatou zónu“ umělé inteligence – neinvestují příliš rychle nebo příliš pomalu, ale nacházejí sladké místo pro udržitelné inovace.

1. Nejprve se zaměřte na růst dat

Jako u každého stroje je důležité porozumět jeho vnitřnímu fungování, abychom odvodili, odkud pochází hodnota. To znamená, že AI není plně vytvořený produkt, spíše její velké jazykové modely (LLM) spoléhají na obrovské množství různých datových bodů, aby se naučily vzorce, kontext a jazykové nuance. Samotná velikost a složitost LLM vyžaduje rozsáhlá školicí data, aby mohla efektivně fungovat v různých doménách a úkolech. Kvalita a množství těchto dat výrazně ovlivní výkon LLM a potažmo i sadu nástrojů AI společnosti.

Vytváření robustnějších datových ekosystémů je proto moudrou první investicí pro každou společnost, která plánuje transformaci AI, a tato data budou sloužit jako základ pro LLM, jak rostou a vyvíjejí se. Právě v tomto vývoji se vysoce kvalitní data stávají ještě důležitějšími. Zatímco studie zjistily, že LLM mohou být kompetentní s minimem dat, odborníci nyní říkají, že „dopad kvality a diverzity dat jak na sladění, tak na další způsoby školení LLM (předškolení, doladění, řiditelnost atd.) je naprosto masivní.

2. Identifikujte případ obchodního použití

Zatímco umělá inteligence má určitě kapacitu pro široké externí aplikace, většina společností se více zaměřuje na využití technologie k optimalizaci svých interních procesů. Klíčovým slovem je zde „Optimalizovat“, což znamená, že společnosti by neměly očekávat, že pouze plug-and-play software umělé inteligence magicky zlepší výstup. Některé z nejúspěšnějších případů použití AI spíše zahrnují analýzu dat, která odhalují cenné poznatky o chování zákazníků, tržních trendech a potenciálních rizicích. Ukázalo se také, že je efektivní při zefektivnění interních činností, včetně věcí, jako je automatizace manuálních úkolů, aby se čas zaměstnanců přiděloval činnostem na vyšší úrovni.

Stručně řečeno, organizace se místo ztrácení času zjišťováním, které modely umělé inteligence použít, musí zaměřit na konkrétní problémy, které potřebují svou umělou inteligenci vyřešit. (tj. začněte jehlou, kterou chcete posunout, nastavte KPI, které byste chtěli ovlivnit, a poté postupujte zpětně směrem k tomu, jaké nástroje umělé inteligence těchto cílů dosáhnou.) Podle Global Executive AI Survey MIT90 % těch, kteří používají AI k vytváření nových KPI, tvrdí, že vidí, jak se jejich KPI zlepšují. „Tyto KPI informované o AI nabízejí obchodní výhody a demonstrují nové schopnosti: často vedou k vyšší efektivitě a větším finančním přínosům a jsou podrobnější, časově citlivější a v souladu s organizačními cíli.“

3. Vytvářejte nástroje umělé inteligence na míru pomocí LLM s otevřeným zdrojovým kódem

Stavět nebo koupit – to je otázka. Vytváření přizpůsobeného řešení AI se může zdát skličující a mnoho společností se rozhodlo zakoupit licenci od externího dodavatele s proprietárním LLM, aby se vyhnuly této cestě. Licence však může omezit způsob použití LLM a licenční poplatky se mohou časem velmi prodražit. Alternativně jsou LLM s otevřeným zdrojovým kódem zdarma a vývojáři mají k dispozici základní architekturu, kterou mohou vytvářet a upravovat na základě specifických potřeb společnosti.

Tento ekosystém modelu s otevřeným zdrojovým kódem získal na popularitě, protože společnosti se snaží uchovávat citlivé informace ve své síti a udržet si větší kontrolu nad svými daty. LLM s otevřeným zdrojovým kódem poskytují společnostem tuto transparentnost a flexibilitu spolu s přidanými výhodami v podobě snížené latence a zvýšeného výkonu. IBM a NASA se nedávno spojily, aby vyvinuly open-source LLM vyškolený na geoprostorových datech pomoci vědcům v boji proti změně klimatu, což je součást desetiletého projektu NASA Open-Source Science Iniciativa vybudovat přístupnější, inkluzivnější a spolupracující vědeckou komunitu.

Stejně jako u každé open source technologie existují rizika spojená s open source LLM, včetně potenciálních úniků/narušení bezpečnosti, halucinací/předpojatosti na základě nepřesných nebo chybných informací a špatných aktérů, kteří záměrně manipulují s daty. Ale open-source modely jsou postupem času stále chytřejší a bezpečnější, což vede někteří odborníci cítit, že open-source LLM brzy dosáhnou úrovně nejlepších uzavřených LLM, což ospravedlňuje investice do brzkého přijetí a čas strávený zvyšováním kvalifikace týmů.

Adopce umělé inteligence bude několika rychlými sprinty v maratonu

Na základě nedávná čísla, ve Spojených státech je kolem 15,000 2017 společností zabývajících se umělou inteligencí, což je více než dvojnásobek počtu v roce XNUMX. Celosvětově se tato čísla zvýšila téměř čtyřnásobně. Vzhledem k tomu, že mnoho prodejců a nových začínajících firem propaguje své služby, není divu, že společnosti mohou mít potíže s rozhodnutím, kam investovat svůj čas a peníze. Pečlivým posouzením vašich potřeb a rizik/odměn, které inovace představují, však lídři najdou správnou kombinaci umělé inteligence, která požene jejich společnosti do budoucnosti udržitelného růstu.