Myslitelé

Řešení otázky Jak a Kdy: Přenesení firemní strategie do adopce umělé inteligence

Boobesh Ramadurai
Přidejte Unite.AI mezi své preferované zdroje na Google
AI Business Applications
Klíčové bodySpolečnosti musí nejprve upřednostnit vybudování robustních datových ekosystémů…
Zobrazit více
  • Společnosti musí nejprve upřednostnit vybudování robustních datových ekosystémů, protože kvalita dat zásadně ovlivňuje výkon AI.
  • Identifikujte konkrétní obchodní problémy, které má AI řešit, namísto následování obecných trendů adopce AI.
  • Open-source LLM nabízejí kontrolu a flexibilitu, ale vyžadují zvládání bezpečnostních rizik a zvyšování kvalifikace týmu.

Dosáhli jsme zlomového bodu s umělou inteligencí (AI), kde diskuse ve vedení společností přešly z debat o účinnosti na urychlení adopce. Je to vzrušující doba, zvláště když se zvažuje tempo změn, které nikdy nebude tak pomalé jako nyní. Podle BCG, navzdory globální ekonomické nejistotě, se inovace staly jednou z hlavních firemních priorit v roce 2023, přičemž 79 % společností je řadilo mezi své tři hlavní cíle.

Inovace pro inovaci sama o sobě není dobrou firemní strategií a společnosti, které se nechají unést AI horečkou, riskují investování do hype místo řešení, která vytvářejí dlouhodobou hodnotu. Rozumět rozdílu vyžaduje pečlivé posouzení současných schopností a trpělivost, aby se prioritizoval udržitelný růst nad krátkodobými trendy.

Zlatá střední cesta

Firemní historie je poseta příklady společností, jejichž strategická rozhodnutí v klíčových okamžicích měla důsledky pro jejich existenci. Například Amazon přežil dot-com bublinu (AMZN ) tím, že rozpoznal důležitost úprav své účetní strategie a zvýšení rezerv, zatímco jiné společnosti utrácely peníze, jako by žádný zítřek neměl přijít. Smysl je v tom, že dobrá firemní rozhodnutí jsou kritičtější než kdykoli dříve v časech masového nadšení a plánování na zítřek vyžaduje schopnost pečlivě procházet všechny možné scénáře.

Celkově je obecný pocit AI FOMO („strach z toho, že něco ujde“), který pronikl do vedení firem, dále komplikovaný skutečností, že nic nedělat (tj. podléhat „paralýze analýzou“) je také skutečnou hrozbou. (Jen se zeptejte Kodak.) Zde jsou 3 úvahy pro společnosti, které hledají tu „zlatou střední cestu“ AI – neinvestovat příliš rychle nebo příliš pomalu, ale najít optimální tempo udržitelných inovací.

1. Zaměřte se na růst dat nejprve

Stejně jako u každého stroje, je důležité pochopit její vnitřní fungování, aby se pochopilo, odkud pochází hodnota. To znamená, že AI není plně vytvořený produkt, ale jeho velké jazykové modely (LLM) spoléhají na obrovské množství rozmanitých datových bodů, aby se naučily vzorce, kontext a lingvistické nuance. Velikost a složitost LLM vyžadují rozsáhlá tréninková data, aby fungovaly účinně napříč různými doménami a úkoly. Kvalita a množství těchto dat budou mít velký dopad na výkon LLM a tím i na firemní sadu AI nástrojů.

Vytvoření více robustních datových ekosystémů je proto moudrou první investicí pro jakoukoli společnost, která plánuje AI transformaci, a tato data budou sloužit jako základ pro LLM, jak budou růst a vyvíjet se. Právě při tomto vývoji se se vysokokvalitní data stávají ještě důležitější. Zatímco studie zjistily, že LLM mohou být kompetentní s minimálními daty, odborníci nyní říkají, že „dopad kvality a rozmanitosti dat na zarovnání a další oblasti LLM tréninku (předtrénink, jemné doladění, řiditelnost atd.) je absolutně masivní“.

2. Identifikujte firemní případ použití

Zatímco AI jistě má kapacitu pro široké vnější aplikace, většina společností se více zaměřuje na použití technologie pro optimalizaci svých interních procesů. „Optimalizovat“ je zde klíčovým slovem, což znamená, že společnosti by neměly očekávat, že prostě zapojí AI software a automaticky vylepší výstup. Spíše některé z nejúspěšnějších AI případů použití zahrnují analýzu dat, aby se odhalily cenné poznatky o zákaznickém chování, tržních trendech a potenciálních rizicích. Bylo také prokázáno, že je efektivní při zefektivňování interních aktivit, včetně věcí, jako je automatizace manuálních úkolů, aby se zaměstnancům přidělilo více času na činnosti s vyšší přidanou hodnotou.

Stručně řečeno, místo toho, aby se společnost zabývala tím, které AI modely použít, se organizace potřebují zaměřit na konkrétní problémy, které má jejich AI řešit. (tj. začít s výsledkem, který chcete zlepšit, nastavit KPI, které chcete ovlivnit, a pak pracovat zpět k tomu, které AI nástroje tyto cíle splní.) Podle MIT Global Executive AI Survey, 90% těch, kteří používají AI k vytvoření nových KPI, říká, že vidí zlepšení svých KPI. „Tyto AI-informované KPI nabízejí firemní výhody a demonstrují nové schopnosti: často vedou k větší efektivitě a finančním výhodám a jsou více detailní, časově citlivé a sladěné s firemními cíli“.

3. Vytvořte přizpůsobené AI nástroje pomocí open-source LLM

Postavit nebo koupit – to je otázka. Vytvoření přizpůsobeného AI řešení může působit náročně, a mnoho společností se rozhodne koupit licenci od externího dodavatele s proprietárním LLM, aby se vyhnuli této cestě. Nicméně licence může omezit, jak LLM může být použit, a licenční poplatky mohou být velmi drahé postupem času. Na druhé straně jsou open-source LLM zdarma a základní architektura je dostupná pro vývojáře, aby k ní mohli přistupovat, stavět na ní a upravovat ji na základě konkrétních firemních potřeb.

Tento open-source model ekosystému získal popularitu, protože společnosti se snaží udržet citlivé informace na své síti a zachovat více kontroly nad svými daty. Open-source LLM poskytují společnostem tuto transparentnost a flexibilitu, spolu s výhodami snížených problémů s latencí a vyššího výkonu. IBM a NASA nedávno spolupracovaly na vývoji open-source LLM trénovaného na geoprostorových datech, aby pomohly vědcům bojovat proti změně klimatu, jako součást desetileté iniciativy NASA Open-Source Science, aby se vytvořila více přístupná, inkluzivní a spolupracující vědecká komunita.

Jako u každé open-source technologie, existují rizika spojená s open-source LLM, včetně potenciálních bezpečnostních úniků / porušení, halucinací / zkreslení založených na nesprávných nebo chybných informacích a škodlivých aktérů, kteří úmyslně manipulují daty. Ale open-source modely se stávají chytřejšími a bezpečnějšími postupem času, což vede některé odborníky k tomu, k názoru, že open-source LLM brzy dosáhnou úrovně nejlepších closed-source LLM, což ospravedlňuje investice do rané adopce a času stráveného na zdokonalování týmů.

Zavádění AI bude sérií rychlých sprintů v rámci maratonu

Na základě nedávných čísel, existuje kolem 15 000 AI společností ve Spojených státech, více než dvojnásobek oproti roku 2017. Světově, tato čísla se zvyšují téměř čtyřnásobně. S tolika dodavateli a novými startupy, které propagují své služby, není divu, že společnosti mohou mít potíže s rozhodnutím, kam investovat svůj čas a peníze. Ale pečlivě posuzujíce své potřeby a rizika / odměny, které inovace nabízí, lídři najdou správnou směs AI, která jejich společnosti posune do budoucnosti udržitelného růstu.

Jako obchodní ředitel technologií ve společnosti LatentView Analytics je Boobesh lídr s praktickými zkušenostmi v oblasti analytiky, datové vědy, digitálního marketingu a datové vizualizace zaměřené na růst technologických klientů budováním vysoce výkonných týmů, které vytvářejí inovativní řešení umožňující poznatky využitelné v praxi.