Udviklingen af ​​generativ kunstig intelligens i 2025: Fra nyhed til nødvendighed

Året 2025 markerer et afgørende øjeblik på rejsen Generativ AI (Gen AI). Hvad der begyndte som en fascinerende teknologisk nyhed, har nu udviklet sig til et kritisk værktøj for virksomheder på tværs af forskellige brancher.

Generativ AI: Fra løsningssøgning efter et problem til problemløsningskraftcenter

Den første bølge af Gen AI-entusiasme var drevet af den rå nyhed i at interagere med store sprogmodeller (LLM'er), som er trænet i store offentlige datasæt. Både virksomheder og enkeltpersoner blev med rette betaget af evnen til at indtaste naturlige sprogprompter og modtage detaljerede, sammenhængende svar fra de offentlige grænsemodeller. Den menneskelige kvalitet af output fra LLM'er fik mange industrier til at satse hovedkulds på projekter med denne nye teknologi, ofte uden et klart forretningsproblem at løse eller nogen reel KPI til at måle succes. Selvom der har været nogle store værdier i de tidlige dage af Gen AI, er det et klart signal om, at vi er i en innovationscyklus (eller hype), når virksomheder opgiver praksis med at identificere et problem først og derefter søger en brugbar teknologiløsning til løse det.

I 2025 forventer vi, at pendulet vil svinge tilbage. Organisationer vil se på Gen AI for forretningsværdi ved først at identificere problemer, som teknologien kan løse. Der vil helt sikkert være mange flere velfinansierede videnskabsprojekter, og den første bølge af Gen AI-brugssager til opsummering, chatbots, indhold og kodegenerering vil fortsætte med at blomstre, men ledere vil begynde at holde AI-projekter ansvarlige for ROI i år. Teknologifokuset vil også skifte fra offentlige sprogmodeller til generelle formål, der genererer indhold, til et ensemble af smallere modeller, som kan kontrolleres og løbende trænes i en virksomheds særskilte sprog for at løse problemer i den virkelige verden, som påvirker bundlinjen på en målbar måde. vej.

2025 bliver året, hvor kunstig intelligens bevæger sig ind i virksomhedens kerne. Virksomhedsdata er vejen til at låse op for reel værdi med AI, men de træningsdata, der er nødvendige for at opbygge en transformationsstrategi, findes ikke på Wikipedia, og det vil de aldrig blive. Det lever i kontrakter, kunde- og patientjournaler og i de rodede ustrukturerede interaktioner, der ofte flyder gennem backoffice eller lever i kasser med papir. bekymringer om privatliv, sikkerhed og dataforvaltning. Virksomheder vil i stigende grad anvende RAG-arkitekturer, og små sprogmodeller (SLM'er) i private cloud-indstillinger, hvilket giver dem mulighed for at udnytte interne organisatoriske datasæt til at bygge proprietære AI-løsninger med en portefølje af modeller, der kan trænes. Målrettede SLM'er kan forstå det specifikke sprog i en virksomhed og nuancerne i dens data og give højere nøjagtighed og gennemsigtighed til et lavere omkostningspunkt - samtidig med at de holder sig i tråd med databeskyttelses- og sikkerhedskrav.

Den kritiske rolle for datascrubbing i AI-implementering

Efterhånden som AI-initiativer breder sig, skal organisationer prioritere datakvalitet. Det første og mest afgørende trin i implementeringen af ​​AI, uanset om der bruges LLM'er eller SLM'er, er at sikre, at interne data er fri for fejl og unøjagtigheder. Denne proces, kendt som "datascrubbing", er essentiel for kurationen af ​​et rent dataområde, som er nøglen til succes for AI-projekter.

Mange organisationer er stadig afhængige af papirdokumenter, som skal digitaliseres og renses til den daglige drift. Ideelt set ville disse data blive indarbejdet i mærkede træningssæt til en organisations proprietære AI, men vi er stadig tidlige i at se det ske. Faktisk viste en nylig undersøgelse, vi gennemførte i samarbejde med Harris Poll, hvor vi interviewede mere end 500 IT-beslutningstagere mellem august og september, at 59 % af organisationerne ikke engang bruger hele deres datagrundlag. Den samme rapport viste, at 63 % af organisationerne er enige i, at de mangler forståelse for deres egne data, og at dette hæmmer deres evne til at maksimere potentialet i GenAI og lignende teknologier. Bekymringer om privatliv, sikkerhed og styring er bestemt hindringer, men præcise og rene data er afgørende. Selv små træningsfejl kan føre til forværrede problemer, som er svære at løse, når en AI-model tager fejl. I 2025 vil datarensning og pipelines for at sikre datakvalitet blive et kritisk investeringsområde, der sikrer, at en ny generation af virksomheds-AI-systemer kan fungere på pålidelige og præcise oplysninger.

CTO-rollens voksende indvirkning

Rollen som Chief Technology Officer (CTO) har altid været afgørende, men dens effekt forventes at blive tidoblet i 2025. Ved at drage paralleller til "CMO-æraen", hvor kundeoplevelsen under Chief Marketing Officer var altafgørende, vil de kommende år være "generationen af ​​CTO".

Selvom CTO'ens kerneopgaver forbliver uændrede, vil indflydelsen af ​​deres beslutninger være mere betydelig end nogensinde. Succesfulde CTO'er vil have brug for en dyb forståelse af, hvordan nye teknologier kan omforme deres organisationer. De skal også forstå, hvordan AI og de relaterede moderne teknologier driver forretningstransformation, ikke kun effektivitet inden for virksomhedens fire vægge. De beslutninger, som CTO'er træffer i 2025, vil bestemme deres organisationers fremtidige udvikling og gøre deres rolle mere betydningsfuld end nogensinde.

Forudsigelserne for 2025 fremhæver et transformativt år for Gen AI, datastyring og CTO'ens rolle. Efterhånden som Gen AI bevæger sig fra at være en løsning på jagt efter et problem til et problemløsende kraftcenter, vil vigtigheden af ​​datascrubbing, værdien af ​​virksomhedsdataejendomme og CTO'ens voksende indflydelse forme virksomhedernes fremtid. Organisationer, der omfavner disse ændringer, vil være godt positioneret til at trives i det udviklende teknologiske landskab.