Παραδίδοντας Επίδοση από το AI στην Έρευνα, Ανάπτυξη και Καινοτομία

Η τεχνητή νοημοσύνη (AI) μεταμορφώνει την έρευνα, ανάπτυξη και καινοτομία (R&D&I), ανοίγοντας νέες δυνατότητες για την αντιμετώπιση некоторых από τις πιο πιεστικές προκλήσεις του κόσμου, συμπεριλαμβανομένης της βιωσιμότητας, της υγείας, της κλιματικής αλλαγής και της ασφάλειας τροφίμων και ενέργειας, καθώς και βοηθώντας τις οργανώσεις να καινοτομούν καλύτερα και να εκτοξεύουν πρωτοποριακά προϊόντα και υπηρεσίες.

Το AI στην R&D&I δεν είναι καινούργιο. Ωστόσο, η άνοδος του γεννητικού AI (GenAI) και των μεγάλων γλωσσικών μοντέλων (LLMs) έχει ενισχύσει σημαντικά τις ικανότητές του, επιταχύνοντας τις καινοτομίες και την συνολική καινοτομία.

Πώς μπορούν οι οργανώσεις να επωφεληθούν από το AI στις προσπάθειές τους για R&D&I, και ποίες είναι οι καλύτερες πρακτικές για την υιοθέτηση της επιτυχίας; Για να το ανακαλύψουμε, το Ινστιτούτο Blue Shift της Arthur D. Little (ADL) πραγματοποίησε μια綜合ική μελέτη, συνεντεύξεις με πάνω από 40 παρόχους AI, εμπειρογνώμονες και πρακτικούς, καθώς και έρευνα περισσότερων από 200 οργανισμών στους δημόσιους και ιδιωτικούς τομείς. Η αντίστοιχη έκθεση, Eureka! on Steroids: AI-driven Research, Development, and Innovation, προσφέρει μια σε βάθος ανάλυση του τρέχοντος τοπίου και της μελλοντικής πορείας του AI στην έρευνα και καινοτομία.

Η ανάλυση μας εστιάζει σε πέντε βασικούς τομείς:

Το AI προσφέρει οφέλη σε όλη την R&D&I – αλλά δεν θα αντικαταστήσει τους ανθρώπους

Κάθε δομικό στοιχείο της R&D&I μπορεί να επωφεληθεί από το AI, από την τεχνολογία και την αγορά νοημοσύνης έως την στρατηγική καινοτομίας, την ιδέα, τη διαχείριση χαρτοφυλακίου και έργου, και τη διαχείριση πνευματικών δικαιωμάτων. Όταν προσπαθούμε να κατανοήσουμε αυτά τα οφέλη, τρεις βασικοί παράγοντες εμφανίζονται:

• Το AI θα ενισχύσει τους ερευνητές, αντί να τους αντικαταστήσει, απελευθερώνοντας τον χρόνο τους και επιτρέποντάς τους να είναι πιο παραγωγικοί και δημιουργικοί
• Το AI βοηθά στην επίλυση δυσκόλων προβλημάτων που δεν μπορούσαν να αντιμετωπιστούν πριν λόγω της ταχύτητας και της ικανότητας του να κλιμακωθεί και να μάθει, ανοίγοντας νέες οδούς καινοτομίας
• Το AI θα αναλάβει μια “σχεδιαστή-σκέπτη” θέση, μετακινώντας πέρα από τη γεννήτρια περιεχομένου και την αναζήτηση για να καλύψει πιο σύνθετους ρόλους, όπως ο διαχειριστής γνώσεων, ο γεννήτορας υποθέσεων και ο βοηθός των ομάδων R&D&I.

Όταν quyếtίζουμε εάν θα χρησιμοποιήσουμε το AI για να λύσουμε một συγκεκριμένο R&D&I use case, δεν υπάρχει ένα μοντέλο που να μπορεί να εφαρμοστεί. Για να κατανοήσουμε ποια προσέγγιση AI θα δώσει τα καλύτερα αποτελέσματα, οι οργανώσεις πρέπει να εστιάσουν σε δύο παράγοντες – τον τύπο και την ποσότητα των διαθέσιμων δεδομένων (από λίγα σε πολλά) και τη φύση της ερώτησης που τεθεί (από ανοιχτή σε συγκεκριμένη). Ταυτόχρονα, μια seule AI προσέγγιση μπορεί να μην δώσει τα βέλτιστα αποτελέσματα — τα περισσότερα state-of-the-art intelligent συστήματα που παράγονται τα τελευταία 15 χρόνια ήταν συστήματα συστημάτων. Αυτά είναι ανεξάρτητα AI συστήματα, μοντέλα ή αλγόριθμοι που σχεδιάστηκαν για συγκεκριμένες εργασίες, τα οποία, όταν συνδυαστούν, προσφέρουν μεγαλύτερη λειτουργικότητα και απόδοση.

Η επιτυχία απαιτεί οκτώ καλές πρακτικές

Βασισμένοι στις συνεντεύξεις με ερευνητές, επιστήμονες AI, ιδρυτές και διευθυντές R&D στις ψηφιακές, κατασκευαστικές, μάρκετινγκ και R&D ομάδες, βλέπουμε οκτώ καλές πρακτικές που υποστηρίζουν την επιτυχημένη ανάπτυξη του AI. Οι οργανώσεις πρέπει να:

• Υιοθετήσουν αγιλέ μεθόδους ώστε οι ομάδες να μπορούν να εργαστούν γρήγορα σε ένα γρήγορο-αλλάζον AI περιβάλλον
• Δομήσουν robust\Foundation, εστιάζοντας στη ποιότητα των δεδομένων, τη συνεργασία σε όλη την οργάνωση και την αξιοποίηση ιδιόκτητων δεδομένων
• Κάνουν μια στρατηγική επιλογή μεταξύ της κατασκευής, αγοράς και fine-tuning μοντέλων, με την τελευταία προσέγγιση να είναι συχνά η πιο αποτελεσματική
• Συμμετέχουν σε αναλυτικές συναλλαγές για να εξασφαλίσουν την πρόοδο κατά τη διάρκεια των έργων proof-of-concept, όπως γύρω από την απόκτηση ή τη σύνθεση δεδομένων, την ακρίβεια έναντι της ανακλησιμότητας και την underfitting έναντι της overfitting
• Να είναι προδραστικοί στην αξιοποίηση των διαθέσιμων ταλέντων επιστημών δεδομένων, συμπεριλαμβανομένης της συνεργασίας έξω από την οργάνωση για την απόκτηση των απαραίτητων δεξιοτήτων
• Συμβαδίζουν με την IT για να ισορροπήσουν την ασφάλεια και τη συμμόρφωση με την ταχύτητα πειραματισμού
• Δημιουργούν τα οφέλη γρήγορα και λαμβάνουν την έγκριση των χρηστών για να χτίσουν την εμπιστοσύνη και να ξεκλειδώσουν περαιτέρω επένδυση
• Διατηρούν και παρακολουθούν την απόδοση του συστήματος συνεχώς, ιδιαίτερα γύρω από τις βελτιώσεις του μοντέλου

3. Τα τεχνολογικά συστατικά είναι τώρα στη θέση τους

Όπως και με τις περισσότερες περιπτώσεις χρήσης του AI, η αλυσίδα αξίας της R&D&I αποτελείται από τρεις στρώσεις – υποδομή, dévelopers μοντέλων και εφαρμογές.

Σε όρους υποδομής, το κόστος της εφαρμογής και της συντήρησης επαρκούς υπολογιστικής ισχύος είναι μεγάλο, αλλά οι παρόχοι φιλοξενίας προσφέρουν όλο και περισσότερο inference-as-a-service μοντέλα, τρέχοντας αναφορές και ερωτήματα στο cloud για να αφαιρέσουν την ανάγκη για εσωτερική υποδομή, μειώνοντας τα έξοδα και δημοκρατίζοντας την πρόσβαση στο AI.

Η αλυσίδα αξίας του AI στην R&D&I βασίζεται σε μεγάλο βαθμό σε ανοιχτά μοντέλα από μεγάλους παίκτες όπως η Meta, η Microsoft και η Nvidia. Ωστόσο, μικρότεροι παίκτες, όπως η Mistral και η Cohere, επίσης αποτελούν einen σημαντικό μέρος του οικοσυστήματος, καθώς και ακαδημαϊκά ιδρύματα.

Στην εφαρμογή της αλυσίδας, γενικές και ειδικές εφαρμογές R&D&I έχουν ήδη δημιουργηθεί για να καλύψουν hầu hết τις περιπτώσεις χρήσης, με πάνω από 500 διαθέσιμες, καλύπτοντας όλη τη διαδικασία R&D&I.

Το μέλλον είναι ασαφές – αλλά η σχεδιασμός σενάριων βοηθά στην κατανόηση

Πώς το AI στην R&D&I θα εξελιχθεί εξαρτάται από τα αποτελέσματα τριών βασικών παραγόντων – απόδοση, εμπιστοσύνη και προσιτότητα. Η συνδυαστική των παραγόντων αυτών οδηγεί σε έξι πιθανά μελλοντικά σενάρια σε ένα φάσμα μεταξύ του AI που μεταμορφώνει κάθε аспект της R&D&I και του AI που χρησιμοποιείται μόνο σε επιλεγμένες, χαμηλού κινδύνου περιπτώσεις χρήσης. Σε μια κλίμακα από μέγιστη σε ελάχιστη επίδραση, αυτά τα σενάρια είναι:

• Blockbuster: Το AI γίνεται το επίκεντρο σε όλη τη διαδικασία R&D. Τα δεδομένα γίνονται το νέο μέτωπο.
• Crowd-Pleaser: Το AI είναι βολικό, προσιτό και υιοθετείται για καθημερινές εργασίες, αλλά αποτυγχάνει να προσφέρει επιστημονική/δημιουργική αξία.
• Crown Jewel: Το AI προσφέρει παραγωγικότητα και επιστημονικές καινοτομίες, αλλά μόνο σε οργανισμούς που μπορούν να το αντέξουν – οδηγώντας σε ένα δίπολο κόσμο στην R&D&I.
• Problem Child:尽管 κάποια hallmark περιπτώσεις χρήσης και προσιτές λύσεις, το AI αποτυγχάνει να αποδείξει την αξία του – οι οργανώσεις R&D&I παραμένουν ανήσυχες για την ασφάλεια δεδομένων, τη δεοντολογία και την έλλειψη ερμηνείας.
• Best-Kept Secret: Η απόδοση του AI βελτιώνεται, αλλά το υψηλό κόστος κάνει τις οργανώσεις πιο ριψοκίνδυνες. Η χαμηλή εμπιστοσύνη και η γραφειοκρατία περιορίζουν την υιοθέτηση με λίγες νέες τολμηρές πειραματικές εργασίες.
• Cheap & Nasty: Το AI χρησιμοποιείται ευρέως σε χαμηλού κινδύνου περιπτώσεις χρήσης, αλλά μόνο ως εργαλείο προτύπων ή εγκεφαλικών σκέψεων. Απιστία συστήματα είναι αυστηρά ελεγχόμενα και οι έξοδοι επαληθεύονται, περιορίζοντας τις κερδισμένες παραγωγικότητας.

Η κατανόηση αυτών των σενάριων είναι σημαντική για τις οργανώσεις R&D&I, καθώς χαρτογραφούν τον δρόμο τους για την υιοθέτηση του AI.

Η ώρα για τις οργανώσεις R&D&I να ενεργήσουν είναι τώρα

Σε ορισμένες περιπτώσεις, το AI έχει ήδη ενεργοποιήσει διψήφια βελτιώσεις στο χρόνο, το κόστος και την αποτελεσματικότητα στη διαμόρφωση, την ανάπτυξη προϊόντων, την πληροφόρηση και άλλες εργασίες R&D&I. Αυτό σημαίνει ότι ανεξάρτητα από το ποιο σενάριο θα εκτυπωθεί, έξι κινήσεις χωρίς πίστωση θα βοηθήσουν τις οργανώσεις R&D&I να χτίσουν ανθεκτικότητα και να εκμεταλλευτούν τα οφέλη του AI. Θα πρέπει να:

• Διαχειριστούν και ενδυναμώσουν τα ταλέντα, εξασφαλίζοντας ότι η εργατική δύναμη έχει την κατάρτιση και την εμπειρογνωσία για να αξιοποιήσει το AI, αν χρειάζεται να υποχρεωθούν οι υλοποιήσεις σε εξωτερικούς παρόχους στο μέσο όρο
• Ελέγξουν το περιεχόμενο που παράγεται από το AI, ενημερώνοντας τις διαδικασίες διαχείρισης κινδύνων και μοιράζοντας μεθόδους επαλήθευσης δημοσίως για να χτίσουν την εμπιστοσύνη
• Κτίσουν τη διαμοιραζόμενη συνεργασία και τη συνεργασία, εργαζόμενοι με το ευρύτερο δημόσιο και ιδιωτικό οικοσύστημα για να οδηγήσουν την επιτυχημένη υιοθέτηση του AI
• Εκπαιδεύσουν για τη μακροπρόθεσμη, εκπαιδεύοντας το ευρύτερο δυνατό πληθυσμό χρηστών στις βασικές αρχές του AI, τις απαραίτητες δεξιότητες και τους πιθανούς κινδύνους
• Ξανασχεδιάσουν την οργάνωση και τη διακυβέρνηση, μετακινώντας την πέρα από την IT για να δώσουν μια υψηλή εστίαση και να σπάσουν τα τείχη για να ομαλοποιήσουν τη συνεργασία
• Μοιραστούν τους υπολογιστικούς πόρους, εργαζόμενοι με συνεργάτες ή μοιράζοντας πόρους εσωτερικά για να καλύψουν τις τρέχουσες και μελλοντικές αναγκες υποδομής

Πέρα από αυτές τις κινήσεις χωρίς πίστωση, η επιτυχία θα έρθει από τη δημιουργία eines ισορροπημένου χαρτοφυλακίου επενδύσεων R&D&I με βάση το AI, που ευθυγραμμίζονται με τους εταιρικούς στόχους. Αυτό σημαίνει ότι πρέπει να ληφθούν υπόψη ο σκοπός, το κόστος και τα οφέλη συγκεκριμένων περιπτώσεων χρήσης του AI και να χρησιμοποιηθούν για να οδηγήσουν την βελτιστοποίηση του χαρτοφυλακίου έργων καινοτομίας. Οι αποφάσεις πρέπει να βασίζονται σε στρατηγικούς στόχους, ικανότητες και αγορά νοημοσύνης, καθώς και στο контέκστ στην οποία λειτουργούν οι οργανώσεις.

Κάθε στάδιο της αλυσίδας αξίας έρευνας, ανάπτυξης και καινοτομίας μπορεί να μεταμορφωθεί μέσω του AI, ενισχύοντας τους ανθρώπινους ερευνητές για να μεταμορφώσει την παραγωγικότητα και να ενεργοποιήσει την καινοτομία. Αυτές οι ευκαιρίες πρέπει να ισορροπηθούν με μια σειρά προκλήσεων γύρω από την απόδοση, την εμπιστοσύνη και την προσιτότητα, που σημαίνει ότι οι οργανώσεις πρέπει να εστιάσουν τώρα για να τοποθετήσουν τις προσπάθειές τους για R&D&I AI, για να παραδώσουν την επιτυχία, όποιο και αν είναι το μέλλον.

Αυτό το άρθρο γράφτηκε με τη βοήθεια του Albert Meige, Zoe Huczok, Arnaud Siraudin, και Arthur D. Little.