Σχετικότητα πάνω από Κλίμακα: Δημιουργία AI που Αντέχει στην Επαφή με την Πραγματικότητα

Γιατί τα μικρότερα, εξειδικευμένα μοντέλα είναι ουσιώδη για την AI στον τομέα

Οι ομάδες μπορούν πλέον να μεταβούν από την προτροπή AI σε πρωτότυπο πιο γρήγορα από ποτέ. Ωστόσο, αυτά τα πρωτότυπα συχνά αποτυγχάνουν σε πραγματικές ροές εργασίας όπως η εξυπηρέτηση πεδίου, η παραγωγή ή η διαχείριση εγκαταστάσεων, όταν η ακρίβεια, η συνέπεια και η λογοδοσία είναι πιο σημαντικές. Το πρόβλημα είναι ότι ενώ η AI μπορεί πάντα να σας δώσει μια απάντηση, αυτό που πραγματικά χρειάζεστε είναι η σωστή απάντηση, στο σωστό πλαίσιο, κάθε φορά.

Αυτή είναι η περιοχή όπου τα περισσότερα Μεγάλα Γλωσσικά Μοντέλα (LLM) χάνουν την αξία τους. Με ένα LLM, η απλή ερώτηση της ίδιας ερώτησης με διαφορετικούς τρόπους μπορεί να δημιουργήσει εντελώς διαφορετικά αποτελέσματα. Αυτό οφείλεται στο ότι πολλά LLM επικεντρώνονται στην έκταση, όχι στην εξειδικευμένη βάθος. Και ενώ η ευελιξία μπορεί να είναι χρήσιμη σε δημιουργική εργασία, αυτή η ευρεία γνώση μπορεί να αποτελεί αδυναμία για όποιον επιζητά ακρίβεια.

Τα λειτουργικά περιβάλλοντα απαιτούν συνέπεια. Τα περιουσιακά στοιχεία είναι γνωστά, οι διαδικασίες τεκμηριωμένες, και τα πρωτόκολλα ασφαλείας και οι κανονιστικές απαιτήσεις καθορίζουν αποδεκτές παραμέτρους. Οποιαδήποτε μεταβλητότητα των αποτελεσμάτων που βασίζεται σε γενική διαδικτυακή γνώση μπορεί να επιδεινώσει το πρόβλημα. Σε μια επισκευή HVAC, για παράδειγμα, οι τεχνικοί χρειάζονται αποτελέσματα βασισμένα στο ακριβές περιουσιακό στοιχείο – το ιστορικό συντήρησής του και τα γνωστά πρότυπα αποτυχίας.

Φανταστείτε έναν τεχνικό που ανταποκρίνεται σε αποτυχία εξοπλισμού υπό χρονική πίεση. Εάν το σύστημα παράγει ασυνεπείς απαντήσεις ανάλογα με το πώς διατυπώνεται η ερώτηση, ή δεν μπορεί να συνδέσει τις συστάσεις του με αξιόπιστα δεδομένα, έχετε ξαφνικά ένα μεγάλο πρόβλημα. Ο χρόνος απόκρισης μετράει για τους πελάτες και για την επιτυχία της επιχείρησης. 

Η Μετάβαση από την Κλίμακα στη Σχετικότητα

Η τρέχουσα αλλαγή είναι η μετάβαση από την γενική AI στη σχετική AI. Αντί να ζητάτε από την AI να κάνει τα πάντα, περισσότερες οργανώσεις περιορίζουν το ρόλο της σε συγκεκριμένες, επαναλήψιμες εργασίες. Τα μικρότερα, εξειδικευμένα μοντέλα και τα στενά καθορισμένα συστήματα AI κερδίζουν έδαφος επειδή μπορούν να βασίζονται σε ζωντανά λειτουργικά δεδομένα, να περιορίζονται από επιχειρηματικούς κανόνες και να ενσωματώνονται απευθείας σε υπάρχουσες ροές εργασίας. 

Τα μικρότερα μοντέλα έχουν αποδειχθεί ότι είναι καλύτερα στο:

• Αντιμετώπιση προβλημάτων: Τα μικρότερα μοντέλα μπορούν να μετατρέψουν εξαιρετικά λεπτομερείς εισροές όπως εγχειρίδια, προγενέστερη εμπειρία και ανεπίσημη ανταλλαγή γνώσεων σε αποστάγματα γνώσης, επιτρέποντας στα νεότερα μέλη της ομάδας να μαθαίνουν πιο γρήγορα και να ενεργούν με μεγαλύτερη αυτοπεποίθηση. Τα μικρά μοντέλα AI μπορούν επίσης να ενισχύσουν αυτό ενσωματώνοντας ειδικά σχετικές ιστορικές εντολές εργασίας, αρχεία επισκευών και πρότυπα αποτυχίας για να προτείνουν πιθανές επόμενες ενέργειες. Αυτό μειώνει το χρόνο που δαπανάται στην αναζήτηση μεταξύ συστημάτων. 
• Μεταβιβάσεις εργασίας: Η ελλιπής ή ασυνεπής τεκμηρίωση μπορεί να κάνει τις μεταβιβάσεις μεταξύ βαρδιών ή ομάδων επικίνδυνες. Ωστόσο, τα εξειδικευμένα μοντέλα που εκπαιδεύονται σε δεδομένα υπηρεσίας μπορούν να συνοψίσουν τι έγινε, ποια μέρη αντικαταστάθηκαν και τι παραμένει ανοιχτό. Αυτό μπορεί να επιτρέψει στον επόμενο τεχνικό να ξεκινήσει με σαφή εικόνα αντί να το συνθέτει κομμάτι‑κομμάτι. 
• Συμμόρφωση και ασφάλεια: Σε ρυθμιζόμενα περιβάλλοντα, η παράλειψη ενός βήματος συνεπάγεται πραγματικό κίνδυνο. Τα εξειδικευμένα μικρά γλωσσικά μοντέλα μπορούν να καθοδηγούν τυποποιημένες ροές επιθεώρησης, να επιβεβαιώνουν τα απαιτούμενα βήματα και να εντοπίζουν ή να σηματοδοτούν ασυμφωνίες σε πραγματικό χρόνο. 

Αυτά τα μικρότερα μοντέλα μπορούν να εκπαιδευτούν και να περιοριστούν γύρω από γνωστά δεδομένα, εγκεκριμένες ροές εργασίας και καθορισμένες ενέργειες. Αντί να λειτουργούν ως ξεχωριστό εργαλείο, ενσωματώνονται σε υπάρχοντα συστήματα, όπου μπορούν να ανακτούν ζωντανά δεδομένα, να ενημερώνουν αρχεία και να προτείνουν επόμενα βήματα.  

Δημιουργία AI που οι Λειτουργικές Ομάδες Μπορούν να Εμπιστευτούν

Για να πετύχει η AI σε περιβάλλοντα εξυπηρέτησης πεδίου και παραγωγής, πρέπει να βασίζεται στην πραγματικότητα του πώς γίνεται η εργασία: συνδεδεμένα συστήματα, δομημένα λειτουργικά δεδομένα και ροές εργασίας που οι ομάδες ήδη εμπιστεύονται. Και πρέπει να είναι αξιόπιστη. 

Η εμπιστοσύνη ξεκινά με ένα θεμέλιο σταθερών, δομημένων δεδομένων ώστε τα μοντέλα να ερμηνεύουν τα περιουσιακά στοιχεία, τις εντολές εργασίας και τις μετρήσεις με τον ίδιο τρόπο κάθε φορά. Τα αποτελέσματα χρειάζονται επίσης φράχτες ασφαλείας και διακυβέρνηση ώστε η καθοδήγηση να παραμένει εντός εγκεκριμένων ροών εργασίας, επικυρωμένων πηγών δεδομένων, και να μην προτρέπει τους εργαζόμενους να ενεργούν πέρα από το ρόλο ή τις δεξιότητές τους. Εάν μια σύσταση δεν μπορεί να εντοπιστεί σε γνωστά δεδομένα, η AI δεν πρέπει να την προτείνει. 

Η AI πρέπει επίσης να ενσωματώνεται – να ενσωματώνεται στα συστήματα που οι ομάδες ήδη χρησιμοποιούν όταν λαμβάνονται αποφάσεις· διαφορετικά, θα είναι λιγότερο χρήσιμη ή ακόμη και θα αγνοηθεί. Και η ανθρώπινη επίβλεψη παραμένει ουσιώδης. Ο στόχος δεν είναι, και δεν πρέπει ποτέ να είναι, να αντικαταστήσει τους χειριστές – είναι να συνεργάζεται μαζί τους. Αυτό σημαίνει ότι οι άνθρωποι πρέπει πάντα να εγκρίνουν κρίσιμες ενέργειες, να παρακάμπτουν συστάσεις, να εκτελούν κρίσιμες ενέργειες και να κλιμακώνουν όταν κάτι εκτοπίζεται από τα αναμενόμενα πρότυπα.

Η εμπιστοσύνη στην AI δημιουργείται με τον ίδιο τρόπο όπως σε οποιοδήποτε λειτουργικό σύστημα: με συνεπή απόδοση και ευθυγράμμιση με το πώς γίνεται η εργασία. Μπορείτε πάντα να λάβετε μια απάντηση από την AI, αλλά το αξιόπιστο, σωστό και συνεπές αποτέλεσμα είναι αυτό που πραγματικά μετράει. Τα λειτουργικά περιβάλλοντα όπου η AI μπορεί να δημιουργήσει τη μεγαλύτερη αξία είναι επίσης εκείνα όπου μπορεί να υπάρχει ελάχιστη ή καθόλου αβεβαιότητα. 

Η Αποτελεσματικότητα της AI Σωστής Διάστασης

Υπάρχει επίσης ένα πρακτικό πλεονέκτημα στα μικρότερα μοντέλα. Είναι ελαφρύτερα, πιο γρήγορα και πιο εύκολα στη διαχείριση. Απαιτούν επίσης λιγότερους πόρους υπολογισμού, παράγουν αποτελέσματα με χαμηλότερη καθυστέρηση και μπορούν να ενημερώνονται καθώς οι διαδικασίες αλλάζουν. 

Και είναι δυνατόν να συνδυαστούν οι δύο προσεγγίσεις στην AI. Ορισμένες εταιρείες χρησιμοποιούν μεγαλύτερα, πιο γενικά μοντέλα για να συλλάβουν ευρείες προτύπες και λογική, έπειτα αποστάζουν αυτή τη γνώση σε μικρότερα μοντέλα προσαρμοσμένα σε συγκεκριμένες εργασίες. Αυτό επιτρέπει στους οργανισμούς να διατηρούν τα πλεονεκτήματα της εκπαίδευσης μεγάλης κλίμακας ενώ εξακολουθούν να παρέχουν συστήματα που λειτουργούν πιο αξιόπιστα στον πεδίο. 

Οι αποδοτικότητες είναι πιο εμφανείς σε διαδικασίες υψηλού όγκου όπως η διαχείριση εντολών εργασίας ή η παρακολούθηση παραγωγής, όπου οι βελτιώσεις στην απόδοση μπορούν να μετρηθούν με λειτουργικούς δείκτες, όπως ταχύτεροι χρόνοι επίλυσης και μειωμένος χρόνος διακοπής.  

Αναπροσδιορίζοντας την Επιτυχία

Η εμπιστοσύνη είναι στον πυρήνα της επόμενης φάσης της AI. Τα συστήματα θα πετύχουν όταν λειτουργούν σε πραγματικές συνθήκες, και όχι με βάση το πόσο έξυπνα φαίνονται ως πρωτότυπο. Η AI είναι στο καλύτερό της όταν μπορεί να κάνει τις διαδικασίες πιο ασφαλείς, να μειώσει τις μεταβιβάσεις ή να κάνει την λογοδοσία πιο σαφή. Η AI είναι αξιόπιστη όταν είναι συνεπής. Η κλιμάκωση της νοημοσύνης αδιάκριτα για το ίδιο το σκοπό δεν δημιουργεί καμία λειτουργική άνοδο. Ένα σύστημα σχεδιασμένο έτσι ώστε να μπορείτε να βασίζεστε σε αυτό για να λειτουργεί στον πεδίο όταν και πώς το χρειάζεστε είναι το κλειδί για πραγματική πρόοδο.