Ηγέτες σκέψης

Λύση του Πώς και Πότε: Εισαγωγή της Επιχειρηματικής Στρατηγικής στην Υιοθέτηση του AI

Boobesh Ramadurai
Προσθέστε το Unite.AI στις προτιμώμενες πηγές σας στο Google
AI Business Applications
Βασικά σημείαΟι εταιρείες πρέπει να δώσουν προτεραιότητα στη δημιουργία ισχυρών οικοσυστημάτων…
Δείτε περισσότερα
  • Οι εταιρείες πρέπει να δώσουν προτεραιότητα στη δημιουργία ισχυρών οικοσυστημάτων δεδομένων πρώτα, επειδή η ποιότητα των δεδομένων επηρεάζει σημαντικά την απόδοση της τεχνητής νοημοσύνης.
  • Προσδιορίστε συγκεκριμένα επιχειρηματικά προβλήματα για να λύσει η τεχνητή νοημοσύνη, αντί να κυνηγάτε γενικά τάσεις υιοθέτησης ΤΝ.
  • Τα ανοιχτού κώδικα μεγάλα γλωσσικά μοντέλα προσφέρουν έλεγχο και ευελιξία, αλλά απαιτούν διαχείριση κινδύνων ασφαλείας και αναβάθμιση των δεξιοτήτων της ομάδας.

Έχουμε φτάσει σε ένα σημείο καμπής με την τεχνητή νοημοσύνη (AI) όπου οι συζητήσεις στην αίθουσα του διοικητικού συμβουλίου έχουν μετατοπιστεί από τη συζήτηση για την αποτελεσματικότητα στην επιτάχυνση της υιοθέτησης. Είναι μια συναρπαστική εποχή, ιδιαίτερα αν αναλογιστούμε ότι ο ρυθμός των αλλαγών δεν θα είναι ποτέ ξανά τόσο αργός. Σύμφωνα με την BCG, παρά την αβεβαιότητα της παγκόσμιας οικονομίας, η καινοτομία ανέβηκε ως μια από τις κορυφαίες εταιρικές προτεραιότητες το 2023, με το 79% των εταιρειών να την κατατάσσει μεταξύ των τριών κορυφαίων στόχων τους.

Αλλά η καινοτομία για χάρη της καινοτομίας δεν είναι μια σωστή επιχειρηματική στρατηγική, και οι οργανισμοί που εμπλέκονται στον ενθουσιασμό για την AI κινδυνεύουν να επενδύσουν σε υπερβολικές προσδοκίες, αντί για λύσεις που δημιουργούν μακροπρόθεσμη αξία. Η κατανόηση της διαφοράς απαιτεί προσεκτική αξιολόγηση των τρεχουσών ικανοτήτων και την υπομονή να προτεραιοποιήσουν την αειφορική ανάπτυξη έναντι των βραχυπρόθεσμων τάσεων.

Η χρυσή τομή

Η επιχειρηματική ιστορία είναι γεμάτη με παραδείγματα εταιρειών των οποίων οι στρατηγικές αποφάσεις σε κρίσιμες στιγμές είχαν σημαντικές επιπτώσεις στην ύπαρξή τους. Για παράδειγμα, η Amazon επιβίωσε της κρίσης του dot-com (AMZN ) αναγνωρίζοντας τη σημασία της προσαρμογής της λογιστικής στρατηγικής και της ενίσχυσης των ταμειακών αποθεμάτων ενώ άλλες εταιρείες δαπανούσαν χρήματα σαν να μην υπήρχε αύριο. Το σημείο είναι, οι σωστές επιχειρηματικές αποφάσεις είναι πιο κρίσιμες από ποτέ κατά τις περιόδους μαζικού ενθουσιασμού, και ο σχεδιασμός για αύριο απαιτεί μια οξεία ικανότητα να εξετάζει όλα τα πιθανά σενάρια.

Συνολικά, υπάρχει μια γενική αίσθηση του AI FOMO («φόβου να μείνει κανείς πίσω») που έχει διεισδύσει στις ηγετικές ομάδες, κάτι που περιπλέκεται περαιτέρω από το γεγονός ότι η μη δράση (δηλαδή η «παράλυση από την ανάλυση») είναι επίσης μια πραγματική απειλή. (Αρκεί να ρωτήσετε την Kodak.) Εδώ υπάρχουν 3 σκέψεις για τις εταιρείες που αναζητούν αυτή τη «χρυσή τομή» του AI – όχι επενδύοντας πολύ γρήγορα ή πολύ αργά, αλλά βρίσκοντας το βέλτιστο σημείο της αειφορικής καινοτομίας.

1. Εστίαση στην Ανάπτυξη Δεδομένων Πρώτα

Όπως και κάθε μηχανή, είναι σημαντικό να κατανοήσουμε τις εσωτερικές λειτουργίες της για να καταλάβουμε από πού προέρχεται η αξία. Δηλαδή, το AI δεν είναι ένα πλήρως διαμορφωμένο προϊόν, αλλά τα μεγάλα γλωσσικά μοντέλα (LLMs) βασίζονται σε τεράστιες ποσότητες διαφορετικών σημείων δεδομένων για να μάθουν μοτίβα, πλαίσιο και γλωσσικές αποχρώσεις. Το μέγεθος και η πολυπλοκότητα των LLMs απαιτούν εκτεταμένα δεδομένα εκπαίδευσης για να λειτουργούν αποτελεσματικά σε διάφορους τομείς και εργασίες. Η ποιότητα και η ποσότητα αυτών των δεδομένων θα επηρεάσουν σημαντικά την απόδοση των LLMs και, κατά επέκταση, των εργαλείων AI μιας εταιρείας.

Η δημιουργία πιο ισχυρών οικοσυστημάτων δεδομένων είναι επομένως μια σοφή πρώτη επένδυση για κάθε εταιρεία που σχεδιάζει μια μεταμόρφωση του AI, και αυτά τα δεδομένα θα χρησιμεύσουν ως η βάση για τα LLMs καθώς εξελίσσονται. Σε αυτή την εξέλιξη, τα υψηλής ποιότητας δεδομένα γίνονται ακόμη πιο κρίσιμα. Ενώ μελέτες έχουν δείξει ότι τα LLMs μπορούν να είναι ικανά με ελάχιστα δεδομένα, ειδικοί λένε τώρα ότι «η επίδραση της ποιότητας και της ποικιλίας των δεδομένων τόσο στην ευθυγράμμιση όσο και σε άλλους τομείς εκπαίδευσης των LLMs —προεκπαίδευση, εξειδικευμένη προσαρμογή, δυνατότητα καθοδήγησης κ.ά.— είναι απολύτως τεράστια».

2. Προσδιορισμός μιας επιχειρηματικής περίπτωσης χρήσης

Ενώ το AI έχει σίγουρα την ικανότητα για ευρείες εξωτερικές εφαρμογές, οι περισσότερες εταιρείες είναι περισσότερο επικεντρωμένες στη χρήση της τεχνολογίας για να βελτιώσουν τις εσωτερικές διαδικασίες. «Βελτίωση» είναι το κλειδί εδώ, σημαίνοντας ότι οι εταιρείες δεν πρέπει να περιμένουν να συνδέσουν απλώς το λογισμικό του AI για να βελτιώσουν μαγικά την παραγωγή. Αντίθετα, μερικές από τις πιο επιτυχημένες εφαρμογές του AI αφορούν την ανάλυση δεδομένων για να αποκαλύψουν πολύτιμες πληροφορίες σχετικά με τη συμπεριφορά των πελατών, τις τάσεις της αγοράς και τους πιθανούς κινδύνους. Επίσης, έχει αποδειχθεί αποτελεσματικό στο να εξορθολογίζει τις εσωτερικές δραστηριότητες, συμπεριλαμβανομένων πραγμάτων όπως την αυτοματοποίηση των χειροκίνητων εργασιών για να διαθέσει το χρόνο των υπαλλήλων σε δραστηριότητες υψηλότερης αξίας.

Συντομότερα, αντί να σπαταλούν χρόνο για να καταλάβουν ποια μοντέλα του AI να χρησιμοποιήσουν, οι οργανισμοί πρέπει να επικεντρωθούν σε συγκεκριμένα προβλήματα που πρέπει να λύσουν με το AI. (Δηλαδή, ξεκινήστε με το αποτέλεσμα που θέλετε να βελτιώσετε, ρυθμίστε το KPI που θέλετε να επηρεάσετε και στη συνέχεια εργαστείτε προς τα πίσω για να δείτε ποια εργαλεία του AI θα επιτύχουν αυτούς τους στόχους.) Σύμφωνα με την παγκόσμια έρευνα στελεχών του MIT για την AI, το 90% εκείνων που χρησιμοποιούν το AI για να δημιουργήσουν νέα KPIs λένε ότι βλέπουν τα KPIs τους να βελτιώνονται. «Αυτά τα KPIs που ενημερώνονται από το AI προσφέρουν επιχειρηματικά οφέλη και αποδεικνύουν νέες ικανότητες: συχνά οδηγούν σε μεγαλύτερη αποτελεσματικότητα και μεγαλύτερο οικονομικό όφελος και είναι πιο λεπτομερή, χρονικά ευαίσθητα και ευθυγραμμισμένα με τους στόχους της οργάνωσης».

3. Δημιουργία Προσαρμοσμένων Εργαλείων του AI Χρησιμοποιώντας Ανοιχτά LLMs

Να χτίσετε ή να αγοράσετε – αυτή είναι η ερώτηση. Η δημιουργία μιας προσαρμοσμένης λύσης τεχνητής νοημοσύνης μπορεί να φανεί απειλητική, και πολλές εταιρείες επιλέγουν να αγοράσουν μια άδεια από έναν εξωτερικό προμηθευτή με ένα ιδιόκτητο LLM για να αποφύγουν να πάνε σε εκείνη τη διαδρομή. Ωστόσο, η άδεια μπορεί να περιορίσει τον τρόπο με τον οποίο το LLM μπορεί να χρησιμοποιηθεί, και οι χρεώσεις άδειας μπορούν να γίνουν πολύ ακριβές με τον καιρό. Εναλλακτικά, τα ανοιχτά LLMs είναι δωρεάν και η υποκείμενη αρχιτεκτονική είναι διαθέσιμη για τους προγραμματιστές να έχουν πρόσβαση, να χτίσουν και να τροποποιήσουν με βάση τις συγκεκριμένες ανάγκες της εταιρείας.

Αυτό το μοντέλο ανοιχτής πηγής έχει κερδίσει δημοτικότητα καθώς οι εταιρείες επιδιώκουν να διατηρήσουν τις ευαίσθητες πληροφορίες στο δίκτυό τους και να διατηρήσουν περισσότερο έλεγχο στα δεδομένα τους. Τα ανοιχτά LLMs δίνουν στις εταιρείες αυτή τη διαφάνεια και ευελιξία, μαζί με τα πρόσθετα οφέλη της μείωσης των προβλημάτων καθυστέρησης και της αύξησης της απόδοσης. Η IBM και η NASA συνεργάστηκαν πρόσφατα για να αναπτύξουν ένα ανοιχτό LLM που εκπαιδεύτηκε σε γεωχωρικά δεδομένα για να βοηθήσουν τους επιστήμονες να καταπολεμήσουν την κλιματική αλλαγή, μέρος της δεκαετούς Πρωτοβουλίας Ανοιχτής Επιστήμης της NASA για να χτίσουν μια πιο προσιτή, περιεκτική και συνεργατική επιστημονική κοινότητα.

Όπως και με κάθε ανοιχτή τεχνολογία, υπάρχουν κίνδυνοι που σχετίζονται με τα ανοιχτά LLMs, συμπεριλαμβανομένων πιθανών διαρροών/παραβιάσεων ασφαλείας, παραισθήσεων/μεροληψιών με βάση ανακριβείς ή ελαττωματικές πληροφορίες, και κακόβουλων παραγόντων που χειραγωγούν σκόπιμα τα δεδομένα. Αλλά τα ανοιχτά μοντέλα γίνονται πιο έξυπνα και πιο ασφαλή με τον καιρό, οδηγώντας μερικούς ειδικούς να πιστεύουν ότι τα ανοιχτά LLMs θα φτάσουν σύντομα στο επίπεδο των καλύτερων κλειστών LLMs, δικαιολογώντας την επένδυση στην πρώιμη υιοθέτηση και τον χρόνο που επενδύεται στην αναβάθμιση των δεξιοτήτων των ομάδων.

Η Υιοθέτηση του AI Θα Είναι Πολλαπλά Γρήγορα Σπρίντ σε Ένα Μαραθώνιο

Βάσει πρόσφατων στοιχείων, υπάρχουν περίπου 15.000 εταιρείες του AI στις Ηνωμένες Πολιτείες, υπερδιπλάσιες σε σχέση με το 2017. Παγκοσμίως, αυτοί οι αριθμοί αυξάνονται σχεδόν τετραπλάσια. Με τόσους πολλούς προμηθευτές και νέα startups που προωθούν τις υπηρεσίες τους, δεν είναι παράξενο ότι οι εταιρείες μπορούν να δυσκολευτούν να αποφασίσουν πού να επενδύσουν τον χρόνο και τα χρήματά τους. Αλλά με την προσεκτική αξιολόγηση των αναγκών τους και των κινδύνων/οφελών που παρουσιάζονται από την καινοτομία, οι ηγέτες θα βρουν το σωστό μείγμα του AI για να προωθήσουν τις εταιρείες τους σε ένα μέλλον αειφορικής ανάπτυξης.

Ως επικεφαλής της επιχειρηματικής δραστηριότητας τεχνολογίας στη LatentView Analytics, ο Boobesh διαθέτει πρακτική εμπειρία στην ανάλυση δεδομένων, την επιστήμη δεδομένων, το ψηφιακό μάρκετινγκ και την οπτικοποίηση δεδομένων. Εστιάζει στην ανάπτυξη των πελατών του τεχνολογικού κλάδου, δημιουργώντας ομάδες υψηλής απόδοσης που αναπτύσσουν καινοτόμες λύσεις για την παραγωγή αξιοποιήσιμων πληροφοριών.