Λύση του Πώς & Πότε: Εισαγωγή Επιχειρηματικής Στρατηγικής στην Υιοθέτηση του AI

Έχουμε φτάσει σε ένα σημείο καμπής με τη τεχνητή νοημοσύνη (AI) όπου οι συζητήσεις στο διοικητικό συμβούλιο έχουν μετατοπιστεί από τη συζήτηση περί αποτελεσματικότητας στην επιτάχυνση της υιοθέτησης. Είναι μια ενθουσιαστική εποχή, ιδιαίτερα λαμβάνοντας υπόψη το ρυθμό της αλλαγής δεν θα είναι ποτέ ξανά τόσο αργός. Σύμφωνα με το BCG, παρά την παγκόσμια οικονομική αβεβαιότητα, η καινοτομία ανέβηκε ως μια από τις κορυφαίες εταιρικές προτεραιότητες το 2023, με το 79% των εταιρειών να την κατατάσσουν μεταξύ των τριών κορυφαίων στόχων τους.

Αλλά η καινοτομία για χάρη της καινοτομίας δεν είναι μια σωστή επιχειρηματική στρατηγική, και οι οργανισμοί που παγιδεύονται στο αίσθημα του AI κινδυνεύουν να επενδύσουν σε υποκλυσμούς, αντί για λύσεις που δημιουργούν μακροχρόνια αξία. Η κατανόηση της διαφοράς απαιτεί προσεκτική εξέταση των τρεχουσών ικανοτήτων και την υπομονή να προτεραιοποιήσετε την αειφόρο ανάπτυξη έναντι των βραχυπρόθεσμων τάσεων.

Η Ζώνη του Χρυσού

Η επιχειρηματική ιστορία είναι σαπώνη 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 αναγνωρίζοντας τη σημασία της προσαρμογής της λογιστικής στρατηγικής και της αύξησης των αποθεματικών ενώ άλλες εταιρείες καίγαν τα χρήματα σαν να μην υπήρχε αύριο. Το σημείο είναι, ότι οι σωστές επιχειρηματικές αποφάσεις είναι πιο κρίσιμες από ποτέ σε καιρούς μαζικής ενθουσιασμού, και η σχεδίαση για το αύριο απαιτεί μια οξυδέρκεια να σκεφτείς όλα τα πιθανά σενάρια.

Συνολικά, υπάρχει μια γενική αίσθηση του AI FOMO (φόβος να μείνεις πίσω) που έχει διεισδύσει στις ηγετικές ομάδες, που περιπλέκεται ακόμη περισσότερο από την πραγματικότητα ότι η неделική (δηλαδή η «παράλυση από την ανάλυση») είναι επίσης μια πραγματική απειλή. (Ζητήστε από την Kodak.) Εδώ υπάρχουν 3 σκέψεις για τις εταιρείες που αναζητούν αυτή τη «Ζώνη του Χρυσού» του AI – όχι επενδύοντας πολύ γρήγορα ή πολύ αργά, αλλά βρίσκοντας το γλυκό σημείο της αειφόρου καινοτομίας.

1. Εστίαση στην Ανάπτυξη Δεδομένων Πρώτα

Όπως και με κάθε μηχανή, είναι σημαντικό να κατανοήσουμε τις εσωτερικές λειτουργίες 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, контекστό και γλωσσικές νюανς. Το μέγεθος και η πολυπλοκότητα των LLMs απαιτούν εκτεταμένα δεδομένα εκπαίδευσης για να λειτουργούν αποτελεσματικά σε διάφορους τομείς και εργασίες. Η ποιότητα και ποσότητα αυτών των δεδομένων θα επηρεάσουν σημαντικά την απόδοση των LLMs και, κατά επέκταση, το σύνολο των εργαλείων AI της εταιρείας.

Η δημιουργία πιο ισχυρών οικοσυστημάτων δεδομένων είναι επομένως μια σοφή πρώτη επένδυση για jede 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, εξέχοντες εμπειρογνώμονες λένε τώρα ότι «η επίδραση της ποιότητας και της ποικιλίας των δεδομένων στην ευθυγράμμιση και άλλα δρομολόγια εκπαίδευσης των LLMs (προ-εκπαίδευση, λεπτομέρεια, οδηγία, κ.λπ.) είναι απολύτως τεράστια».

2. Αναγνώριση Μιας Επιχειρηματικής Περίπτωσης

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 και να παίξουν το λογισμικό του AI για να βελτιώσουν μαγικά την παραγωγή. Αντίθετα, einige από τις πιο επιτυχημένες περιπτώσεις χρήσης του AI περιλαμβάνουν 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 στη ροή των εσωτερικών δραστηριοτήτων, συμπεριλαμβανομένων πραγμάτων όπως η αυτοματοποίηση χειροκίνητων εργασιών για να διαθέσουν τον χρόνο των υπαλλήλων σε δραστηριότητες υψηλότερης βαθμίδας.

Συντομότερα, αντί να σπαταλάτε χρόνο προσπαθώντας να καταλάβετε ποια μοντέλα AI να χρησιμοποιήσετε, οι οργανισμοί πρέπει να επικεντρωθούν σε συγκεκριμένα προβλήματα που πρέπει να λύσουν το AI τους. (δηλαδή, αρχίστε με το βέλος που θέλετε να μετακινήσετε, ρυθμίστε το KPI που θέλετε να επηρεάσετε και μετά εργαστείτε προς τα πίσω για να δείτε ποια εργαλεία AI θα επιτύχουν αυτούς τους στόχους.) Σύμφωνα με την Παγκόσμια Επιχειρηματική Έρευνα του MIT για το 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 συγχρονισμένα με τους στόχους της οργάνωσης».

3. Κατασκευή Προσαρμοσμένων Εργαλείων AI Χρησιμοποιώντας Ανοιχτά LLMs

Να κατασκευάσετε ή να αγοράσετε – αυτή είναι η ερώτηση. Η κατασκευή ενός εξατομικευμένου λύσης AI μπορεί να φανεί ως μια απειλητική πρόκληση, και πολλές εταιρείες επιλέγουν να αγοράσουν άδεια από έναν εξωτερικό προμηθευτή με ένα ιδιόκτητο LLM για να αποφύγουν αυτή τη διαδρομή. Ωστόσο, η άδεια μπορεί να περιορίσει το πώς μπορεί να χρησιμοποιηθεί το LLM, και οι χρεώσεις άδειας μπορεί να γίνουν πολύ ακριβές με τον καιρό. Εναλλακτικά, τα ανοιχτά LLMs είναι δωρεάν και η υποκείμενη αρχιτεκτονική είναι διαθέσιμη για τους dévelopers να έχουν πρόσβαση, να κατασκευάσουν και να τροποποιήσουν με βάση τις συγκεκριμένες ανάγκες της εταιρείας.

Αυτό το ανοιχτό μοντέλο οικοσυστήματος έχει κερδίσει σε δημοτικότητα καθώς οι εταιρείες επιδιώκουν να διατηρήσουν 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 αυξημένης απόδοσης. Η IBM και η NASA συνεργάστηκαν πρόσφατα για την ανάπτυξη ενός ανοιχτού LLM που εκπαιδεύτηκε σε γεωχωρικά δεδομένα για να βοηθήσουν τους επιστήμονες να καταπολεμήσουν την κλιματική αλλαγή,作为 μέρος της δεκαετούς Πρωτοβουλίας Ανοιχτής Επιστήμης της NASA για την κατασκευή ενός πιο προσιτού, περιεκτικού και συνεργατικού επιστημονικού κοινοτικού.

Όπως και με οποιαδήποτε ανοιχτή τεχνολογία, υπάρχουν κίνδυνοι που σχετίζονται με τα ανοιχτά LLMs, συμπεριλαμβανομένων πιθανών διαρροών ασφαλείας/παραβιάσεων, ψευδαισθήσεων/παρωπίδων με βάση ανακριβείς ή ελαττωματικές πληροφορίες, και κακόβουλων ηθοποιών που προκαλούν σκόπιμα τη διαταραχή των δεδομένων. Αλλά τα ανοιχτά μοντέλα γίνονται πιο έξυπνα και ασφαλή με τον καιρό, οδηγώντας ορισμένους εμπειρογνώμονες 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 dànhεται στην αναβάθμιση των ομάδων.

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

Βάσει πρόσφατων στοιχείων, υπάρχουν περίπου 15.000 εταιρείες AI στις Ηνωμένες Πολιτείες, περισσότερες από το διπλάσιο του αριθμού το 2017. Παγκοσμίως, αυτοί οι αριθμοί αυξάνονται σχεδόν τετραπλάσια. Με τόσους πολλούς προμηθευτές και νέες εταιρείες που προωθούν τις υπηρεσίες τους, δεν είναι περίεργο ότι οι εταιρείες possono να δυσκολευτούν να αποφασίσουν πού να επενδύσουν τον χρόνο και τα χρήματά τους. Αλλά με τη φροντίδα να αξιολογήσουν τις ανάγκες τους και τους κινδύνους/οφέλη που παρουσιάζονται από την καινοτομία, οι ηγέτες θα βρουν το σωστό μείγμα του AI για να προωθήσουν τις εταιρείες τους σε ένα μέλλον αειφόρου ανάπτυξης.