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

Έχουμε φτάσει σε ένα σημείο καμπής με τη 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考虑ουμε το ρυθμό της αλλαγής δεν θα είναι ποτέ τόσο αργός ξανά. 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 στο αίσθημα του AI κινδυνεύουν να επενδύσουν σε υποκλυσμούς, 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 Ζώνη του Χρυσού Λύκου

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 αναγνωρίζοντας τη σημασία της προσαρμογής της λογιστικής στρατηγικής και της αύξησης των αποθεμάτων ενώ άλλες εταιρείες καύσαν τα χρήματα σαν να μην υπήρχε αύριο. Το σημείο είναι, οι σωστές επιχειρηματικές αποφάσεις είναι πιο κρίσιμες από ποτέ κατά τις περιόδους μαζικής ενθουσιασμού, και η σχεδιασμός για αύριο απαιτεί μια οξεία ικανότητα να σκέφτεται μέσω όλων των πιθανών σεναρίων.

Συνολικά, υπάρχει μια γενική αίσθηση του AI FOMO («φόβου να μείνει κανείς πίσω») που έχει διεισδύσει στις ηγετικές ομάδες, περαιτέρω پیچیده από την πραγματικότητα ότι η μη δράση (δηλαδή η «παράλυση από την ανάλυση») είναι επίσης μια πραγματική απειλή. (Ζητήστε Kodak.) Εδώ υπάρχουν 3 σκέψεις για τις εταιρείες που αναζητούν αυτή τη «Ζώνη του Χρυσού Λύκου» του AI – όχι επενδύοντας πολύ γρήγορα ή πολύ αργά, αλλά βρίσκοντας το γλυκό 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, контекστ και γλωσσικές νεῦσεις. 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 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, ειδικοί λένε τώρα ότι «η επίδραση της ποιότητας και της ποικιλίας των δεδομένων στα LLMs είναι απολύτως τεράστια».

2. Ταυτοποίηση ενός Επιχειρηματικού Σκοπού

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涉ρούν 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 ροκανίζει τις εσωτερικές δραστηριότητες, συμπεριλαμβανομένων πραγμάτων όπως την αυτοματοποίηση των χειροκίνητων εργασιών για να διαθέσει το χρόνο των υπαλλήλων σε υψηλότερες δραστηριότητες.

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 βελόνι που θέλετε να μετακινήσετε, 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 έρευνα του MIT, 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. Δημιουργία Προσαρμοσμένων Εργαλείων του AI Χρησιμοποιώντας Ανοιχτά LLMs

Να χτίσετε ή να αγοράσετε – αυτή είναι η ερώτηση. Η δημιουργία eines προσαρμοσμένου λύσης του AI μπορεί να φανεί απειλητική, και πολλές εταιρείες επιλέγουν να αγοράσουν eine 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 dévelopπεurs 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, παραληρήσεων/παρωπίδων με βάση ανακριβείς ή ελαττωματικές πληροφορίες, και κακόβουλων ηθοποιών που προκαλούν σκόπιμα τη διαμόρφωση των δεδομένων. 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 διαθέτουν οι ομάδες.

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, περισσότερες από το διπλάσιο του αριθμού 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 possono να δυσκολευτούν να αποφασίσουν πού να επενδύσουν τον χρόνο και τα χρήματά τους. Αλλά με τη 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.