Γιατί το GenAI κολλάει στο πιλοτικό στάδιο

Όπως οι εταιρείες πασχίζουν να μεταφέρουν τα έργα Γενικής Νοημοσύνης από το πειραματικό στάδιο στη παραγωγή, πολλές επιχειρήσεις παραμένουν κολλημένες στο πιλοτικό στάδιο. Όπως υπογραμμίζει η πρόσφατη έρευνά μας, το 92% των οργανισμών ανησυχούν ότι τα πιλοτικά προγράμματα GenAI προχωρούν χωρίς να αντιμετωπίσουν πρώτα τα θεμελιώδη προβλήματα δεδομένων. Ακόμη πιο εντυπωσιακό: το 67% δεν μπόρεσε να κλιμακωθεί κανένα από τα πιλοτικά προγράμματα σε παραγωγή. Αυτό το χάσμα παραγωγής οφείλεται λιγότερο στην τεχνολογική ωριμότητα και περισσότερο στην ετοιμότητα των υποκείμενων δεδομένων. Το δυναμικό του GenAI εξαρτάται από τη δύναμη του εδάφους πάνω στο οποίο στέκεται. Και σήμερα, για τις περισσότερες οργανώσεις, αυτό το έδαφος είναι το καλύτερο που μπορεί να είναι.

Γιατί το GenAI κολλάει στο πιλοτικό στάδιο

Αν και οι λύσεις GenAI είναι σίγουρα ισχυρές, είναι τόσο αποτελεσματικές όσο τα δεδομένα που τις τροφοδοτούν. Η παλιά παροιμία “σκουπίδια μέσα, σκουπίδια έξω” είναι πιο αληθινή σήμερα παρά ποτέ. Χωρίς αξιόπιστα, πλήρη, εξουσιοδοτημένα και εξηγημένα δεδομένα, τα μοντέλα GenAI συχνά παράγουν αποτελέσματα που είναι ανακριβή, προκατειλημμένα ή ακατάλληλα για χρήση.

Δυστυχώς, οι οργανώσεις έχουν βιαστεί να αναπτύξουν εφαρμογές χαμηλής προσπάθειας, όπως AI-ενεργοποιημένα chatbots που προσφέρουν προσαρμοσμένες απαντήσεις από διαφορετικά εσωτερικά έγγραφα. Και ενώ αυτές βελτιώνουν τις εμπειρίες του πελάτη σε κάποιο βαθμό, δεν απαιτούν sâuστοές αλλαγές στην υποκείμενη υποδομή δεδομένων της εταιρείας. Αλλά για να κλιμακωθεί το GenAI στρατηγικά, είτε στην υγεία, τις χρηματοοικονομικές υπηρεσίες ή την αυτοματοποίηση της αλυσίδας εφοδιασμού, απαιτείται διαφορετικό επίπεδο ωριμότητας δεδομένων.

Στην πραγματικότητα, το 56% των Chief Data Officers αναφέρουν την αξιοπιστία των δεδομένων ως βασικό εμπόδιο στην ανάπτυξη του AI. Άλλα ζητήματα είναι η ατελής δεδομένων (53%), τα προβλήματα ιδιωτικής ζωής (50%) και τα μεγαλύτερα κενά διακυβέρνησης του AI (36%).

Χωρίς διακυβέρνηση, χωρίς GenAI

Για να μεταφέρει το GenAI πέρα από το πιλοτικό στάδιο, οι εταιρείες πρέπει να αντιμετωπίσουν τη διακυβέρνηση των δεδομένων ως στρατηγική προτεραιότητα για την επιχείρησή τους. Πρέπει να διασφαλίσουν ότι τα δεδομένα είναι κατάλληλα για την τροφοδοσία των μοντέλων AI και να απαντήσουν στα ακόλουθα ερωτήματα:

• Προέρχεται το δεδομένο που χρησιμοποιείται για την εκπαίδευση του μοντέλου από τα σωστά συστήματα;
• Έχουμε αφαιρέσει τις προσωπικές πληροφορίες και ακολουθήσαμε όλους τους κανονισμούς δεδομένων και ιδιωτικής ζωής;
• Είμαστε διαφανείς και μπορούμε να αποδείξουμε τη προέλευση των δεδομένων που χρησιμοποιεί το μοντέλο;
• Μπορούμε να τεκμηριώσουμε τις διαδικασίες μας και να είμαστε έτοιμοι να δείξουμε ότι τα δεδομένα δεν έχουν προκατάληψη;

Η διακυβέρνηση των δεδομένων πρέπει επίσης να ενσωματωθεί στον πολιτισμό της οργάνωσης. Για να το κάνουμε αυτό, απαιτείται η κατασκευή γνώσεων AI σε όλα τα τμήματα. Ο νόμος του EU για το AI формαλίζει αυτή τη ευθύνη, απαιτώντας και από τους παρόχους και τους χρήστες των συστημάτων AI να κάνουν τις καλύτερες προσπάθειες για να διασφαλίσουν ότι οι υπάλληλοι είναι επαρκώς AI-εκπαιδευμένοι, βεβαιωμένοι ότι κατανοούν πώς λειτουργούν αυτά τα συστήματα και πώς να τα χρησιμοποιούν υπεύθυνα. Ωστόσο, η αποτελεσματική υιοθέτηση του AI υπερβαίνει την τεχνική γνώση. Απαιτεί επίσης μια ισχυρή βάση σε δεξιότητες δεδομένων, από την κατανόηση της διακυβέρνησης των δεδομένων έως την διατύπωση αναλυτικών ερωτημάτων. Η αντιμετώπιση της γνώσης του AI σε απομόνωση από τη γνώση των δεδομένων θα ήταν μυωπική, δεδομένου πόσο στενά συνδέονται.

Όσον αφορά τη διακυβέρνηση των δεδομένων, vẫn υπάρχει δουλειά να γίνει. Μεταξύ των επιχειρήσεων που θέλουν να αυξήσουν τις επενδύσεις τους στη διαχείριση δεδομένων, το 47% συμφωνεί ότι η έλλειψη γνώσεων δεδομένων είναι ένα από τα principales εμπόδια. Αυτό υπογραμμίζει την ανάγκη για την κατασκευή υποστήριξης στο υψηλότερο επίπεδο και την ανάπτυξη των σωστών δεξιοτήτων σε όλη την οργάνωση. Χωρίς αυτές τις βάσεις, ακόμη και τα πιο ισχυρά LLMs θα πασχίσουν να παραδώσουν.

Ανάπτυξη AI που πρέπει να είναι υπεύθυνη

Στο τρέχον περιβάλλον ρυθμίσεων, δεν είναι πλέον αρκετό για το AI να “δουλεύει”, πρέπει επίσης να είναι υπεύθυνο και εξηγημένο. Ο νόμος του EU για το AI και το προτεινόμενο πρόγραμμα δράσης του UK για το AI απαιτούν διαφάνεια σε υψηλού κινδύνου περιπτώσεις χρήσης του AI. Άλλοι ακολουθούν το παράδειγμα, και περισσότερες από 1.000 σχετικές νομοθετικές προτάσεις είναι στην ατζέντα σε 69 χώρες.

Αυτή η παγκόσμια κίνηση προς την ευθύνη είναι прямός αποτέλεσμα της αυξανόμενης ζήτησης των καταναλωτών και των μετόχων για δίκαιη χρήση των αλγορίθμων. Για παράδειγμα, οι οργανώσεις πρέπει να μπορούν να πουν τους λόγους για τους οποίους ένας πελάτης απορρίφθηκε για ένα δάνειο ή χρεώθηκε μια premium ασφαλιστική率. Για να μπορέσουν να το κάνουν αυτό, θα πρέπει να γνωρίζουν πώς το μοντέλο έλαβε αυτή τη απόφαση, και αυτό με τη σειρά του εξαρτάται από τη διαφάνεια και την αποδεικτική ιχνηλασία των δεδομένων που χρησιμοποιήθηκαν για την εκπαίδευσή του.

Εάν δεν υπάρχει εξηγηματική, οι επιχειρήσεις κινδυνεύουν να χάσουν την εμπιστοσύνη των πελατών τους, καθώς και να αντιμετωπίσουν οικονομικές και νομικές επιπτώσεις. Ως αποτέλεσμα, η ιχνηλασία της προέλευσης των δεδομένων και η δικαιολογία των αποτελεσμάτων δεν είναι “όμορφο να έχει”, αλλά是一個 compliance requirement.

Και καθώς το GenAI επεκτείνεται πέρα από τη χρήση για απλά εργαλεία σε πλήρως ανεπτυγμένα πράγματα που μπορούν να λαμβάνουν αποφάσεις και να ενεργούν σύμφωνα με αυτές, οι στοίχοι για τη διακυβέρνηση των δεδομένων αυξάνονται ακόμη περισσότερο.

Βήματα για την κατασκευή αξιόπιστου AI

Τι είναι το καλό; Για να κλιμακωθεί το GenAI υπεύθυνα, οι οργανώσεις πρέπει να υιοθετήσουν μια seule στρατηγική δεδομένων σε τρεις πυλώνες:

• Προσαρμόστε το AI στις επιχειρηματικές σας ανάγκες: Καταγράψτε τα δεδομένα σας γύρω από τις βασικές επιχειρηματικές στόχους, διασφαλίζοντας ότι αντανακλούν το μοναδικό контекスト, τις προκλήσεις και τις ευκαιρίες που είναι συγκεκριμένες για την επιχείρησή σας.
• Ιδρύστε εμπιστοσύνη στο AI: Ιδρύστε πολιτικές, πρότυπα και διαδικασίες για την συμμόρφωση και την εποπτεία της ηθικής και υπεύθυνης ανάπτυξης του AI.
• Κτίστε AI-έτοιμες διαδικασίες: Συνδυάστε τις ποικίλες πηγές δεδομένων σας σε μια ανθεκτική βάση δεδομένων για την ανάπτυξη του AI.

Όταν οι οργανώσεις το κάνουν σωστά, η διακυβέρνηση επιταχύνει την αξία του AI. Για παράδειγμα, στις χρηματοοικονομικές υπηρεσίες, τα hedge funds χρησιμοποιούν το GenAI για να ξεπεράσουν τους ανθρώπινους αναλυτές στις προβλέψεις των τιμών των μετοχών ενώ μειώνουν σημαντικά το κόστος. Στην παραγωγή, η βελτιστοποίηση της αλυσίδας εφοδιασμού που οδηγείται από το AI επιτρέπει στις οργανώσεις να αντιδράσουν σε πραγματικό χρόνο στις αλλαγές του περιβάλλοντος και τις πιέσεις.

Και αυτά δεν είναι απλώς μελλοντικές ιδέες, συμβαίνουν τώρα, οδηγούμενα από αξιόπιστα δεδομένα.

Με ισχυρές βάσεις δεδομένων, οι εταιρείες μειώνουν την ολίσθηση του μοντέλου, περιορίζουν τους κύκλους επαναεκπαίδευσης και αυξάνουν την ταχύτητα της αξίας. Αυτός είναι ο λόγος για τον οποίο η διακυβέρνηση δεν είναι εμπόδιο, αλλά ένας ενεργοποιητής της καινοτομίας.

Τι έρχεται μετά;

Μετά το πειραματικό στάδιο, οι οργανώσεις μετακινούνται πέρα από τα chatbots και επενδύουν σε μετασχηματιστικές ικανότητες. Από την προσωποποίηση των αλληλεπιδράσεων των πελατών έως την επιτάχυνση της ιατρικής έρευνας, την βελτίωση της ψυχικής υγείας και την απλοποίηση των ρυθμιστικών διαδικασιών, το GenAI αρχίζει να δείχνει το δυναμικό του σε διάφορους κλάδους.

Ωστόσο, αυτές οι κερδισμένες εξαρτώνται απολύτως από τα δεδομένα που τις υποστηρίζουν. Το GenAI αρχίζει με την κατασκευή μιας ισχυρής βάσης δεδομένων, μέσω της ισχυρής διακυβέρνησης των δεδομένων. Και ενώ το GenAI και το AI θα συνεχίσουν να εξελίσσονται, δεν θα αντικαταστήσει την ανθρώπινη εποπτεία σύντομα. Αντίθετα, εισερχόμαστε σε μια φάση της δομημένης δημιουργίας αξίας, όπου το AI γίνεται ένα αξιόπιστο συν-πιλότος. Με τις σωστές επενδύσεις στη ποιότητα των δεδομένων, τη διακυβέρνηση και τον πολιτισμό, οι επιχειρήσεις μπορούν τελικά να μετατρέψουν το GenAI από μια υποσχόμενη πιλότο σε κάτι που πλήρως απογειώνεται.