Tekoäly tuo hyötyjä tutkimuksen, kehityksen ja innovaation alueella – mutta se ei korvaa ihmisiä

Teckoäly on muuttamassa tutkimusta, kehitystä ja innovaatiota (R&D&I), avaamalla uusia mahdollisuuksia ratkaista maailman suurimpia haasteita, kuten kestävyyttä, terveydenhuoltoa, ilmastonmuutosta ja ruoka- ja energiaturvallisuutta, sekä auttamalla organisaatioita kehittymään paremmin ja lanseeramaan uraauurtavia tuotteita ja palveluita.

Teckoäly R&D&I:ssä ei ole uusi asia. Kuitenkin generatiivisen tekoälyn (GenAI) ja suurten kielen mallien (LLM) nousu on merkittävästi lisännyt sen kykyjä, kiihdyttäen läpimurtoja ja yleistä innovaatiota.

Miten organisaatiot voivat hyödyntää tekoälyä R&D&I-pyrimyksissään, ja mitkä ovat parhaat käytännöt menestyksen saavuttamiseksi? Tiedustellakseen tämän Arthur D. Little (ADL) toteutti kattavan tutkimuksen, johon osallistui yli 40 tekoälytoimittajaa, asiantuntijaa ja käyttäjää, sekä yli 200 organisaatiota julkiselta ja yksityiseltä sektorilta. Tuloksena oleva raportti, Eureka! on Steroids: AI-vetoinen tutkimus, kehitys ja innovaatio, tarjoaa syvän analyysin nykyisestä tilanteesta ja tulevasta kehityskulusta tekoälyssä tutkimuksessa ja innovaatiossa.

Analyysimme keskittyy viiteen tärkeään alueeseen:

Teckoäly tuo hyötyjä tutkimuksen, kehityksen ja innovaation alueella – mutta se ei korvaa ihmisiä

Jokainen R&D&I:n perusrakennusosan voi hyötyä tekoälystä, teknologiasta ja markkinatiedosta innovaatiestrategiaan, ideointiin, portfoliotiedonhallintaan ja IP-hallintaan. Kun yritämme ymmärtää näitä hyötyjä, kolme tärkeää tekijää nousee esiin:

• Teckoäly täydentää tutkijoita, eikä korvaa heitä, vapauttaen heidän aikaa ja mahdollistaen heidän olla tuottavampia ja luovempia
• Teckoäly auttaa ratkaisemaan ratkaisemattomia ongelmia, joita ei voitu aiemmin yrittää, teknologian nopeuden ja skaalautuvuuden vuoksi, avaamalla uusia innovaation polkuja
• Teckoäly ottaa “suunnittelija-ajattelijan” aseman, siirtyen sisällön luomisesta ja hausta monimutkaisempiin rooleihin, kuten tietojen hallinta, hypoteesien luominen ja avustaminen R&D&I-tiimille.

Kun päätetään käyttääkö tekoälyä ratkaisemaan tiettyä R&D&I-käyttötapauksen, ei ole yleistä mallia, jota voidaan soveltaa. Ymmärrettäväksi, mikä tekoälylähestymistapa antaa parhaat tulokset, organisaatioiden on keskityttävä kahteen tekijään – saatavilla olevan datan määrään (vähän tai paljon) ja kysymyksen luonteeseen (avoin tai spesifinen). Samalla yksittäinen tekoälylähestymistapa ei välttämättä tuota optimaalisia tuloksia – useimmat viimeisen 15 vuoden aikana tuotetut älykkäät järjestelmät ovat olleet järjestelmien järjestelmiä. Nämä ovat itsenäisiä tekoälyjärjestelmiä, malleja tai algoritmeja, jotka on suunniteltu tiettyihin tehtäviin, ja jotka yhdistettyinä tarjoavat suurempaa toiminnallisuutta ja suorituskykyä.

Menestys edellyttää kahdeksaa hyvää käytäntöä

Haastattelujen perusteella tutkijoilla, tekoälytieteilijöillä, perustajilla ja R&D-johtajilla on nähty, että kahdeksan hyvää käytäntöä on välttämätöntä tekoälyn onnistuneelle käyttöönotolle. Organisaatioiden on:

• Omaksuttava joustavat menetelmät, jotta tiimit voivat toimia nopeasti nopeasti muuttuvassa tekoälyympäristössä
• Rakennettava vankat perustukset keskittyen datan laatuun, yhteistyöhön koko organisaation kanssa ja hyödyntämällä omia tietoja
• Tehty strateginen valinta mallien rakentamisen, ostamisen ja hienosäätämisen välillä, jälkimmäinen lähestymistapa usein osoittautuu tehokkaimmaksi
• Harkittava analytiikkaa koskevia kompromisseja, jotta edistystä voidaan saavuttaa todistusprojekteissa, kuten datan hankkimisesta ja syntetisoinnista, tarkkuudesta ja muistista, sekä aliohjelmoinnista ja ylioohjelmoinnista
• Oltava aktiivisia hyödyntämällä saatavilla olevaa data-tiedettä, mukaan lukien ulkopuolinen kumppanuus tarvittavien taitojen hankkimiseksi
• Toimittava yhteistyössä IT:n kanssa tasapainottaen turvallisuuden ja mukautuvuuden kokeilunopeuden kanssa
• Näytettävä hyötyjä nopeasti ja saada käyttäjien hyväksyntä luodakseen luottamusta ja avaamaan lisää investointeja
• Ylläpidettävä ja seurattava järjestelmän suorituskykyä jatkuvasti, erityisesti mallien parantamisessa

3. Teknologiset komponentit ovat nyt paikoillaan

Kuten useimmissa tekoälysovelluksissa, R&D&I-arvojonossa on kolme kerrosta – infrastruktuuri, mallikehittäjät ja sovellukset.

Infrastruktuurin osalta riittävän laskentakapasiteetin toteuttamisen ja ylläpitämisen kustannukset ovat suuret, mutta isännöintipalveluntarjoajat tarjoavat yhä useammin inference-palvelumalleja, joissa suoritetaan laskelmia ja kyselyjä pilvessä, poistamalla tarpeen omalle infrastruktuurille, alentamalla etukäteen kustannuksia ja demokratisoimalla pääsyn tekoälyyn.

Teckoälyarvojonon R&D&I:ssä riippuu voimakkaasti avoimista malleista, kuten Meta, Microsoft ja Nvidia. Pienemmät toimijat, kuten Mistral ja Cohere, muodostavat myös tärkeän osan ekosysteemiä, kuten myös akateemiset laitokset.

Sovelluspuolella on jo kehitetty yleisiä ja erikoistuneita R&D&I-sovelluksia, joita on yli 500, ja ne kattavat koko R&D&I-prosessin.

Tulevaisuus on epäselvä – mutta skenaariosuunnittelu auttaa ymmärtämään

Miten tekoäly R&D&I:ssä kehittyy, riippuu kolmesta päätekijästä – suorituskyvystä, luottamuksesta ja kustannuksista. Yhdistämällä nämä tekijät johtaa kuusiin uskottavaan tulevaisuusskenaarioon, joka on jatkumo tekoälyn muokkaamasta R&D&I:stä tekoälyn käytöstä vain valikoivissa, matalan riskin sovelluksissa. Tämä asteikko on maksimista minimiin:

• Blockbuster: Teckoäly tulee tärkeimmäksi R&D&I-kierron aikana, muokkaamalla organisaatioita matkalla. Data tulee uudeksi rintamaksi.
• Crowd-Pleaser: Teckoäly on kätevää, edullista ja otettavissa päivittäin tuottavuustöihin, mutta epäonnistuu toimittamasta tieteellisestä/luovasta arvosta.
• Crown Jewel: Teckoäly toimittaa tuottavuutta ja tieteellisiä läpimurtoja, mutta vain niille organisaatioille, jotka voivat sitä maksaa – johtaa kahden nopeuden maailmaan R&D&I:ssä.
• Problem Child: Teckoäly epäonnistuu osoittamasta arvostaan, vaikka siinä on joitakin merkittäviä sovelluksia ja edullisia ratkaisuja – R&D&I-organisaatiot ovat edelleen huolissaan tietoturvariskeistä, deontologiasta ja selityskyvystä.
• Best-Kept Secret: Teckoälyn suorituskyky paranee, mutta korkeat kustannukset tekevät organisaatioista riskialttiimpia. Matala luottamus ja byrokratia rajoittavat käyttöönottoa, ja vain vähän uusia rohkeita kokeiluja käynnistetään.
• Cheap & Nasty: Teckoäly on laajasti käytössä matalan riskin sovelluksissa, mutta vain prototyyppinä tai aivopohjaisena työkaluna. Epäluotettavat järjestelmät tarkistetaan tiukasti, ja tulokset vahvistetaan, rajoittaen tuottavuuden parannusta.

Näiden skenaarioiden ymmärtäminen on tärkeää R&D&I-organisaatioille, jotka suunnittelevat tulevaisuuden suunnan tekoälyn omaksumiselle.

R&D&I-organisaatioiden on toimittava nyt

Joissakin tilanteissa tekoäly on jo mahdollistanut kaksinumeroiset parannukset aikaa, kustannuksia ja tehokkuutta laskemisessa, tuotekehityksessä, tiedustelussa ja muissa R&D&I-tehtävissä. Se tarkoittaa, että riippumatta siitä, mikä skenaario toteutuu, kuusi vastustamatonta siirtoa auttavat R&D&I-organisaatioita rakentamaan kestävyyttä ja hyödyntämään tekoälyn hyötyjä. Heidän on:

• Hallittava ja valtuutettava osaamista, varmistaen, että työvoima on koulutettu ja asiantunteva tekoälyn hyödyntämiseen, ja jos tarpeen, ulkoistetaan toteutukset ulkopuolisille toimijoille keskipitkällä aikavälillä
• Ohjattava tekoälyluotuja sisältöjä, päivitettävä riskienhallintaprosessia ja jaettava vahvistusmenetelmiä julkisesti luodakseen luottamusta
• Rakennettava datajakamista ja yhteistyötä, työskenneltävä laajemman julkisen ja yksityisen sektorin ekosysteemin kanssa edistääkseen onnistunutta tekoälyn omaksumista
• Koulutettava pitkän aikavälin, kouluttaen laajimmaan mahdollisen käyttäjäkunnan tekoälyn perusteista, vaadittavista taidoista ja potentiaalisista riskeistä
• Uudelleenarvioitu organisaatiota ja hallintoa, siirtäen sen IT:n ulkopuolelle antaen korkean tason fokuksen ja murtamaan silot smoothen yhteistyötä
• Yhteistyössä laskentaresursseja, työskenneltävä kumppaneiden tai jaettava resursseja sisäisesti kustannustehokkaasti tyydyttääkseen nykyisiä ja tulevia infrastruktuurin tarpeita

Näiden vastustamattomien siirtojen lisäksi menestys tulee luomalla tasapainoinen tekoälypohjainen R&D&I-investointien portfoliosta, joka on linjassa yrityksen tavoitteiden kanssa. Tämä tarkoittaa harkitsemista eri tekoälysovellusten laajuutta, kustannuksia ja hyötyjä ja käyttämällä tätä tietoa innovaatioportfolion optimointiin. Päätökset on tehtävä strategisten tavoitteiden, kykyjen ja markkinatiedon perusteella, ja ottaen huomioon konteksti, jossa organisaatiot toimivat.

Jokainen tutkimuksen, kehityksen ja innovaation arvoketjun vaihe voidaan muuttaa tekoälyllä, täydentämällä ihmisten tutkijoita ja mahdollistaen tuottavuuden ja läpimurron. Nämä mahdollisuudet on tasapainotettava joukon haasteiden kanssa, jotka liittyvät suorituskykyyn, luottamukseen ja kustannuksiin, mikä tarkoittaa, että organisaatioiden on keskityttävä nyt tekoälypohjaisiin R&D&I-pyrimyksiinsä saavuttaakseen menestystä, riippumatta siitä, mitä tulevaisuus tuo.

Tämä artikkeli on kirjoitettu Albert Meigen, Zoe Huczokin, Arnaud Siraudinin ja Arthur D. Littlein avustuksella.