Miten ja milloin ratkaiseminen: Liiketoimintastrategian sisällyttäminen tekoälyn käyttöön

Olemme saavuttaneet tekoälyn (AI) käännekohdan, jossa neuvotteluhuoneissa käytävät keskustelut ovat siirtyneet tehokkuudesta käytävästä keskustelusta adoption nopeuttamiseen. Tämä on jännittävää aikaa, varsinkin kun otetaan huomioon, että muutosvauhti ei ole enää koskaan näin hidasta. BCG: n mukaanMaailmantalouden epävarmuudesta huolimatta innovaatio nousi yritysten tärkeimmäksi painopisteeksi vuonna 2023, ja 79 % yrityksistä sijoittui sen kolmen tärkeimmän tavoitteensa joukkoon.

Mutta innovaatio innovaation vuoksi ei ole järkevä liiketoimintastrategia, ja tekoälyhuippuun joutuvat organisaatiot voivat sijoittaa hypetykseen pitkän aikavälin arvoa luovien ratkaisujen sijaan. Eron ymmärtäminen edellyttää nykyisten kykyjen huolellista harkintaa ja kärsivällisyyttä priorisoida kestävä kasvu lyhyen aikavälin trendien sijaan.

Goldilocks Zone

Yrityshistoria on täynnä esimerkkejä yrityksistä, joiden strategiset päätökset keskeisinä hetkinä ovat seuranneet niiden olemassaoloa. Esimerkiksi, Amazon selvisi dot-comin romahtamisesta tunnustamalla sen tärkeyden mukauttaa kirjanpitostrategiaansa ja kasvattaa varantoja samalla kun muut yritykset polttivat käteistä kuin huomista ei olisi. Asia on siinä, että järkevät liiketoimintapäätökset ovat kriittisempiä kuin koskaan massainnostuksen aikoina, ja huomisen suunnittelu vaatii tarkkaa kykyä miettiä kaikkia mahdollisia skenaarioita.

Kaiken kaikkiaan johtoryhmät ovat tunkeutuneet AI FOMO:n ("pelko jäämisen pelosta") tunne, jota vaikeuttaa entisestään se tosiasia, että tekemättä jättäminen (eli antautuminen "analyysin halvaantumiseen") on myös todellinen uhka. (Kysy vain Kodak.) Tässä on 3 näkökohtaa yrityksille, jotka etsivät tekoälyn "kultakukkovyöhykettä" – eivät investoi liian nopeasti tai liian hitaasti, vaan löytävät kestävän innovaation suloisen paikan.

1. Keskity ensin tiedon kasvuun

Kuten minkä tahansa koneen, on tärkeää ymmärtää sen sisäinen toiminta, jotta saadaan selville, mistä arvo tulee. Tämä tarkoittaa, että tekoäly ei ole täysin muodostunut tuote, vaan sen suuret kielimallit (LLM) perustuvat valtaviin määriin erilaisia ​​tietopisteitä oppiakseen kuvioita, kontekstia ja kielellisiä vivahteita. LLM:ien valtava koko ja monimutkaisuus edellyttävät laajaa koulutusdataa toimiakseen tehokkaasti eri aloilla ja tehtävissä. Näiden tietojen laatu ja määrä vaikuttavat suuresti LLM-yritysten ja sitä kautta yrityksen tekoälytyökalujen suorituskykyyn.

Vahvempien dataekosysteemien luominen on siksi viisas ensimmäinen investointi jokaiselle tekoälymuutosta suunnittelevalle yritykselle, ja tämä data toimii perustana LLM:ille niiden kasvaessa ja kehittyessä. Tässä kehityksessä korkealaatuinen data tulee entistä kriittisemmäksi. Vaikka tutkimukset ovat osoittaneet, että LLM:t voivat olla päteviä minimaalisella tiedolla, asiantuntijat sanovat nyt että "tiedon laadun ja monimuotoisuuden vaikutus sekä linjaukseen että muihin LLM-koulutuksen keinoihin (esikoulutus, hienosäätö, ohjattavuus jne.) on aivan valtava."

2. Tunnista yrityskäyttötapaus

Vaikka tekoälyllä on varmasti kapasiteettia laajoihin ulkoisiin sovelluksiin, useimmat yritykset keskittyvät enemmän käyttämään tekniikkaa sisäisten prosessiensa optimointiin. "Optimoi" on avainsana tässä, mikä tarkoittaa, että yritysten ei pitäisi odottaa vain plug-and-play AI-ohjelmistoa parantaakseen tuotantoaan maagisesti. Jotkin menestyneimmistä tekoälyn käyttötapauksista sisältävät pikemminkin tietojen analysoinnin, jotta saadaan arvokkaita näkemyksiä asiakkaiden käyttäytymisestä, markkinatrendeistä ja mahdollisista riskeistä. Se on myös osoittautunut tehokkaaksi sisäisten toimintojen virtaviivaistamisessa, kuten manuaalisten tehtävien automatisoinnissa, jotta työntekijöiden aika voidaan varata korkeamman tason toimintoihin.

Lyhyesti sanottuna organisaatioiden on keskityttävä tiettyihin ongelmiin, jotka he tarvitsevat tekoälynsä ratkaistavaksi, sen sijaan, että tuhlasivat aikaa miettimään, mitä tekoälymalleja tulisi käyttää. (eli aloita siirrettävästä neulasta, määritä KPI, johon haluat vaikuttaa, ja siirry sitten taaksepäin kohti sitä, millä tekoälytyökaluilla nämä tavoitteet saavutetaan.) MIT:n Global Executive AI Survey, 90 % tekoälyä uusien KPI:iden luomiseen käyttävistä sanoo näkevänsä KPI:nsä paranevan. "Nämä tekoälytietoiset KPI:t tarjoavat liiketoimintaetuja ja osoittavat uusia ominaisuuksia: ne johtavat usein tehokkuuteen ja taloudelliseen hyötyyn ja ovat yksityiskohtaisempia, aikaherkempiä ja organisaation tavoitteiden mukaisia."

3. Rakenna räätälöityjä tekoälytyökaluja käyttämällä avoimen lähdekoodin LLM:itä

Rakentaa tai ostaa – se on kysymys. Räätälöidyn tekoälyratkaisun rakentaminen voi tuntua pelottavalta, ja monet yritykset päättävät ostaa lisenssin ulkopuoliselta toimittajalta, jolla on oma LLM, välttääkseen tälle tielle menemisen. Lisenssi voi kuitenkin rajoittaa LLM:n käyttöä, ja lisenssimaksut voivat tulla erittäin kalliiksi ajan myötä. Vaihtoehtoisesti avoimen lähdekoodin LLM:t ovat ilmaisia, ja taustalla olevaa arkkitehtuuria kehittäjät voivat käyttää, rakentaa ja muokata yrityksen erityistarpeiden mukaan.

Tämä avoimen lähdekoodin malliekosysteemi on kasvattanut suosiotaan yritysten pyrkiessä pitämään arkaluontoiset tiedot verkossaan ja pitämään hallussaan enemmän tietojaan. Avoimen lähdekoodin LLM:t antavat yrityksille tätä läpinäkyvyyttä ja joustavuutta sekä lisäetuja, jotka ovat pienemmät viiveongelmat ja lisääntynyt suorituskyky. IBM ja NASA tekivät äskettäin yhteistyötä kehittääkseen avoimen lähdekoodin LLM, joka on koulutettu paikkatietoon auttaa tutkijoita torjumaan ilmastonmuutosta, osa NASAn vuosikymmeniä jatkunutta avoimen lähdekoodin tiedettä aloite rakentaa helpommin saatavilla oleva, osallistava ja yhteistyökykyinen tiedeyhteisö.

Kuten kaikkiin avoimen lähdekoodin tekniikoihin, avoimen lähdekoodin LLM:ihin liittyy riskejä, mukaan lukien mahdolliset tietovuodot/loukkaukset, epätarkkoihin tai virheellisiin tietoihin perustuvat hallusinaatiot/harhat sekä huonot toimijat, jotka manipuloivat tietoja tarkoituksella. Mutta avoimen lähdekoodin malleista tulee ajan myötä älykkäämpiä ja turvallisempia, mikä johtaa jotkut asiantuntijat uskoa, että avoimen lähdekoodin LLM:t saavuttavat pian parhaiden suljetun lähdekoodin LLM:ien tason, mikä oikeuttaa investoinnin varhaiseen käyttöönottoon ja tiimien osaamisen parantamiseen käytetyn ajan.

Tekoälyn käyttöönotto on useita pikajuoksuja maratonissa

Perustuu viimeaikaiset luvut, Yhdysvalloissa on noin 15,000 2017 tekoälyyritystä, mikä on yli kaksinkertainen määrä vuonna XNUMX. Maailmanlaajuisesti nämä luvut kasvavat lähes nelinkertaisiksi. Koska monet myyjät ja kuumat uudet startupit mainostavat palveluitaan, ei ole ihme, että yrityksillä on vaikeuksia päättää, mihin sijoittaa aikansa ja rahansa. Mutta arvioimalla huolellisesti tarpeitasi ja innovaatioiden tarjoamia riskejä/hyötyjä, johtajat löytävät oikean yhdistelmän tekoälyä viedäkseen yrityksensä kohti kestävän kasvun tulevaisuutta.