הבום של האינטליגנציה המלאכותית הגיע לנקודת אמצע מכריעה: מה שתאגידים צריכים לדעת

בית הספר היסודי לא היה השיא של אף אחד – אבל כולנו היו צריכים לעבור אותו, עם כאבי גדילה והכל, כדי להגיע לגרסה טובה יותר, בוגרת יותר, של עצמנו.

הבום הנוכחי של האינטליגנציה המלאכותית נכנס למשהו משלו, מעין גיל ההתבגרות סוער, שכך קוראים לו המומחים – האמצע המסובך בין אימוץ לבגרות. ההיסטריה הראשונית דעכה, ועכשיו, ארגונים מתמקדים בהפיכת האינטליגנציה המלאכותית למשהו אופרציונלי באמת. אבל האינטליגנציה המלאכותית מגיעה לבגרות בתקופה מאתגרת. התחזיות הן בכל מקום, הסקפטיות גבוהה בין עסקים וצרכנים כאחד, ושיחות על בועה מתפשטת של אינטליגנציה מלאכותית הופכות את מנהיגי התאגידים לנמרץ, מחכים לפופ הנכסף.

ברגע המכריע הזה, ארגונים צריכים לפענח את האותות מהרעש – האם הם מסתובבים את מאמציהם מניסוי ליישום מעשי, או מיישום מעשי לאוניברסליות אופרציונלית. זה דורש התמקדות בגורמים מוחשיים שהם יכולים לשלוט בהם, כמו תשתית וכשירות נתונים; מדידת תוצאות; ובניית היסוד לקנה מידה.

גישת התשתית קודם

אמיתות כשירות לאינטליגנציה מלאכותית דורשת תשתית נכונה כדי לתמוך בפריסה ברת קיימא של עומסי עבודה של אינטליגנציה מלאכותית. טבעי, האינטליגנציה המלאכותית גרמה לעליה בביקוש לשירותי ענן: הוצאות על ענן צפויות ל עליה של 40% השנה, עם תשתית היוצרת את הפריט היקר ביותר בתקציב, ומרכזי נתונים חדשים צומחים בכל יבשת כדי להתאים לביקוש הגדל של אינטליגנציה מלאכותית. בנקודת המפנה הזו של האינטליגנציה המלאכותית, בחירות תשתית הן קיומיות. התשתית מגדירה מה בטוח, מה אפשרי, ומה באמת יועיל לעסק, במקום ליצור נטל על משאבים.

תשתית ברת קיימא מוגדרת על ידי יותר מעלות וכוח חישוב כולל. כאשר ארגונים קובעים היכן ואיך לארח את עומסי העבודה שלהם, הם חייבים לשקול נושאים של יעילות משאבים, אבטחה, נראות ומחיר כולל. תשתית אינטליגנציה מלאכותית לא יכולה להיות השקעה חד פעמית, אלא תהליך בתנועה, המסוגל להתפתח עם הדרישות של כל פרויקט.

זוהי עזיבה חדה מהגישות ההיסטוריות להוצאות ענן. לפני הבום הנוכחי של האינטליגנציה המלאכותית, ארגונים תלו בדרך כלל בספק שירותי ענן בודד – בדרך כלל מפעיל על – כדי לארח את פעולותיהם המבוססות ענן. עכשיו, המורכבות והמגוון של עומסי עבודה של אינטליגנציה מלאכותית מאתגרים את המודל הזה, במיוחד כאשר תאגידים נעים לעבר מקרים שימושיים יותר, ועננים חלופיים צומחים כדי לענות על הביקוש.

יוזמות אינטליגנציה מלאכותית מודרניות דורשות כוח חישוב רב, אותו השלושה הגדולים מסוגלים לספק. הסדקים מתחילים להופיע כאשר כל הכוח הזה הופך ליתר מדי. חוזים של מפעילי על יכולים להיות יקרים, מנופחים עם תוספות לא נחוצות, ואולי לא יציעו את הביטחון והמגורים הנדרשים לפרויקטים רגישים מאוד.

במקום לקשור את פעולות הענן שלהם לספק יחיד, תאגידים יכולים לנצל מחלקה גדלה של חלופות כדי להרכיב את הסטקים שלהם ברחבי ספקים שונים, סוגי GPU והפוך / פרטי ענן על בסיס צרכיהם הספציפיים. בדרך זו, הם לא משלמים עבור תכונות שהם לא צריכים, בעודם מתאימים את ענניהם למה שהם כן צריכים.

גישת תשתית קודם להגעה לבגרות של אינטליגנציה מלאכותית היא יצירת יסוד איתן לקנה מידה, אחד שממזער את היעילות והתועלת ללא ויתור על כוח.

מניסוי ליישום

במהלך השנים האחרונות, עסקים ברחבי העולם ניסו לגלות כיצד לשלב את האינטליגנציה המלאכותית לתוך פעולותיהם. מונעים על ידי סקרנות ומעט היסטריה, הם דחפו את גבולות החדשנות, פתחו אפשרויות חדשות ליעילות, והעלו את הפוטנציאל של כלים ומודלים פתוחים רבים. הם גם רצו היישר למציאות, למדו שהפילוסופיה “לנוע מהר ולשבור דברים” של עמק הסיליקון לא תמיד הדרך ללכת, במיוחד כאשר מדובר בטכנולוגיה כחזקה כמו אינטליגנציה מלאכותית.

עכשיו, כאשר תאגידים יוצאים משלב הניסוי, כישלון אינו אפשרי. דיוק הוא ביקורתי. ביצועים לא יכולים להישאר מאחור. אם תאגידים הולכים לבנות מחדש פונקציות עסקיות מרכזיות על מסגרת אינטליגנציה מלאכותית, הם חייבים להכפיל את “החלקים המשעממים” שלוקחים את האינטליגנציה המלאכותית מניסוי יצירתי למכפיל כוח, כולל:

• אבטחת נתונים ופרטיות: רבים ממודלי האינטליגנציה המלאכותית משתמשים בנתונים אישיים ועסקיים רגישים כדי לפעול ביעילות. ארגונים זקוקים לוודאות שנתוניהם מאורחים באופן בטוח, ללא סיכון של שכפול לא מורשה או “חשיפת אינטליגנציה מלאכותית אפלה”.
• ניהול מחזור חיים של מודל: מודלים חייבים להיות מדויקים, עדכניים, ומאומנים מחדש באופן סדיר כדי לתמוך בפונקציות עסקיות קריטיות.
• עקביות ביצועים: בין אם מפריסים מודלים לשימוש פנימי או בפעולות הפונות ללקוחות, ודאות ביצועים עקביים היא ביקורתית ליעילות וקלות השימוש. רבים מבעיות הביצועים הנפוצות, כמו אלו הקשורים לעיכוב או הפסקת פעילות, נפתרים ברמת התשתית.

כרגע, רק 37% מהארגונים מפריסים מודלים יצירתיים חדשים בתדירות חודשית, שבועית או יומית. ככל שיותר ארגונים נכנסים לשלב היישום, אחוז זה יעלה באופן משמעותי, ויצרו דרישה גדולה יותר לכוח חישוב – אבל גם לתשתית מותאמת למודלים ספציפיים. “מודל קל משקל” לא זקוק ליסודות של מפעיל על, אבל אם הוא משתמש במידע רגיש, הוא עשוי לזקוק לרמה זו של אבטחה. זה המקום בו עננים מותאמים נכנסים – ולמה תשתית צריכה להיות השיקול הראשוני במהלך מעבר ארגוני של אינטליגנציה מלאכותית.

מיישום לקנה מידה

עבור עסקים שמוכנים יותר לאורך עקומת הבגרות, יישום מעשי של אינטליגנציה מלאכותית כבר הוא חלק מיומם. עכשיו, הם מכוונים להגדיל את היישומים האלה כדי ליצור ערך רב יותר ולהתפתח לחלוטין.

הלחץ הוא עליהם, והיתרונות ברורים: 81% מהארגונים ברמה הגבוהה ביותר של בגרות אינטליגנציה מלאכותית דיווחו על תוצאות פיננסיות טובות יותר בשנה האחרונה. זהו השלב בו יישומי אינטליגנציה מלאכותית עוברים את מבחן הלחץ הגדול ביותר. הם עוברים את מבחן הריח בסביבה מבודדת, אבל האם הם יכולים לבלוע יותר נתונים? לפעול באזורים חדשים? ואולי השאלה החשובה ביותר: האם הם יכולים להניב תוצאות משמעותיות?

קנה מידה הוא גדילה, אבל במקרים מסוימים, פחות זה יותר. עסקים בשלב הזה צריכים לשקול האם מודלים קטנים של שפה (SLM) עשויים לבצע טוב יותר מאשר מודלים רב-תכליתיים גדולים של שפה (LLM). יוזמות אינטליגנציה מלאכותית הן המוצלחות ביותר כאשר הן קשורות לבעיות עסקיות אמיתיות ויכולות להניב תוצאות מדידות.

דפוס דומה מתרחש ביישום ובקנה מידה של סוכני אינטליגנציה מלאכותית – החזית הבאה של אינטליגנציה מלאכותית אוטונומית. סוכנים שמבצעים משימות ספציפיות לתחום, המונחים על ידי מאגר נתונים ממוקד ותוחזק באופן עקבי, הם אלו שבאמת עושים השפעה ממשית בתאגיד. עם זאת, סוכנים מיוחדים עדיין זקוקים לכוח חישוב משמעותי, אם כי לא כמו סוכן כללי. קידום תשתית מלכתחילה יאפשר לארגונים להפיק רווח אמיתי מיוזמות האינטליגנציה המלאכותית שלהם, מבלי לפוצץ את תקציבי הענן שלהם.

חדשנות עם השפעה

ה”מרוץ” של האינטליגנציה המלאכותית הוא פחות “מרוץ” מאשר שיפוץ: אם אנו בונים מחדש את התאגיד, אנו רוצים לעשות זאת על יסוד איתן – אחרת, הקירות בהכרח י