ืื ืืืื ืืขื
ืืื GenAI ืืขืฆืจืช ืืื ื ืืืื ืืืง
כאשר חברות מתמודדות עם המעבר של פרויקטים של Generative AI מניסוי לייצור – רבות מהעסקים נשארות תקועות במצב ניסוי. כפי שמחקרנו האחרון מדגיש, 92% מהארגונים מודאגים שניסויי GenAI מאיצים ללא פתרון בעיות נתונים בסיסיות. עוד יותר מגלה: 67% לא הצליחו להגדיל אפילו חצי מניסוייהם לייצור. פער זה בייצור הוא פחות על ערוץ הבשלות הטכנולוגית ויותר על כשירות הנתונים התשתיתי. הפוטנציאל של GenAI תלוי בעוצמת הקרקע עליה הוא עומד. וכיום, עבור רוב הארגונים, הקרקע היא רופפת לכל היותר.
למה GenAI נתקע בניסוי
אף על פי שפתרונות GenAI בהחלט עוצמתיים, הם יעילים רק ככל שהנתונים שמזינים אותם. הביטוי הישן “זבל פנימה, זבל החוצה” הוא נכון יותר מתמיד. ללא נתונים מהימנים, שלמים, מורשים וניתנים להסבר, מודלים של GenAI מייצרים תוצאות שאינן מדויקות, מוטות או לא מתאימות למטרה.
לצערנו, ארגונים ניסו לפרוש שימושים קלים, כמו צ’אטבוטים מופעלים באמצעות AI המציעים תשובות מותאמות ממסמכים פנימיים שונים. ואילו אלו משפרים את חוויית הלקוחות במידה מסוימת, הם אינם דורשים שינויים עמוקים בתשתית הנתונים של החברה. אבל כדי להגדיל GenAI באופן אסטרטגי, האם בתחום הבריאות, שירותים פיננסיים או אוטומציה של שרשרת אספקה, דורש רמה אחרת של בשלות נתונים.
בעובדה, 56% מקציני הנתונים הראשיים מצביעים על אמינות הנתונים כמחסום מפתח לפריסת AI. בעיות אחרות הן נתונים לא שלמים (53%), בעיות פרטיות (50%), ופערים גדולים יותר בניהול AI (36%).
אין ניהול, אין GenAI
כדי לקחת GenAI מעבר לשלב הניסוי, חברות חייבות לטפל בניהול נתונים כדבר הכרחי אסטרטגי לעסקיהן. הן צריכות לוודא שהנתונים מעולים למשימה של הפעלת מודלים של AI, ולכך, השאלות הבאות צריכות להיענות:
- האם הנתונים המשמשים לאימון המודל מגיעים מהמערכות הנכונות?
- האם הסרנו מידע זהה אישי ופעלנו לפי כל הרגולציות של נתונים ופרטיות?
- האם אנו שקופים, ויש לנו הוכחה למוצא הנתונים שהמודל משתמש בהם?
- האם אנו יכולים לתעד את תהליכי הנתונים שלנו ולהיות מוכנים להראות שהנתונים אינם מוטים?
ניהול נתונים גם צריך להיות משובץ בתוך התרבות של הארגון. כדי לעשות זאת, דורש בניית ספריית AI בכל הצוותים. חוק ה-AI של האיחוד האירופי מאשרר את האחריות הזו, ודורש מספקים ומשתמשים של מערכות AI להשקיע מאמצים רבים כדי לוודא שהעובדים מספיקים AI-אינטליגנטיים, ומבינים איך מערכות אלו פועלות ואיך להשתמש בהן באופן אחראי. אולם, אימוץ AI יעיל עובר מעבר לידע טכני. הוא דורש גם בסיס חזק במיומנויות נתונים, מהבנת ניהול נתונים ועד להצגת שאלות אנליטיות. טיפול באוריינות AI בנפרד מאוריינות נתונים היה קצר רואי, בהתחשב בכך שהם קשורים קשר הדוק.
במונחים של ניהול נתונים, עדיין יש עבודה לעשות. בין העסקים שרוצים להגדיל את השקעותיהם בניהול נתונים, 47% מסכימים שחוסר אוריינות נתונים הוא מחסום עליון. זה מדגיש את הצורך בבניית תמיכה ברמה הגבוהה ופיתוח המיומנויות הנכונות ברחבי הארגון. בלעדי אלו, אפילו ה-LLM החזקים ביותר יתקשו לספק.
פיתוח AI שחייב להישאר אחראי
בסביבה הרגולטורית הנוכחית, זה לא מספיק עוד ש-AI “פשוט עובד,” הוא גם צריך להיות אחראי ומוסבר. חוק ה-AI של האיחוד האירופי ותוכנית הפעולה המוצעת של בריטניה ל-AI דורשים שקיפות במקרים של AI בסיכון גבוה. אחרים עוקבים אחר מגמה זו, ו-1,000+ הצעות חוק משויכות לנושא זה ב-69 מדינות.
תנועה גלובלית זו לעבר אחריות היא תוצאה ישירה של דרישות הולכות וגוברות של לקוחות ובעלי עניין להוגנות באלגוריתמים. למשל, ארגונים חייבים להסביר מדוע לקוח נדחה לקבלת הלוואה או שולם פרמיה גבוהה לביטוח. כדי לעשות זאת, הם צריכים לדעת כיצד המודל קיבל החלטה זו, וזה בתורו תלוי בכך שיש מסלול ברור וניתן לביקורת של הנתונים ששימשו לאימונו.
אלא אם יש שקיפות, עסקים סובלים מאובדן אמון הלקוחות, כמו גם מעונשים כספיים ומשפטיים. כתוצאה מכך, עקיבות מוצא הנתונים והצדקת התוצאות אינן “נחמד להיות”, אלא דרישת ציות.
וכאשר GenAI מתרחב מעבר לשימוש בכלים פשוטים לסוכנים מלאים שיכולים לקבל החלטות ולפעול על פיהן, הימורים לניהול נתונים חזק עולים אפילו יותר.
צעדים לבניית AI אמין
אז, מה נראה “טוב”? כדי להגדיל GenAI באופן אחראי, ארגונים צריכים לאמץ אסטרטגיית נתונים בודדת על שלושה עמודים:
- התאמת AI לעסק: קטלוג הנתונים שלך סביב מטרות עסקיות מרכזיות, והבטח שהם משקפים את ההקשר, האתגרים וההזדמנויות הייחודיות לעסק שלך.
- יצירת אמון ב-AI: הקמת מדיניות, תקנים ותהליכים לציות ופיקוח על פריסת AI אתית ואחראית.
- בניית צינורות נתונים מוכנים ל-AI: שילוב מקורות הנתונים המגוונים שלך לתשתית נתונים עמידה לשימוש ב-AI עם חיבוריות GenAI מוכנים מראש.
כאשר ארגונים עושים זאת נכון, ניהול מאיץ ערך AI. למשל, בשירותים פיננסיים, קרנות גידור משתמשות ב-Gen AI כדי להתגבר על אנליסטים אנושיים בחיזוי מחירי מניות בעודם מקטינים משמעותית את העלויות. בתעשייה, אופטימיזציה של שרשרת אספקה המונעת על ידי AI מאפשרת לארגונים לגייס בזמן אמת לשינויים גאופוליטיים ולחצים סביבתיים.
ואלו אינם רק רעיונות עתידיים, הם קורים עכשיו, מונעים על ידי נתונים מהימנים.
עם יסודות נתונים חזקים, חברות מקטינות נדידת מודל, מגבילות מחזורי אימון מחדש, ומגדילות מהירות לערך. זהו הסיבה שניהול אינו מחסום; הוא מאיץ של חדשנות.
מה הבא?
אחרי ניסוי, ארגונים עוברים מעבר לצ’אטבוטים ומשקיעים ביכולות תרנ
