מנהיגי מחשבה
AI גנרטיבי יכול לשנות את העולם - אבל רק אם תשתית הנתונים ממשיכה
למרות הבאזז מסביב AI Generative, רוב מומחי התעשייה עדיין לא התייחסו לשאלה משמעותית: האם יש פלטפורמה תשתיתית שיכולה לתמוך בטכנולוגיה הזו לטווח ארוך, ואם כן, האם היא תהיה בת קיימא מספיק כדי לתמוך בחידושים הרדיקליים שמבטיחה Generative AI?
כלי בינה מלאכותית גנרטיבית כבר בנו מוניטין רב, עם יכולתם לכתוב טקסט מסונתז היטב בלחיצת כפתור - משימות שאחרת עשויות לדרוש שעות, ימים, שבועות או חודשים כדי לבצע אותן באופן ידני.
הכל טוב ויפה, אבל בהיעדר התשתית המתאימה, לכלים האלה פשוט אין את היכולת לשנות את העולם באמת. בקרוב יעלה 76 $ מיליארד, עלויות התפעול האסטרונומיות של Generative-AIs הן עדות לעובדה זו כבר, אבל יש גורמים נוספים במשחק.
ארגונים צריכים להתמקד ביצירה וחיבור של הכלים הנכונים כדי למנף אותם בר קיימא וחייבים להשקיע בתשתית נתונים מרכזית שהופכת את כל הנתונים הרלוונטיים לנגישים בצורה חלקה עבורם LLM ללא צינורות ייעודיים. עם יישום אסטרטגי של הכלים המתאימים, הם יוכלו לספק את הערך העסקי שהם מחפשים למרות מגבלות הקיבולת שמרכזי הנתונים מטילים כיום - רק אז מהפכת הבינה המלאכותית תתקדם באמת.
תבנית מוכרת
על פי דו"ח חדש ממכון המחקר Capgemini, 74% מהמנהלים מאמינים שהיתרונות של בינה מלאכותית גנרטיבית עולים על החששות שלה. קונצנזוס כזה כבר גרם לשיעורי אימוץ גבוהים בקרב ארגונים - בערך 70% מארגוני אסיה-פסיפיק הביעו את כוונותיהם להשקיע בטכנולוגיות אלו או שהחלו לחקור מקרי שימוש מעשיים.
אבל העולם עבר בדרך הזו בעבר. קחו למשל את האינטרנט, שמשך בהדרגה יותר ויותר תשומת לב לפני שהתעלה על הציפיות באמצעות אינספור יישומים יוצאי דופן. אבל למרות היכולות המרשימות שלו, הוא המריא באמת רק ברגע שהיישומים שלו התחילו לספק ערך מוחשי לעסקים בקנה מידה.
מבט מעבר ל-ChatGPT
בינה מלאכותית נכנסת למעגל דומה. עסקים קנו במהירות את הטכנולוגיה, עם מוערך ב-93% של ארגונים שכבר עסקו במספר מחקרי מקרה של AI/ML בשימוש. אך ללא קשר לשיעור האימוץ הגבוה, ארגונים רבים עדיין נאבקים בפריסה - סימן מובהק לתשתית נתונים לא תואמת.
עם התשתית המתאימה, חברות יכולות להסתכל מעבר לרמת פני השטח של היכולות המפתות של Generative AI ולמנף את הפוטנציאל האמיתי שלה כדי לשנות את הנוף העסקי שלהן.
אכן, Generative-AI יכול לעזור בכתיבת בריף במהירות וברוב המקרים בצורה יעילה למדי, אבל הפוטנציאל שלו חורג הרבה מעבר לכך. מגילוי תרופות פוטנציאליות לטיפולי בריאות ועד אופטימיזציה של שרשרת האספקה, אף אחת מפריצות הדרך הללו אינה אפשרית אם מרכזי הנתונים התומכים ומניעים יישומי AI אינם חזקים מספיק כדי לנהל את עומסי העבודה שלהם.
התגברות על המחסום להרחבה
בינה מלאכותית גנרטיבית עדיין לא באמת סיפקה ערך משמעותי לעסקים מכיוון שאין לה מדרגיות. זה נובע מהעובדה שלמרכזי נתונים יש מגבלות קיבולת - התשתית שלהם לא נוצרה במקור כדי לתמוך בחקירה המאסיבית, התזמור וכיוונון המודלים שדורשים מודלים של שפה גדולה (LLMs) כדי להפעיל מספר מחזורי אימון ביעילות.
קצירת הערך מ- Generative AI אפוא מסתמכת על עד כמה העסק ממנף את הנתונים שלו, אותם ניתן לשפר באמצעות פיתוח ארכיטקטורת נתונים חזקה. ניתן להשיג זאת על ידי חיבור מקורות נתונים מובנים ובלתי מובנים ל-LLMs או על ידי הגדלת התפוקה של החומרה הקיימת.
חיוני שחברות המעוניינות להכשיר את ה-LLM שלהן על נתונים ארגוניים יוכלו קודם כל לאחד את הנתונים הללו בצורה אחידה. אחרת, סביר להניח שהנתונים שנותרו במבנה מכוסה ייצרו הטיה בכוחות הלמידה של ה-LLM.
מערכת תמיכה
בינה מלאכותית גנרטיבית לא הופיעה יש מאין - היא נמצאת בעבודה כבר די הרבה זמן, והשימוש והפוטנציאל שלה רק יגדלו בעשורים הבאים. אבל לעת עתה, היישומים העסקיים שלה פוגעים בקיר שאינו ניתן להרחבה.
המציאות היא שהכלים השונים הללו חזקים רק כמו תשתית עיבוד הנתונים התומכת בהם. לכן זה קריטי שמנהיגים עסקיים ימנפו פלטפורמות שיכולות לעבד את פטה-בייט של נתונים שהכלים הללו צריכים כדי לספק באופן מוחשי את הערך המשמעותי שהם מבטיחים.
