פתרון איך ומתי: החדרת אסטרטגיה עסקית לאימוץ בינה מלאכותית

הגענו לנקודת מפנה עם בינה מלאכותית (AI) שבה הדיונים בחדר הישיבות עברו מדיון ביעילות לאימוץ מואץ. זו תקופה מרגשת, במיוחד בהתחשב בעובדה שקצב השינוי לעולם לא יהיה כל כך איטי שוב. על פי BCG, למרות אי הוודאות הכלכלית העולמית, חדשנות עלתה בראש סדר העדיפויות של החברה בשנת 2023, כאשר 79% מהחברות מדרגות אותה בין שלושת היעדים המובילים שלהן.

אבל חדשנות למען חדשנות היא לא אסטרטגיה עסקית נכונה, וארגונים שנקלעים להופעת הבינה המלאכותית מסתכנים בהשקעה בהייפ, במקום בפתרונות שיוצרים ערך לטווח ארוך. הבנת ההבדל דורשת שיקול זהיר של היכולות הנוכחיות וסבלנות לתעדף צמיחה בת קיימא על פני מגמות קצרות טווח.

אזור הזהבה

ההיסטוריה העסקית עמוסה בדוגמאות של חברות שההחלטות האסטרטגיות שלהן ברגעי מפתח היו תוצאה של קיומן. לדוגמה, אמזון שרדה את פסל הדוט-קום על ידי הכרה בחשיבות של התאמת האסטרטגיה החשבונאית שלה והגדלת הרזרבות בזמן שחברות אחרות שורפות מזומנים כאילו אין מחר. הנקודה היא שהחלטות עסקיות נכונות הן קריטיות מאי פעם בתקופות של התלהבות המונית, ותכנון למחר דורש יכולת חדה לחשוב דרך כל התרחישים הפוטנציאליים.

בסך הכל, יש תחושה כללית של AI FOMO ("פחד מהחמצה") שחלחלה לצוותי מנהיגות, שהסתבכה עוד יותר על ידי המציאות שלעשות כלום (כלומר להיכנע ל"שיתוק על ידי ניתוח") הוא גם איום אמיתי. (פשוט תשאל קודאק.) הנה 3 שיקולים לחברות שמחפשות את "אזור הזהב" של בינה מלאכותית - לא משקיעות מהר מדי או איטיות מדי, אלא מוצאות את הנקודה המתוקה של חדשנות בת קיימא.

1. תחילה התמקדו בצמיחת נתונים

כמו כל מכונה, חשוב להבין את פעולתה הפנימית כדי להסיק מהיכן מגיע הערך. כלומר, בינה מלאכותית אינה מוצר מעוצב במלואו, אלא מודלים של שפה גדולים (LLM) שלו מסתמכים על כמויות אדירות של נקודות נתונים מגוונות כדי ללמוד דפוסים, הקשר וניואנסים לשוניים. הגודל והמורכבות העצומים של LLMs דורשים נתוני הכשרה נרחבים כדי לפעול ביעילות על פני תחומים ומשימות שונות. האיכות והכמות של נתונים אלה ישפיעו רבות על הביצועים של LLMs, ובהרחבה, על חבילת כלי הבינה המלאכותית של חברה.

יצירת מערכות אקולוגיות חזקות יותר של נתונים היא אפוא השקעה ראשונה נבונה עבור כל חברה שמתכננת טרנספורמציה של בינה מלאכותית, ונתונים אלה ישמשו כבסיס ללימודי LLM ככל שהם גדלים ומתפתחים. באבולוציה הזו נתונים באיכות גבוהה הופכים קריטיים עוד יותר. בעוד שמחקרים מצאו כי לימודי LLM יכולים להיות מוכשרים עם נתונים מינימליים, אומרים כעת מומחים כי "ההשפעה של איכות וגיוון הנתונים הן על יישור והן על דרכים אחרות של אימון LLM (אימון מקדים, כוונון עדין, יכולת היגוי וכו') היא מסיבית לחלוטין."

2. זהה מקרה שימוש עסקי

בעוד של-AI בהחלט יש את היכולת ליישומים חיצוניים רחבים, רוב החברות מתמקדות יותר בשימוש בטכנולוגיה כדי לייעל את התהליכים הפנימיים שלהן. "אופטימיזציה" היא מילת המפתח כאן, כלומר, חברות לא צריכות לצפות רק ל-Plug-and-Play תוכנת AI כדי לשפר בצורה קסומה את התפוקה. במקום זאת, כמה ממקרי השימוש המוצלחים ביותר של AI כוללים ניתוח נתונים כדי לחשוף תובנות חשובות לגבי התנהגות לקוחות, מגמות שוק וסיכונים פוטנציאליים. זה גם הוכח כיעיל בייעול פעילויות פנימיות, כולל דברים כמו אוטומציה של משימות ידניות כדי להקצות את הזמן של העובדים לפעילויות ברמה גבוהה יותר.

בקיצור, במקום לבזבז זמן על להבין באילו מודלים של AI להשתמש, ארגונים צריכים להתמקד בבעיות ספציפיות שהם צריכים לפתור את ה-AI שלהם. (כלומר התחל עם המחט שברצונך להזיז, הגדר את ה-KPI שאתה רוצה להשפיע, ולאחר מכן פעל לאחור לקראת אילו כלי AI ישיגו את המטרות הללו.) סקר הבינה המלאכותית העולמית של MIT, 90% מאלה שמשתמשים בבינה מלאכותית ליצירת מדדי KPI חדשים אומרים שהם רואים את מדדי ה-KPI שלהם משתפרים. "מדדי ה-KPI המיושמים בבינה מלאכותית מציעים יתרונות עסקיים ומפגינים יכולות חדשות: לעתים קרובות הם מובילים ליותר יעילות ולתועלת פיננסית גדולה יותר והם מפורטים יותר, רגישים לזמן ומתואמים עם היעדים הארגוניים."

3. בנה כלי AI מותאמים אישית באמצעות קוד פתוח LLMs

לבנות, או לקנות - זו השאלה. בניית פתרון AI מותאם יכולה להיראות מרתיעה, וחברות רבות בוחרות לרכוש רישיון מספק חיצוני עם LLM קנייני כדי להימנע מללכת בנתיב זה. עם זאת, הרישיון עשוי להגביל את אופן השימוש ב-LLM, ודמי הרישוי עלולים להתייקר עם הזמן. לחלופין, LLMs בקוד פתוח הם בחינם והארכיטקטורה הבסיסית זמינה למפתחים לגישה, לבנות ולשנות בהתאם לצרכי החברה הספציפיים.

מערכת אקולוגית זו של מודל קוד פתוח צברה פופולריות כאשר חברות משתדלות לשמור מידע רגיש ברשת שלהן ולשמור על שליטה רבה יותר על הנתונים שלהן. LLMs בקוד פתוח מעניקים לחברות את השקיפות והגמישות הזו, יחד עם היתרונות הנוספים של בעיות חביון מופחתות וביצועים מוגברים. יבמ ונאס"א חברו לאחרונה לפתח א LLM בקוד פתוח מאומן על נתונים גיאו-מרחביים לעזור למדענים להילחם בשינויי האקלים, חלק ממדע הקוד הפתוח של נאס"א בן עשור יוזמה לבנות קהילה מדעית נגישה יותר, מכילה ושיתופית יותר.

כמו בכל טכנולוגיית קוד פתוח, ישנם סיכונים הקשורים ל-LLMs בקוד פתוח, לרבות דליפות/פרצות אבטחה פוטנציאליות, הזיות/הטיות המבוססות על מידע לא מדויק או פגום, ושחקנים רעים המבצעים מניפולציות מכוון בנתונים. אבל מודלים של קוד פתוח נעשים חכמים ובטוחים יותר עם הזמן, ומובילים כמה מומחים להרגיש ש-LLMs בקוד פתוח יגיעו בקרוב לרמה של ה-LLMs הטובים ביותר בקוד סגור, מה שמצדיק את ההשקעה באימוץ מוקדם ובזמן המושקע בשיפור מיומנות הצוותים.

אימוץ AI יהיה מספר ספרינטים מהירים במרתון

בהתבסס על נתונים אחרונים, יש כ-15,000 חברות בינה מלאכותית בארצות הברית, יותר מכפול מהכמות בשנת 2017. ברחבי העולם, המספרים הללו גדלים כמעט פי ארבעה. עם כל כך הרבה ספקים וסטארטאפים חדשים וחמים שמקדמים את השירותים שלהם, אין זה פלא שחברות יכולות להתקשות להחליט היכן להשקיע את זמנן וכספן. אבל על ידי הערכה קפדנית של הצרכים שלך ושל הסיכונים/התגמולים שמציגים חדשנות, מנהיגים ימצאו את התמהיל הנכון של AI כדי להניע את החברות שלהם לעתיד של צמיחה בת קיימא.