Dostarczanie efektów z AI w badaniach, rozwoju i innowacjach

Sztuczna inteligencja (AI) przekształca badania, rozwój i innowacje (R&D&I), odblokowując nowe możliwości rozwiązania niektórych z najbardziej palących wyzwań świata, w tym zrównoważoności, opieki zdrowotnej, zmiany klimatu oraz bezpieczeństwa żywności i energii, a także pomaga organizacjom w lepszym innowowaniu i wprowadzaniu przełomowych produktów i usług.

AI w R&D&I nie jest nowy. Jednak wzrost generatywnej AI (GenAI) i dużych modeli językowych (LLM) znacznie zwiększył jego możliwości, przyspieszając przełomy i innowacje.

Jak organizacje mogą skorzystać z AI w swoich wysiłkach R&D&I, a jakie są najlepsze praktyki, które należy przyjąć, aby osiągnąć sukces? Aby dowiedzieć się, Instytut Blue Shift z Arthur D. Little przeprowadził kompleksowe badanie, przeprowadzając wywiady z ponad 40 dostawcami AI, ekspertami i praktykami, a także przeprowadzając ankietę wśród ponad 200 organizacji z sektora publicznego i prywatnego. Wynikający z tego raport, Eureka! on Steroids: AI-driven Research, Development, and Innovation, oferuje dogłębną analizę bieżącej sytuacji i przyszłej trajektorii AI w badaniach i innowacjach.

Nasza analiza koncentruje się na pięciu kluczowych obszarach:

AI dostarcza korzyści w całym R&D&I – ale nie zastąpi ludzi

Każdy element budulcowy R&D&I może skorzystać z AI, od technologii i wywiadu rynkowego po strategię innowacji, ideę, zarządzanie portfelem i projektem, a także zarządzanie własnością intelektualną. Gdy próbujemy zrozumieć te korzyści, pojawiają się trzy kluczowe czynniki:

• AI uzupełni badaczy, zamiast ich zastępować, zwalniając ich czas i umożliwiając im być bardziej produktywnymi i kreatywnymi
• AI pomaga rozwiązać nierozwiązywalne problemy, które nie mogły być podejmowane wcześniej ze względu na szybkość i zdolność do skalowania i uczenia się technologii, otwierając nowe drogi innowacji
• AI zajmie pozycję “planisty-myśliciela”, przechodząc poza generowanie treści i wyszukiwanie, aby objąć bardziej złożone role, takie jak menedżer wiedzy, generator hipotez i asystent zespołów R&D&I.

Gdy decydujemy, czy użyć AI do rozwiązania konkretnego przypadku użycia R&D&I, nie ma uniwersalnego modelu do wdrożenia. Aby zrozumieć, jaki podejście AI da najlepsze wyniki, organizacje muszą skoncentrować się na dwóch czynnikach – rodzaju i ilości dostępnych danych (od niewielu do wielu) i naturze zadawanego pytania (od otwartego do konkretnego). Jednocześnie jeden AI może nie dać optymalnych wyników — większość systemów inteligentnych wyprodukowanych w ciągu ostatnich 15 lat była systemami systemów. Są to niezależne systemy AI, modele lub algorytmy zaprojektowane do określonych zadań, które, gdy połączone, oferują większą funkcjonalność i wydajność.

Sukces wymaga ośmiu dobrych praktyk

Na podstawie wywiadów z badaczami, naukowcami AI, założycielami i kierownikami R&D w zespołach cyfrowych, produkcyjnych, marketingowych i R&D widzimy osiem dobrych praktyk, które podtrzymują udane wdrożenie AI. Organizacje muszą:

• Przyjąć metodyki zwinne, aby zespoły mogły pracować szybko w szybko zmieniającym się środowisku AI
• Zbudować solidne podstawy, koncentrując się na jakości danych, współpracy w całej organizacji i wykorzystaniu danych własnych
• Podjąć strategiczną decyzję między budową, kupnem a dopracowaniem modeli, przy czym ostatnie podejście jest często najskuteczniejsze
• Rozważyć analityczne kompromisy, aby zapewnić postęp podczas projektów proof-of-concept, takich jak nabycie versus synteza danych, precyzja versus recall i niedostrajanie versus przestrojenie
• Będą proaktywni w wykorzystaniu dostępnego talentu naukowego, w tym partnerstwa na zewnątrz organizacji, aby nabyć niezbędne umiejętności
• Wyrównać z IT, aby zrównoważyć bezpieczeństwo i zgodność z szybkością eksperymentowania
• Demonstrować korzyści szybko i uzyskać akceptację użytkowników, aby zbudować zaufanie i odblokować dalsze inwestycje
• Utrzymywać i monitorować wydajność systemu w sposób ciągły, szczególnie wokół ulepszeń modelu

3. Składniki technologiczne są już na miejscu

Jak w przypadku większości przypadków użycia AI, łańcuch wartości R&D&I składa się z trzech warstw – infrastruktury, deweloperów modeli i aplikacji.

Jeśli chodzi o infrastrukturę, koszt wdrożenia i utrzymania wystarczającej mocy obliczeniowej jest duży, ale dostawcy hostingowi coraz częściej oferują modele inference-as-a-service, uruchamiając inferencje i zapytania w chmurze, aby usunąć potrzebę infrastruktury wewnętrznej, obniżając wydatki początkowe i demokratyzując dostęp do AI.

Łańcuch wartości AI w R&D&I silnie opiera się na głównych modelach open source od graczy takich jak Meta, Microsoft i Nvidia. Jednak mniejsi gracze, tacy jak Mistral i Cohere, również tworzą kluczową część ekosystemu, podobnie jak instytucje akademickie.

Na końcu łańcucha, ogólne i specjalistyczne aplikacje R&D&I zostały już stworzone, aby spełnić większość przypadków użycia, z ponad 500 dostępnymi, pokrywającymi cały proces R&D&I.

Przyszłość jest niepewna – ale planowanie scenariuszy pomaga w zrozumieniu

Jak AI w R&D&I będzie ewoluował, zależy od wyników trzech głównych czynników – wydajności, zaufania i przystępności. Połączenie tych czynników prowadzi do sześciu prawdopodobnych scenariuszy przyszłości na spektrum od AI, które transformuje każdy aspekt R&D&I do użycia tylko w wybranych, niskiego ryzyka przypadkach użycia. Na skali od maksymalnego do minimalnego wpływu, te scenariusze są:

• Blockbuster: AI staje się najważniejszym elementem w cyklu R&D, zmieniając organizacje na drodze. Dane stają się nową granicą.
• Crowd-Pleaser: AI jest wygodne, przystępne i przyjęte do codziennych zadań produkcyjnych, ale nie dostarcza wartości naukowej/kreacyjnej.
• Crown Jewel: AI dostarcza produktywność i przełomowe odkrycia, ale tylko tym organizacjom, które mogą je sobie pozwolić – prowadząc do świata R&D&I z dwoma prędkościami.
• Problem Child: Pomimo niektórych przypadków użycia i przystępnych rozwiązań, AI nie potrafi udowodnić swojej wartości – organizacje R&D&I pozostają zaniepokojone bezpieczeństwem danych, deontologią i brakiem interpretowalności.
• Best-Kept Secret: Wydajność AI poprawia się, ale wysokie koszty sprawiają, że organizacje stają się bardziej ostrożne. Niskie zaufanie i biurokracja ograniczają przyjęcie z nielicznymi nowymi śmiałymi eksperymentami.
• Cheap & Nasty: AI jest powszechnie używany w przypadkach niskiego ryzyka, ale tylko jako narzędzie prototypowania lub brainstormingowe. Niewiarygodne systemy są ściśle sprawdzane, a dane wyjściowe są weryfikowane, ograniczając zyski produktywności.

Zrozumienie tych scenariuszy jest ważne dla organizacji R&D&I, które wyznaczają drogę do przodu dla swojego przyjęcia AI.

Czas dla organizacji R&D&I, aby działać, jest teraz

W niektórych sytuacjach AI już umożliwia podwójne poprawy czasu, kosztów i wydajności w formułowaniu, rozwoju produktu, wywiadzie i innych zadaniach R&D&I. To oznacza, że niezależnie od tego, jaki scenariusz się rozegra, sześć ruchów bez ryzyka pomoże organizacjom R&D&I zbudować odporność i wykorzystać korzyści AI. Muszą oni:

• Zarządzać i upoważniać talent, zapewniając, że siła robocza ma szkolenie i ekspertyzę, aby wykorzystać AI, jeśli to konieczne, zlecając wdrożenia dostawcom zewnętrznym w średnim terminie
• Kontrolować zawartość generowaną przez AI, aktualizując procesy zarządzania ryzykiem i udostępniając metodyki walidacji publicznie, aby zbudować zaufanie
• Budować dzielenie się danymi i współpracę, pracując z szerszym ekosystemem publicznym i prywatnym, aby napędzać pomyślne przyjęcie AI
• Szkolić na dłuższą metę, edukując najszerszą możliwą populację użytkowników na temat podstaw AI, wymaganych umiejętności i potencjalnych ryzyk
• Przebudowywać organizację i zarządzanie, przenosząc je poza IT, aby dać seniorom focus i zniszczyć silosy, aby ułatwić współpracę
• Współdzielić zasoby obliczeniowe, pracując z partnerami lub dzieląc zasoby wewnętrznie, aby w sposób ekonomiczny spełnić bieżące i przyszłe potrzeby infrastruktury

Poza tymi ruchami bez ryzyka, sukces przyjdzie z tworzeniem zrównoważonego portfela inwestycji R&D&I opartych na AI, wyrównanych z celami korporacyjnymi. To oznacza rozważenie zakresu, kosztów i korzyści konkretnych przypadków użycia AI i używanie tego do napędzania optymalizacji portfela projektów innowacyjnych. Decyzje powinny opierać się na celach strategicznych, zdolnościach i wywiadzie rynkowym, a także kontekście, w którym organizacje działają.

Każdy etap łańcucha wartości badawczo-rozwojowego i innowacyjnego może potencjalnie zostać przekształcony za pomocą AI, uzupełniając badaczy, aby przekształcić produktywność i umożliwić przełomowe innowacje. Te możliwości muszą być zrównoważone z szeregiem wyzwań wokół wydajności, zaufania i przystępności, co oznacza, że organizacje muszą skoncentrować się teraz, aby umieścić swoje wysiłki R&D&I AI, aby osiągnąć sukces, niezależnie od tego, co przyniesie przyszłość.

Artykuł ten został napisany przy pomocy Alberta Meige, Zoe Huczok, Arnauda Siraudina i Arthura D. Little.