Rozwiązywanie problemu „jak” i „kiedy”: wprowadzanie strategii biznesowej do przyjęcia sztucznej inteligencji

Przekroczyliśmy punkt zwrotny w przypadku sztucznej inteligencji (AI), gdzie dyskusje w sali zarządu przesunęły się z debaty na temat skuteczności do przyspieszenia przyjęcia. Jest to ekscytujący czas, zwłaszcza biorąc pod uwagę, że tempo zmian nigdy nie będzie tak wolne jak teraz. Według BCG, pomimo globalnej niepewności gospodarczej, innowacje wzrosły jako najwyższy priorytet korporacyjny w 2023 roku, z 79% firm umieszczających je wśród swoich trzech najważniejszych celów.

Innowacje dla samej innowacji nie są jednak słuszną strategią biznesową, a firmy, które ulegają sztucznej inteligencji, ryzykują inwestowanie w hype zamiast w rozwiązania, które tworzą długoterminową wartość. Zrozumienie różnicy wymaga starannego rozważenia bieżących możliwości i cierpliwości, aby priorytetem były zrównoważony wzrost nad krótkoterminowymi trendami.

Strefa Goldilocksa

Historia biznesu jest usiana przykładami firm, których strategiczne decyzje w kluczowych momentach były konsekwencjami dla ich istnienia. Na przykład Amazon przetrwał bańkę internetową (AMZN ), rozpoznając wagę dostosowania strategii rachunkowej i zwiększenia rezerw, podczas gdy inne firmy przepalały pieniądze, jakby nie było jutra. Chodzi o to, że słuszne decyzje biznesowe są bardziej krytyczne niż kiedykolwiek w czasach masowego entuzjazmu, a planowanie na jutro wymaga bystrego umiejętności myślenia przez wszystkie możliwe scenariusze.

Ogólnie jest ogólne uczucie sztucznej inteligencji FOMO („strachu przed pozostaniem w tyle”), które przeniknęło zespoły kierownicze, dodatkowo skomplikowane przez fakt, że brak działania (tj. uleganie „paraliżowi przez analizę”) jest również realną groźbą. (Pytaj Kodak.) Oto 3 rozważania dla firm szukających „strefy Goldilocksa” sztucznej inteligencji – nie inwestując zbyt szybko ani zbyt wolno, ale znajdując słodkie miejsce zrównoważonej innowacji.

1. Skoncentruj się na wzroście danych

Jak każda maszyna, ważne jest zrozumienie jej wewnętrznych mechanizmów, aby wywnioskować, skąd pochodzi wartość. Sztuczna inteligencja nie jest w pełni ukształtowanym produktem, a jej duże modele językowe (LLM) opierają się na ogromnych ilościach różnorodnych punktów danych, aby nauczyć się wzorców, kontekstu i nuansów językowych. Ogromny rozmiar i złożoność LLM wymagają obszernych danych szkoleniowych, aby działać skutecznie w różnych dziedzinach i zadaniach. Jakość i ilość tych danych będą miały znaczący wpływ na wydajność LLM, a przez to na zestaw narzędzi sztucznej inteligencji firmy.

Tworzenie bardziej solidnych ekosystemów danych jest więc mądrym pierwszym inwestycją dla każdej firmy planującej transformację sztucznej inteligencji, a te dane posłużą jako podstawa do LLM, gdy będą rosły i ewoluowały. W tej ewolucji wysokiej jakości dane stają się jeszcze bardziej krytyczne. Chociaż studia wykazały, że LLM mogą być kompetentne z minimalnymi danymi, eksperci twierdzą, że „wpływ jakości i różnorodności danych na wyrównanie i inne drogi szkolenia LLM (wstępne szkolenie, dokształcanie, sterowanie itp.) jest absolutnie ogromny”.

2. Zidentyfikuj przypadki użycia biznesowego

Chociaż sztuczna inteligencja ma zdolność do szerokich zewnętrznych zastosowań, większość firm jest bardziej ukierunkowana na wykorzystanie technologii do optymalizacji wewnętrznych procesów. „Optymalizacja” to kluczowe słowo, co oznacza, że firmy nie powinny oczekiwać, że po prostu włączą oprogramowanie sztucznej inteligencji, aby magicznie poprawić wyniki. Zamiast tego, niektóre z najbardziej udanych przypadków użycia sztucznej inteligencji obejmują analizę danych, aby ujawnić cenne informacje na temat zachowania klientów, trendów rynkowych i potencjalnych ryzyk. Udowodniono również, że jest skuteczna w streamlinie wewnętrznych działań, w tym takich rzeczy, jak automatyzacja ręcznych zadań, aby zaoszczędzić czas pracowników na wyższe działania.

Krótko mówiąc, zamiast tracić czas na ustalenie, które modele sztucznej inteligencji używać, organizacje muszą skupić się na konkretnych problemach, które chcą rozwiązać za pomocą sztucznej inteligencji. (tj. zacznij od igły, którą chcesz poruszyć, ustaw wskaźnik, który chcesz wpłynąć, a następnie pracuj wstecz, aby określić, które narzędzia sztucznej inteligencji osiągną te cele.) Według ankiety MIT Global Executive AI, 90% osób, które używają sztucznej inteligencji do tworzenia nowych wskaźników KPI, twierdzi, że widzi poprawę wskaźników KPI. „Te wskaźniki KPI poinformowane o sztucznej inteligencji oferują korzyści biznesowe i demonstrują nowe możliwości: często prowadzą do większej wydajności i większych korzyści finansowych oraz są bardziej szczegółowe, wrażliwe na czas i zgodne z celami organizacyjnymi”.

3. Buduj niestandardowe narzędzia sztucznej inteligencji przy użyciu otwartych modeli językowych

Czy budować, czy kupić – to jest pytanie. Budowanie niestandardowego rozwiązania sztucznej inteligencji może wydawać się trudne, a wiele firm decyduje się na zakup licencji od zewnętrznego dostawcy z zamkniętym modelem językowym, aby uniknąć tego drogi. Jednak licencja może ograniczać sposób, w jaki model językowy może być używany, a opłaty licencyjne mogą być bardzo drogie w czasie. Zamiast tego, otwarte modele językowe są bezpłatne, a podstawowa architektura jest dostępna dla deweloperów, aby uzyskać dostęp, zbudować i zmodyfikować ją na podstawie konkretnych potrzeb firmy.

Ten model ekosystemu otwartego zyskał na popularności, ponieważ firmy starały się utrzymać wrażliwe informacje w sieci i zachować większą kontrolę nad danymi. Otwarte modele językowe dają firmom tę przejrzystość i elastyczność, wraz z dodatkowymi korzyściami, takimi jak zmniejszone problemy z opóźnieniami i zwiększoną wydajnością. IBM i NASA niedawno połączyły się, aby opracować otwarty model językowy opracowany na danych geoprzestrzennych, aby pomóc naukowcom w walce ze zmianą klimatu, w ramach dziesięcioletniej inicjatywy NASA Open-Source Science, aby zbudować bardziej dostępną, inkluzywną i współpracującą społeczność naukową.

Jak w przypadku każdej technologii otwartego oprogramowania, istnieją ryzyka związane z otwartymi modelami językowymi, w tym potencjalne luki w zabezpieczeniach / naruszenia, halucynacje / uprzedzenia na podstawie nieprecyzyjnych lub wadliwych informacji oraz złe intencje celowego manipulowania danymi. Ale otwarte modele stają się coraz mądrzejsze i bezpieczniejsze w czasie, co powoduje, że niektórzy eksperci uważają, że otwarte modele językowe wkrótce osiągną poziom najlepszych modeli językowych, uzasadniając inwestycje w wczesne przyjęcie i czas spędzony na podnoszeniu umiejętności zespołów.

Przyjęcie sztucznej inteligencji będzie wieloma szybkimi sprintami w maratonie

Na podstawie niedawnych danych, istnieje około 15 000 firm sztucznej inteligencji w Stanach Zjednoczonych, co jest ponad dwukrotnie większą liczbą niż w 2017 roku. Na całym świecie te liczby wzrastają prawie czterokrotnie. Z tak wieloma dostawcami i nowymi startupami promującymi swoje usługi, nie jest zaskakujące, że firmy mają trudności z decyzją, gdzie zainwestować swój czas i pieniądze. Ale poprzez staranną ocenę potrzeb i ryzyk / korzyści przedstawionych przez innowacje, liderzy znajdą odpowiednią mieszankę sztucznej inteligencji, aby przepchnąć swoje firmy do przyszłości zrównoważonego wzrostu.