Rozwiązywanie problemu „jak” i „kiedy”: Wprowadzanie strategii biznesowej w proces adopcji sztucznej inteligencji

Przekroczyliśmy punkt zwrotny w rozwoju sztucznej inteligencji (AI), gdzie dyskusje w sali konferencyjnej przesunęły się z debat na temat skuteczności do przyspieszenia adopcji. To ekscytujący czas, zwłaszcza biorąc pod uwagę, że tempo zmian nigdy nie będzie tak wolne jak teraz. Według BCG, pomimo globalnej niepewności gospodarczej, innowacje stały się jednym z głównych priorytetów korporacyjnych w 2023 roku, a 79% firm umieściło je wśród trzech najważniejszych celów.

Jednak innowacje dla samej innowacji nie są słuszną strategią biznesową, a firmy, które zostaną wciągnięte w sztuczną inteligencję, 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, a nie krótkoterminowe trendy.

Strefa złota

Historia biznesu jest pełna przykładów firm, których strategiczne decyzje w kluczowych momentach były istotne dla ich istnienia. Na przykład, Amazon przetrwał bańkę internetową, rozpoznając wagę dostosowania strategii rachunkowej i zwiększenia rezerw, podczas gdy inne firmy marnowały 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 umysłu, aby przemyśleć wszystkie możliwe scenariusze.

Ogólnie rzecz biorąc, jest powszechne uczucie sztucznej inteligencji FOMO („strach przed pozostaniem w tyle”), które przeniknęło do zespołów kierowniczych, co dodatkowo skomplikowało rzeczywistość, że nie robienie niczego (tj. uleganie „paraliżowi przez analizę”) jest również realną groźbą. (Pytaj Kodak.) Oto 3 rozważania dla firm szukających tej „strefy złotej” 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 zrozumieć, skąd pochodzi wartość. Sztuczna inteligencja nie jest gotowym 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 znacznie wpłynie na wyniki LLM, a przez to na zestaw narzędzi AI firmy.

Tworzenie bardziej solidnych ekosystemów danych jest więc mąrą pierwszą inwestycją dla każdej firmy planującej transformację sztucznej inteligencji, a te dane posłużą jako podstawa do LLM, gdy będą rosły i ewoluowały. To ewolucja, w której wysokiej jakości dane stają się jeszcze bardziej krytyczne. Chociaż badania 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, dostosowanie, sterowalność itp.) jest absolutnie ogromny”.

2. Zidentyfikuj przypadki użycia biznesowego

Chociaż sztuczna inteligencja ma pewną zdolność do szerokich zewnętrznych zastosowań, większość firm jest bardziej skupiona na wykorzystaniu tej technologii do optymalizacji wewnętrznych procesów. „Optymalizacja” to kluczowe słowo, co oznacza, że firmy nie powinny oczekiwać, że po prostu włączą i użyją oprogramowania AI, aby magicznie poprawić wyniki. Zamiast tego, niektóre z najbardziej udanych przypadków użycia AI obejmują analizę danych, aby ujawnić cenne informacje na temat zachowania klientów, trendów rynkowych i potencjalnych ryzyk. Udowodniono również, że jest skuteczny w usprawnianiu wewnętrznych działań, w tym rzeczy takich jak automatyzacja zadań ręcznych w celu przydzielenia czasu pracowników do działań wyższego poziomu.

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

3. Buduj niestandardowe narzędzia AI przy użyciu otwartych modeli LLM

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

Ten model ekosystemu open source zyskał na popularności, ponieważ firmy starają się utrzymać wrażliwe informacje w sieci i zachować większą kontrolę nad danymi. Modele LLM open source dają firmom tę przejrzystość i elastyczność, a także dodatkowe korzyści, takie jak zmniejszone problemy z opóźnieniami i zwiększoną wydajnością. IBM i NASA niedawno połączyły się, aby opracować otwarty model LLM szkolony 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 open source, istnieją ryzyka związane z modelem LLM open source, w tym potencjalne luki w zabezpieczeniach / naruszenia, halucynacje / uprzedzenia na podstawie nieprawidłowych lub wadliwych informacji oraz złe intencje celowo manipulujące danymi. Jednak modele open source stają się coraz mądrzejsze i bezpieczniejsze w czasie, co prowadzi niektórych ekspertów do przekonania, że modele LLM open source wkrótce osiągną poziom najlepszych modeli LLM zamkniętych, uzasadniając inwestycje w wczesną adopcję i czas spędzony na doskonaleniu zespołów.

Adopcja AI będzie wieloma szybkimi sprintami w maratonie

Na podstawie niedawnych danych, istnieje około 15 000 firm AI w Stanach Zjednoczonych, czyli ponad dwa razy więcej niż w 2017 roku. Na całym świecie liczby te 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. Jednak dzięki starannemu ocenieniu potrzeb i ryzyk / korzyści przedstawionych przez innowacje, liderzy znajdą odpowiednią mieszankę AI, aby przyspieszyć swoje firmy w kierunku zrównoważonego wzrostu.