Ewolucja sztucznej inteligencji generatywnej w 2025 roku: od nowinki do konieczności

Rok 2025 stanowi punkt zwrotny w podróży sztucznej inteligencji generatywnej (Gen AI). To, co zaczęło się jako fascynująca nowinka technologiczna, ewoluowało obecnie w kluczowe narzędzie dla firm z różnych branż.

Sztuczna inteligencja generatywna: od poszukiwania rozwiązań dla problemów do potęgi rozwiązywania problemów

Początkowy zapał entuzjazmu dla Gen AI był napędzany przez surową nowinkę interakcji z modelami języka o dużej skali (LLM), które są szkolone na ogromnych zbiorach danych publicznych. Firmy i osoby prywatne były słusznie zafascynowane możliwością wpisywania naturalnych poleceń językowych i otrzymywania szczegółowych, spójnych odpowiedzi z modeli publicznych. Ludzka jakość wyjść z LLM prowadziła wiele branż do rozpoczęcia projektów z tą nową technologią, często bez wyraźnego problemu biznesowego do rozwiązania lub jakiegokolwiek rzeczywistego KPI do mierzenia sukcesu. Chociaż były pewne wielkie odblokowania wartości w początkowych dniach Gen AI, jest to wyraźny sygnał, że jesteśmy w cyklu innowacji (lub hiperze), kiedy firmy porzucają praktykę identyfikowania problemu najpierw, a następnie poszukiwania działającego rozwiązania technologicznego, aby rozwiązać je.

W 2025 roku spodziewamy się, że wahadło zawróci. Organizacje będą szukać Gen AI dla wartości biznesowej, identyfikując najpierw problemy, które ta technologia może rozwiązać. Z pewnością będą wiele więcej dobrze finansowanych projektów naukowych, a pierwsza fala przypadków użycia Gen AI do podsumowań, chatbotów, generowania treści i kodu będzie nadal kwitła, ale dyrektorzy wykonawczy zaczną wymagać od projektów AI odpowiedzialności za ROI w tym roku. Focus technologiczny również przesunie się z publicznych, ogólnych modeli języka, które generują treści do zespołu węższych modeli, które mogą być kontrolowane i ciągle szkolone na odrębnym języku biznesu, aby rozwiązać rzeczywiste problemy, które wpływają na dolną linię w mierzalny sposób.

2025 rok będzie rokiem, w którym AI przeniesie się do rdzenia przedsiębiorstwa. Dane przedsiębiorstwa są ścieżką do odblokowania prawdziwej wartości z AI, ale dane szkoleniowe potrzebne do budowy transformacyjnej strategii nie znajdują się na Wikipedii i nigdy tam nie będą. Znajdują się one w umowach, rekordach klientów i pacjentów oraz w nieładnych, niestrukturyzowanych interakcjach, które często płyną przez back office lub żyją w pudełkach z papierem. Uzyskanie tych danych jest skomplikowane, a ogólne LLM są słabym dopasowaniem technologicznym, pomimo problemów z prywatnością, bezpieczeństwem i zarządzaniem danymi. Przedsiębiorstwa będą coraz częściej przyjmować architektury RAG i małe modele języka (SLM) w ustawieniach chmury prywatnej, co pozwoli im wykorzystać wewnętrzne zbiory danych organizacyjnych do budowy własnych rozwiązań AI z portfolio szkolonych modeli. Ukierunkowane SLM mogą zrozumieć specyficzny język biznesu i niuanse jego danych, oraz zapewnić wyższą dokładność i przejrzystość przy niższym punkcie kosztów – przy jednoczesnym zachowaniu zgodności z wymogami prywatności i bezpieczeństwa danych.

Krytyczna rola czyszczenia danych w wdrożeniu AI

Podczas gdy inicjatywy AI się rozwijają, organizacje muszą priorytetowo traktować jakość danych. Pierwszym i najważniejszym krokiem w wdrożeniu AI, niezależnie od tego, czy używa się LLM czy SLM, jest upewnienie się, że wewnętrzne dane są wolne od błędów i nieścisłości. Ten proces, znany jako “czyszczenie danych”, jest niezbędny do kultywowania czystego majątku danych, który jest kluczem do sukcesu projektów AI.

Wiele organizacji nadal polega na dokumentach papierowych, które muszą być zcyfryzowane i oczyszczone do codziennych operacji biznesowych. Ideałem byłoby, gdyby te dane płynęły do oznaczonych zestawów szkoleniowych dla własnego AI organizacji, ale jesteśmy na wczesnym etapie, aby to się wydarzyło. W rzeczywistości w niedawnym badaniu, które przeprowadziliśmy we współpracy z Harris Poll, gdzie przeprowadziliśmy wywiady z ponad 500 decydentami IT między sierpniem a wrześniem, stwierdzono, że 59% organizacji nie używa nawet całego swojego majątku danych. Ten sam raport wykazał, że 63% organizacji zgadza się, iż brakuje im zrozumienia własnych danych, co utrudnia im maksymalizowanie potencjału GenAI i podobnych technologii. Problemy z prywatnością, bezpieczeństwem i zarządzaniem są pewnymi przeszkodami, ale dokładne i czyste dane są kluczowe, nawet niewielkie błędy szkoleniowe mogą prowadzić do kumulowania się problemów, które są trudne do rozwiązania, gdy model AI popełni błąd. W 2025 roku czyszczenie danych i potoki zapewniające jakość danych staną się krytyczną dziedziną inwestycyjną, zapewniając, że nowy rodzaj systemów AI przedsiębiorstw będzie działał na niezawodnych i dokładnych informacjach.

Rozszerzający się wpływ roli CTO

Rola Chief Technology Officer (CTO) zawsze była kluczowa, ale jej wpływ ma się rozwinąć dziesięciokrotnie w 2025 roku. Rysując paralele do “ery CMO”, gdzie doświadczenie klienta pod kierunkiem Chief Marketing Officer było najważniejsze, nadchodzące lata będą “pokoleniem CTO”.

Podczas gdy podstawowe odpowiedzialności CTO pozostają niezmienne, wpływ ich decyzji będzie bardziej znaczący niż kiedykolwiek. Pomyślni CTO muszą mieć głębokie zrozumienie, jak nowe technologie mogą przekształcić ich organizacje. Muszą również zrozumieć, jak AI i pokrewne nowoczesne technologie napędzają transformację biznesu, a nie tylko efektywność w ramach przedsiębiorstwa. Decyzje podjęte przez CTO w 2025 roku będą determinować przyszłą trajektorię ich organizacji, sprawiając, że ich rola będzie bardziej wpływowa niż kiedykolwiek.

Przewidywania na 2025 rok podkreślają przełomowy rok dla Gen AI, zarządzania danymi i roli CTO. Podczas gdy Gen AI przechodzi od rozwiązania w poszukiwaniu problemu do potęgi rozwiązywania problemów, znaczenie czyszczenia danych, wartości majątku danych przedsiębiorstwa oraz rozszerzający się wpływ CTO ukształtują przyszłość przedsiębiorstw. Organizacje, które zaakceptują te zmiany, będą dobrze przygotowane do prosperowania w ewoluującym krajobrazie technologicznym.