Dlaczego GenAI utknął w fazie pilotażu

Firmy mają trudności z przeniesieniem projektów Generative AI z fazy eksperymentalnej do produkcji – wiele firm pozostaje w fazie pilotażu. Jak podkreśla nasze ostatnie badanie, 92% organizacji obawia się, że pilotażowe projekty GenAI przyspieszają bez wcześniejszego rozwiązania podstawowych problemów z danymi. Co więcej, 67% nie było w stanie skalować nawet połowy swoich pilotów do produkcji. Ta luka produkcyjna nie dotyczy tak bardzo dojrzałości technologicznej, ile gotowości podstawowych danych. Potencjał GenAI zależy od siły podłoża, na którym stoi. I dzisiaj, dla większości organizacji, to podłoże jest najwyżej chwiejne.

Dlaczego GenAI utknął w fazie pilotażu

Chociaż rozwiązania GenAI są naprawdę potężne, są one tak skuteczne, jak dane, które je zasilają. Stare powiedzenie “śmieci na wejściu, śmieci na wyjściu” jest dziś bardziej prawdziwe niż kiedykolwiek. Bez zaufanych, kompletnych, uprawnionych i wyjaśnialnych danych, modele GenAI często produkują wyniki, które są niedokładne, tendencyjne lub niewłaściwe.

Niestety, organizacje spieszyły się z wdrożeniem przypadków użycia o niskim wysiłku, takich jak czatboty zasilane przez AI, które oferują dostosowane odpowiedzi z różnych wewnętrznych dokumentów. I chociaż poprawiają one doświadczenia klientów w pewnym stopniu, nie wymagają one głębokich zmian w infrastrukturze danych firmy. Ale aby skalować GenAI strategicznie, niezależnie od tego, czy jest to opieka zdrowotna, usługi finansowe czy automatyzacja łańcucha dostaw, wymaga to innego poziomu dojrzałości danych.

W rzeczywistości, 56% Chief Data Officers wymienia niezawodność danych jako kluczową barierę wdrożenia AI. Inne problemy to niekompletne dane (53%), problemy z prywatnością (50%) i większe luki w zarządzaniu AI (36%).

Brak zarządzania, brak GenAI

Aby przenieść GenAI poza fazę pilotażu, firmy muszą traktować zarządzanie danymi jako strategiczną potrzebę swojego biznesu. Muszą upewnić się, że dane są wystarczająco dobre, aby zasilać modele AI, i aby to osiągnąć, należy odpowiedzieć na następujące pytania:

• Czy dane wykorzystywane do szkolenia modelu pochodzą z odpowiednich systemów?
• Czy usunęliśmy informacje osobiste i przestrzegaliśmy wszystkich przepisów dotyczących danych i prywatności?
• Czy jesteśmy przejrzyste, i czy możemy udowodnić pochodzenie danych, których używa model?
• Czy możemy udokumentować nasze procesy danych i być gotowym do pokazania, że dane nie są tendencyjne?

Zarządzanie danymi również musi być wbudowane w kulturę organizacji. Aby to osiągnąć, wymaga budowania umiejętności AI we wszystkich zespołach. Unijna ustawa o AI formalizuje tę odpowiedzialność, wymagając od dostawców i użytkowników systemów AI, aby robili najlepsze starania, aby upewnić się, że pracownicy są wystarczająco wykształceni w zakresie AI, aby zrozumieć, jak te systemy działają i jak ich odpowiedzialnie używać. Jednak skuteczne wdrożenie AI wykracza poza techniczne umiejętności. Wymaga również silnego fundamentu w zakresie umiejętności danych, od zrozumienia zarządzania danymi po formułowanie analitycznych pytań. Traktowanie umiejętności AI w izolacji od umiejętności danych byłoby krótkowzroczne, biorąc pod uwagę, jak ściśle są one powiązane.

Jeśli chodzi o zarządzanie danymi, jest jeszcze wiele do zrobienia. Wśród firm, które chcą zwiększyć inwestycje w zarządzanie danymi, 47% zgadza się, że brak umiejętności danych jest główną barierą. To podkreśla potrzebę budowania wysokiego poziomu wsparcia i rozwijania odpowiednich umiejętności w całej organizacji. Bez tych fundamentów nawet najpotężniejsze LLM nie będą w stanie dostarczyć.

Tworzenie AI, które musi być odpowiedzialne

W obecnych przepisach, AI nie może po prostu “działać”, musi również być odpowiedzialne i wyjaśnialne. Unijna ustawa o AI i brytyjski plan działania AI wymagają przejrzystości w przypadku wysokiego ryzyka. Inni podążają tym samym tropem, a ponad 1000 powiązanych projektów ustaw jest na porządku dziennym w 69 krajach.

Ten globalny ruch w kierunku odpowiedzialności jest bezpośrednim wynikiem rosnących wymagań konsumentów i interesariuszy dotyczących uczciwości w algorytmach. Na przykład, organizacje muszą być w stanie powiedzieć, dlaczego odrzucili wniosek o pożyczkę lub naliczyli wyższą stawkę ubezpieczenia. Aby to zrobić, muszą wiedzieć, jak model podjął tę decyzję, a to zależy od posiadania jasnego, audytowalnego śladu danych, których użyto do jego szkolenia.

Jeśli nie ma wyjaśnialności, firmy ryzykują utratą zaufania klientów, a także mogą spotkać się z konsekwencjami finansowymi i prawnymi. W związku z tym, ślad pochodzenia danych i uzasadnienie wyników nie jest “miłym dodatkiem”, ale wymogiem zgodności.

A gdy GenAI rozszerza się poza proste narzędzia do pełnoprawnych agentów, które mogą podejmować decyzje i działać zgodnie z nimi, stawka za silne zarządzanie danymi rośnie jeszcze wyżej.

Kroki do budowania zaufanego AI

Więc, co jest dobre? Aby skalować GenAI w sposób odpowiedzialny, organizacje powinny dążyć do przyjęcia jednej strategii danych na trzech filarach:

• Dostosuj AI do biznesu: Kataloguj dane wokół kluczowych celów biznesowych, upewniając się, że odzwierciedlają one unikalny kontekst, wyzwania i możliwości specyficzne dla Twojego biznesu.
• Ustanów zaufanie w AI: Ustanów polityki, standardy i procesy dla zgodności i nadzoru nad etycznym i odpowiedzialnym wdrożeniem AI.
• Buduj AI gotowe do danych: Połącz swoje różnorodne źródła danych w odporne podłoże danych dla solidnego szkolenia AI z wbudowaną łącznością GenAI.

Gdy organizacje to robią, zarządzanie przyspiesza wartość AI. Na przykład w usługach finansowych, fundusze hedgingowe wykorzystują GenAI do przewyższenia ludzkich analityków w prognozowaniu cen akcji przy znacznie niższych kosztach. W produkcji, optymalizacja łańcucha dostaw napędzana przez AI umożliwia organizacjom reagowanie w czasie rzeczywistym na zmiany geopolityczne i presje środowiskowe.

I to nie są tylko futurystyczne pomysły, są one realizowane teraz, napędzane przez zaufane dane.

Z silnymi fundamentami danych, firmy redukują dryf modelu, ograniczają cykle ponownego szkolenia i zwiększają szybkość osiągania wartości. Dlatego zarządzanie nie jest przeszkodą, ale katalizatorem innowacji.

Co dalej?

Po fazie eksperymentalnej, organizacje przechodzą do transformacyjnych możliwości. Od personalizacji interakcji z klientami do przyspieszania badań medycznych, poprawy zdrowia psychicznego i uproszczenia procesów regulacyjnych, GenAI zaczyna demonstrować swój potencjał w różnych branżach.

Jednak te korzyści zależą całkowicie od danych, na których są oparte. GenAI zaczyna się od budowania silnego fundamentu danych, poprzez silne zarządzanie danymi. I chociaż GenAI i agenticzne AI będą nadal ewoluować, nie zastąpią one nadzoru ludzkiego w najbliższej przyszłości. Zamiast tego, wkraczamy w fazę strukturalnej twórczości wartości, gdzie AI staje się godnym zaufania współpilotem. Z odpowiednimi inwestycjami w jakość danych, zarządzanie i kulturę, firmy mogą wreszcie przekształcić GenAI z obiecującego pilota w coś, co w pełni wystartuje.