Rezolvarea problemelor Cum & Când: Integrarea strategiei de afaceri în adoptarea inteligenței artificiale

Am atins un punct de cotitură cu inteligența artificială (AI) unde discuțiile din sala de consiliu s-au mutat de la dezbaterea eficacității la accelerarea adoptării. Este o perioadă excitantă, mai ales având în vedere că ritmul schimbărilor nu va mai fi vreodată atât de lent. Conform BCG, în ciuda incertitudinii economice globale, inovația a devenit o prioritate corporativă de top în 2023, cu 79% din companii clasând-o printre primele trei obiective.

Dar inovația pentru inovație nu este o strategie de afaceri solidă, iar organizațiile care se lasă prinse de entuziasmul AI riscă să investească în hype, în loc de soluții care creează valoare pe termen lung. Înțelegerea diferenței necesită o examinare atentă a capacităților actuale și răbdarea de a prioritiza creșterea durabilă în detrimentul tendințelor pe termen scurt.

Zona Goldilocks

Istoria afacerilor este plină de exemple de companii ale căror decizii strategice la momente cheie au fost consecvente pentru existența lor. De exemplu, Amazon a supraviețuit crizei dot-com prin recunoașterea importanței ajustării strategiei contabile și a creșterii rezervelor, în timp ce alte companii ardeau banii ca și cum nu ar fi avut nimic de pierdut. Punctul cheie este că deciziile de afaceri solide sunt mai importante ca oricând în perioadele de entuziasm generalizat, iar planificarea pentru mâine necesită o capacitate ascuțită de a gândi prin toate scenariile posibile.

În general, există o senzație generală de teamă de a rata oportunitatea (FOMO) care a pătruns în echipele de conducere, complicată și mai mult de realitatea că a nu face nimic (adică a cădea în „paralizia prin analiză”) este, de asemenea, o amenințare reală. (Întrebați Kodak.) Iată 3 considerații pentru companiile care caută acea „Zonă Goldilocks” a AI – nu investind prea repede sau prea încet, ci găsind punctul dulce al inovației durabile.

1. Concentrați-vă pe creșterea datelor mai întâi

Ca orice mașină, este important să înțelegem funcționarea sa internă pentru a deriva de unde provine valoarea. Adică, AI nu este un produs complet format, ci modelele sale de limbaj mare (LLM) depind de cantități imense de puncte de date diverse pentru a învăța modele, context și nuanțe lingvistice. Dimensiunea și complexitatea LLM necesită date de antrenament extinse pentru a funcționa eficient în diverse domenii și sarcini. Calitatea și cantitatea acestor date vor avea un impact semnificativ asupra performanței LLM, și, prin extensie, asupra gamei de unelte AI ale companiei.

Crearea unor ecosisteme de date mai robuste este, prin urmare, o investiție înțeleaptă pentru orice companie care plănuiește o transformare AI, iar aceste date vor servi ca fundație pentru LLM pe măsură ce evoluează. Este în această evoluție unde datele de calitate devin și mai critice. În timp ce studii au arătat că LLM pot fi competente cu date minime, experții spun acum că „impactul calității și diversității datelor asupra alinierii și altor direcții de antrenament LLM (pre-antrenament, finisare, orientare, etc.) este absolut masiv.”

2. Identificați un caz de utilizare comercial

În timp ce AI are, într-adevăr, capacitatea de aplicații externe largi, majoritatea companiilor se concentrează mai mult pe utilizarea tehnologiei pentru a-și optimiza procesele interne. „Optimiza” este cuvântul cheie aici, ceea ce înseamnă că companiile nu ar trebui să se aștepte să conecteze pur și simplu software-ul AI pentru a-și îmbunătăți magic performanța. Mai degrabă, unele dintre cele mai de succes cazuri de utilizare AI implică analiza datelor pentru a descoperi insight-uri valoroase despre comportamentul clienților, tendințele pieței și riscurile potențiale. De asemenea, s-a dovedit a fi eficient în optimizarea activităților interne, inclusiv lucruri precum automatizarea sarcinilor manuale pentru a aloca timpul angajaților pentru activități de nivel superior.

Pe scurt, în loc de a-și pierde timpul încercând să descopere care modele AI să utilizeze, organizațiile trebuie să se concentreze pe problemele specifice pe care trebuie să le rezolve cu AI-ul lor. (Adică, începeți cu acul pe care doriți să-l mutați, configurați KPI-ul pe care doriți să-l influențați și apoi lucrați înapoi spre ce unelte AI vor realiza aceste obiective.) Conform sondajului global al executivilor AI de la MIT, 90% dintre cei care utilizează AI pentru a crea noi KPI afirmă că își îmbunătățesc KPI-urile. „Aceste KPI-uri informate de AI oferă beneficii comerciale și demonstrează capacități noi: ele duc adesea la o mai mare eficiență și beneficii financiare mai mari și sunt mai detaliate, sensibile la timp și aliniate cu obiectivele organizaționale.”

3. Construiți unelte AI personalizate utilizând LLM deschise

Să construiți sau să cumpărați – aceasta este întrebarea. Construirea unei soluții AI personalizate poate părea descurajantă, iar multe companii optează pentru cumpărarea unei licențe de la un furnizor extern cu un LLM proprietar pentru a evita această cale. Cu toate acestea, licența poate restricționa modul în care LLM poate fi utilizat, iar taxele de licență pot deveni foarte scumpe în timp. Alternativ, LLM deschise sunt gratuite, iar arhitectura subiacentă este disponibilă pentru dezvoltatori să o acceseze, să o construiască și să o modifice în funcție de nevoile specifice ale companiei.

Acest model de ecosistem deschis a câștigat popularitate pe măsură ce companiile încearcă să păstreze informații sensibile pe rețeaua lor și să păstreze un control mai mare asupra datelor lor. LLM deschise oferă companiilor această transparență și flexibilitate, împreună cu beneficiile reducerii problemelor de întârziere și creșterii performanței. IBM și NASA au colaborat recent pentru a dezvolta un LLM deschis antrenat pe date geospațiale pentru a ajuta oamenii de știință să lupte împotriva schimbărilor climatice, parte a Inițiativei Open-Source Science de 10 ani a NASA pentru a construi o comunitate științifică mai accesibilă, incluzivă și colaborativă.

Ca și în cazul oricărei tehnologii deschise, există riscuri asociate cu LLM deschise, inclusiv posibile scurgeri de securitate, halucinații/părtinire bazate pe informații inexacte sau eronate și actori răi care manipulează intenționat datele. Dar modelele deschise devin mai inteligente și mai sigure în timp, determinând unii experți să considere că LLM deschise vor ajunge curând la nivelul celor mai bune LLM închise, justificând investiția în adoptarea timpurie și timpul petrecut pentru dezvoltarea echipei.

Adoptarea AI va fi multiple sprinturi rapide într-un maraton

Pe baza datelor recente, există aproximativ 15.000 de companii AI în Statele Unite, mai mult decât dublul numărului din 2017. La nivel mondial, aceste numere cresc de aproape patru ori. Cu atât de mulți furnizori și noi startup-uri care promovează serviciile lor, nu este de mirare că companiile pot lupta să decidă unde să-și investească timpul și banii. Dar, prin evaluarea atentă a nevoilor și a riscurilor/recompenselor prezentate de inovație, liderii vor găsi amestecul potrivit de AI pentru a-și propulsa companiile într-un viitor de creștere durabilă.