Доставка результатов от ИИ в исследованиях, разработке и инновациях

Искусственный интеллект (ИИ) преобразует исследования, разработку и инновации (Р&Д&И), открывая новые возможности для решения некоторых из наиболее насущных проблем мира, включая устойчивость, здравоохранение, изменение климата и продовольственную и энергетическую безопасность, а также помогая организациям лучше инновировать и запускать прорывные продукты и услуги.

ИИ в Р&Д&И не нов. Однако рост генеративного ИИ (GenAI) и больших языковых моделей (LLM) значительно усилил его возможности, ускорив прорывы и общую инновацию.

Как организации могут извлечь пользу из ИИ в своих усилиях по Р&Д&И, и какие лучшие практики следует принять для достижения успеха? Чтобы узнать об этом, Институт Blue Shift компании Arthur D. Little (ADL) провел комплексное исследование, интервьюировав более 40 поставщиков ИИ, экспертов и практиков, а также опросив более 200 организаций из государственного и частного секторов. Результатом стал отчет Eureka! на стероидах: ИИ-ориентированные исследования, разработка и инновации, который предлагает глубокий анализ текущей ситуации и будущей траектории ИИ в исследованиях и инновациях.

Наш анализ фокусируется на пяти ключевых областях:

ИИ доставляет выгоды во всей цепочке Р&Д&И – но он не заменит людей

Каждый строительный блок Р&Д&И может извлечь пользу из ИИ, от технологической и рыночной разведки до стратегии инноваций, идеации, управления портфелем и проектами, а также управления интеллектуальной собственностью. Когда мы пытаемся понять эти выгоды, три ключевых фактора выделяются:

• ИИ будет дополнять исследователей, а не заменять их, освобождая их время и позволяя им быть более продуктивными и креативными
• ИИ помогает решать неразрешимые проблемы, которые не могли быть предприняты ранее из-за скорости и способности технологии к масштабированию и обучению, открывая новые пути инноваций
• ИИ будет занимать позицию “планировщика-мыслителя”, выходя за рамки генерации контента и поиска, чтобы охватить более сложные роли, такие как управление знаниями, генерация гипотез и помощь командам Р&Д&И.

Когда вы решаете, использовать ли ИИ для решения конкретного случая Р&Д&И, нет универсальной модели для развертывания. Чтобы понять, какой подход ИИ даст лучшие результаты, организации должны сосредоточиться на двух факторах – типе и количестве доступных данных (от небольшого до большого) и характере вопроса, который задается (от открытого до конкретного). В то же время один подход ИИ может не дать оптимальных результатов – большинство передовых интеллектуальных систем, созданных за последние 15 лет, были системами из систем. Это независимые системы ИИ, модели или алгоритмы, разработанные для конкретных задач, которые, когда объединяются, предлагают большую функциональность и производительность.

Успех требует восьми хороших практик

На основе интервью с исследователями, учеными ИИ, основателями и руководителями Р&Д в цифровой, производственной, маркетинговой и Р&Д-командах мы видим восемь хороших практик, которые обеспечивают успешное развертывание ИИ. Организации должны:

• Принять гибкие методологии, чтобы команды могли работать быстро в быстро меняющейся среде ИИ
• Создать прочные основы, сосредоточившись на качестве данных, сотрудничестве во всей организации и использовании собственных данных
• Сделать стратегический выбор между построением, покупкой и настройкой моделей, причем последний подход часто является наиболее эффективным
• Учитывать аналитические компромиссы, чтобы обеспечить прогресс во время проектов по проверке концепции, таких как приобретение или синтез данных, точность или полнота, и недооценка или переоценка
• Быть активным в использовании доступного таланта в области науки о данных, включая партнерство вне организации для приобретения необходимых навыков
• Согласовать с ИТ-балансом безопасность и соответствие требованиям с скоростью экспериментов
• Демонстрировать выгоды быстро и получать согласие пользователей, чтобы построить доверие и разблокировать дальнейшие инвестиции
• Поддерживать и контролировать производительность системы непрерывно, особенно вокруг улучшений моделей

3. Технологические компоненты теперь на месте

Как и в большинстве случаев использования ИИ, цепочка создания стоимости Р&Д&И состоит из трех слоев – инфраструктуры, разработчиков моделей и приложений.

В плане инфраструктуры стоимость реализации и поддержания достаточной вычислительной мощности велика, но поставщики хостинга все чаще предлагают модели “инференция как услуга”, запускающие инференции и запросы в облаке, чтобы исключить необходимость в инфраструктуре на месте, снижая первоначальные расходы и демократизируя доступ к ИИ.

Цепочка создания стоимости ИИ в Р&Д&И сильно зависит от крупных открытых моделей от игроков, таких как Meta, Microsoft и Nvidia. Однако более мелкие игроки, такие как Mistral и Cohere, также образуют ключевую часть экосистемы, а также академические учреждения.

На конце цепочки приложений уже созданы общие и специализированные приложения Р&Д&И, чтобы удовлетворить большинство случаев использования, с более чем 500 доступными, покрывающими весь процесс Р&Д&И.

Будущее неясно – но планирование сценариев помогает пониманию

Как ИИ в Р&Д&И будет развиваться, зависит от результатов трех основных факторов – производительности, доверия и доступности. Объединение этих факторов приводит к шести правдоподобным будущим сценариям на спектре от того, что ИИ преобразует каждый аспект Р&Д&И, до использования только в избирательных, низкорисковых случаях использования. На шкале от максимального до минимального воздействия эти сценарии являются:

• Блокбастер: ИИ становится верхней мыслью на протяжении всего цикла Р&Д, преобразуя организации на пути. Данные становятся новым фронтиром.
• Победитель толпы: ИИ удобен, доступен и принят для ежедневных задач продуктивности, но не оправдывает ожиданий по научной/творческой ценности.
• Корона: ИИ доставляет продуктивность и научные прорывы, но только тем организациям, которые могут его себе позволить – что приводит к двускоростному миру в Р&Д&И.
• Проблемный ребенок: Несмотря на некоторые выдающиеся случаи использования и доступные решения, ИИ не демонстрирует свою ценность – организации Р&Д&И остаются обеспокоенными безопасностью данных, деонтологией и отсутствием интерпретируемости.
• Лучше хранить в секрете: Производительность ИИ улучшается, но высокие затраты делают организации более осторожными. Низкое доверие и бюрократия ограничивают принятие, и запускается мало новых смелых экспериментов.
• Дешево и плохо: ИИ широко используется в низкорисковых случаях использования, но только как инструмент для прототипирования или мозгового штурма. Недостоверные системы строго проверяются, и выходы проверяются, что ограничивает прирост продуктивности.

Понимание этих сценариев важно для организаций Р&Д&И, поскольку они выбирают путь вперед для принятия ИИ.

Время для организаций Р&Д&И действовать сейчас

В некоторых ситуациях ИИ уже обеспечивает двузначные улучшения во времени, затратах и эффективности в формулировании, разработке продукта, разведке и других задачах Р&Д&И. Это означает, что независимо от того, какой сценарий разыграется, шесть безотказных ходов помогут организациям Р&Д&И построить устойчивость и использовать выгоды ИИ. Они должны:

• Управлять и расширять таланты, обеспечивая, чтобы рабочая сила имела обучение и экспертизу, необходимые для использования ИИ, если необходимо, передавая реализацию внешним поставщикам в среднесрочной перспективе
• Контролировать контент, сгенерированный ИИ, обновляя процессы управления рисками и делясь методологиями проверки публично, чтобы построить доверие
• Строить обмен данными и сотрудничество, работая с более широкой экосистемой государственного и частного секторов, чтобы стимулировать успешное принятие ИИ
• Обучать на долгосрочную перспективу, обучая наиболее широкую возможную пользовательскую аудиторию основам ИИ, необходимым навыкам и потенциальным рискам
• Пересматривать организацию и управление, выходя за рамки ИТ, чтобы дать высокий уровень фокуса и разрушить барьеры, чтобы облегчить сотрудничество
• Объединять вычислительные ресурсы, работая с партнерами или делясь ресурсами внутри, чтобы эффективно удовлетворять текущим и будущим потребностям в инфраструктуре

За пределами этих безотказных ходов успех будет достигнут за счет создания сбалансированного портфеля инвестиций в Р&Д&И на основе ИИ, соответствующих корпоративным целям. Это означает рассмотрение объема, затрат и выгод конкретных случаев использования ИИ и использование этого для оптимизации портфеля инновационных проектов. Решения должны основываться на стратегических целях, возможностях и рыночной разведке, а также на контексте, в котором работают организации.

Каждая стадия цепочки создания стоимости исследований, разработки и инноваций может быть потенциально преобразована с помощью ИИ, дополняя человеческих исследователей, чтобы преобразовать продуктивность и обеспечить прорывные инновации. Эти возможности необходимо сбалансировать с рядом проблем вокруг производительности, доверия и доступности, что означает, что организации должны сосредоточиться сейчас, чтобы позиционировать свои усилия Р&Д&И ИИ, чтобы достичь успеха, независимо от того, что принесет будущее.

Эта статья была написана при участии Альберта Мейджа, Зои Хучок, Арно Сирадина и Артура Д. Литтла.