Генеративный ИИ привел нас к переломному моменту в развитии искусственного интеллекта

До того, как искусственный интеллект (ИИ) стал популярным благодаря доступности Генеративного ИИ (GenAI), интеграция и подготовка данных, связанных с машинным обучением, были одними из наиболее популярных бизнес-приоритетов. В прошлом компании и консультанты создавали отдельные проекты ИИ/МО для конкретных случаев использования, но уверенность в результатах была ограничена, и эти проекты были в основном ограничены командами ИТ. Эти ранние случаи использования ИИ требовали выделенных команд специалистов по данным и слишком больших затрат времени и усилий для получения результатов, не имели прозрачности, и большинство проектов были неудачными.

Оттуда, по мере того, как разработчики становились более комфортными и уверенными в технологии, ИИ и машинное обучение (МО) использовались чаще, снова в основном командами ИТ из-за сложной природы построения моделей, очистки и ввода данных и тестирования результатов. Сегодня, когда GenAI стал неизбежным в профессиональных и личных условиях по всему миру, технология ИИ стала доступной для масс. Мы сейчас находимся на точке бифуркации ИИ, но как мы сюда добрались и почему GenAI привел нас к широкому внедрению?

Правда об ИИ

С тем, что названия «OpenAI» и «ChatGPT» стали общеизвестными, разговоры о GenAI везде и часто неизбежны. От деловых случаев использования, таких как чат-боты, анализ данных и сводки отчетов, до личных случаев использования, таких как планирование поездок и создание контента, GenAI быстро становится наиболее обсуждаемой технологией в мире, и его быстрое развитие опережает то, что мы видели с другими технологическими инновациями.

Хотя большинство людей знают об ИИ, и некоторые знают, как он работает и может быть реализован, государственные и частные организации все еще отстают в плане раскрытия полных преимуществ технологии. Согласно данным Alphasense, 40% конференций по итогам финансовой отчетности подчеркивали преимущества ИИ и связанный с ним энтузиазм, однако лишь 1 из 6 (16%) компаний S&P 500 упомянули ИИ в квартальных регуляторных отчетах. Это вызывает вопрос: какие финансовые последствия ИИ и сколько компаний действительно инвестируют в его внедрение?

Вместо того, чтобы поддаваться ажиотажу вокруг ИИ только потому, что он моден, предприятиям нужно подумать о том, какую ценность ИИ принесет внутри компании и ее клиентам, и какие проблемы он может решить для пользователей. Проекты ИИ обычно дороги, и если компания начинает использовать ИИ без надлежащей оценки его случаев использования и ROI, это может быть пустой тратой времени и средств. Закрытые предварительные тестирования с клиентами предоставляют контролируемый способ подтвердить рыночную пригодность продукта и проверить связанный ROI конкретных случаев использования для проверки ценности предложения ИИ до его выпуска на рынок.

Что поставщикам нужно знать перед инвестированием в ИИ

Инвестировать в ИИ или нет? Это важный вопрос, который поставщикам программного обеспечения как услуги (SaaS) следует рассмотреть перед тем, как полностью инвестировать в разработку решений ИИ. При взвешивании вариантов учитывайте ценность, скорость, доверие и масштаб.

Балансируйте ценность и скорость. Вряд ли ваши клиенты будут впечатлены только упоминанием решения ИИ; вместо этого они будут хотеть измеримой ценности. Команды продукта SaaS должны начать с вопроса, есть ли реальная бизнес-необходимость или проблема, которую они хотят решить для своих клиентов, и является ли ИИ правильным решением. Не пытайтесь втиснуть квадратный колышек (ИИ) в круглую дыру (ваше технологическое предложение). Без знания того, как ИИ добавит ценность конечным пользователям, нет гарантии, что кто-то заплатит за эти возможности.

Стройте доверие, затем масштабируйте. Для изменения систем требуется много доверия. Поставщики должны уделять приоритетное внимание построению доверия к своим решениям ИИ перед их масштабированием. Прозрачность моделей данных и результатов и возможность их изучить могут уменьшить препятствия. Позвольте пользователям кликнуть на источник модели, чтобы они увидели, как получены выводы решения. Большинство авторитетных поставщиков также могут поделиться лучшими практиками для внедрения ИИ, чтобы помочь устранить потенциальные проблемы.

Распространенные препятствия для поставщиков технологий: аспекты ИИ

Для организаций, готовых отправиться в путешествие ИИ, есть несколько ловушек, которых нужно избегать, чтобы обеспечить оптимальное воздействие. Избегайте группового мышления и не следуйте за толпой без знания, куда вы направляетесь. Разработайте четкую стратегию для внедрения ИИ, чтобы вы могли подумать о своих конечных целях и подтвердить, что стратегия соответствует миссии и ценностям вашей организации и ее клиентов.

Вывод продукта ИИ на рынок не является легкой задачей, и неудачи перевешивают успехи. Риски безопасности, экономические и кадровые риски многочисленны.

Рассматривая только проблемы безопасности, модели ИИ часто содержат конфиденциальные материалы и данные, которыми организации SaaS должны уметь управлять. Вещи, которые следует учитывать, включают:

• Обращение с конфиденциальными материалами: Обмен конфиденциальными материалами с большими языковыми моделями общего назначения (БЯМ) создает риск того, что модель непреднамеренно раскроет конфиденциальные материалы другим пользователям. Компании должны очертить лучшие практики для пользователей – как внутренних, так и внешних – для защиты конфиденциальных материалов.
• Хранение данных и последствия для конфиденциальности: Помимо проблем обмена, хранение конфиденциальных материалов в системах ИИ может подвергнуть данные потенциальным утечкам или несанкционированному доступу. Пользователи должны хранить данные в безопасных местах с защитой от утечек данных.
• Снижение риска распространения неточной информации: Модели ИИ собирают и синтезируют большие объемы данных, и неточная информация может легко распространиться. Мониторинг, надзор и человеческая проверка необходимы для обеспечения правильной и достоверной информации. Критическое мышление и анализ имеют первостепенное значение для избежания дезинформации.

Помимо проблем безопасности, программы ИИ требуют значительных ресурсов и бюджета. Рассмотрите количество энергии и инфраструктуры, необходимой для результативной и ресурсоэффективной разработки ИИ. Поэтому важно иметь четкое ценностное предложение для клиентов, иначе время и ресурсы, вложенные в разработку продукта, будут потрачены зря. Поймите, имеет ли ваша организация основу для начала работы с ИИ, и если нет, определите бюджет, необходимый для преодоления отставания.

Наконец, риски, связанные с кадрами и навыками, не должны быть проигнорированы. Общее развитие ИИ предполагает выделенную группу специалистов по науке о данных, разработчиков и инженеров данных, а также функциональных бизнес-аналитиков и менеджеров продукта. Однако при работе с GenAI организации нуждаются в дополнительном контроле безопасности и соблюдения нормативных требований из-за рисков безопасности, упомянутых ранее. Если ИИ не является долгосрочной бизнес-целью, затраты на набор и переподготовку талантов, вероятно, являются неоправданно высокими и не приведут к хорошему ROI.

Заключение

ИИ здесь, чтобы остаться. Но если вы не думаете стратегически перед тем, как присоединиться к импульсу и финансировать проекты ИИ, это может потенциально нанести больше вреда, чем пользы вашей организации. Эта новая эра ИИ только начинается, и многие риски все еще неизвестны. Когда вы оцениваете разработку ИИ для вашей организации, получите четкое представление о ценности ИИ для ваших внутренних и внешних клиентов, стройте доверие к моделям ИИ и понимайте риски.