Решение проблемы «как» и «когда»: Внедрение бизнес-стратегии в принятие решений об искусственном интеллекте

Мы достигли точки бифуркации с искусственным интеллектом (ИИ), где обсуждения в совете директоров сместились от обсуждения эффективности к ускорению внедрения. Это интересное время, особенно учитывая, что темп изменений никогда не будет таким медленным. Согласно BCG, несмотря на глобальную экономическую неопределенность, инновации возросли как главная корпоративная цель в 2023 году, с 79% компаний, которые поставили их в число своих трех главных целей.

Однако инновации ради инноваций не являются правильной бизнес-стратегией, и организации, которые увлекаются ажиотажем вокруг ИИ, рискуют инвестировать в шумиху, а не в решения, которые создают долгосрочную ценность. Понимание разницы требует тщательного рассмотрения текущих возможностей и терпения, чтобы отдать приоритет устойчивому росту над краткосрочными тенденциями.

Зона Золотой середины

Бизнес-история изобилует примерами компаний, чьи стратегические решения в ключевые моменты были решающими для их существования. Например, Amazon пережила крах доткомов, признав важность корректировки своей бухгалтерской стратегии и увеличения резервов, в то время как другие компании сжигали деньги, как будто у них не было завтра. Суть в том, что правильные бизнес-решения более важны, чем когда-либо, во времена массового энтузиазма, и планирование на завтра требует острого умения мыслить через все возможные сценарии.

В целом, существует общее чувство страха упустить возможность (FOMO), которое проникло в команды руководителей, еще больше осложненное реальностью, что бездействие (т.е. подчинение «параличу от анализа») также является реальной угрозой. (Просто спросите Kodak.) Вот три соображения для компаний, которые ищут «зону золотой середины» ИИ – не инвестируя слишком быстро или слишком медленно, а находя сладкое место устойчивых инноваций.

1. Сосредоточьтесь на росте данных сначала

Как и любая машина, важно понять ее внутреннюю работу, чтобы понять, откуда берется ценность. Это означает, что ИИ не является полностью сформированным продуктом, а его большие языковые модели (LLM) полагаются на огромное количество разнообразных данных, чтобы учиться закономерностям, контексту и лингвистическим нюансам. Огромный размер и сложность LLM требуют обширных данных для обучения, чтобы эффективно работать в различных областях и задачах. Качество и количество этих данных существенно повлияют на производительность LLM и, следовательно, на набор инструментов ИИ компании.

Создание более прочных экосистем данных является поэтому мудрым первоначальным вложением для любой компании, планирующей трансформацию ИИ, и эти данные послужат основой для LLM, когда они будут расти и развиваться. Именно в этом развитии высококачественные данные становятся еще более важными. Хотя исследования показали, что LLM могут быть компетентными с минимальными данными, эксперты теперь говорят, что «влияние качества и разнообразия данных на выравнивание и другие пути обучения LLM (предварительное обучение, тонкая настройка, управляемость и т. д.) абсолютно огромно».

2. Определите деловой случай

Хотя ИИ, безусловно, имеет потенциал для широких внешних применений, большинство компаний больше сосредоточены на использовании технологии для оптимизации своих внутренних процессов. «Оптимизировать» – это ключевое слово здесь, означающее, что компании не должны ожидать просто подключить и запустить программное обеспечение ИИ, чтобы магически улучшить выходные данные. Скорее, некоторые из наиболее успешных деловых случаев ИИ включают анализ данных, чтобы раскрыть ценные идеи о поведении клиентов, рыночных тенденциях и потенциальных рисках. Это также было доказано эффективным для оптимизации внутренних действий, включая такие вещи, как автоматизация ручных задач, чтобы распределить время сотрудников на более высокие действия.

Вкратце, вместо того, чтобы тратить время на выяснение, какие модели ИИ использовать, организации должны сосредоточиться на конкретных проблемах, которые они хотят решить с помощью ИИ. (т. е. начните с того, что вы хотите изменить, установите показатель, который вы хотите повлиять, и затем работайте назад, чтобы определить, какие инструменты ИИ достигнут этих целей.) Согласно MIT Global Executive AI Survey, 90% тех, кто использует ИИ для создания новых показателей, говорят, что видят улучшение своих показателей. «Эти показатели, информированные ИИ, предлагают бизнес-преимущества и демонстрируют новые возможности: они часто приводят к большей эффективности и финансовой выгоде и более подробны, чувствительны к времени и соответствуют целям организации».

3. Создание индивидуальных инструментов ИИ с использованием открытых LLM

Создать или купить – вот вопрос. Создание индивидуального решения ИИ может показаться устрашающим, и многие компании выбирают покупку лицензии у внешнего поставщика с проприетарным LLM, чтобы избежать этого пути. Однако лицензия может ограничить использование LLM, и лицензионные сборы могут стать очень дорогими со временем. Альтернативно, открытые LLM бесплатны, и базовая архитектура доступна для разработчиков, чтобы получить доступ, создать и изменить на основе конкретных потребностей компании.

Эта экосистема открытых моделей приобрела популярность, поскольку компании стремятся сохранить конфиденциальную информацию на своей сети и сохранить больше контроля над своими данными. Открытые LLM предоставляют компаниям эту прозрачность и гибкость, а также дополнительные преимущества, такие как снижение задержек и повышение производительности. IBM и NASA недавно объединились, чтобы разработать открытую LLM, обученную на геопространственных данных, чтобы помочь ученым бороться с изменением климата, в рамках десятилетней инициативы NASA по открытой науке, направленной на создание более доступного, инклюзивного и сотруднического научного сообщества.

Как и любая открытая технология, с открытыми LLM связаны риски, включая потенциальные утечки данных, предвзятость на основе неточной или ошибочной информации и злонамеренные манипуляции данными. Но открытые модели становятся умнее и более безопасными со временем, что приводит некоторых экспертов к выводу, что открытые LLM скоро достигнут уровня лучших закрытых LLM, оправдывая инвестиции в раннее внедрение и время, потраченное на повышение квалификации команд.

Принятие ИИ будет включать несколько быстрых спринтов в марафоне

На основе недавних данных, существует около 15 000 компаний ИИ в Соединенных Штатах, что более чем в два раза превышает количество в 2017 году. Во всем мире эти цифры увеличиваются почти в четыре раза. С таким количеством поставщиков и новыми стартапами, которые продвигают свои услуги, неудивительно, что компании могут испытывать трудности в решении, где инвестировать свое время и деньги. Но, тщательно оценив свои потребности и риски/выгоды, представленные инновациями, лидеры найдут правильную смесь ИИ, чтобы продвинуть свои компании в будущее устойчивого роста.