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 стали одним из главных приоритетов корпораций в 2023 году, и 79% компаний поставили их в число своих трех главных целей.

Но инновации ради инноваций сами по себе не являются правильной бизнес-стратегией, и организации, которые увлекаются ажиотажем вокруг ИИ, рискуют инвестировать в ажиотаж, вместо того, чтобы инвестировать в решения, создающие долгосрочную ценность. Понимание разницы требует тщательного рассмотрения текущих возможностей и терпения, чтобы отдать приоритет устойчивому росту над краткосрочными тенденциями.

Зона Голдилок

История бизнеса полна примеров компаний, чьи стратегические решения в ключевые моменты были решающими для их существования. Например, Amazon пережила крах доткомов, признав важность корректировки своей учетной стратегии и увеличения резервов, в то время как другие компании сжигали деньги, как будто их не было бы завтра. Суть в том, что правильные бизнес-решения более важны, чем когда-либо, во времена массового энтузиазма, и планирование на завтра требует острого ума, чтобы подумать о всех возможных сценариях.

В целом, существует общее чувство страха упустить возможность (ФОМО) от ИИ, которое проникло в команды руководителей, что еще больше осложнено реальностью, что бездействие (т.е. подчинение “параличу от анализа”) также является реальной угрозой. (Просто спросите Kodak.) Вот три соображения для компаний, ищущих эту “зону Голдилок” 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 (БЯМ) полагаются на огромное количество разнообразных точек данных, чтобы учиться закономерностям, контексту и лингвистическим нюансам. Огромный размер и сложность БЯМ требуют обширных данных для обучения для эффективной работы в различных областях и задачах. Качество и количество этих данных существенно повлияют на производительность БЯМ и, следовательно, на набор инструментов ИИ компании.

Создание более прочных экосистем данных, таким образом, является мудрым первоначальным вложением для любой компании, планирующей трансформацию ИИ, и эти данные послужат основой для БЯМ, когда они будут расти и эволюционировать. Именно в этой эволюции высококачественные данные становятся еще более важными. Хотя исследования показали, что БЯМ могут быть компетентными с минимальными данными, эксперты теперь говорят, что “влияние качества и разнообразия данных на выравнивание и другие пути обучения БЯМ (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 воспроизвести программное обеспечение ИИ, чтобы магически улучшить выход. Скорее, некоторые из наиболее успешных случаев использования ИИ включают анализ данных для раскрытия ценных сведений о поведении клиентов, рыночных тенденциях и потенциальных рисках. Это также было доказано эффективным для оптимизации внутренних действий, включая такие вещи, как автоматизация ручных задач для выделения времени сотрудников на более высокие виды деятельности.

Короче говоря, вместо того, чтобы тратить время на выяснение, какие модели ИИ использовать, организации должны сосредоточиться на конкретных проблемах, которые они хотят, чтобы их ИИ решили. (т.е. начните с иглы, которую вы хотите переместить, настройте KPI, который вы хотите повлиять, и затем работайте в обратном направлении к тому, какие инструменты ИИ достигнут этих целей.) Согласно Глобальному опросу руководителей ИИ MIT, 90% тех, кто использует ИИ для создания новых KPI, говорят, что видят улучшение своих KPI. “Эти KPI, информированные ИИ, предлагают бизнес-выгоды и демонстрируют новые возможности: они часто приводят к большей эффективности и большей финансовой выгоде и более подробны, своевременны и соответствуют целям организации”.

3. Создание индивидуальных инструментов ИИ с помощью открытых БЯМ

Создать или купить – вот вопрос. Создание индивидуального решения ИИ может показаться устрашающим, и многие компании предпочитают покупать лицензию у внешнего поставщика с проприетарной БЯМ, чтобы избежать этого пути. Однако лицензия может ограничить, как можно использовать БЯМ, и лицензионные сборы могут стать очень дорогими со временем. Альтернативно, открытые БЯМ бесплатны, и базовая архитектура доступна для разработчиков, чтобы получить доступ, создать и изменить на основе конкретных потребностей компании.

Эта модель экосистемы с открытым исходным кодом приобрела популярность, поскольку компании стремятся сохранить конфиденциальную информацию на своей сети и сохранить больше контроля над своими данными. Открытые БЯМ дают компаниям эту прозрачность и гибкость, а также дополнительные преимущества, такие как снижение задержек и повышение производительности. IBM и NASA недавно объединились, чтобы разработать открытую БЯМ, обученную на геопространственных данных, чтобы помочь ученым бороться с изменением климата, в рамках десятилетней инициативы NASA по открытой науке, чтобы создать более доступное, инклюзивное и сотрудничественное научное сообщество.

Как и любая технология с открытым исходным кодом, с открытыми БЯМ связаны риски, включая потенциальные утечки безопасности/нарушения, галлюцинации/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 БЯМ скоро достигнут уровня лучших закрытых БЯМ, оправдывая инвестиции в раннее внедрение и время, потраченное на повышение квалификации команд.

Принятие ИИ будет множеством быстрых спринтов в марафоне

На основе недавних цифр, 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 новых стартапов, продвигающих 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.