Эволюция Генеративного ИИ в 2025 году: от новинки к необходимости

Год 2025 отмечает поворотный момент в пути Генеративного ИИ (Gen AI). То, что началось как fascinirующая технологическая новинка, теперь эволюционировало в критический инструмент для бизнеса в различных отраслях.

Генеративный ИИ: от поиска решения проблемы к мощности решения проблем

Первоначальный всплеск энтузиазма по поводу Gen AI был обусловлен сырой новизной взаимодействия с большими языковыми моделями (LLM), которые обучены на обширных публичных наборах данных. Бизнес и частные лица были правомерно очарованы возможностью вводить естественные языковые подсказки и получать подробные, связные ответы от публичных моделей. Человекообразное качество выходных данных LLM привело многие отрасли к тому, чтобы броситься в проекты с этой новой технологией, часто без четкой бизнес-проблемы, которую необходимо решить, или любого реального KPI для измерения успеха. Хотя в ранние дни Gen AI были некоторые великие возможности, это rõ ràng сигнал, что мы находимся в инновационном (или гайп-) цикле, когда бизнес отказывается от практики выявления проблемы сначала, а затем поиска работоспособного технологического решения для ее решения.

В 2025 году мы ожидаем, что маятник качнется в обратную сторону. Организации будут искать Gen AI для бизнес-ценности, сначала выявляя проблемы, которые технология может решить. Будут, конечно, многие более хорошо финансируемые научные проекты, и первая волна случаев использования Gen AI для суммирования, чат-ботов, генерации контента и кода будет продолжать процветать, но руководители будут начинать требовать от проектов ИИ отчетности за ROI в этом году. Технологическое внимание также сместится от публичных общих языковых моделей, которые генерируют контент, к ансамблю уже моделей, которые можно контролировать и непрерывно обучать на особом языке бизнеса для решения реальных проблем, которые влияют на дно линии измеримым образом.

2025 год будет годом, когда ИИ переместится в ядро предприятия. Данные предприятия – это путь к разблокировке реальной ценности с помощью ИИ, но обучающие данные, необходимые для построения трансформационной стратегии, не находятся в Википедии и никогда не будут. Они живут в контрактах, записях клиентов и пациентов и в запутанных неструктурированных взаимодействиях, которые часто текут через задний офис или живут в коробках бумаги. Получение этих данных – сложная задача, и общепurpose LLM – это плохой технологический вариант здесь, несмотря на проблемы с конфиденциальностью, безопасностью и управлением данными. Предприятия будут все чаще принимать архитектуры RAG и малые языковые модели (SLM) в частных облачных условиях, что позволит им использовать внутренние организационные наборы данных для построения проприетарных решений ИИ с портфелем обучаемых моделей. Целевые SLM могут понимать конкретный язык бизнеса и нюансы его данных и обеспечивать более высокую точность и прозрачность при более низкой стоимости – при этом соблюдая требования конфиденциальности и безопасности данных.

Критическая роль очистки данных при реализации ИИ

По мере распространения инициатив ИИ организации должны уделять приоритетное внимание качеству данных. Первый и наиболее важный шаг в реализации ИИ, будь то использование LLM или SLM, заключается в обеспечении того, чтобы внутренние данные были свободны от ошибок и неточностей. Этот процесс, известный как “очистка данных”, имеет решающее значение для создания чистого имущества данных, которое является краеугольным камнем для успеха проектов ИИ.

Многие организации все еще полагаются на бумажные документы, которые необходимо оцифровать и очистить для повседневных бизнес-операций. Идеально, эти данные должны поступать в помеченные обучающие наборы для проприетарного ИИ организации, но мы еще находимся на ранней стадии этого процесса. Фактически, в недавнем опросе, который мы провели в сотрудничестве с Harris Poll, где мы интервьюировали более 500 руководителей ИТ между августом и сентябрем, было обнаружено, что 59% организаций даже не используют все свое имущество данных. Та же самая отчетность показала, что 63% организаций согласны с тем, что у них есть недостаток понимания своих собственных данных, и это препятствует их способности максимизировать потенциал GenAI и подобных технологий. Проблемы конфиденциальности, безопасности и управления данными, конечно, являются препятствиями, но точные и чистые данные имеют решающее значение, даже небольшие ошибки обучения могут привести к сложным проблемам, которые сложно исправить, когда модель ИИ ошибается. В 2025 году очистка данных и трубопроводы для обеспечения качества данных станут критической инвестиционной областью, гарантируя, что новое поколение систем ИИ предприятия может работать на надежной и точной информации.

Растущее влияние роли CTO

Роль главного технического директора (CTO) всегда была важной, но ее влияние будет увеличено в 10 раз в 2025 году. Приводя параллели с “эрой CMO”, где опыт клиента под руководством главного маркетингового директора был первостепенным, предстоящие годы будут “поколением CTO”.

Хотя основные обязанности CTO остаются неизменными, влияние их решений будет более значительным, чем когда-либо. Успешные CTO должны иметь глубокое понимание того, как возникающие технологии могут перестроить их организации. Они также должны понимать, как ИИ и связанные современные технологии стимулируют бизнес-преобразование, а не только эффективность внутри четырех стен компании. Решения, принятые CTO в 2025 году, определят будущую траекторию их организаций, что делает их роль более влиятельной, чем когда-либо.

Прогнозы на 2025 год подчеркивают трансформационный год для Gen AI, управления данными и роли CTO. По мере того, как Gen AI переходит от поиска решения проблемы к мощности решения проблем, важность очистки данных, ценности имущества данных предприятия и растущего влияния CTO будут формировать будущее предприятий. Организации, которые принимают эти изменения, будут хорошо подготовлены к процветанию в меняющемся технологическом ландшафте.