Att lösa hur och när: Infusera affärsstrategi i AI-antagande

Vi har nått en vändpunkt med artificiell intelligens (AI) där diskussionerna i styrelserummet har skiftat från att debattera effektivitet till att accelerera antagande. Det är en spännande tid, särskilt med tanke på att takten i förändringen aldrig kommer att vara så långsam igen. Enligt BCG, trots den globala ekonomiska osäkerheten, ökade innovationen som en topprioritet för företag 2023, med 79% av företagen som rankar det bland sina tre främsta mål.

Men innovation för innovations skull är inte en sund affärsstrategi, och organisationer som fastnar i AI-hysterin riskerar att investera i hype istället för lösningar som skapar långsiktig värde. Att förstå skillnaden kräver en noggrann bedömning av nuvarande förmågor och tålamod att prioritera hållbar tillväxt över kortvariga trender.

The Goldilocks Zone

Affärshistorien är full av exempel på företag vars strategiska beslut vid viktiga ögonblick har varit avgörande för deras existens. Till exempel överlevde Amazon den IT-bubblan (AMZN ) genom att känna till vikten av att anpassa sin redovisningsstrategi och öka reserven medan andra företag brände pengar som om det inte fanns någon morgondag. Poängen är att sunda affärsbeslut är mer kritiska än någonsin under tider av massentusiiasm, och planering för morgondagen kräver en skarp förmåga att tänka igenom alla möjliga scenarier.

Sammanfattningsvis finns det en allmän känsla av AI-FOMO (“rädsla för att missa”) som har genomsyrat ledningsteam, ytterligare komplicerat av verkligheten att att inte göra någonting (dvs. att ge efter för “paralysering genom analys”) också är ett verkligt hot. (Fråga Kodak.) Här är 3 överväganden för företag som letar efter den “Goldilocks-zonen” för AI – inte att investera för fort eller för långsamt, men att hitta den söta punkten för hållbar innovation.

1. Fokusera på datatillväxt först

Liksom alla maskiner är det viktigt att förstå dess inre funktioner för att utläsa var värdet kommer ifrån. Det betyder att AI inte är en färdig produkt, utan att dess stora språkmodeller (LLM) förlitar sig på enorma mängder olika datapunkter för att lära sig mönster, sammanhang och språkliga nyanser. Den rena storleken och komplexiteten hos LLM kräver omfattande träningsdata för att fungera effektivt över olika områden och uppgifter. Kvaliteten och mängden av denna data kommer att ha en stor inverkan på LLM:s prestanda, och därmed ett företags svit av AI-verktyg.

Att skapa mer robusta dataekosystem är därför en klok första investering för alla företag som planerar en AI-omvandling, och denna data kommer att fungera som grunden för LLM när de växer och utvecklas. Det är i denna utveckling som högkvalitativ data blir ännu mer kritisk. Medan studier har visat att LLM kan vara kompetenta med minimal data, säger experter nu att “påverkan av datakvalitet och diversitet på både anpassning och andra områden av LLM-utbildning (förutbildning, finjustering, styrförmåga etc.) är absolut enorm”.

2. Identifiera ett affärsanvändningsfall

Medan AI säkert har kapacitet för breda externa tillämpningar, är de flesta företag mer fokuserade på att använda tekniken för att optimera sina interna processer. “Optimera” är det nyckelordet här, vilket betyder att företag inte ska förvänta sig att bara koppla in AI-programvara för att magiskt förbättra utdata. Snarare är några av de mest framgångsrika AI-användningsfallen analyser av data för att avslöja värdefulla insikter om kundbeteende, marknadstrender och potentiella risker. Det har också visat sig vara effektivt för att strömlinjeforma interna aktiviteter, inklusive saker som automatisering av manuella uppgifter för att tilldela anställdas tid till högre nivåaktiviteter.

Sammanfattningsvis, istället för att slösa bort tid på att försöka ta reda på vilka AI-modeller som ska användas, behöver organisationer fokusera på specifika problem som de behöver att deras AI ska lösa. (dvs. börja med nålen du vill flytta, ställa upp KPI som du vill påverka, och sedan arbeta bakåt mot vilka AI-verktyg som kommer att uppnå dessa mål.) Enligt MIT:s Global Executive AI Survey, säger 90% av de som använder AI för att skapa nya KPI att de ser att deras KPI förbättras. “Dessa AI-informerade KPI:er erbjuder affärsfördelar och visar nya förmågor: de leder ofta till mer effektivitet och större ekonomisk fördel och är mer detaljerade, tidskänsliga och anpassade till organisatoriska mål.”

3. Bygg anpassade AI-verktyg med hjälp av öppen källkod LLM

Att bygga eller köpa – det är frågan. Att bygga en anpassad AI-lösning kan verka överväldigande, och många företag väljer att köpa en licens från en extern leverantör med en proprietär LLM för att undvika att gå den vägen. Men licensen kan begränsa hur LLM kan användas, och licensavgifter kan bli mycket dyra över tid. Alternativt är öppen källkod LLM gratis och den underliggande arkitekturen är tillgänglig för utvecklare att komma åt, bygga och modifiera baserat på företagets specifika behov.

Denna öppna källkodsmodell har ökat i popularitet när företag försöker hålla känslig information på sitt nätverk och behålla mer kontroll över sin data. Öppen källkods LLM ger företag denna transparens och flexibilitet, tillsammans med de ytterligare fördelarna med minskade latencyproblem och förbättrad prestanda. IBM och NASA samarbetade nyligen för att utveckla en öppen källkods LLM som tränats på geospatial data för att hjälpa forskare bekämpa klimatförändringar, en del av NASAs decennielånga Open-Source Science Initiativ för att bygga en mer tillgänglig, inkluderande och samarbetsinriktad vetenskaplig gemenskap.

Som med all öppen källkodsteknologi finns det risker förknippade med öppen källkods LLM, inklusive potentiella säkerhetsläckor / brott, hallucinationer / bias baserat på felaktig eller bristfällig information och illvilliga aktörer som medvetet manipulerar data. Men öppna modeller blir smartare och säkrare över tid, vilket leder vissa experter att känna att öppen källkods LLM snart kommer att nå nivån på de bästa slutna källkods LLM, vilket motiverar investeringen i tidig antagande och tid som läggs på att förbättra teamens färdigheter.

AI Adoption Will Be Multiple Quick Sprints in a Marathon

Baserat på senaste siffror, finns det runt 15 000 AI-företag i USA, mer än dubbelt så många som 2017. Världen över ökar dessa siffror nästan fyrfaldigt. Med så många leverantörer och nya startups som främjar sina tjänster, är det inte konstigt att företag kan ha svårt att bestämma var de ska investera sin tid och pengar. Men genom att noggrant bedöma sina behov och riskerna / belöningarna som presenteras av innovation, kommer ledare att hitta rätt mix av AI för att driva sina företag mot en framtid av hållbar tillväxt.