Yapay Zeka Kötü Toprağı Düzeltmez: Şirketlerin Yapay Zeka Dağıtımı İçin Dahili Ekosistemlerini Hazırlamak İçin

İş liderlerinin genellikle sadece kâra odaklandıkları şeklinde bir klişe olmasına rağmen, yakın bir çalışmada, şirketlerin %80’inin yapay zeka harcamalarının getirilerini takip etmediği gösterildi. Buna karşılık, ROI’yi takip edenler, bunun vaat edilenin altında kaldığını görüyorlar, çünkü küresel CEO’ların sadece %25’i yapay zeka yatırımlarının ROI beklentilerini karşıladığını söylüyor.

Ancak, “kötü bir marangoz aletlerini suçlar” atasözünde olduğu gibi, birçok durumda ROI beklentilerini karşılamıyor çünkü yapay zeka dağıtımları başarısızlığa mahkûm edilmiş durumda. Bir iş bir bahçe olarak düşünülürse, verimlilik ve kârların büyümesi için, yapay zeka gibi bir aracı dağıtmadan önce certain adımların atılması gerekiyor.

Adım 1: İnsanların Nerede Hayati Olduğunu Belirleme

Belki de LLM ürünlerinin pazarlamasındaki vaat edilen yeteneklerin abartılması nedeniyle, yapay zeka bir plug-and-play meselesi gibi bir yanlış anlama yaygındır. Gerçekte, en iyi yapay zeka dağıtımları, insan denetiminin kaçınılmaz olduğu yerleri belirlemekle başlar.

Örneğin, bir hukuk hizmetleri firmasıyla çalışırken, benim ve benim takımımın görevi, büyük hacimli hukuk belgelerini işleyebilecek, bunları sınıflandırabilecek, önemli gerçekleri çıkarabilecek ve bu dosyaları saklama, redakte etme veya silme kararı verebilecek bir yapay zeka sistemi uygulamaktı.

Yapay zeka, belgeleri ilgili olanlar için taramak, hassas verileri etiketlemek ve yanıtları özetlemek gibi ağır işleri üstlendi, ancak sonuçlar daha sonra insan avukatlarına geçirildi, onlar da çalışmayı gözden geçirebildi, hukuksal kararları onaylayabildi ve必要 olduğunda sınıflandırmaları geçersiz kılabilir.

Bu, firmayı potansiyel risklerden korumaya yardımcı oldu ve ayrıca otomasyon maliyetini denetim maliyetinden ayırmak, gelecekte ROI denetimlerinin daha temiz olmasını sağlayacaktır.

Adım 2: Yapay Zekanın İnsanlarınızı En İyi Şekilde Nasıl Destekleyebileceğini Belirleme

Yapay zeka üzerindeki ROI’yi en üst düzeye çıkarmak için, organizasyonunuzun nerede en iyi şekilde hizmet edebileceğini seçici olmak必要. Temel müşteri hizmetleri triajı, fatura kodlaması, bilgi yoğun aramalar gibi tekrarlanan veya kurallara dayalı görevler, insanları en iyi şekilde destekleyebilecek süreçlerdir.

Ardından, yapay zeka modellerinin, iş akışını bozmadan stratejik olarak yapılandırılması önemlidir. Bunu yapmak için, çalışanların iş akışlarını görevlere ayırın, ardından bu görevleri üç işlem kategorisine ayırın: üretme, seçme veya yargılama. Üretme görevleri yapay zeka tarafından devralınabilir, yargılama görevleri insan çalışanlarda kalır ve seçme görevleri, yapay zeka tarafından önerilen nächsten adımların ve insanların en iyi yolu belirlemesinin bir合作 süreci olabilir.

Yukarıdaki hukuk hizmetleri örneğinde, yapay zeka, belgeleri sınıflandırma (üretme), hassas içeriği işaretleme (üretme) ve muhtemel yanıtları ortaya çıkarma (seçme) gibi görevleri üstleniyordu. Bu şekilde, insan çalışanların rolü, belgelerin ince detaylarına bakmaktan, sonuçları doğrulamaya (yargılama) dönüşmüştü – günler alan işleri saatlere indirgemişti.

Bu, ROI açısından, kuralların istisnalarına daha fazla zaman ayırma fırsatı sunar, ki bu da kârların gizlendiği yerdir.

Adım 3: Eğitim Verilerinizi Standartlaştırma

LLM’leri şirket verilerinize uyarlamak, rekabet avantajları sağlayabilir, ancak yapay zeka başarılı olsun, “verimli toprak” yani iyi, temiz veri gerekiyor. Kötü veya gürültülü veriler sonuçları zehirler ve önyargıları artırır. Kısacası, veri disiplininiz çıktı güvenilirliğini belirler.

Bu, ne anlama geliyor? Büyük hacimli ve çeşitli veri önemli, ancak aynı zamanda yüksek kaliteli olması da önemlidir. Veri formatları ve adlandırma kuralları arasındaki tutarsızlıklar veya eksik/eksik alanlar ham girdilerin kalitesini olumsuz etkiler. Benzer şekilde, kopya veya yapılandırılmamış veri boru hatları depolama faturalarını şişirir ve model performansını yavaşlatır.

Dolayısıyla, veri girişlerinin kalite kontrolleri ve güçlü yönetimine ihtiyaç vardır – yani erişim kontrolü ve düzenleyici uyum. Bu filtreler olmadan, yapay zeka yatırımı yapmıyorsunuz, sadece temizleme döngülerine para harcamış oluyorsunuz.

Yapay zeka ile ilgili tüm hırsa rağmen, liderlerin bir uygulamayı mümkün olduğunca çabuk uygulamaya koymaya baskı hissetmeleri anlaşılabilir, ancak bir modeli stratejik olarak dağıtmak için zaman ayırmak veya tohumları ekmeye başlamadan önce toprağı gübrelemek, çok daha büyük bir başarı ve yatırım getirisi sağlayacaktır.