Araştırma, Geliştirme ve İnovasyondan AI ile Etki Sağlama

Yapay zeka (AI), araştırma, geliştirme ve inovasyonu (R&D&I) dönüştürüyor, sürdürülebilirlik, sağlık, iklim değişikliği ve gıda ve enerji güvenliği gibi dünyanın en acil sorunlarını ele almak için yeni olanaklar sunuyor ve organizasyonlara daha iyi inovasyon yapma ve çığır açan ürün ve hizmetler sunma fırsatı tanıyor.

R&D&I’de AI yeni değil. Ancak, yapay zeka (GenAI) ve büyük dil modellerinin (LLM’ler) yükselişi, yeteneklerini önemli ölçüde artırdı, thuşları ve genel inovasyonu hızlandırdı.

Organizasyonlar R&D&I çabalarında AI’den nasıl yararlanabilir ve başarıyı elde etmek için hangi iyi uygulamaları benimsemelidir? Bunu öğrenmek için Arthur D. Little’ın (ADL) Blue Shift Enstitüsü, 40’tan fazla AI sağlayıcısı, uzman ve uygulayıcı ile görüşerek ve kamu ve özel sektördeki 200’den fazla organizasyonu araştırarak kapsamlı bir çalışma yaptı. Sonuçlanan rapor, Eureka! on Steroids: AI ile Sürülen Araştırma, Geliştirme ve İnovasyon, R&D ve inovasyondaki AI’nin güncel durumunu ve gelecekteki yolunu derinlemesine analiz ediyor.

Analizimiz beş ana alana odaklanıyor:

AI, R&D&I boyunca faydalar sağlar – ancak insanları değiştirmez

R&D&I’nin her bir bileşeni, teknoloji ve pazar istihbaratı, inovasyon stratejisi, fikir üretimi, portföy ve proje yönetimi ve IP yönetimi gibi AI’den yararlanabilir. Bu faydaları anlamaya çalışırken, üç ana faktör ortaya çıkıyor:

• AI, araştırmacıları değiştirmek yerine güçlendirecek, zamanlarını serbest bırakacak ve daha üretken ve yaratıcı olmalarını sağlayacak
• AI, öncekilerde denenemeyen inatçı sorunları çözmeye yardımcı olacak, teknolojinin hızı ve ölçeklenebilirliği ile öğrenme yeteneği sayesinde yeni inovasyon yolları açacak
• AI, “planlayıcı-düşünür” konumunda olacak, içerik oluşturma ve aramadan daha karmaşık rolleri kapsayacak, yani bilgi yöneticisi, hipotez üreticisi ve R&D&I ekiplerine asistan olarak hareket edecek.

Belirli bir R&D&I kullanım durumunda AI kullanıp kullanmamak konusunda karar verirken, uygulanacak AI yaklaşımını belirlemek için iki faktöre odaklanmak gerekiyor – mevcut veri türü ve miktarı (azdan çok veriye) ve sorulan soru türü (açıktan spesifik sorulara). Aynı zamanda, tek bir AI yaklaşımı optimal sonuçları vermeyebilir – son 15 yılda üretilen çoğu state-of-the-art akıllı sistem, sistemlerin sistemleridir. Bunlar, belirli görevler için tasarlanmış bağımsız AI sistemleri, modeller veya algoritmalar olup, birleştirildiğinde daha fazla işlevsellik ve performans sunar.

Başarı, sekiz iyi uygulamayı gerektirir

Araştırmacılar, AI bilim adamları, kurucular ve dijital, imalat, pazarlama ve R&D ekiplerindeki R&D başkanları ile yapılan görüşmelere dayanarak, başarılı AI dağıtımı için sekiz iyi uygulamayı görüyoruz. Organizasyonlar:

• Hızlı değişen AI ortamında ekiplerin hızlı çalışmasını sağlayan çevik metodolojileri benimsemelidir
• Veri kalitesi, organizasyon genelinde işbirliği ve özel verilerin kullanılması üzerine odaklanarak güçlü temeller oluşturmalıdır
• Modelleri oluşturma, satın alma ve fine-tuning arasında stratejik bir seçim yapmalıdır, sonuncusu genellikle en etkili yaklaşım olmaktadır
• Proof-of-concept projelerinde ilerleme sağlamak için analitik trade-off’leri dikkate almalıdır, Örneğin, veri edinimi ile sentezlenmesi, kesinlik ile geri çağırma ve underfitting ile overfitting arasında
• Veri bilimindeki mevcut yetenekleri proaktif bir şekilde kullanmalı, gerekli becerileri edinmek için organizasyon dışında ortaklık kurmalıdır
• IT ile güvenlik ve uyum ile deneysel hız arasında denge kurmak için işbirliği yapmalıdır
• Kullanıcıların güvenini kazanmak ve daha fazla yatırım için hızlı bir şekilde faydaları göstermelidir
• Sistem performansını sürekli olarak izlemeli ve özellikle model geliştirmeleri konusunda

3. Teknoloji bileşenleri artık yerinde

R&D&I değer zincirinin çoğu AI kullanım durumunda olduğu gibi, üç katman oluşuyor – altyapı, model geliştiricileri ve uygulamalar.

Altyapı açısından, yeterli hesaplama gücünü uygulamak ve bakımını yapmak için maliyet büyük, ancak barındırma sağlayıcıları, bulut tabanlı hizmet modelleri sunmaya başlıyor, böylece ev sahibi altyapısı ihtiyacını ortadan kaldırıyor, ön maliyetleri düşürüyor ve AI’ye erişimi demokratikleştiriyor.

R&D&I için AI değer zinciri, Meta, Microsoft ve Nvidia gibi büyük açık kaynaklı modellerden büyük ölçüde yararlanıyor. Ancak, Mistral ve Cohere gibi daha küçük oyuncular da ekosistemin önemli bir parçasını oluşturuyor, aynı zamanda akademik kurumlar da.

Uygulama tarafında, genel ve uzman R&D&I uygulamaları, çoğu kullanım durumunu karşılamak için zaten oluşturuldu, 500’den fazla uygulama mevcut ve tüm R&D&I sürecini kapsıyor.

Gelecek belirsiz – ancak senaryo planlaması anlayışa yardımcı oluyor

R&D&I’de AI nasıl evrileceğini, performans, güven ve uygunluk gibi üç ana faktörün sonuçlarına bağlı olarak belirleyebiliriz. Bu faktörleri birleştirmek, AI’nin R&D&I’nin her yönünü dönüştürmesinden, yalnızca seçilmiş, düşük riskli kullanım durumlarında kullanılmasına kadar değişen altı olası gelecek senaryosuna yol açar. Maksimumdan minimum etkiye doğru sıralanan bu senaryolar:

• Blockbuster: AI, R&D döngüsünün her aşamasında ön plana çıkıyor, organizasyonları dönüştürüyor. Veri, yeni bir sınır oluyor.
• Crowd-Pleaser: AI, günlük üretkenlik görevleri için uygun, ucuz ve benimseniyor, ancak bilimsel/creative değer sunmada eksik kalıyor.
• Crown Jewel: AI, üretkenliği ve bilimsel atılımları sağlıyor, ancak yalnızca bunu karşılayabilecek organizasyonlara – R&D&I’de iki hızlı bir dünya yaratıyor.
• Problem Child: Aktarılan bazı kullanım durumlarına ve uygun fiyatlı çözümlere rağmen, AI, değerini kanıtlamada başarısız oluyor – R&D&I organizasyonları, veri güvenliği, deontoloji ve yorumlanabilirlik eksikliği konusunda endişe duyuyor.
• Best-Kept Secret: AI performansı gelişiyor, ancak yüksek maliyetler organizasyonları daha riskten kaçınmaya yöneltiyor. Düşük güven ve bürokrasi, benimsemeyi sınırlıyor ve birkaç yeni cesur deney başlatılıyor.
• Cheap & Nasty: AI, düşük riskli kullanım durumlarında yaygın olarak kullanılıyor, ancak yalnızca prototip veya beyin fırtınası aracı olarak. Güvenilir olmayan sistemler nghiêmlikle denetleniyor ve çıktılar doğrulanıyor, böylece üretkenlik kazançları sınırlanıyor.

Bu senaryoları anlamak, R&D&I organizasyonları için AI benimsemelerini planlarken önemlidir.

R&D&I organizasyonları için hareket zamanı şimdi

Bazı durumlarda, AI, formülasyon, ürün geliştirme, istihbarat ve diğer R&D&I görevlerinde zaman, maliyet ve verimlilikte çift haneli iyileştirmeler sağlayarak alreadye olanak tanıyor. Bu, hangi senaryonun gerçekleşeceğinden bağımsız olarak, altı utanç verici hareket, R&D&I organizasyonlarının AI’nin faydalarından yararlanmak ve direnci oluşturmak için yardımcı olacaktır. Onlar:

• Yetenekleri yönetmeli ve güçlendirmeli, işgücünün AI’yi kullanmak için gerekli eğitim ve uzmanlığa sahip olmasını sağlamak,必要 ise orta vadede dış sağlayıcılarla alt yüklenicilik yapmak
• AI tarafından oluşturulan içeriği kontrol etmeli, risk yönetim süreçlerini güncellemeli ve doğrulama metodolojilerini kamuoyuyla paylaşarak güven oluşturmalı
• Veri paylaşımını ve işbirliğini artırmalı, başarılı AI benimsemesi için daha geniş kamu ve özel sektör ekosistemi ile çalışmalı
• Uzun vadeli eğitim vermeli, AI’nin temel prensipleri, gerekli becerileri ve potansiyel riskleri konusunda mümkün olduğunca geniş bir kullanıcı kitlesini eğitmeli
• Organizasyon ve yönetim yapısını yeniden düşünmeli, IT’nin ötesine geçerek üst düzey odaklanma sağlamak ve işbirliğini kolaylaştırmak için siloları kırmalı
• Hesaplama kaynaklarını ortak kullanmalı, ortaklarla birlikte çalışmalı veya kaynakları içerde paylaştırmalı, böylece mevcut ve gelecekteki altyapı ihtiyaçlarını maliyet etkin bir şekilde karşılayabilsinler

Bu utanç verici hareketlerin ötesinde, başarı, AI tabanlı R&D&I yatırımlarından oluşan dengeli bir portföy oluşturmak ve bunu kurumsal hedeflerle uyumlu hale getirmekle gelecek. Bu, belirli AI kullanım durumlarının kapsamı, maliyetleri ve faydalarını dikkate almak ve bu bilgiyi inovasyon projesi portföyünün optimizasyonu için kullanmak anlamına geliyor. Kararlar, stratejik hedefler, yetenekler ve piyasa istihbaratı ile organizasyonların faaliyet gösterdiği bağlam temelinde alınmalıdır.

R&D&I değer zincirinin her aşaması, insan araştırmacıları güçlendirerek verimliliği ve inovasyonu dönüştürebilecek AI ile potansiyel olarak dönüştürülebilir. Bu fırsatlar, performans, güven ve uygunluk etrafındaki bir dizi zorlukla dengelenmelidir, bu nedenle organizasyonlar, AI’nin R&D&I çabalarını gelecekteki herhangi bir şey getirecek şekilde konumlandırmak için şimdi odaklanmalıdır.

Bu makale, Albert Meige, Zoe Huczok, Arnaud Siraudin ve Arthur D. Little’ın yardımı ile yazılmıştır.