Штучний інтелект у великих підприємствах: підрахунок повної вартості

Штучний інтелект вийшов за рамки теорії та новизни. Для багатьох організацій він тепер знаходиться поруч з основними системами як частина інфраструктури. Багато людей все ще думають про нього в основному в термінах публічних великомасштабних мовних моделей і чат-ботів – щось, у що можна зайти і вийти з браузера і викинути, коли ви закінчите. Розглядаючи штучний інтелект через цю лінзу, можна пропустити ширший спектр моделей і технік, які можуть покращити результати більш ефективно з меншим ризиком.

Правда полягає в тому, що штучний інтелект повинен оцінюватися як будь-які інші великі інвестиції в інфраструктуру – з чітким баченням витрат, вигод і операційних ризиків з самого початку. Придання йому корисної форми означає інвестиції в якість даних, спостережливість, управління та людей, які підтримують його у відповідності з бажаними бізнес-результатами. Переступити через ці речі, і рахунок просто переноситься в майбутнє з доданими відсотками.

Як витрати на штучний інтелект дійсно зростають

Зрозуміло, що команди можуть припускати, що витрати на штучний інтелект зростають по прямій лінії: зробити вдвічі більше роботи, заплатити вдвічі більше грошей. Насправді зусилля, витрати та результати можуть рухатися незалежно один від одного по-своєму.
Запитайте у штучного інтелекту прочитати довгий документ одразу, і йому доведеться розглянути кожне слово у відношенні до кожного іншого слова. У більшості популярних великомасштабних мовних моделей це означає, що робота, а отже і витрати, не зростають так, як люди природно очікують – подвійте вхід, подвійте витрати – а зростають приблизно пропорційно квадрату довжини вхідних даних. Свідомість таких основоположних моментів може мати реальний вплив на дно лінії будь-якого розгортання штучного інтелекту. Якщо організація, яка обробляє великі об’єми тексту щодня, наприклад регулятор, спроєктує з самого початку навколо графічного пошуку або трубопроводів відновлення замість відправлення всього документа до моделі, то кінцевий користувач отримує такий же досвід, як і у публічного чат-бота: “задайте питання, отримайте відповідь за секунди”. Це тримає ентузіастів штучного інтелекту щасливими миттєвими взаємодіями, а під поверхнею система робить набагато менше зайвої роботи, а рахунок за обчислення значно нижчий у результаті.

Як витрати на штучний інтелект розподіляються по організації

Вибір технологій – це тільки частина історії, а все інше – це те, як організації підходять до штучного інтелекту спочатку. У багатьох організаціях підготовка даних знаходиться в інженерії. Перегляди з питань відповідності знаходяться у юридичному відділі. Витрати на хмарні обчислення знаходяться у команді платформи або інфраструктури. Вибір моделі, конфігурація та будь-яке тонке налаштування зазвичай знаходяться у декількох спеціалістів-операторів. Кожна група бачить свою частку роботи та свою бюджетну позицію. Витрати з’являються як обчислення тут, час підрядників там, і час людей, поглинений у “бізнес як зазвичай” по декількох командам. З цифрами, розкиданими по центрах витрат, отримання повної витрати одного ініціативи штучного інтелекту може не бути видимим у будь-якому одному місці і легко недооцінюється. У такій ситуації витрати на штучний інтелект можуть тихо зростати, просто тому що ніхто не відстежує цілу цифру в одному місці.

Практичний підхід до управління витратами на штучний інтелект

Ухилення від штучного інтелекту не є правильним кроком для організацій, але й не слід ставити до нього ставлення, як до універсальної технології. Добра стратегія завжди починається з бажаного результату і працює у зворотному напрямку. Не кожен випадок потребує передової, дорогої у використанні великомасштабної загальної моделі. Багато завдань можуть бути виконані добре зрозумілими техніками машинного навчання, які входять до сфери штучного інтелекту і можуть працювати на існуючій інфраструктурі.

Почніть з малих пілотних проєктів, які вимірюють загальну вартість володіння, а не тільки використання моделі, що означає перегляд обчислення, звичайно, але також інтеграційну роботу, час інженерів, управління змінами та зусилля з питань відповідності. Метою є вибір найменшої та найпростішої моделі, яка дає прийнятний результат, а не припущення, що “більша модель” означає “більшу вигоду”.
Штучний інтелект – це не одна річ. Це поєднання технік і інструментів, які можуть бути використані по-різному. Розглядаючи це так, розбивається ореол навколо вражаючих результатів і дозволяє підприємствам використовувати його силу з більшою відповідальністю та більшим ефектом.

Люди, час і штучний інтелект

Кожне розгортання штучного інтелекту на практиці є співробітництвом між людьми та програмним забезпеченням. Чи це визнається формально чи ні, це те, як робота робиться. Поточний зсув до більш активного штучного інтелекту – інструментів, які можуть ланцюжити кроки, викликати інші системи та діяти з меншим спонуканням – не змінює цього, а фактично підвищує ставки для отримання правильного людського боку робочого процесу.

Ці інструменти можуть бути легкими для надмірної довіри. Коли система представляє відповіді вільно і з впевненістю, природно для людей припускати, що вона зазвичай правильна. Якщо такий інструмент скидається у робочий процес без належної підготовки, чітких меж та розумних перевірок, він може тихо генерувати потік малих помилок. Кожна з них повинна бути виявлена, зрозуміла та виправлена людиною. На папері штучний інтелект виглядає ефективним, на практиці існує прихований витрат у вигляді додаткового людського часу, витраченого на виправлення помилок. У клієнтських або регульованих умовах ці маленькі помилки також можуть нести репутаційний витрат. Однак, яким би не було доставлення інструментів або їх використання, відповідальність за їхні виходи все ще лежить на організації та, у щоденних термінах, на людях-операторах, які їх використовують. Це потрібно явно зрозуміти для того, щоб ці інструменти були справді корисними.
Кращий шаблон – це свідоме партнерство: кваліфіковані люди залишаються явно відповідальними за результати, а штучний інтелект використовується для прискорення частин роботи, які йому підходять, таких як підсумовування, підготовка, сортування, пошук. Навіть коли деяка перевірка та виправлення все ще потрібні, загальний ефект добре введеного та добре керованого штучного інтелекту у робочих процесах може бути більшим швидким, більш послідовним та більшим потенціалом, ніж команда могла б досягти самостійно.

Управління як частина бюджету штучного інтелекту

Дажи коли технічні вибори звучні та використання ефективне, зростаюча частка витрат на штучний інтелект буде зв’язана з управлінням spíše, ніж суїми обчисленнями. Для організацій, що працюють в ЄС, закон про штучний інтелект робить це дуже ясним. Він приймає ризико-орієнтований погляд на штучний інтелект і важливо, що це не застосовується тільки до публічних продуктів. Внутрішні системи, використовувані в таких областях, як прийняття на роботу та просування, управління працівниками та моніторинг, а також певне прийняття рішень, пов’язаних з безпекою, можуть потрапити в сферу дії та принести очікування щодо управління ризиками, документації, реєстрації та людського нагляду з ними. Інші регіони рухаються в подібному напрямку, хоча правила виглядають трохи інакше, загальний тренд такий самий: великі організації очікується знати, де використовується штучний інтелект, що він робить та як ним керують.

Практичний ефект цього полягає в тому, що внутрішні проєкти штучного інтелекту тепер можуть приходити з власним робочим навантаженням управління, яке не є необов’язковим. Кожен новий випадок використання може означати новий ризик чи вплив оцінки, більше моніторингу та更多 питань від команд з питань відповідності, аудиту чи ризику. Ніщо з цього не з’явиться у метриках використання моделі, але це реальні зусилля, які повинні бути оплачені.

Знову ж таки, ніщо з цього не є причиною уникати штучного інтелекту. Це нагадування про те, що експлуатаційна вартість внутрішнього процесу, що використовує штучний інтелект, не тільки ціна виклику моделі. Управління та очікування регулювання тепер є частиною загальної вартості володіння

Де розгортання штучного інтелекту йде не так

Знайома схема у проєктах штучного інтелекту – розрив між тим, як система виглядає у демонстрації, та тим, як вона поводиться у масштабі у дикій природі. У контрольованому середовищі, з вузьким набором питань та дружнім даними, результати можуть виглядати бездоганніми. Легко в цей момент припустити, що система готова взятися за всю категорію роботи.

Проблеми зазвичай з’являються пізніше, коли система піддається повному різноманіттю та об’єму реального використання: незвичайні запити, стресові користувачі, неповні записи, нечіткі випадки. Тріщини, які були невидимими у демонстрації, починають з’являтися у вигляді неправильних відповідей, пропущеної нюансів, циклів підтримки, довших часів обробки та тихого пошкодження довіри. Внутрішні метрики, такі як “оброблені запити” та “збережений час”, можуть виглядати добре на папері, але досвід користувачів може告诉ити іншу історію.

Перехід безпосередньо від відполірованої демонстрації або малого пілотного проєкту, де успіх у контрольованих умовах вважається доказом того, що система готова до широкого розгортання, може бути дорогим помилкою. У реальному світі користувачі приносять нечіткі запити, неповні дані та свої власні припущення про те, що може зробити інструмент. Якщо очікування не керуються, а робочий процес навколо системи не спроєктований з запасними варіантами та ескалацією, організація платить двічі: один раз за побудову, і знову у вигляді додаткової підтримки, переробки, скарг та втраченої довіри. Технологія може виглядати вражаючою на папері, але без прагматичного підходу до того, як вона зустрічає реальних людей та реальні процеси, повернення на інвестиції швидко зникає.

Інша сторона полягає в тому, що добре спроєктовані системи, з чіткими межами та людським володінням, побудованим з самого початку, можуть робити речі, яких жодна людська команда не могла б керувати самостійно: сканування величезних обсягів інформації за секунди, виявлення закономірностей за роки даних та обробка рутинних рішень у масштабі, який був би інакше недосяжним. Суть у тому, що для отримання цих вигод організації повинні поєднувати свою амбіцію з реалістичним поглядом на те, як технологія буде поводитися, коли вона вийде у світ.

Заключні думки

Нічого з цього не є аргументом проти штучного інтелекту. Це аргумент за ставлення до нього з тією ж серйозністю, яку застосовують до будь-якої іншої системи, яка може суттєво змінити те, як працює підприємство.

Застосовуючи штучний інтелект правильно, він допомагає малим командам діяти у більшому масштабі, виявляти закономірності, які були б важко помітити вручну, та робити експертні судження далі. Але щоб досягти цього, потрібно чітке бачення того, де використовується штучний інтелект, яка його загальна вартість та як ним керується. Це означає прийняття свідомих рішень щодо моделей та архітектур, інвестиції у дані та спостережливість, а також проектування процесів, у яких люди залишаються у циклі.

“Рухайся швидко та ламай речі” було гаслом, написаним для людських команд, які працюють над людськими системами масштабу: якщо щось ламалося, ви повертали його назад, патчіли та рухались далі. Як тільки штучний інтелект вплетений у рішення про клієнтів, працівників чи громадян, таке саме ставлення може створювати проблеми, які поширюються швидше, вдаряють сильніше та є набагато складніше розгорнути. Швидкість все ще важлива, і штучний інтелект може певно допомогти тут, але він повинен бути поєднаний з чітким баченням ризику, витрат та відповідальності.

Не існує способу повністю видалити витрати чи ризик. Але існує чітка різниця між організаціями, які покладаються на експерименти на власний ризик, та тими, які будують штучний інтелект у свої операції виміряним способом, з видом з витрат на успіх. По різноманітності проблем та результатів, з якими організації стикаються, не існує єдиного рішення штучного інтелекту, яке може вирішити все. Ефективне використання штучного інтелекту в підприємстві завжди повинно бути спеціалізованим, наглядовим та ретельно розгорнутим.