Лідери думок
Як і коли: інтеграція бізнес-стратегії у впровадження штучного інтелекту

Ключові моментиКомпанії повинні насамперед пріоритизувати створення надійних екосистем даних, оскільки…
Показати більше
- Компанії повинні насамперед пріоритизувати створення надійних екосистем даних, оскільки якість даних суттєво впливає на результативність ШІ.
- Визначайте конкретні бізнес-проблеми для вирішення за допомогою ШІ, а не слідуйте за загальними трендами впровадження ШІ.
- Відкриті ВММ надають контроль та гнучкість, але вимагають управління ризиками безпеки та підвищення кваліфікації команди.
Ми досягли переломного моменту зі штучним інтелектом (ШІ), де обговорення в радах директорів перейшли від обговорення ефективності до прискорення впровадження. Це цікавий час, особливо якщо врахувати, що темп змін ніколи не буде таким повільним знову. За даними BCG, незважаючи на глобальну економічну нестабільність, інновації піднялися до рівня однієї з головних корпоративних пріоритетних цілей в 2023 році, з 79% компаній, які відносять їх до трьох основних цілей.
Інновації заради інновацій не є обґрунтованою бізнес-стратегією, і організації, які захоплюються ажіотажем навколо ШІ, ризикують інвестувати в гучний розголос, а не в рішення, які створюють довгострокову вартість. Розуміння різниці вимагає ретельного розгляду поточних можливостей і терпіння, щоб надавати перевагу сталому зростанню перед короткостроковими тенденціями.
Зона Ґолділокса
Бізнес-історія усіяна прикладами компаній, чиї стратегічні рішення в ключові моменти мали вагомі наслідки для їхнього існування. Наприклад, Amazon пережила крах доткомів (AMZN ) завдяки визнанню важливості коригування своєї бухгалтерської стратегії та збільшенню резервів, тоді як інші компанії спалювали гроші, ніби завтрашній день ніколи не настане. Суть у тому, що виважені бізнес-рішення ще більш критичні під час масового ентузіазму, а планування на завтра вимагає гострого розуміння всіх потенційних сценаріїв.
Загалом, існує загальне відчуття страху перед пропущенням можливостей (FOMO), яке проникло в керівні команди, ще більше ускладнене реальністю того, що бездіяльність (тобто «параліч через аналіз») також є реальною загрозою. (Просто запитайте Kodak.) Ось три міркування для компаній, які шукають свою «зону Ґолділокса» ШІ — не інвестувати занадто швидко чи занадто повільно, а знайти оптимальний баланс сталого інноваційного розвитку.
1. Зосередитися на зростанні даних спочатку
Як і будь-яка машина, важливо зрозуміти її внутрішню роботу, щоб зрозуміти, звідки береться цінність. Це означає, що ШІ не є повністю сформованим продуктом, а його великі мовні моделі (LLM) залежать від величезної кількості різноманітних даних, щоб вивчити закономірності, контекст і лінгвістичні нюанси. Великий розмір і складність LLM вимагають великих обсягів навчальних даних для ефективної роботи в різних областях і завданнях. Якість і кількість цих даних суттєво вплине на продуктивність LLM і, відповідно, на набір інструментів ШІ компанії.
Створення більш надійних екосистем даних є мудрою першою інвестицією для будь-якої компанії, яка планує трансформацію ШІ, і ці дані будуть служити основою для LLM під час їхнього зростання та еволюції. Це саме той етап, на якому високоякісні дані стають ще більш критичними. Хоча дослідження показали, що LLM можуть бути компетентними з мінімальними даними, експерти зараз кажуть, що «вплив якості даних і різноманітності на узгодження з цілями та інші напрями навчання LLM (попереднє навчання, тонке налаштування, здатність спрямовувати поведінку тощо) є надзвичайно великим».
2. Визначити бізнес-кейс
Хоча ШІ безумовно має потенціал для широких зовнішніх застосувань, більшість компаній зосереджені на використанні технології для оптимізації внутрішніх процесів. «Оптимізувати» — це ключове слово тут, що означає, що компанії не повинні очікувати просто підключити і використати програмне забезпечення ШІ, щоб автоматично покращити продуктивність. Радше, деякі з найбільш успішних кейсів використання ШІ включають аналіз даних для відкриття цінних знань про поведінку клієнтів, тенденції ринку і потенційні ризики. Це також було доведено ефективним для оптимізації внутрішньої діяльності, включаючи речі, такі як автоматизація ручних завдань щоб працівники могли присвятити час завданням вищого рівня.
Отже, замість того, щоб марнувати час на визначення того, які моделі ШІ використовувати, організації повинні зосередитися на конкретних проблемах, які вони хочуть вирішити за допомогою ШІ. (тобто почати з результату, який потрібно поліпшити, визначити ключовий показник ефективності, на який потрібно вплинути, а потім у зворотному порядку визначити інструменти ШІ для досягнення цих цілей.) За даними MIT Global Executive AI Survey, 90% тих, хто використовує ШІ для створення нових показників ефективності, кажуть, що бачать покращення своїх показників ефективності. «Ці показники ефективності, інформовані ШІ, пропонують бізнес-переваги і демонструють нові можливості: вони часто ведуть до більшої ефективності і фінансової вигоди і є більш детальними, часозалежними і узгодженими з організаційними цілями».
3. Будувати індивідуальні інструменти ШІ за допомогою LLM з відкритим кодом
Будувати або купувати — це питання. Будування індивідуального рішення ШІ може здатися складним, і багато компаній обирають купити ліцензію у зовнішнього постачальника з пропрієтарним LLM, щоб уникнути цього шляху. Однак ліцензія може обмежити використання LLM, а ліцензійні збори можуть стати дуже дорогими з часом. Альтернативно, LLM з відкритим кодом безкоштовні, а архітектура доступна для розробників, щоб отримати доступ, побудувати і змінити на основі конкретних потреб компанії.
Ця екосистема моделей з відкритим кодом набула популярності, оскільки компанії намагаються тримати конфіденційну інформацію у власній мережі і зберегти більше контролю над своїми даними. LLM з відкритим кодом надають компаніям цю прозорість і гнучкість, а також додаткові переваги, такі як зменшення проблем з затримкою і підвищення продуктивності. IBM і NASA недавно об’єдналися, щоб розробити відкритий LLM, навчений на геопросторових даних, щоб допомогти вченим боротися з кліматичними змінами, як частина десятирічної ініціативи NASA з відкритої науки для створення більш доступної, інклюзивної наукової спільноти, що активніше співпрацює.
Як і будь-яка відкрита технологія, існують ризики, пов’язані з LLM з відкритим кодом, включаючи потенційні витоки даних і порушення безпеки, галюцинації та упередження через неточну або помилкову інформацію, а також зловмисників, які навмисно маніпулюють даними. Однак відкриті моделі стають розумнішими і безпечнішими з часом, що веде деяких експертів до висновку, що LLM з відкритим кодом скоро досягнуть рівня найкращих LLM із закритим кодом, що виправдовує інвестиції в раннє впровадження і час, витрачений на підвищення кваліфікації команд.
Впровадження ШІ буде складатися з кількох швидких спринтів у марафоні
За останніми даними, у США існує близько 15 000 компаній ШІ, що більш ніж удвічі перевищує кількість у 2017 році. У світі ці цифри збільшуються майже у чотири рази. З такою кількістю постачальників і перспективних нових стартапів, які просувають свої послуги, не дивно, що компанії можуть мати труднощі з вибором, куди інвестувати свій час і гроші. Однак, ретельно оцінивши свої потреби і ризики/вигоди, представлені інноваціями, лідери знайдуть правильну суміш ШІ, щоб просунути свої компанії у майбутнє сталого зростання.












