Generatīvā mākslīgā intelekta dabiskās valodas spējas
Generatīvā mākslīgā intelekta (gen AI) dabiskās valodas spējas ir tik lietotājam draudzīgas, ka pat uzņēmumu vadītāji, kuri parasti nav agrīnie pieņēmēji, sāk ar to eksperimentēt. Nepilnu gadu pēc gen AI rīku parādīšanās skatuves beigās 2022. gadā, jau ceturtdaļa C-līmeņa vadītāju to izmantoja.
Plašā interese par gen AI ir radījusi milzīgu lietošanas gadījumu un eksperimentu vilni, un šeit ir problēma. Šādi centieni ir salīdzinoši viegli uzsākt, bet var patērēt resursus, neradot daudz vērtības.
Kā izkļūt no šī pilotprojektu purgatorija
Lai izkļūtu no šī pilotprojektu purgatorija, prioritātei jābūt gen AI savienošanai ar biznesa rezultātiem. Šeit ir četri veidi, kā vadītāji var to panākt.
Fokusēties uz svarīgu jomu. Kad gen AI tiek izplatīts pāri dažādiem pilotprojektiem, tas var izskatīties pēc tehnoloģijas, kas meklē problēmu. Tomēr nozīmīgas izmaiņas notiek, kad gen AI tiek virzīts uz pietiekami lielu jomu, lai radītu atšķirību, piemēram, klientu ceļojumu vai funkcionālo jomu. Piemēram, sadarbībā ar finanšu pakalpojumu gigantu ING tika izveidots gen AI balstīts risinājums, kura valodas un datu spējas ļāva tam atbildēt klientiem ar precīziem risinājumiem. Tas uzlaboja pakalpojumu, vienlaikus atbrīvojot aģentus sarežģītāku jautājumu risināšanai.
Izstrādāt biznesa vadītu tehnoloģiju ceļvedi. Gen AI nes ar sevi tik daudz nezināmo, ka tas prasa centrālo komandu, kurā ietilpst visas attiecīgās kompetences, ieskaitot risku, juridisko, atbilstību, finanses, cilvēkresursus un stratēģiju, lai izstrādātu protokolus un standartus. Šim darbam jāsākas ar vadītāju un C-līmeņa vadītāju vienošanos par to, kas jādara. Tad vadītājam jāstrādā cieši kopā ar galveno informācijas vai tehnoloģiju direktoru (CIO vai CTO), lai pārvērstu šo apņemšanos konkrētā ceļvedī, kas norādīs, kā uzņēmumam jāvirzās uz priekšu. Protams, domēna transformēšana nav tikai par gen AI lietojumprogrammām; tajā būs iesaistīta arī procesu digitalizācija un citas AI formas. Ja lietojumprogrammas tiek veidotas ap atkārtoti izmantojamiem moduļiem, tās var attiecināt arī uz daudziem nākotnes problēmu veidiem.
Veidot talantu soliņu. Talantu soliņa veidošana ir nepieciešamība. Sadarbība ar ārējiem pakalpojumu sniedzējiem, piemēram, pieredzējušiem inženieriem, kuri jau ir izveidojuši gen AI produktus, var būt svarīga gen AI stratēģijas daļa. Bet tikpat daudz vai vairāk uzmanības jāpievērš iekšējiem talantiem – un ne tikai tehniskajiem komandām. Arī biznesa pusē strādājošajiem ir jāsaprot, ko gen AI var un nevar darīt.
Uzņēmumi var apmācīt savus datu inženierus, piemēram, lai apgūtu multimodālo apstrādi un vektoru datubāzu pārvaldību, kamēr datu zinātnieki var attīstīt komandu inženierijas un aizspriedumu atklāšanas prasmes. Un ir kritiski svarīgi saglabāt šos ekspertus. Nesen veiktajā aptaujā gandrīz 13 000 darbinieku atklājās, ka 51% gen AI radītāju un smago lietotāju plāno atstāt savas pozīcijas nākamo trīs līdz sešu mēnešu laikā. Atlīdzība vienmēr būs svarīga, bet talantīgi cilvēki ir vairāk noskaņoti palikt, ja viņiem ir iespēja attīstīt savas prasmes, strādāt pie nozīmīgiem projektiem un gūt izaugsmes iespējas.
Piemēram, sadarbībā ar Singapūras DBS banku tika veikta veiksmīga digitālā transformācija un tika konstatēts, ka uzvarošais attiecību skaits bija 80% talantu iekšēji nodrošinot un 20% ārpusē nodrošinot. Šis apvienojums ļauj organizācijai pārvietoties ātrāk un pieņemt lēmumus ātrāk. Principi ir skaidri: lieliskumu nevar nodot citiem.
Fokusēties uz to, kas ir svarīgs. Uzņēmumi izlieto daudz enerģijas lemjot par to, kuru lielo valodu modeļus (LLMs) izmantot. Bet visi jaunie LLMs var darīt brīnišķīgas lietas. Svarīgāk ir ieguldīt pareizo pūli pareizajos vietos, piemēram, konteksta inženierijas, drošības, pārvaldības un nodrošinot to, ka tehnoloģiju atjauninājumi atbalsta gen AI mērogam. Tas var šķist pašsaprotami, bet daudzi pilotprojekti ir izveidoti aizsargotos vidēs, kas neatbilst realitātei uz vietas.
Datu uzlabošana konkrētiem risinājumiem var radīt milzīgu ietekmi uz izvades kvalitāti. Tiks ieguldīts arī orķestrēšanas dzinējā: Gen AI prasa daudzas mijiedarbības un integrācijas starp modeļiem un lietojumprogrammām. Programmēšanas interfeisa (API) värtnis ir svarīgs šo orķestrēšanas spēju elements, jo tas starpnieko piekļuvi un nodrošina atbilstību. Labs API ne tikai palīdz samazināt risku, bet arī dod komandai pārliecību.
Veiktspējas atšķirības starp līderiem un atpalicējiem digitālajos un AI tehnoloģijos paplašinoties, līderi redz daudz labāku finansiālo sniegumu. Ja šis trends palielinoties gen AI jomai, atpalicēji var vēl vairak atpalikt.
Iespējams iegūt reālu vērtību no gen AI, bet tas ir grūtak nekaj acis sastopas – daļa tajpč ka tas šķiet tik viegli. Bet tas nav.
Viedokļi pausti komentos ir tikai to autoru viedokļi un neatspoguļo obligati Fortune viedokli.
