Преодоление Проблем: Почему Компаниям Трудно Внедрить ИИ на AI Summit NY 2023

Развертывание генеративных ИИ-моделей представляет собой значительные вызовы для компаний, стремящихся перейти от простых концептуальных доказательств к эффективной операционализации в крупном масштабе. Как сообщили отраслевые эксперты на AI Summit New York 2023, преодоление этих препятствий начинается с выявления дорожных блоков.

Одной из главных проблем является сбор и кураторство необходимых данных. Сеш Айер, управляющий директор и старший партнер BCG, подчеркнул критическую необходимость устойчивого потока данных, который включает хорошо организованную метаданные. Генеративные ИИ-модели зависят от обширных данных, поэтому компаниям необходимо улучшить свои базы знаний для максимизации потенциала крупных языковых моделей. Гаурава Дхама, директор по разработке продуктов ИИ в Mastercard, также отметил важность оптимизированного управления данными.

Установление эффективной структуры управления для снижения рисков, связанных с генеративным ИИ, также представляет собой значительное препятствие. Между старшими руководителями существует распространенная проблема «доверия» в отношении рисков безопасности, вопросов авторского права и возможности неточностей, возникающих из-за ИИ. Лусинда Линда, старший научный сотрудник данных в Ironside, выделила эти опасения, указав, что лидерам необходимо осторожно управлять этими рисками для полного внедрения технологий.

Недостаток квалифицированных специалистов, способных эффективно использовать генеративный ИИ, является еще одной преградой. Многие организации по-прежнему сталкиваются с проблемами определения бизнес-ценности и возврата инвестиций (ROI) от своих ИИ-инициатив, в то время как колеблющиеся затраты на генеративный ИИ способствуют продолжающейся неопределенности.

Учитывая начальную природу технологий генеративного ИИ, Вики Скоггинс, ведущий стратегию и разработку продуктов ИИ/МЛ в Coinbase, отметил: «Это еще не проложенная дорога». Эта экосистема требует от компаний осторожного подхода к генеративному ИИ. Дхама прогнозирует, что генеративный ИИ останется на «этапе сопилота» в течение продолжительного времени, особенно в строго регулируемых секторах, таких как финансовые услуги, где человеческий контроль останется ключевым.

Кроме того, могут возникнуть уязвимости безопасности при использовании генеративного ИИ, особенно в задачах программирования. Как отметил Дхама, экспертиза тех, кто реализует эти инструменты, имеет первостепенное значение. Линда посоветовала компаниям начать внедрение генеративного ИИ внутри организации для повышения продуктивности сотрудников и эффективности, предположив, что начальное использование в бэкофисе может проложить путь для более широкого внедрения по мере увеличения уверенности в организации.

Несмотря на вызовы, связанные с внедрением новых технологий, потенциальные приросты производительности от генеративного ИИ впечатляют. Айер оценил, что организации могут наблюдать улучшение эффективности в диапазоне от 10% до 90%.

Еще одним критически важным аспектом эффективного использования генеративного ИИ является диверсификация в применении технологий. Линда подчеркнула важность использования нескольких генеративных ИИ-моделей, несмотря на преобладание технологий OpenAI в текущих приложениях. Недавние события с CEO OpenAI, Сэмом Альтманом, подчеркивают риски зависимости от одного поставщика.

Изучение различных моделей имеет первостепенное значение, так как разные системы преуспевают в различных областях. Линда отметила, что новые модели, такие как Mistral, продемонстрировали выдающиеся результаты и должны рассматриваться как часть более широкой стратегии. Дхама согласился с этим мнением, призывая к разнообразному набору систем для повышения устойчивости.

При проектировании структуры генеративного ИИ ключевыми аспектами являются точность, задержка и стоимость. Чтобы выделиться в рынке, где многие организации используют схожие основные модели, участники панели подчеркнули, что отличительный фактор заключается в качестве исходных данных. Как лаконично выразился Дхама: «Дело в данных, а не в модели».

Максимизация ценности генеративного ИИ требует стратегического пересечения бизнес-инсайтов и операционной реализации, с акцентом на кураторство правильных данных. Айер завершил с мощным напоминанием: «Если у вас есть данные, вы выиграли».