克服挑战：企业为何难以在2023年纽约人工智能峰会实现人工智能落地

Home AI News CN 克服挑战：企业为何难以在2023年纽约人工智能峰会实现人工智能落地

部署生成式人工智能模型对希望从简单概念验证转向有效规模化操作的企业来说，面临重重挑战。在2023年纽约人工智能峰会上，行业专家分享的见解表明，克服这些障碍的第一步是识别障碍。

其中一个主要挑战是获取和管理合适的数据。波士顿咨询集团的董事总经理兼高级合伙人Sesh Iyer强调，建立可持续的数据流是关键，这需要包含组织良好的元数据。生成式人工智能模型依赖于大量数据输入，因此公司必须优化知识库，以最大化大型语言模型的潜力。万事达卡人工智能产品开发总监Gaurav Dhama也指出了优化数据管理的重要性。

建立有效的治理框架以管理生成式人工智能固有风险是另一个重要障碍。许多高层决策者在安全风险、版权问题和AI生成的不准确性上存在普遍的“信任问题”。Ironside的高级数据科学家Lucinda Linde强调了这些担忧，指出领导者需要小心应对这些风险，以充分拥抱技术的潜力。

缺乏能够有效利用生成式人工智能的专业人才也是一大障碍。许多组织仍在努力评估其人工智能项目的商业价值和投资回报率（ROI），而生成式人工智能的成本波动也加剧了不确定性。

考虑到生成式人工智能技术仍处于初期阶段，Coinbase AI/ML产品战略与开发负责人Vik Scoggins表示：“这条路尚未铺好。”因此，企业需要谨慎对待生成式人工智能。Dhama预测，生成式人工智能将在“副驾驶阶段”持续较长时间，尤其是在金融服务等高度监管的行业中，人类监督仍至关重要。

此外，使用生成式人工智能在编码任务中可能会带来安全漏洞。正如Dhama所指出的，实施这些工具的专家知识至关重要。Linde建议企业在内部开始部署生成式人工智能，以提高员工的生产力和效率，认为最初在后台职能中的使用可以为组织的信心增长铺平道路，进而实现更广泛的应用。

尽管采用新技术面临诸多挑战，但生成式人工智能所带来的潜在生产力提升令人信服。Iyer估计，组织的效率提升可能在10%到90%之间。

有效利用生成式人工智能的另一个关键方面是技术使用的多样化。Linde强调了采用多种生成式人工智能模型的重要性，尽管OpenAI的技术在当前应用中普遍存在。近期OpenAI首席执行官Sam Altman的变动凸显了对单一提供商依赖的风险。

探索各种模型至关重要，因为不同系统在不同领域表现优异。Linde提到，像Mistral这样的新兴模型表现卓越，应纳入更广泛的战略中。Dhama也认同这一观点，呼吁使用多样化的系统以增强韧性。

设计生成式人工智能框架时，关键考量包括准确性、延迟和成本。在许多组织都在使用类似基础模型的市场中，专家一致认为，区分的关键在于数据的质量。正如Dhama简洁地指出：“关键在于数据，而非模型。”

要最大化生成式人工智能的价值，需要商业洞察与操作执行的战略交集，特别注重管理合适的数据。Iyer总结强调：“掌握数据，你就赢了。”

苹果推出面向Mac用户的开源AI开发工具

谷歌发布Gemini：下一代大型语言模型引领人工智能技术革命

Most people like

Career.io

388K

基于人工智能的职业服务平台，助您实现职业成功。

职业服务 AI招聘

OpenCraft AI

9.4K

提升专业人士生产力、简化工作流程的AI助手。

人工智能助手 AI聊天机器人

Komiko : AI Comics, AI Characters & AI Anime

8.4K

Sure! Please provide the introduction you would like me to refine.

人工智能漫画 AI漫画和漫画

Grainient

为设计师提供独特的渐变色和AI生成背景，助力创作灵感与视觉效果的完美结合。

渐变 AI背景生成器

Find AI tools in YBX