摘要:随着生成式人工智能的兴起,商业领域可能会发生翻天覆地的变化。这种转变不仅是生成式人工智能本身的直接影响,也是生成式人工智能如何重新肯定人工智能的整体重要性,并提高其在业务中的形象。 |
有了这种潜力,组织以一种一致的、有条理的、有意识的方式驾驭这种转变是很重要的。这并不意味着它必须是一个缓慢而费力的过程,但需要考虑确保负责任的部署和有形/有益和可扩展的结果。这涉及到技术和业务利益相关者一起工作,以快速识别和实施短期计划,并着眼于长期的必要性和可支持的环境。
从建立基础开始
在开始利用生成式人工智能之前,组织需要建立坚实的基础。这个基础包括几个关键要素:
(1)负责任的人工智能政策
而通过明确的人工智能政策概述公平、透明、问责制和数据保护的原则是至关重要的。确保人工智能模型输出的可解释性,并遵守GDPR等法律和法规,这是关键。
(2)人工智能战略和路线图以及概念验证的作用
制定具有优先级用例的综合人工智能战略对于使组织的努力与业务影响(短期和长期)保持一致至关重要。
人工智能战略应包括通用人工智能概念证明(PoC)的规则或指导方针,并应纳入概念证明(PoC)的结果,以递归地改进战略。这使战略能够自我纠正和完善,以获得更成功的长期方法,并促进响应性决策。
许多组织没有技能、政策或数据来跨入大型/改变企业的生成式人工智能计划。有了重点突出的概念证明(PoC),他们就有机会迅速采取行动,以有效的方式确定技能、数据、政策和技术差距。而且证明这项技术的投资有限。
要选择概念证明,可以使用以下评估准则:
•价值:经济、战略一致性、风险。
•复杂性:数据、算法、系统要求、所需的“专有知识”或技能。
例如,基于价值、复杂性、风险、数据质量进行评估。如果一个提案价值很高,但数据却很差,那就不要概念证明(PoC)。或者,如果一个项目具有极高的价值和良好的数据,但风险很高,那就等到在生成式人工智能中积累了经验。
组织应该避免过度思考他们的战略和路线图,从而推迟试用这项技术。
(3)智能建筑
虽然生成式人工智能概念证明(PoC)不需要建立一个平台来支持企业的生成式人工智能计划,但他们选择的部分标准应该基于他们如何开发这样一个平台所需的理解。其架构需要考虑如何实现和治理平台,需要数据模型(结构化的、评估的、集成的),以及如何集成到现有系统中。
数据隐私、安全和知识产权保护也必须嵌入到这个平台架构中。
(4)再培训和培训
大多数组织没有充分利用生成式人工智能所需的成熟技能(即时工程、数据科学、数据分析、人工智能伦理、建模)。培养一支能够构建和使用生成式人工智能模型的员工队伍是一项基本要求。这就需要招聘员工(由于职位要求高,招聘成本可能很高)或重新培训员工。
培训也应该在整个组织中广泛地提供。由于其潜在的业务影响,培训所有员工对于创建有关该技术的好处和风险的基本知识非常重要。
实施评估组织准备情况的计划是确保顺利过渡的关键。这促使人们了解对组织和人员的影响,潜在的文化惯性,并主动解决员工对其就业影响的担忧。
(5)数据的关键作用
数据是生成式人工智能的基础。然而,大多数组织都在与数据作斗争。虽然商业领袖经常声称数据是他们最重要的资产,但这种资产往往没有得到很好的管理、理解或分析。当IDC公司对客户的数据进行调查时,发现了令人不安的结果。
•82%的组织报告数据孤立(未来企业弹性和支出调查)。
41%的受访者表示,数据变化的速度超过了他们的能力(全球数据评估调查)。
•24%的人不相信他们的数据(未来企业弹性和支出调查)。
•29%存在数据质量问题(未来企业弹性和支出调查)。
在评估概念证明(PoC))选择时,需要将数据质量、数据检索/访问的便利性和集成作为选择标准进行评估。如果组织有多个概念证明(PoC)POC可以利用高质量的公共数据集,可以选择它们,而不是需要管理不同数据集的多个概念证明(PoC)。在不添加数据的情况下,生成式人工智能的战略杠杆存在足够多的挑战。
(6)安全问题
确保高质量、准确和受保护的数据是必要的。用于训练人工智能模型的数据的完整性和隐私性直接影响它们的性能。受污染的数据可能导致不正确的模型无法满足预期的结果。解决数据质量、准确性和安全性挑战是当务之急。
对基础设施和软件平台的影响
生成式人工智能的采用影响了基础设施和软件平台。对于基础设施,必须回答投资问题:是通过即服务模式,还是通过更传统的资本购买,为这些投资提供资金。概念证明(PoC)可以帮助驱动这个决策的思考过程。
软件开发生命周期将加快,低代码/无代码编程工作将使代码在人工智能优化架构中多样化。这种转变需要可适应的、支持API的环境来平衡可移植性、安全性、性能、成本控制和弹性。
定义和确定用例的优先级
用例是推动生成式人工智能和战略影响的关键,通常分为几个类别:
(1)特定行业:量身定制的解决方案,例如药物发现或材料设计,需要定制和专门的数据共享。它们可以创造大量的商业价值,但需要独特的模型、集成和风险。
(2)业务功能:将模型与特定部门(例如,市场营销、销售、采购)的公司数据集成需要仔细的数据治理。与已建立的企业应用程序的集成至关重要。
(3)生产力:生产力的基本用例包括跨多个报告的汇总、代码生成、RFP模板创建。它们通常作为独立的SaaS解决方案或基于云的API集成到现有应用程序中。生成式人工智能还可用于加速企业数据的元标记和分类,以提高数据质量和检索。通过综合企业内不同的数据和来源,生成式人工智能具有自动化知识管理的独特能力,从而获得了额外的生产力。知识管理在本世纪前十年基本上是不成功的,因为它要求人们以不同的方式工作。生成式人工智能可以在不改变员工工作习惯的情况下实现知识生产力。
组织高级管理人员和关键领导参与协作会议,发现相关的用例,并设计一个现实的路线图。此外,提供一种机制来捕捉从部门或业务线中有机冒出的想法。
仔细考虑供应商合作伙伴的选择
在快速发展的生成式人工智能领域,围绕这项技术及其实际适用性存在相当大的模糊性。尽管存在这种不确定性,一些关键的见解已经开始具体化,特别是关于公共共享基础模型的使用和云平台提供商的角色。
根据IDC公司最近的调查,云平台提供商被认为是生成式人工智能计划最具战略意义的技术合作伙伴。
云平台提供商提供共享的基础模型,通常是PaaS或SaaS,它们将在企业用例的子集中找到自己的位置。虽然这些可能带来短期优势,但它们是一种商品,因此不太可能提供长期竞争优势。对于大多数组织来说,持久的利益来自于利用以私有或受控方式访问的精细调整的、特定于领域的模型——当前的一个例子是微软在生成人工智能技术方面的战略投资,使其成为该领域的有力竞争者。
在同一项调查中,IT顾问和系统集成商位居第二。他们已经准备好指导组织完成实施生成式人工智能的复杂旅程。组织需要确定使用这些合作伙伴的效果和时间。
作为变革的最初驱动力,它们是有价值的。顾问和系统集成商在许多企业中提供短缺的技能和工具,但从长远来看,如果这是一个竞争优势(相对于必要性),那么在内部开发这些技能和能力将带来更大的可持续利益。
结论
成功采用生成式人工智能需要一些明智的方法,包括负责任的政策、良好的数据实践、技术理解、用例的全面视图以及IT和业务领导之间的协作。在开发概念证明(PoC)时,要着眼于它们如何帮助组织创建一致且可防御的生成式人工智能防御措施,该措施可以随着战略和竞争压力的需求而增长和演变。
编辑:Harris