Uzyskiwanie wartości biznesowej ze sztucznej inteligencji: unikanie zimy (Gen) AI

W niektórych przypadkach historie te odnoszą się do fundamentalnych nieporozumień dotyczących sposobu działania sztucznej inteligencji / sztucznej inteligencji generatywnej (Gen AI), oczekiwań co do tego, do czego jest zdolna, lub niektórych antyspołecznych zastosowań, do których została wykorzystana.

Wygląda jednak na to, że w miarę jak ludzie coraz bardziej zaznajamiają się z technologiami sztucznej inteligencji Gen AI, następuje pewnego rodzaju wycofanie się i ocena tego, co działo się, gdy byliśmy nadmiernie podekscytowani tą nową technologią. Jest to zdrowa rzecz do zrobienia i podobnie jak w przypadku poprzednich cykli innowacji AI, zaowocowało to kilkoma rozsądnymi pytaniami o twardą wartość, jaką osiągnęła AI. Na przykład jedno z badań wykazało, że od 2021 r. nastąpił spadek liczby wdrażanych projektów AI, a także spadek zwrotu z inwestycji (ROI). Inne badanie wykazało, że oprócz tego, że Gen AI jest głównym rodzajem rozwiązania AI wdrażanego w organizacjach, jedną z głównych barier we wdrażaniu technik AI jest "szacowanie i wykazywanie wartości". Badania te nie mówią, że (Gen) AI nie działa, że nie może robić niezwykłych rzeczy lub nie ma żadnej wartości; wskazują raczej na potrzebę dokładniejszej identyfikacji problemu biznesowego, który wymaga rozwiązania i tego, w jaki sposób przekłada się to na wartość dla firmy.

Być może dzieje się to bardziej publicznie, ponieważ technologia Gen AI jest znacznie bardziej dostępna niż AI w starym stylu lub ML, a z tego powodu znacznie więcej osób i organizacji zostało upoważnionych do wypróbowania jej dla siebie. Jak zatem ci z nas, którzy rozpoczynają projekty (Gen) AI, mogą opierać się na doświadczeniach, sukcesach i porażkach projektów AI i ML z przeszłości i wyciągać z nich wnioski? W tym i przyszłych artykułach postaram się przedstawić niektóre z kluczowych wniosków niezbędnych dla udanych projektów AI, ale najpierw sprecyzujmy, co rozumiemy przez "AI" i "Gen AI" oraz, na wysokim poziomie, jak one działają.

W przypadku tradycyjnych - lub "starych" - podejść do sztucznej inteligencji, takich jak uczenie maszynowe (ML), algorytmy działają w określony sposób: przy odpowiedniej konfiguracji i ukierunkowaniu mogą wyprowadzać wnioski na podstawie zestawu danych wejściowych. Zbudowanie modelu w pierwszej kolejności jest zadaniem wymagającym umiejętności, wiedzy i kreatywności. Jednak największym wyzwaniem wydaje się być to, jak połączyć elementy, które mogą być rozwiązane za pomocą ML w taki sposób, aby zapewnić ogólne rozwiązanie problemu biznesowego. Problemy biznesowe często nie pasują do gotowych rozwiązań ML. Nie są one ustawione jak konkurs Kaggle, w którym szczęśliwy naukowiec zajmujący się danymi w projekcie musi zoptymalizować algorytm, biorąc pod uwagę zgrabny csv danych wejściowych, z wynikiem 1 lub 0 (lub 0,2, 0,7, 0,9 itd.) wygenerowanym przez algorytm magicznie rozwiązujący problem biznesowy. Nie chodzi o to, że takie dane wejściowe, wyjściowe i pośrednie modele lub algorytmy nie mogą rozwiązać problemu biznesowego. Nie chodzi o to, że takie dane wejściowe, wyjściowe i pośrednie modele lub algorytmy nie mogą rozwiązać problemu biznesowego, ale o to, że przypadek użycia biznesowego musi być w pierwszej kolejności poprawnie zidentyfikowany i ustrukturyzowany, a wynikowe dane wyjściowe muszą być opakowane w taki sposób, aby mogły zostać zintegrowane z ogólnym rozwiązaniem, które następnie rozwiązuje problem biznesowy.

Generatywna sztuczna inteligencja jest podobnie ograniczona poprzez zapewnienie, że gotowe rozwiązanie (model fundamentalny, taki jak duży model językowy) może być modyfikowane w taki sposób, że "podpowiedź w / tekst na zewnątrz" może zachowywać się zgodnie z wymaganiami problemu biznesowego. Powszechne podejścia do adaptacji obejmują inżynierię podpowiedzi i generowanie rozszerzonego wyszukiwania (RAG), a także różne kontrole i równowagi, które mogą być wymagane do promowania przewidywalności zachowania i zmniejszenia szans na niepożądane zachowanie. Dlatego też, podobnie jak w przypadku "starej sztucznej inteligencji", generatywna sztuczna inteligencja również musi być zintegrowana z ogólnym rozwiązaniem.

Jakie jest więc to ogólne rozwiązanie i w jaki sposób rozwiązuje ono problem biznesowy? Jeszcze wcześniej musimy zrozumieć, na czym tak naprawdę polega problem biznesowy i zacząć wyczuwać, czy można go rozwiązać za pomocą sztucznej inteligencji, czy też inne podejścia mogą być bardziej odpowiednie. Wszystkiego tego nie da się przewidzieć z wyprzedzeniem, ale są rzeczy, które możemy zrobić, aby dotrzeć do tego punktu, a przydatne kroki to zrozumienie problemu biznesowego, rozmowa z interesariuszami i mapowanie rozwiązania na logikę biznesową. Omówię każdy z tych aspektów, wraz z kilkoma końcowymi rozważaniami dotyczącymi prowadzenia projektów AI, bardziej szczegółowo w poniższej serii artykułów.