Uzyskiwanie wartości biznesowej ze sztucznej inteligencji: prowadzenie projektów AI

W całej tej serii artykułów łączyłem różne smaki sztucznej inteligencji (Gen AI i "stara" sztuczna inteligencja, w tym uczenie maszynowe / ML, przetwarzanie języka naturalnego / NLP itp.), Ponieważ komponenty sztucznej inteligencji rozwiązania zasadniczo pasują do podobnego wzorca, a konkretnie do określonego wejścia z firmy (np. Ustrukturyzowane dane lub tekst podpowiedzi), co skutkuje określonym wynikiem (np. Przewidywane dane liczbowe lub wygenerowany tekst), który przepływa przez resztę rozwiązania i ostatecznie do firmy.

W tym miejscu warto jednak zrobić krótką przerwę, aby podkreślić główną różnicę między Gen AI a innymi odmianami, w szczególności sposób opracowywania modelu, ponieważ ma to poważne konsekwencje dla praktycznych etapów opracowywania i wdrażania rozwiązania AI.

Tradycyjne modele AI, takie jak te opracowane w projektach ML, pobierają zestaw danych szkoleniowych (często pozyskiwanych w tym konkretnym celu) i łączą je z algorytmem wybranym w tym samym celu, co skutkuje wyszkolonym modelem specyficznym dla danych, na których został przeszkolony i aplikacji, dla której został opracowany. Wracając do przykładu identyfikacji rezygnacji klientów w poprzednim artykule, tutaj dane byłyby specyficzne dla tej organizacji, a wynikowy model dostosowany do tego konkretnego przypadku użycia.

Opis ten pomija szczegóły procesu opracowywania modelu ML, z którym wielu analityków danych i inżynierów ML jest zbyt dobrze zaznajomionych. Na przykład, jedną z pierwszych przeszkód, jakie napotkają, będzie zdobycie danych wymaganych do szkolenia modelu, co często może być wyzwaniem w wielu organizacjach. Kolejne kroki wymagają eksploracji danych, identyfikacji odpowiednich algorytmów i podejść, a następnie szkolenia i testowania różnych iteracji modelu. Wszystko to może być czasochłonne i żmudne, często postrzegane zarówno jako sztuka, jak i nauka, a co najgorsze - naukowiec zajmujący się danymi może odkryć, że w danych nie ma sygnału i że niemożliwe jest zbudowanie modelu przewidującego zjawisko, które spodziewał się przewidzieć!

Jednak jedną z zalet tradycyjnych podejść do sztucznej inteligencji, takich jak ML, jest to, że istnieją (stosunkowo) dojrzałe i dobrze zdefiniowane procesy opracowywania i testowania tych modeli, a następnie wdrażania ich do produkcji (na przykład ten artykuł z 2014 roku był czymś w rodzaju "wezwania do broni" dla wielu praktyków w tej dziedzinie). Nie oznacza to, że nie wiąże się to z wyzwaniami i istnieje wiele niewiadomych (z pewnością w porównaniu do zwykłych projektów oprogramowania), ale gdy model zostanie odpowiednio przetestowany i zatwierdzony (tj. "działa"), można go wdrożyć, zgodnie z różnymi zaleceniami dotyczącymi najlepszych praktyk MLOps.

Z drugiej strony, generatywne podejścia do sztucznej inteligencji zaczynają się od ogólnego, wstępnie wytrenowanego modelu (duży model językowy lub bardziej ogólnie określany jako "model podstawowy"), który jest następnie dostosowywany do konkretnej aplikacji poprzez dostarczanie różnych informacji w podpowiedzi (np. sformułowanie podpowiedzi, konkretne informacje organizacyjne), w celu manipulowania danymi wyjściowymi modelu podstawowego w pożądany sposób.

Ponownie, ten wysokopoziomowy opis pomija wiele szczegółów. Na przykład, faza rozpoczynania od modelu bazowego będzie prawdopodobnie obejmować iterację różnych wstępnie wytrenowanych modeli, a także podpowiedzi (i danych kontekstowych), aby uzyskać poczucie, czy pomysł może być możliwy. Następnie może nastąpić faza tworzenia ram problemu w celu zmapowania rozwiązania z powrotem do problemu biznesowego, po czym następuje gromadzenie i przetwarzanie danych. Zasadniczo, łatwiej jest szybko prototypować rozwiązanie, ponieważ potrzeba danych treningowych została usunięta, ale tworzenie ram problemu w celu zmapowania rozwiązania na problem biznesowy może być mniej zrozumiałe, może wymagać dostosowania do tego konkretnego rozwiązania, a zatem trwać dłużej. W podobny sposób, testowanie wydajności modelu/rozwiązania może być mniej zrozumiałe (w przeciwieństwie do standardowych wskaźników stosowanych w ML, takich jak precyzja lub wycofanie), a zatem również potrwa dłużej; to samo dotyczy wdrażania i monitorowania, ponownie ze względu na bardziej indywidualny charakter rozwiązania.

Wszystko to zakłada, że rozwiązanie Gen AI korzysta z gotowego modelu fundamentalnego, takiego jak GPT-4.5 OpenAI, Gemini 2.5 Google lub R1 DeepSeek, który może być odpytywany przez programistę jak API. Chociaż modele fundamentalne można budować od podstaw, spodziewamy się, że nie będzie to coś, co większość organizacji rozważy; dopracowanie istniejącego modelu byłoby być może bardziej prawdopodobne, ale nadal stosunkowo rzadkie (np. https://www.kadoa.com/blog/is-fine-tuning-still-worth-it).

Dlaczego ta wycieczka do różnic między "starą" AI a Gen AI jest ważna? Uważam, że z co najmniej dwóch powodów: Po pierwsze, ważne jest, aby wiedzieć, gdzie mogą wystąpić różne wyzwania, a zatem które części mogą zająć więcej czasu w projekcie. Spojrzenie na rysunek 1 pokazuje, gdzie więcej czasu i zasobów - zarówno wewnętrznego zespołu projektowego, jak i zewnętrznych interesariuszy - może być wymagane w różnych typach projektów AI.

Po drugie, ponieważ szybkie prototypowanie jest stosunkowo łatwe w projektach Gen AI, kwestie związane ze zrozumieniem i dostępem do danych organizacji - od dawna będące bolączką tradycyjnych projektów AI - są odkrywane dopiero na późniejszym etapie, na przykład po opracowaniu wstępnych prototypów. W rzeczywistości może się okazać, że wyzwania związane z mapowaniem elementu prototypu AI w ogólne rozwiązanie, które integruje się z problemem biznesowym i dostępnymi danymi, powodują, że niewiele projektów trafia do produkcji, a wiele z nich kończy się niepowodzeniem.

Podobnie, niestandardowe elementy projektu mogą okazać się trudne, być może najważniejszym z nich jest przekonujące testowanie rozwiązania. Ma to kluczowe znaczenie dla zapewnienia, że organizacja jest zadowolona z wdrożenia rozwiązania do produkcji i zaakceptowania go do użytku. Innymi elementami mogą być zwykle bardziej mechaniczne procesy, takie jak wdrażanie i monitorowanie. Zapewnienie, że te kroki są możliwe przed zaangażowaniem starszych interesariuszy i sfinansowaniem projektu jest niezbędne.

Podczas gdy tradycyjne podejścia do sztucznej inteligencji koncentrują wysiłki na wczesnych etapach pozyskiwania danych i budowania modelu (często dotarcie do tego punktu zajmuje więcej czasu niż jest to pożądane), podejścia oparte na sztucznej inteligencji mogą wykazywać szybki wczesny postęp w prototypowaniu, ale potencjalnie wymagają większych inwestycji na późniejszych etapach projektu. Jak zawsze, są to uogólnienia, ale mam nadzieję, że ilustrują ogólne wzorce tych projektów.

Wracając do punktu wyjścia dla tej serii, ROI najwyraźniej spada dla projektów AI. Być może jest to związane ze wzrostem liczby projektów Gen AI i możliwością szybkiego prototypowania, nawet przed zaangażowaniem się w biznes? Czy może to prowadzić do niewłaściwej alokacji zasobów, ponieważ atrakcyjne wersje demonstracyjne, których nie można przekształcić w użyteczne aplikacje, zdobywają finansowanie i uwagę kosztem mniej ambitnych i atrakcyjnych projektów, które są w rzeczywistości bardziej praktyczne i użyteczne? Jest to oczywiście czysta spekulacja z mojej strony, ale odpowiedź pozostaje taka sama i jest kluczowym wnioskiem z tej serii artykułów, niezależnie od smaku sztucznej inteligencji, a mianowicie, aby najpierw zaangażować się w biznes, aby zrozumieć potrzeby biznesowe i otaczający kontekst dla każdego potencjalnego rozwiązania, które planujemy zbudować.

W całej tej serii przedstawiłem niektóre z kroków, które osoby rozpoczynające typowy projekt AI będą musiały podjąć, oprócz zadania polegającego na faktycznym zbudowaniu modelu AI. Artykuły te skupiały się w szczególności na zrozumieniu problemu biznesowego, rozmowach z interesariuszami, mapowaniu rozwiązania do logiki biznesowej i praktycznych aspektach prowadzenia projektu AI. Przez cały czas skupiano się na zapewnieniu, że projekt AI tworzy wartość dla firmy, co mam nadzieję, będzie przydatnym punktem wyjścia dla innych.