Организация генеративного ИИ
Многие организации начали изучать возможности традиционного ИИ с помощью разрозненных экспериментов. Генеративный ИИ требует более обдуманного и скоординированного подхода, учитывая соображения риска и способность базовых моделей поддерживать несколько вариантов использования ИИ. Например, модель, настроенная с использованием запатентованных материалов для отражения идентичности бренда предприятия, может быть развернута для нескольких вариантов использования (например, для создания персонализированных маркетинговых кампаний и описаний продуктов) и бизнес-функций, таких как разработка продуктов и маркетинг.
Поэтому рекомендуется созвать кросс-функциональную группу руководителей компании (например, руководителей, представляющий отделы работающие с данными, инженеров, юристов, кибербезопасность, отдела маркетинга и не только). Такая группа определить наиболее ценные варианты использования ИИ, а также расставить приоритеты и обеспечить скоординированное, безопасное внедрение ИИ в масштабах организации.
Переосмысление сквозных сфер применения ИИ
Генеративный ИИ — мощный инструмент, который может преобразовать работу организаций, оказывая особое влияние на определенные области бизнеса в цепочке создания стоимости (например, маркетинг для розничного продавца или операции для производителя). Простота развертывания генеративного ИИ может привести к точным случаям использования ИИ. Нужно иметь представление о вариантах использования ИИ в областях, которые будут иметь наибольший потенциал. Организации нужно переосмыслить целевое состояние, обеспечиваемое генеративным ИИ, работающим синхронно с традиционными приложениями ИИ, а также переосмыслить новые способами работы, которые раньше были невозможны.
Современный стек данных и технологий является ключом практически к любому успешному подходу к созданию генеративного ИИ. Руководители должны понять, обладает ли компания необходимыми техническими возможностями с точки зрения вычислительных ресурсов, систем данных, инструментов и доступа к моделям, включая модели с открытым исходным кодом.
Не менее важно разработать масштабируемую архитектуру данных, включающую процедуры управления данными и безопасности. В зависимости от варианта использования существующая вычислительная и инструментальная инфраструктура также может нуждаться в обновлении. Решающее значение будет иметь четкая стратегия построения данных и инфраструктуры, основанная на ценности для бизнеса и конкурентных преимуществах, полученных за счет генеративного ИИ.
Никто не хочет все время оставаться на этапах планирования. Поэтому быстро разрабатываются и выпускаются новые модели и приложения ИИ. В мире бизнеса время имеет решающее значение, и быстро меняющийся природа генеративной технологии ИИ требует быстрого реагирования компании.
Хотя генеративный ИИ еще находится в зачаточном состоянии, важно продемонстрировать, как он может повлиять на операционную модель компании, возможно, с помощью «маячного подхода». Например, путем создания «виртуального эксперта», который позволяет сотрудникам использовать проприетарные источники знаний и предлагать клиентам наиболее актуальный контент. Это может повысить производительность, вызвать энтузиазм и позволить организации протестировать генеративный ИИ внутри компании, прежде чем масштабировать ее до приложений, ориентированных на клиентов.
Как и в случае с другими волнами технических инноваций, будет усталость от проверки концепций и есть множество компаний, застрявших на пилотном уровне. Но создание "маяка" по-прежнему является лучшим способом быстро протестировать решение, уточнить экономическое обоснование, прежде чем масштабировать ИИ. Сосредоточив внимание на ранних победах, которые приносят значимые результаты, компании могут набрать обороты, а затем масштабироваться и расширяться, используя многоцелевой характер генеративного ИИ. Такой подход может позволить компаниям способствовать более широкому внедрению ИИ и формировать культуру инноваций, необходимую для сохранения конкурентного преимущества.
Включение современного стека технологий
Современный стек данных и технологий является ключом практически к любому успешному подходу к созданию генеративного ИИ. Руководители должны понять, обладает ли компания необходимыми техническими возможностями с точки зрения вычислительных ресурсов, систем данных, инструментов и доступа к моделям, включая модели с открытым исходным кодом.
Не менее важно разработать масштабируемую архитектуру данных, включающую процедуры управления данными и безопасности. В зависимости от варианта использования существующая вычислительная и инструментальная инфраструктура также может нуждаться в обновлении. Решающее значение будет иметь четкая стратегия построения данных и инфраструктуры, основанная на ценности для бизнеса и конкурентных преимуществах, полученных за счет генеративного ИИ.
Построение «маяка»
Никто не хочет все время оставаться на этапах планирования. Поэтому быстро разрабатываются и выпускаются новые модели и приложения ИИ. В мире бизнеса время имеет решающее значение, и быстро меняющийся природа генеративной технологии ИИ требует быстрого реагирования компании.
Хотя генеративный ИИ еще находится в зачаточном состоянии, важно продемонстрировать, как он может повлиять на операционную модель компании, возможно, с помощью «маячного подхода». Например, путем создания «виртуального эксперта», который позволяет сотрудникам использовать проприетарные источники знаний и предлагать клиентам наиболее актуальный контент. Это может повысить производительность, вызвать энтузиазм и позволить организации протестировать генеративный ИИ внутри компании, прежде чем масштабировать ее до приложений, ориентированных на клиентов.
Как и в случае с другими волнами технических инноваций, будет усталость от проверки концепций и есть множество компаний, застрявших на пилотном уровне. Но создание "маяка" по-прежнему является лучшим способом быстро протестировать решение, уточнить экономическое обоснование, прежде чем масштабировать ИИ. Сосредоточив внимание на ранних победах, которые приносят значимые результаты, компании могут набрать обороты, а затем масштабироваться и расширяться, используя многоцелевой характер генеративного ИИ. Такой подход может позволить компаниям способствовать более широкому внедрению ИИ и формировать культуру инноваций, необходимую для сохранения конкурентного преимущества.
Баланс между риском и созданием ценности
Бизнес-лидеры должны сбалансировать возможности создания ценности с рисками, связанными с генеративным ИИ. Генеративный ИИ привлекает повышенное внимание к рискам, например таким как возможность увековечить предвзятость, скрытую в обучающих данных, либо создать новые риские, например, склонность к галлюцинациям.
В результате межфункциональная команда руководителей захочет не только установить всеобъемлющие этические принципы и рекомендации по использованию генеративного ИИ, но и разработать полное понимание рисков, связанных с каждым потенциальным вариантом использования. Будет важно искать варианты использования, которые соответствуют общей устойчивости организации к риску и имеют структуры для снижения косвенного риска.
Руководители и их команды также захотят быть в курсе последних событий в области регулирования генеративного ИИ, включая правила, касающиеся защиты данных потребителей и прав интеллектуальной собственности, чтобы защитить компанию от проблем с ответственностью. Страны могут использовать разные подходы к регулированию, как они уже часто делают с ИИ и данными. Организациям может потребоваться адаптировать свой рабочий подход к калибровке управления процессами, культуры и управления талантами таким образом, чтобы они могли справиться с быстро меняющейся нормативно-правовой средой и рисками генеративного ИИ в масштабе.
Лидеры бизнеса должны сосредоточиться на создании и поддержании сбалансированного набора альянсов. Стратегия поглощений и альянсов компании должна по-прежнему концентрироваться на создании экосистемы партнеров, настроенных на различные контексты, и ориентированных на решении задач генеративного ИИ на всех уровнях технологического стека. При этом нужно стараться не допустить привязки к поставщику.
Партнерство с правильными компаниями может помочь ускорить выполнение. Организациям не нужно самостоятельно создавать все приложения или базовые модели. Вместо этого они могут сотрудничать с поставщиками и экспертами генеративного ИИ, чтобы действовать быстрее. Например, они могут объединиться с поставщиками моделей для настройки моделей для определенного сектора или сотрудничать с поставщиками инфраструктуры, которые предлагают такие возможности поддержки, как масштабируемые облачные вычисления.
Компании могут использовать опыт других и быстро переходить к преимуществам новейших технологий генеративного ИИ. Но генеративные модели ИИ — это не все. Для создания ценности требуется множество дополнительных элементов.
Чтобы эффективно применять генеративный ИИ для повышения ценности бизнеса, компаниям необходимо наращивать свои технические возможности и повышать квалификацию своих сотрудников. Это требует согласованных усилий со стороны руководства для определения необходимых возможностей с учетом приоритетных вариантов использования. Эти варианты вероятно будут выходить за рамки технических ролей и включать сочетание талантов в области проектирования, поддержки данных, управления рисками, в области поддержки продуктов и развития других бизнес-функций.
Потребности в технических специалистах и специалистах сильно различаются в зависимости от характера конкретной реализации — от использования готовых решений до создания базовой модели с нуля. Например, для построения генеративной модели компании могут потребоваться специалисты по машинному обучению с докторской степенью; с другой стороны, для разработки генеративных инструментов ИИ с использованием существующих моделей и предложений SaaS может быть достаточно инженера данных и инженера-программиста, чтобы возглавить работу.
Помимо найма подходящих специалистов, компании захотят обучать и обучать сотрудников. Диалоговые пользовательские интерфейсы на основе подсказок могут упростить использование приложений генеративного ИИ. Но пользователям по-прежнему необходимо оптимизировать подсказки, понимать ограничения технологии и знать, где и когда они могут приемлемо интегрировать приложение в рабочие процессы. Руководство должно предоставить четкие рекомендации по использованию генеративных инструментов искусственного интеллекта, предложить постоянное обучение и подготовку, информировать сотрудников об рисках использования генеративного ИИ. Поощрение культуры самостоятельных исследований и экспериментов может побудить сотрудников к внедрению инноваций в процессы и продукты, эффективно использующие эти инструменты.
Материалы почерпнуты из источика.
What every CEO should know about generative AI. May 12, 2023 | Article
https://www.mckinsey.com/capabilities/mckinsey-digital/our-insights/what-every-ceo-should-know-about-generative-ai
Применение экосистемного подхода к партнерствам
Лидеры бизнеса должны сосредоточиться на создании и поддержании сбалансированного набора альянсов. Стратегия поглощений и альянсов компании должна по-прежнему концентрироваться на создании экосистемы партнеров, настроенных на различные контексты, и ориентированных на решении задач генеративного ИИ на всех уровнях технологического стека. При этом нужно стараться не допустить привязки к поставщику.
Партнерство с правильными компаниями может помочь ускорить выполнение. Организациям не нужно самостоятельно создавать все приложения или базовые модели. Вместо этого они могут сотрудничать с поставщиками и экспертами генеративного ИИ, чтобы действовать быстрее. Например, они могут объединиться с поставщиками моделей для настройки моделей для определенного сектора или сотрудничать с поставщиками инфраструктуры, которые предлагают такие возможности поддержки, как масштабируемые облачные вычисления.
Компании могут использовать опыт других и быстро переходить к преимуществам новейших технологий генеративного ИИ. Но генеративные модели ИИ — это не все. Для создания ценности требуется множество дополнительных элементов.
Сосредоточение внимания на необходимых талантах и навыках
Чтобы эффективно применять генеративный ИИ для повышения ценности бизнеса, компаниям необходимо наращивать свои технические возможности и повышать квалификацию своих сотрудников. Это требует согласованных усилий со стороны руководства для определения необходимых возможностей с учетом приоритетных вариантов использования. Эти варианты вероятно будут выходить за рамки технических ролей и включать сочетание талантов в области проектирования, поддержки данных, управления рисками, в области поддержки продуктов и развития других бизнес-функций.
Потребности в технических специалистах и специалистах сильно различаются в зависимости от характера конкретной реализации — от использования готовых решений до создания базовой модели с нуля. Например, для построения генеративной модели компании могут потребоваться специалисты по машинному обучению с докторской степенью; с другой стороны, для разработки генеративных инструментов ИИ с использованием существующих моделей и предложений SaaS может быть достаточно инженера данных и инженера-программиста, чтобы возглавить работу.
Помимо найма подходящих специалистов, компании захотят обучать и обучать сотрудников. Диалоговые пользовательские интерфейсы на основе подсказок могут упростить использование приложений генеративного ИИ. Но пользователям по-прежнему необходимо оптимизировать подсказки, понимать ограничения технологии и знать, где и когда они могут приемлемо интегрировать приложение в рабочие процессы. Руководство должно предоставить четкие рекомендации по использованию генеративных инструментов искусственного интеллекта, предложить постоянное обучение и подготовку, информировать сотрудников об рисках использования генеративного ИИ. Поощрение культуры самостоятельных исследований и экспериментов может побудить сотрудников к внедрению инноваций в процессы и продукты, эффективно использующие эти инструменты.
Литература
Материалы почерпнуты из источика.
What every CEO should know about generative AI. May 12, 2023 | Article
https://www.mckinsey.com/capabilities/mckinsey-digital/our-insights/what-every-ceo-should-know-about-generative-ai
Комментариев нет:
Отправить комментарий