Элементы успеха ИИ

Чтобы полностью извлечь потенциальную ценность генеративного ИИ для организации, лидеры могут учитывать следующие моменты.

Стратегическая дорожная карта, ориентированная на бизнес. Организация может построить стратегическую дорожную карту. Эта карта должна показывать, в чем заключается ценность, что достижимо и что можно логически упорядочить для быстрого и постепенного достижения реальной ценности генеративного ИИ. Команда топ-менеджеров должна иметь единое мнение касательно ресурсов и результатов. Всем должен быть понятен пусть к успеху.

Таланты. В дополнение к стратегической дорожной карте должна быть дорожная карта внутренних навыков и она должна работать синхронно со стратегической дорожной картой. Генеративный ИИ является расширением и дополнением традиционной аналитики.  Специалисты могут быть перераспределены для реализации вариантов использования ИИ. Тем не менее, особенно замысловатые или сложные приложения, например, требующие индивидуального LLM, могут потребовать найма сотрудников с новыми навыками. Специалисты по данным, инженеры по машинному обучению и облачные архитекторы будут по-прежнему пользоваться большим спросом по мере появления новых специализаций.

Гибкая поставка. К сценариям использования искусственного интеллекта поколения следует относиться так же, как и к любому другому цифровому проекту. Это означает, что компании должны постепенно и быстро создавать минимально жизнеспособный продукт, заранее извлекать уроки из его эксплуатации и адаптироваться к изменениям. Организацией обычно устанавливается скорость выпуска продуктов или услуг и склонность к риску. В рамках этих нормативов такие «функции контроля», как юридические, финансовые или рисковые, также должны работать гибко.

Технология и инструмент. Генеративному ИИ могут потребоваться новые активы, а также доступ к новым инструментам. Возможно потребуются облачные технологии. Организация должна использовать MLOps, что позволяет безопасно и стабильно масштабировать ИИ.

Управление данными. Генеративный ИИ в первую очередь строится на данных, и поэтому данные являются реальным источником конкурентной уникальности для промышленных компаний. Генеративный ИИ способен сделать данные гораздо более полезными, но эти данные должны быть надежны и доступны. Многие компании, занимающиеся энергетикой и материалами, уже начали объединять и/или разделять данные для поддержки традиционных аналитических приложений. Эти же усилия применимы и для сценариев использования генеративного искусственного интеллекта. Поэтому организация должна сбалансировать управление своими данными и данными из внешнего мира. Это имеет решающее значение, поскольку доверие к цифровым продуктам компании обеспечивается доверием клиентов.

Адаптация и изменение операционной модели. Конечные пользователи участвуют в разработке продуктов, которые ускорят, дополнят или автоматизируют их работу или часть работы. Руководители бизнеса должны нести ответственность за внедрение технологий.

Источник.

"Beyond the hype: New opportunities for gen AI in energy and materials". February 5, 2024 | Article

This article is a collaborative effort by Filipe Barbosa, Soenke Lehmitz, Jukka Maksimainen, Lapo Mori, Bryan Richardson, Erik Roth, Humayun Tai, Sapna Thakker, Ian Wells, and Rodney Zemmel, representing views from McKinsey’s Global Energy & Materials Practice.

https://www.mckinsey.com/industries/metals-and-mining/our-insights/beyond-the-hype-new-opportunities-for-gen-ai-in-energy-and-materials

О происхождении SARS-CoV-2

Выводы из заметки "COVID-19 и утечка информации из лаборатории"

"COVID-19 and the Lab Leak. Was the SARS-CoV-2 virus of natural origin, or was it engineered in a Chinese research lab?" by Brian Dunning

https://skeptoid.com/episodes/4933


Итак, теперь мы можем вернуться к двум нашим первоначальным вопросам, заданным в начале шоу, и ответить на них:

Был ли SARS-CoV-2 создан естественным путем или создан в лаборатории?

Среди ученых почти повсеместно ответ один: он возник естественным путем; разведывательное сообщество соглашается, но с меньшей уверенностью. В обеих группах есть маргинальные сторонники, которые громко заявляют, что вирус был создан искусственно, что противоречит четкому консенсусу.

SARS-CoV-2 перешел к людям естественным путем или через лабораторную утечку?

Большинство эпидемиологов согласны с тем, что это произошло естественным путем, остальная часть сообщества расколота или говорит, что в любом случае доказательств недостаточно. Разведывательное сообщество более расколото, и незначительное большинство согласно с общепринятым мнением о том, что этот скачок произошел естественным образом. Случайное заражение в лабораторных условиях остается вероятным.

Ракурс планирования

Несколько иной ракурс рассмотрения функции планирования.

Планирование используется для определения организационных целей.
Сравнение реальных результатов предприятия с плановыми позволяет определить отклонения и своевременно вмешаться в бизнес-операции.

Своевременность зависит от частоты измерения и частоты сопоставления факта с планом.

Цели планирования:

• планирование (определение) структуры будущий бизнес-операций => снижение или устранение неопределенности будущего.
• установление эталонов для контроля бизнес-операций и бизнес-процессов (что делается в начале планирования и иногда называется таргетированием).
• контроль эффективности путем сравнений план/факт и норма/факт (в контрольные точки, а также в конце интервала планирования). 

Сократ: новости, письмена, золото

Однажды к Сократу пришел человек и сказал:
— Ты знаешь, что говорит о тебе твой друг?
Сократ ответил ему:
— Прежде чем сказать мне эту новость, просей ее через три сита. Первое — это сито правды. Ты уверен, что-то, что ты мне сейчас скажешь, является правдой?
— Ну, я слышал это от других.
— Вот видишь, ты не уверен. Второе сито — это сито добра. Эта новость обрадует меня, станет для меня приятной?
— Совсем нет.
— И, наконец, третье сито — сито пользы. Будет ли эта новость полезной?
— Сомневаюсь.
— Вот видишь — ты хочешь рассказать мне новость, в которой нет правды и добра, к тому же она бесполезна. Зачем ее тогда говорить?

СОКРАТ О ПИСЬМЕНАХ ... И, СОБСТВЕННО, О БЛОГГЕРАХ

Цитата

Сократ. Так вот, я слышал, что близ египетского Навкратиса родился один из древних тамошних богов, которому посвящена птица, называемая ибисом. А самому божеству имя было Тевт. Он первый изобрел число, счет, геометрию, астрономию, вдобавок игру в шашки и в кости, а также и письмена. Царем над всем Египтом был тогда Тамус, правивший в великом городе верхней области, который греки называют египетскими Фивами, а его бога - Аммоном. Придя к царю, Тевт показал свои искусства и сказал, что их надо передать остальным египтянам. Царь спросил, какую пользу приносит каждое из них. Тевт стал объяснять, а царь, смотря по тому, говорил ли Тевт, по его мнению, хорошо или нет, о кое-что порицал, а кое-что хвалил. По поводу каждого искусства Тамус, как передают, много высказал Тевту хорошего и дурного, но это было бы слишком долго рассказывать. Когда же дошел черед до письмен, Тевт сказал: "Эта наука, царь, сделает египтян более мудрыми и памятливыми, так как найдено средство для памяти и мудрости". Царь же сказал: "Искуснейший Тевт, один способен порождать предметы искусства, а другой - судить, какая в них доля вреда или выгоды для тех, кто будет ими пользоваться. Вот и сейчас ты, отец письмен, из любви к ним придал им прямо противоположное значение. В души научившихся им они вселят забывчивость, так как будет лишена упражнения память: припоминать станут извне, доверяясь письму, по посторонним знакам, а не изнутри, сами собою. Стало быть, ты нашел средство не для памяти, а для припоминания. Ты даешь ученикам мнимую, а не истинную мудрость. Они у тебя будут многое знать понаслышке, без обучения, и будут казаться многознающими, оставаясь в большинстве не веждами, людьми трудными для общения; они станут мнимомудрыми вместо мудрых".

Цитата

Сократ. Значит, и тот, кто рассчитывает запечатлеть в письменах свое искусство и кто в свою очередь черпает его из письмен, потому что оно будто бы надежно и прочно сохраняется там на будущее, - оба преисполнены простодушия и, в сущности, не знают прорицания Аммона, раз они записанную речь ставят выше, чем напоминание со стороны человека, сведущего в том, что записано.
Федр. Это очень верно.
Сократ. В этом, Федр, дурная особенность письменности, поистине сходной с живописью: ее порождения стоят, как живые, а спроси их - они величаво и гордо молчат. То же самое и с сочинениями: думаешь, будто они говорят как разумные существа, но если кто спросит о чем-нибудь из того, что они говорят, желая это усвоить, они всегда отвечают одно и то же. Всякое сочинение, однажды записанное, находится в обращении везде - и людей понимающих, и равным образом у тех, кому вовсе не подобает его читать, и оно не знает, с кем оно должно говорить, а с кем нет. Если им пренебрегают или несправедливо его ругают, оно нуждается в помощи своего отца, само же не способно ни защититься, ни помочь себе.

Цитата

Сократ. Это то сочинение, которое по мере приобретения знаний пишется в душе обучающегося; оно способно себя защитить и при этом умеет говорить с кем следует, умеет и промолчать.

Платон. Федр

Сократ о золоте, которое можно унести

Цитата

Сократ. Разве не следует помолиться перед уходом?
Федр. Конечно, надо.
Сократ. Милый Пан и другие здешние боги, дайте мне стать внутренне прекрасным! А то, что у меня есть извне, пусть будет дружественно тому, что у меня внутри. Богатым пусть я считаю мудрого, а груд золота пусть у с меня будет столько, сколько ни унести, ни увезти никому, кроме человека рассудительного.

Платон. федр …

... кроме человека рассудительного.

Существенная, однако, оговорка

Ценообразование - то же золото, только будущее.
В связи с этим у человека рассудительного возникают вопросы к стратегии ценообразования:

• Если снизить цены, то насколько вырастут доходы? (Ориентация на спрос)
• Нужно ли брать за товар разную цену, в зависимости от ее обсуждений с покупателями, в зависимости от сезонных факторов, да и просто - в зависимости от чего угодно? (Ориентация на спрос)
• Позволит ли "данный" (то есть вопрос ставится в рамках решения некоторой задачи назначения цены) уровень цены получить "нормативную" наценку? (Ориентация на затраты)
• Какой уровень цены необходим для товаров с учетом специальных затрат при закупках, продаже и/или доставке? (Ориентация на затраты)
• На каком уровне назначают цену конкуренты? (Ориентация на конкурентов)
• Можно ли назначить цену выше рыночного уровня благодаря самому лучшему имиджу? (Ориентация на конкурентов)

По тупости забыл, как и от кого слышал

Великолепное объяснения отсутствия ссылок на источник цитирования или упоминания.
Так что трепещите авторы.
Теперь каждому предъявившему претензию о его забвении последует мудрейший
ответ от Сократа.


Цитата

Грудь моя, чудесный друг, полна, я чувствую, что могу сказать не хуже Лисия, но по-другому. А так как сам от себя я ничего такого не мог придумать - я в этом уверен, сознавая свое невежество, - то остается, по-моему, заключить, что я из каких-то чужих источников, по слуху, наполнился наподобие сосуда, но по своей тупости позабыл, как и от кого я что слышал.

Ответ Сократа Федру
Платон. Федр

7 вариантов BI-платформы

Из заметки "На замену SAP: какую отечественную BI- платформу выбрать — 7 вариантов". IT-Expert, March 15, 2024

№ 7. Polymatica

В целом Polymatica использует простой и понятный интерфейс, требуя минимума знаний для базовой работы с платформой. На начало 2024 года BI от Polymatica внедряют более 60 системных интеграторов. Собственное хранилище может быть реализовано на базе ClickHouse или PostgreSQL, а коннекторы уже разработаны для большинства популярных СУБД и корпоративных платформ.

Специалисты отмечают ограниченную функциональность дашбордов, а также небольшие возможности встроенного в систему инструмента для загрузки данных (ETL).

№ 6. Modus BI

Платформа Modus BI представляет собой удобное решение для аналитики и визуализации на базе готовых компонентов и шаблонов и содержит достаточно удобный конструктор, в котором пользователи могут «накликать» нужные им дашборды. Modus BI позволяет достаточно быстро создать несложные визуализации. Наличие собственной системы ETL с возможностью подключения к большинству популярных СУБД и источников данных.

Отсутствие возможности глубоко кастомизировать визуальные представления. Фактически пользователь ограничен настройкой стилей.

№ 5. Luxms BI

Разработчики платформы активно вкладываются во внедрение технологий AI/ML для глубокой аналитики данных, а также занимаются развитием собственного метаязыка LPE (аналог DAX). В Luxms реализована поддержка файлов Qlik (QVD), разработаны коннекторы к SAP. В отличие от многих других решений, Luxms одновременно предлагает как Self-Service- элементы для сборки простых дашбордов, так и возможности дополнительной разработки и глубокой кастомизации платформы под нужды конкретных пользователей с опорой на практики CI/CD. В составе платформы есть свой достаточно развитый ETL-инструмент Luxms Data Boring. У Luxms BI открытая архитектура. Она позволяет кластеризовать и масштабировать решение. 

Специалисты отмечают недостаточно проработанную документацию по платформе в целом, а также сложности в настройке представлений, аналитических элементов и кастомизации витрин данных.

№ 4. Insight BI

Конструктор для разработки, встроенные библиотеки шаблонов и маркетплейс готовых решений, собранных на портале разработчика Insight Visual Studio. Также в составе платформы имеется Insight Data Platform, обеспечивающая подключение к различным СУБД и информационным системам, сбор и обработку данных.

Insight предлагает обширные настройки визуализаций, но они могут оказаться слишком сложными для простых пользователей. Также отсутствует визуальный редактор для сложных формул, а потому для более глубокой работы с платформой нужно будет проходить дополнительную подготовку.

№ 3. Analytic Workspace

Разработчик - ОСТ - делает ставку на точечное решение задачи BI. В последнее время проекты AW отличаются встраиванием в готовые экосистемы, и это разумный подход для тех организаций, перед которыми стоит задача замены ставшего недоступным западного ПО. B AW BI имеется свой блок ETL, построенный с использованием Аpache Spark и Аpache Airflow. Он реализует базовые операции преобразования и объединения данных. Для продвинутых преобразований доступны SQL и Python.

Система визуализации в AW простая и интуитивная, но только пока вам не нужно получить какую-то особенную кастомизацию.

№ 2. Аналитическая платформа «Форсайт»

Платформа «Форсайт» подкупает большим арсеналом решений, который позволяет эффективно решать сложные задачи. Так, в портфеле вендора имеется как «тяжелая артиллерия» в виде BI- системы «Форсайт. Аналитическая платформа» (ФАП), так и облегченная FLY BI для более простых задач. Вместе с ФАП заказчики получают инструментарий классической и продвинутой аналитики, а также средства управления бизнес- процессами (ВРМ), которые позволяют не только заниматься аналитикой, но и разрабатывать бизнес-приложения. Платформа уже содержит все инструменты для сбора, обработки, мониторинга и анализа данных. Имеются инструменты предиктивной аналитики, а также встроенные системы ИИ, работы с большими данными и построения прогнозных и оптимизационных моделей. Экосистему дополняют продукты «Форсайт. Управление инвестициями», «Форсайт. Бюджетирование», «Форсайт. Сводная отчетность», «Форсайт. Кредитный конвейер», «Форсайт. Мобильная платформа».

Нужно учитывать, что широкий функционал системы не всегда интуитивно понятен и для успешной работы с «Форсайтом» требуется тщательное изучение документации и глубокое погружение в платформу, которое предполагает наличие ресурсов и времени.

№ 1. Аналитическая платформа Visiology

Предусмотрено использование нового аналитического движка ViQube 2, у которого «под капотом» лежит СУБД ClickHouse с автоматической оптимизацией схемы размещения данных и методов обработки запросов. Это позволяет избежать создания дополнительного аналитического хранилища и показывает высокую производительность. Достаточно простой собственный ETL-инструмент ViXtract, который является OpenSource-проектом. Открытый интерфейс позволяет использовать для больших проектов промышленный ETL, такой как Apache Airflow, или коммерческий инструмент, например Loginom. Модуль Smart Forms, способный автоматизировать ручной ввод при помощи веб-форм, а также загружать готовые документы Excel, моментально перенося их на ВI-платформу с отражением на реальных дашбордах. Поддержка DAX в том же виде, как он работает в Microsoft Power BI, возможность визуального конструирования модели данных, виртуального помощника ViTalkGPT с искусственным интеллектом и наличие средств интеграции дашбордов в порталы и приложения.

Источник.

https://telegra.ph/Na-zamenu-SAP-kakuyu-otechestvennuyu-BI--platformu-vybrat---7-variantov-03-15

* * *

Вертикально-интегрированная горно-металлургическая компания "Северсталь" строит платформу для хранения и анализа данных, основанную на стеке продуктов группы Arenadata.

Совместное решение станет полноценной заменой хранилища данных на базе SAP BW с процессами моделирования объектов, переноса объектов между системами, ведением ETL процессов, работой с данными.

Для решения задачи был выбран стек продуктов Arenadata: СУБД Arenadata DB, Arenadata QuickMarts для хранения и обработки данных на разных уровнях хранилища; система Arenadata Streaming для потоковой обработки данных в режиме реального времени; Arenadata Catalog для управления информационными активами компании и ведения корпоративного бизнес-глоссария в едином интерфейсе.

В перспективе альтернативное хранилище данных станет единым источником правды для нескольких компаний "Севергрупп", агрегирующим в себе потоки данных по 15 функциональным областям, включая производство, финансы, контроллинг, казначейство, инвестиции, закупки.

https://www.comnews.ru/digital-economy/content/234283/2024-07-11/2024-w28/1012/severstal-stroit-khranilische-dannykh-steke-produktov-arenadata

Стоимость ИИ

Использование ИИ может быть описано тремя архетипа:

Taker — использует общедоступные модели через интерфейс чата или API, с небольшой настройкой или без нее. Это самый простой архетип с точки зрения как инженерных, так и инфраструктурных потребностей, и, как правило, самый быстрый для запуска и запуска. Taker можно описать как потребитель.

Shaper — интегрирует модели с внутренними данными и системами для создания более индивидуальных результатов. Архетип Shaper подходит для компаний, которые хотят масштабировать возможности генеративного ИИ, разрабатывать более проприетарные возможности или удовлетворять более высокие потребности в безопасности или соответствии. Улучшатель, более звучно, но размыто - Дизайнер.

Maker — создает базовую модель для решения какого-либо бизнес-кейса. Создание базовой модели — это дорого и сложно, требуя огромных объемов данных, глубоких знаний и огромной вычислительной мощности. Этот вариант требует существенных единовременных инвестиций — десятков или даже сотен миллионов долларов — для создания модели и ее обучения. Стоимость зависит от различных факторов, таких как инфраструктура обучения, выбор архитектуры модели, количество параметров модели, размер данных и экспертные ресурсы. Создатель.

Каждый архетип имеет свои собственные затраты, которые описаны далее.

Примечание. Благодаря инженерной оптимизации экономика генеративного ИИ быстро развивается, и это оценки высокого уровня, основанные на общей стоимости владения (ресурсы, обучение моделей и т. д.) по состоянию на середину 2023 года.

Taker

Пример варианта использования: готовый помощник по программированию для разработчиков программного обеспечения. Или чат-бот общего назначения для обслуживания клиентов.

Ориентировочная общая стоимость владения

• ~ от 0,5 до 2,0 миллионов долларов единовременно (включая команду запуска проекта: 6 чел в текчение 3-4 месяцев).
• ~ 0,5 миллиона долларов ежегодно (за подписку), например
• Готовый помощник по программированию: ~0,2 миллиона долларов в год на 1000 пользователей в день.
• Чат-бот общего назначения для обслуживания клиентов: ~ 0,2 миллиона долларов в год при условии 1000 чатов с клиентами в день и 10 000 токенов за чат.
• Поддержка подключаемого уровня: до ~ 0,2 миллиона долларов в год.

Shaper

Пример варианта использования: Пользовательский сервис с великолепно настроеным чат-ботом для специфической области знаний и ведение истории чата.

Ориентировочная общая стоимость владения

• От ~2,0 до 10,0 миллионов долларов единоразово, если модель не будет доработана дальше.
• Создание конвейера данных и моделей: ~ 0,5 миллиона долларов. Затраты включают в себя 5–6 инженеров по машинному обучению и инженеров по обработке данных, работающих в течение 16–20 недель над сбором и маркировкой данных, а также выполнением ETL данных (извлечение, преобразование и загрузка данных).
• Точная настройка модели (модель обучена на основе от 65 миллиардов до 1 триллиона параметров и набора данных от 1,2 до 2,4 триллиона токенов): от ~0,1 до 6,0 млн долларов за тренировочный прогон.
• Нижний предел: затраты включают вычисления и двух специалистов по обработке данных, работающих в течение 2 месяцев.
• Верхний предел: вычисления на основе стоимости точной настройки общедоступной модели с закрытым исходным кодом.
• Создание подключаемого слоя: от ~ 1,0 до 3,0 миллионов долларов США. В стоимость входит работа команды из 6–8 человек в течение 6–12 месяцев.
• ~ от 0,5 до 1,0 миллиона долларов, повторяющиеся ежегодно
• Вывод модели: до ~ 0,5 миллиона долларов ежегодно. Предположим, ежедневно ведется 1000 чатов со звуком и текстом.
• Обслуживание модели: ~0,5 миллиона долларов. Предположим, что стоимость платформы MLOps⁴ составляет от 100 000 до 250 000 долларов в год, а один инженер по машинному обучению тратит от 50% до 100% своего времени на мониторинг производительности модели.
• Обслуживание подключаемого уровня: до ~ 0,3 миллиона долларов ежегодно, при условии 10% стоимости разработки.

Maker

Ориентировочная общая стоимость владения

• ~ от 5,0 до 200,0 миллионов долларов, единовременно, если модель не будет доработана или переобучена.
• Разработка модели: ~0,5 миллиона долларов. Затраты включают в себя 4 ученых, занимающихся данными, которые потратят от 3 до 4 месяцев на проектирование, разработку и оценку модели с использованием существующих исследований.
• Конвейер данных и моделей: от ~0,5 до 1,0 миллиона долларов. Затраты включают в себя 6–8 инженеров по машинному обучению и инженеров по обработке данных, которые будут работать в течение примерно 12 недель над сбором данных и выполнением ETL данных (извлечение, преобразование и загрузка данных).
• Обучение модели²: от ~4,0 до 200,0 млн долларов за один сеанс обучения. Затраты включают в себя вычислительные затраты и затраты на оплату труда 4–6 специалистов по обработке данных, работающих в течение 3–6 месяцев.
• Создание подключаемого слоя: от ~ 1,0 до 3,0 миллионов долларов. В стоимость включена команда из 6–8 человек, работающая от 6 до 12 месяцев.
• ~ от 1,0 до 5,0 миллионов долларов, повторяющиеся ежегодно
• Вывод модели: от ~0,1 до 1,0 миллиона долларов в год на 1000 пользователей. Предположим, что каждый врач принимает от 20 до 25 пациентов в день, и пациент говорит от 6 до 25 минут за одно посещение.
• Обслуживание модели: от ~1,0 до 4,0 миллионов долларов США ежегодно. Предположим, 250 000 долларов в год на платформу MLOps и 3–5 инженеров по машинному обучению для мониторинга производительности модели.
• Обслуживание подключаемого уровня: до ~ 0,3 миллиона долларов ежегодно, при условии 10% стоимости разработки.

Источник.

"Technology’s generational moment with generative AI: A CIO and CTO guide"

https://www.mckinsey.com/capabilities/mckinsey-digital/our-insights/technologys-generational-moment-with-generative-ai-a-cio-and-cto-guide

Технологические услуги ИИ

Благодаря большинству достижений и инноваций в области корпоративных технологий поставщики ИТ или технологических услуг (также известные как системные интеграторы)1[SI] или поставщики управляемых услуг [MSP]) могли полагаться на то, что их клиенты продолжают искать за пределами своих четырех стен помощь в управлении и наблюдении за постоянно меняющейся, сложной сетью аппаратного обеспечения, программного обеспечения, сетевых продуктов и продуктов хранения данных, которые помогают их бизнесу. Теперь предприятия направляют большую часть своих расходов в технологии генеративного искусственного интеллекта и используют его возможности для оптимизации или автоматизации некоторых услуг по управлению ИТ.

С другой стороны, поставщики ИТ также могут предложить свои услуги и в области ИИ. Например, аутсорсинговые услуги ИИ. Ожидается, что рост объема этих услуг характеризуется двузначным числом, поскольку предприятия, страдающие от нехватки и затрат, и специалистов в области искусственного интеллекта и собственной неопытности в разработке и внедрении решений в области искусственного интеллекта, обращаются за внешней помощью. Это увеличение расходов будет сосредоточено на базовых услугах ИИ (например, ИИ для ИТ-операций), решениях для повышения производительности на основе искусственного интеллекта и вертикальных отраслевых решениях (например, ускорение клинических испытаний в науки о жизни, гиперперсонализированные B2C-решения для телекоммуникаций).

Также, возможен аутсорсинг вычислительного оборудования (например, графические процессоры). Эта категория, вероятно, будет расти, поскольку предприятия используют более совершенные специальные чипы искусственного интеллекта/поколения ИИ, причем часть этих расходов приходится на поставщиков общедоступных облаков, которые делают собственные инвестиции в современное оборудование.

Авторы "запугивают": "Наш анализ подчеркивает риск бездействия как для верхних, так и для чистых компаний сектора (Иллюстрации 2 и 3), при этом 15-процентное сокращение обоих показателей вполне возможно. Рост автоматизации и привлечения определенных рабочих процессов, вызванный поколением искусственного интеллекта, вероятно, приведет к значительному сокращению спроса на традиционные услуги поставщиков, в то время как рост производительности и усиление конкуренции могут привести к ценовому давлению. Напротив, принятие и адаптация к новой технологической эпохе открывает перспективу не только сохранения исторической тенденции роста отрасли на 3–5 процентов, но и улучшения ее финансового положения с дальнейшим увеличением доходов на 2–4 процента и потенциальным увеличением прибыли на 30 процентов.




За относительно короткий период времени, прошедший с тех пор, как предприятия начали работать с искусственным интеллектом поколения, они уже начали совершенствовать способы управления этой технологией. Сейчас они сталкиваются с множеством проблем, с которыми многие уже столкнулись при попытке внедрить генеративный искусственный интеллект: 

• высокие затраты, особенно из-за попыток использовать LLM (языковые модели) в больших масштабах; 
• недостаточная облачная и информационная готовность технологического стека; 
• ненадежность вывода генератора AI; 
• неопределенные риски, связанные с регулированием, интеллектуальной собственностью, этикой и многим другим.

Поставщики ИТ услуг могут дать толчок своему бизнесу в области искусственного интеллекта, развернув широкий спектр новых предложений, которые включают в себя базовые решения для обеспечения готовности к использованию как данных, так и инструментов искусственного интеллекта, комплексные решения по сокращению затрат, которые могут обеспечить быстрое и эффективное внедрение технологий искусственного интеллекта. реализация масштабной прибыли и варианты вертикального использования ИИ в пилотных отраслях, ориентированных на инновации в продуктах и ​​инициативы по увеличению доходов. Примечательной услугой является разработка готовых к развертыванию ускорителей или решений (например, библиотек подсказок, инструментов атрибуции источника) в рамках стека технологий генеративного искусственного интеллекта, чтобы ускорить разработку и рыночного внедрение существующих решений генеративного искусственного интеллекта.

На основе статьи "Технологические услуги и генеративный искусственный интеллект: планирование необходимого переосмысления". 12 июня 2024 г.

"Tech services and generative AI: Plotting the necessary reinvention".
https://www.mckinsey.com/industries/technology-media-and-telecommunications/our-insights/tech-services-and-generative-ai-plotting-the-necessary-reinvention