ИИ в системе здравохранения

McKinsey Global Institute провел исследование наиболее часто используемых вариантов использования генеративного ИИ. Наиболее часто сообщаемые варианты использования генеративного ИИ — это маркетинг и продажи. Так, генеративный ИИ создает персонализированный маркетинг и составляет технические документы, а в сфере услуг чат-бот способен отвечать на запросы клиентов. Большинство людей думают, что генеративный ИИ используется в высокотехнологичных случаях, но если посмотреть на частоту этих вариантов, мы увидим, он гораздо больше привязан к обыденным задачам.

* * *

Что могут сделать системы здравоохранения и как они могут перенять опыт других отраслей

Цель цифровой трансформации и трансформации искусственного интеллекта — коренным образом изменить принципы работы организации, создав возможности для создания ощутимых бизнес-ценностей (таких как привлечение и опыт пациентов, клинические результаты, операционная эффективность, а также опыт и удержание сотрудников) посредством непрерывных инноваций. Обеспечение цифровой ценности систем здравоохранения требует инвестиций и новых способов работы.

Построение партнерских отношений. Масштаб имеет решающее значение для создания стоимости. Но определение крупномасштабных систем изменилось за последние несколько лет; Сегодня для того, чтобы войти в топ-20 систем по выручке, требуется более 13 миллиардов долларов, и многие из них достигли нынешнего положения за счет неорганического роста. Партнерские отношения (совместные предприятия и альянсы) могут предложить многообещающий путь для доступа к новым возможностям, увеличения скорости выхода на рынок и достижения капитальной, масштабной и операционной эффективности.

Выход за рамки готовых решений. История показывает, что внедрение технологий, таких как электронные медицинские записи (ЭМК), поверх нарушенных процессов и клинических рабочих процессов не приносит никакой пользы. Реализация преимуществ медицинских технологий потребует переосмысления (и стандартизации) клинических рабочих процессов и моделей оказания медицинской помощи в организациях. Например, оптимизация рабочих процессов для обеспечения более правильного делегирования при наличии технических возможностей может дать потенциальную чистую экономию времени от 15 до 30 процентов за 12-часовую смену. Это могло бы помочь сократить нехватку медсестер на 300 000 стационарных медсестер.

Использование облака для модернизации. Системы здравоохранения все чаще создают облачные среды данных с определенными продуктами данных для повышения доступности и качества данных. Системы здравоохранения также могут использовать размещенные в облаке платформы, ориентированные на конечных пользователей (например, приложения для пациентов или врачей), которые интегрируют множество других приложений и возможностей для упрощения взаимодействия заинтересованных сторон с системой.

Действуем по-другому. Работа по-другому влечет за собой фундаментальные изменения в структуре (более плоские, наделенные полномочиями, межфункциональные команды), таланте (новые навыки и полностью преданные своему делу команды), способах работы (ориентация на результат, гибкое финансирование и управление продуктами, а не проектами) и технологиях (модульная архитектура, облачные системы данных и меньшая зависимость от монолитных EHR). Благодаря этим изменениям некоторые системы здравоохранения начали видеть реальную ценность уже через шесть месяцев. Создание цифровой культуры помогает трансформации со временем добиться успеха.

Осторожно относимся к генеративному ИИ. Генеративный ИИ может повлиять на все: от непрерывности медицинской помощи и клинических операций до заключения контрактов и корпоративных функций. Руководители систем здравоохранения и пациенты обеспокоены рисками ИИ, особенно в отношении ухода за пациентами и конфиденциальности. Управление этими рисками предполагает размещение ориентированных на бизнес групп юристов и специалистов по управлению рисками наряду с командами по искусственному интеллекту и науке о данных. Организации также могут реализовать хорошо информированную стратегию определения приоритетов рисков.

Источник.
Цифровая трансформация: инвестиционные приоритеты систем здравоохранения
https://www.mckinsey.com/industries/healthcare/our-insights/digital-transformation-health-systems-investment-priorities

О глобальной производительности

Выдержки из подкаста McKinsey.
Взлеты и падения глобальной производительности
https://www.mckinsey.com/mgi/our-research/the-ups-and-downs-of-global-productivity


Оливия Уайт: А в долларовом эквиваленте в 1997 году производительность труда, измеряемая в выработке на одного работника в год, составляла около 7000 долларов. В 2022 году эта цифра составила 41 000 долларов. Мир стал гораздо более производительным и, как следствие, в целом, гораздо более богатым.

Оливия Уайт: Страны с развивающейся экономикой находятся на шоссе с быстрыми и медленными полосами (производительности), при этом скорости (производительности) на разных полосах существенно различаются.

Для быстрой экономики, такой как Польша, если она сохранит темпы роста производительности, которые она имела в течение последних 25 лет, она достигнет уровня производительности США в течение следующих 11 лет. А Китай будет там примерно через 15-16 лет. Для сравнения, для такой страны, как Индонезия, которая находится в средней полосе, это займет 135 лет. А для стран в медленной полосе, таких как Аргентина, при ее темпах роста производительности в течение последних 25 лет она никогда не догонит.

Некоторые экономики фактически идут в обратном направлении по сравнению с развитыми экономиками. Почему это важно? Около половины населения мира потребляет более 50 гигаджоулей энергии в год. Такое потребление энергии обеспечивает производительность и становится возможным по мере того, как страна становится богаче.

Крис Брэдли: Капитал на одного работника в США намного выше. Например, капитал на одного работника в США в три раза выше, чем в Китае.

США более производительны, потому что у них больше капитала. Этот кусочек капитала, этот кусочек урбанизации оказывает огромное влияние на производительность.

В развитых экономиках мы указываем на инвестиции, но это другой случай. Вместо роста инвестиций происходит их замедление. И вы можете спросить, почему я говорю о капитале, когда это отчет о производительности? Около 80% производительности происходит потому, что у каждого работника больше капитала, больше оборудования. Так что в некотором смысле мир, богатый производительностью, — это мир, богатый инвестициями. Это хорошая, простая формулировка. Потому что тогда это приводит к вопросу, требующему действий: как нам создать мир, богатый инвестициями?

Крис Брэдли: Несколько вещей действительно имеют значение. Первое — мы определили очень простой и существенный фокус, что мир, ориентированный на производительность, очевидно, является миром, ориентированным на инвестиции.

Так что же для этого нужно? Мы видим признаки жизни в США. Например, строительство и производство в США выросли в три-четыре раза по сравнению с уровнем до COVID-19. И эта штука с ИИ, о которой мы постоянно говорим, это не просто кучка умных людей, сидящих в комнате и стучащих по компьютерам — это бетон, силикон и энергия в огромных пропорциях.

Другой важный аспект, который мы рассматриваем, это будущее глобализации? Одной из фоновых черт за последние 25 лет была свободная и высоко кооперативная мировая торговля. Это время, когда торговля росла в два раза быстрее ВВП. И это было не только колоссальное повышение производительности; это также было очень хорошо для инфляции.

Теперь это не исчезнет, ​​потому что мир не может работать таким образом. Мы не можем работать друг без друга. Америка импортирует 83% своих чипов. Китай импортирует больше чипов, чем нефти. Поэтому мир не может работать друг без друга.

Подкаст McKinsey
Взлеты и падения глобальной производительности
https://www.mckinsey.com/mgi/our-research/the-ups-and-downs-of-global-productivity

Индекс операционной модели - OMI

МакКинзи разработал индекс индекс операционной модели (OMI), который представляет собой средневзвешенный балл производительности по пяти основным областям операционной модели продукта и платформы (структура, стратегия и управление, способы работы, культура и талант, а также инструментарий) и 17 измерениям.

Графически эта модель выглдяти следующим образом и ниже представлен текстовый список.

С помощью этой модели МакКинзи оцениваются характеристики модели с помощью стандартизированного набора вопросов. Это позволяет классифицировать ответы с точки зрения оценки уровня зрелости. Например, зрелость по области «структура» определяется как организация, имеющая четко определенную таксономию продукта и платформы, кросс-функционально собранные и постоянные команды, созданные с правильным соотношением ролей, и сквозное владение для обеспечения меньшего количества передач между командами.

Operating Model Index (OMI) - взвешенная оценка производительности в 5 областях и 17 измерениях

Структура

1. Таксономия продукта и платформы/ проектирование

• Таксономия

2. Организационный дизайн

• Выравнивание команды
• Степень параллезма

3. Проектирование модулей продукта и платформы

• Постоянные команды
• Взаимозаменяемость ресурсов
• Соотношение ролей

4. Стратегия локализации

• Совместное размещение команды
• Совместное размещение зависимой команды

Стратегия и управление

5. Портфельное планирование

• Распределение сверху вниз
• Управление технологическим долгом
• Циклы планирования и обзора

6. Постановка целей и расстановка приоритетов

• Зрелость целей и ключевых результатов
• Приоритизация отставания (backlog)

7. Финансирование и бюджетирование

• Финансирование подразделения
• Процесс финансирования

8. Подотчетность и производительность

• Структура подотчетности

Способы работы

9. кросс-продуктовая и платформенная зависимость

• Автономная доставка
• Управление зависимостями
• Разрешение зависимости

10. PDLC-RACI, модель взаимодействия (Product development life cycle - Responsible, Accountable, Consulted and Informed model, Жизненный цикл разработки продукта - Ответственная, подотчетная, консультируемая и информированная модель).

• R&R, Roles and responsibilities. Прозрачность - Роли и ответственность
• Прозрачность команды
• PDLC
• Модель взаимодействия

11. Современное управление продуктом и инженерными практиками

• Инженерные практики
• Запуск производства
• Практики управления продуктом
• Согласование в управлении продуктом

Культура и управление персоналом

12. Культурные изменения

• Культурная жизнеспособность

13. Управление талантами

• Подбор менеджеров по управлению проектами и инженеров

14. Повышение квалификации/развитие потенциала

• Повышение квалификации менеджеров по управлению проектами
• Повышение квалификации инженеров

Оснащение инструментами. Оснастка

15. Оснастка планирование и сотрудничество

• Планирование и сотрудничество

16. Инструменты разработчика

• Разработка программного обеспечения

17. Инструменты DevSecOps

• Мониторинг CI/CD
• CI/CD (continuous integration/continuous delivery) непрерывная интеграция/непрерывная поставка

Примечание. DevSecOps — это практика интеграции тестирования безопасности на каждом этапе процесса разработки ПО. Она включает в себя инструменты и процессы, которые поощряют сотрудничество между разработчиками, специалистами по безопасности и операционными группами для создания ПО, которое является одновременно эффективным и безопасным.

McKensey опросили старших руководителей (включая высшее руководство, вице-президентов по продуктам и инжинирингу и т. д.) из более чем 400 публичных компаний по всему миру и из разных секторов для построения как индекса OMI так и корреляций.

Коэффициент корреляции (r) оценивался на выборке 400+. Корреляция между индексом OMI и общим бизнес-результатом.

Способы работы. Максимальный коффицен r=0.60.

10. PDLC-RACI, модель взаимодействия (Product development life cycle - Responsible, Accountable, Consulted and Informed model, Жизненный цикл разработки продукта - Ответственная, подотчетная, консультируемая и информированная модель). r около 0,53.

9. кросс-продуктовая и платформенная зависимость. r около 0,52.

11. Современное управление продуктом и инженерными практиками. r около 0,51.

Культура и управление персоналом. Максимальный коффицен r=0.58.

12. Культурные изменения. r около 0,52.

13. Управление талантами. r=0.5

14. Повышение квалификации/развитие потенциал. r около 0,46. 

Стратегия и управление. Максимальный коффицен r=0.53.

6. Постановка целей и расстановка приоритетов. r около 0,44.

7. Финансирование и бюджетирование. r около 0,43.

5. Портфельное планирование. r около 0,43.

8. Подотчетность и производительность/ r=0.4

Оснащение инструментами. Оснастка. Максимальный коффицен r=0.50.

15. Оснастка планирование и сотрудничество. r около 0,49.

17. Инструменты DevSecOps. r около 0,45.

16. Инструменты разработчика. r около 0,42.

Структура. Максимальный коффицен r=0.46.

2. Организационный дизайн. r=0.4

1. Таксономия продукта и платформы/ проектирование. r около 0,33.

3. Проектирование модулей продукта и платформы. r около 0,31.

4. Стратегия локализации/ r=0.2

Далее - графика, котороя отображает корреляцию между 5 областями и бизнес-результатами (по горизонтали): общий бизнес-результат, удовлетворенность пользователей, известность бренда и инновации.

Картинка ожидаемае и ничего неожиданного. Например, на инновации сильно влияет инструментарий и квалификация. 

Потенциальные риски применения искусственного интеллекта

Потенциальные риски для поколения ИИ значительны и разнообразны. Следующие риски не зависят от отрасли, и их следует тщательно продумать, прежде чем приступать к использованию искусственного интеллекта поколения:

Точность (Accuracy). Модели генеративного ИИ могут «придумывать» ответы, которые кажутся правдоподобными. Иногда и все чаще их называют «галлюцинациями». Некоторые ответы могут иметь плохое абстрактное обоснование. Ответы, которые могут показаться руководителям качественными, на самом деле могут иметь мало ценности для конечных пользователей. Например, рассмотрим потребность специалиста по техническому обслуживанию в очень конкретных и очень точных советах, связанных с заменой компонента двигателя. Порог точности полезности намного выше при предоставлении конкретных рабочих инструкций, чем, скажем, при предложении советов по устранению неполадок.

Безопасность (Security). Генеративный ИИ подвержен бэкдор-атакам, которые иногда могут остаться незамеченными. Были случаи, когда хакеры захватывали модели, создавали дезинформацию, крали данные или совершали мошенничество. Также генеративный ИИ может использоваться злоумышленниками для повышения сложности и скорости кибератак. Генеративным ИИ также можно манипулировать для получения вредоносных результатов. Например, с помощью метода, называемого быстрым внедрением, третья сторона дает модели новые инструкции, которые обманным путем заставляют модель выдавать выходные данные, не предусмотренные производителем модели и конечным пользователем.

Конфиденциальность (Privacy). Конкурентно-чувствительные или конфиденциальные данные могут быть раскрыты через общедоступные API-интерфейсы LLM. Данные, доступные LLM, возможно, придется разделить на части, чтобы отразить уже существующие средства контроля доступа, особенно в отношении конфиденциальных или засекреченных данных. Проблемы конфиденциальности могут возникнуть, если пользователи вводят информацию, которая позже попадает в выходные данные модели в форме, позволяющей идентифицировать отдельных лиц. Генеративный ИИ также может использоваться для создания и распространения вредоносного контента, такого как дезинформация, дипфейки и разжигание ненависти.

Справедливость, честность (Fairness). Как и в случае с традиционным ИИ, генеративный ИИ иногда может давать предвзятые результаты. Его также можно использовать не по назначению для обхода намеренно добавленных мер безопасности. Модели могут генерировать алгоритмическую предвзятость из-за несовершенства обучающих данных или решений, принятых инженерами, разрабатывающими модели.

Законность и интеллектуальная собственность. Существует потенциальный риск нарушения прав интеллектуальной собственности, нарушений авторских прав и ответственности за неправильное использование. До сих пор неясно, как законы применяются к результатам, созданным генеративным ИИ. Во многих юрисдикциях до сих пор ведутся споры о том, как эффективно регулировать эту технологию. Обучающие данные и результаты моделей могут создавать значительные риски в области интеллектуальной собственности, включая нарушение авторских прав, товарных знаков, запатентованных или иным образом защищенных законом материалов. Даже при использовании генеративного искусственного интеллекта поставщика организациям необходимо понимать, какие данные использовались для обучения и как они используются в результатах инструмента.

Объяснимость (Explainability). Генеративный ИИ опирается на нейронные сети с миллиардами параметров, что бросает вызов нашей способности объяснить, как получается тот или иной ответ.

Надежность (Reliability). Модели могут давать разные ответы на одни и те же запросы, что затрудняет способность пользователя оценивать точность и надежность результатов.

Организационное влияние (Organizational impact). Генеративный ИИ может существенно повлиять на рабочую силу, а влияние на конкретные группы и местные сообщества может быть непропорционально негативным.

Социальное и экологическое воздействие (Social and environmental impact). Разработка и обучение базовых моделей может привести к пагубным социальным и экологическим последствиям, включая увеличение выбросов углекислого газа.

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

* * *

Военные ведомства стран AUKUS провели успешные испытания ИИ  в режиме реального времени. Эксперимент проходил в рамках оборонной инициативы Convergence Capstone 4, который является одним из направлений масштабного проекта «Технологии устойчивого автономного искусственного интеллекта» - AUKUS Resilient and Autonomous Artificial Intelligence Technologies (RAAIT).

Суть испытаний заключалась в использовании ИИ в ударных БПЛА, чтобы сократить время идентификации вражеских целей, используя автономные и сенсорные систем искусственного интеллекта в режиме реального времени.  В эксперименте приняли участие несколько дронов от каждой из трех стран AUKUS, работающих вместе в одном воздушном пространстве для достижения общего результата, в то же время помощь в управлении оказывал другой ИИ - AUKUS AI, который переобучил алгоритмы дронов из США, Великобритании и Австралии, и заставил их действовать в рамках единого замысла и под управлением одного оператора, который по сути принимал решение только о нанесении ударов.

Представители Лаборатории оборонных наук и технологий Великобритании (DSTL) заявили, что беспрепятственный обмен данными и управлением между технологиями стран-партнеров показал прогресс, которого они совместно добились во внедрении искусственного интеллекта и автономных систем, и в будущем данная технология будет включена в национальные платформы боевого управления, предоставляя военным оперативное преимущество за счет более быстрого реагирования на текущие и будущие угрозы. 

Разработка искусственного интеллекта и других передовых технологий, включая гиперзвуковые ракеты и квантовые вычисления, осуществляется в рамках программы AUKUS – «Pillar II».

Интересен факт, что все разработки проводятся в рамках трехстороннего военного союза США, Великобритании и Австралии а не НАТО. Предполагается, что страны НАТО не будут иметь доступ к данной технологии, она останется прерогативой AUKUS.

Пока что главным и по сути единственным соперником в этой технологической гонке является Китай.

Из Телеграмм -Такер Карлсон

* * *

Сегодня нации мира управляются людьми, у которых нет недостатка в идеях, но полностью отсутствуют идеалы. Этим объясняются бедность, разводы, войны и расовая ненависть.

...душевный яд страха, гнева, зависти, ревности, подозрительности и нетерпимости также является огромной помехой для духовного прогресса эволюционирующей души.

Классификация страхов

Классификация страхов человека (источник - ?).

№	Страх	Балл
1	Холод	7,79
2	Жажда	7,73
3	Отсутствие первой медицинской помощи	7,35
4	Отсутствие правильных отношений в группе людей	6,93
5	Голод	6,90
6	Стрессы	6,76
7	Переутомление	6,61
8	Отсутствие взаимопонимания	6,26
9	Страх (просто страх)	6,07
10	Простуда	5,95
11	Физическое насилие	4,92
12	Отсутствие средств защиты и оснастки	4,91
13	Вирусные и кишечные инфекции	4,77
14	Пожар	4,76
15	Травмы	4,73
16	Бюрократия	4,65
17	Диктат	4,37
18	Отсутствие крова (защитных сооружений)	4,30
19	Терроризм	4,27
20	Одиночество	3,99
21	Стихийные бедствия (ливни, грады, наводнения, оползни, сели, лавины, удары молний …)	3,85
22	Жара	3,39
23	Укусы насекомых	3,25
24	Отравления	3,23
25	Удар электрическим током	3,20
26	Радиация	3,09
27	Укусы змей	2,92
28	Транспорт и механизмы	2,52
29	Обвалы	2,26
30	Унижения	2,12
31	Нападения диких (одичавших) животных	2,02
32	Открытые ямы и проемы	1,73
		147,6

Вот от чего нужно "Защищать".
Например, прекрасную половину.
Плюс - маркетинговая оценка от усилий по защите.

Первый закон Скагса: Операции никогда не проходят гладко.
Следствие из первого закона Скагса: Если операция идет гладко, значит, это ловушка.
Рекомендации к действию: Если имеет место ловушка, но вы не знаете, в чем она заключается, вам надлежит, соблюдая все меры предосторожности, угодить в нее и дождаться того, кто придет по вашу голову.
Мусафин С.С.

Патенты в области ИИ

Технологические достижения в GenAI отражаются в резком увеличении патентной активности. Фактически, число патентных семейств (групп патентов, которые все связаны с одним и тем же изобретением или технологией) в GenAI выросло с 733 в 2014 году до более чем 14 000 в 2023 году.

В таблице ниже представлены ведущие компании по количеству патентов в области GenAI по состоянию на апрель 2024 года. Данные предоставлены Всемирной организацией интеллектуальной собственности (ВОИС), агентством ООН по инновациям и творчеству.

Китай доминирует в патентной гонке в области генеративного ИИ.

Среди программ и моделей GenAI с наибольшим количеством патентов:

• Генеративно-состязательные сети (GAN): GAN используют генератор для создания данных и дискриминатор для их оценки, уточняя вывод генератора. Они необходимы для генерации изображений, переноса стилей и дополнения данных.
• Вариационные автокодировщики (VAE): VAE кодируют данные в скрытом пространстве и декодируют их обратно, позволяя генерировать новые данные путем выборки из скрытого пространства. Они используются для генерации изображений, обнаружения аномалий и полуконтролируемого обучения.
• Большие языковые модели на основе декодера (LLM): LLM, как и GPT, генерируют текст, используя архитектуру преобразователя и обширные данные предварительной подготовки. Они преуспевают в дополнении текстов, в переводе, в реферировании и в разговорном ИИ.

Источник:
"Ranked: Top Companies by Generative AI Patents"
https://www.visualcapitalist.com/ranked-top-companies-by-generative-ai-patents/

Примеры успешных вариантов использования ИИ

Коммунальное хозяйство. Организации с тысячами километров линий электропередач, трубопроводов и другой распределенной и иногда труднодоступной инфраструктуры часто тратят миллионы долларов на сохранение работоспособности и целостности активов. Модели коррозии и профилактического обслуживания можно переобучить с помощью ранее непригодных для использования неструктурированных записей проверок, что повышает производительность. Это включает в себя интеграцию многих источников данных, - традиционные записи, такие как прошлые повреждения, визуальные проверки и данные датчиков на самом активе. Здесь генеративный ИИ может значительно повысить эффективность основной бизнес-функции, необходимой как для непрерывности операций, так и для общественной безопасности. Другие источники данных, такие как изображения с дронов, аэрофотоснимки и спутники, могут быть существенно улучшены с помощью компьютерного зрения на базе искусственного интеллекта.

Нефтяные и газовые компании. Специализированные модели, основанные на приложениях обработки изображений, могут обрабатывать, интерполировать и интерпретировать дорогостоящие сейсмические данные для определения ключевых атрибутов (таких как отслеживание горизонтов, расположение разломов или прямая классификация углеводородов). В результате объем данных, необходимых для исследования с высоким разрешением, может быть уменьшен, а качество результатов может быть повышено.

Горнодобывающие компании. Шахты с парком сложных и широко рассредоточенных машин на местах могут обеспечивать модели библиотеками руководств по техническому обслуживанию, историческими заказами на выполнение работ, процедурами, инвентарем инструментов и базами данных деталей. Искусственный интеллект может стать мощным помощником технических специалистов, помогая оптимизировать работу и повысить надежность. Хотя это может показаться простым применением готовых моделей, необходимо уделить особое внимание тому, чтобы представленные рекомендации были правильными и полезными для квалифицированных технических специалистов, а для достижения полной эффективности необходима интеграция с существующими системами.

Химические компании. Обширные химические базы данных можно использовать для создания моделей, способных прогнозировать свойства новых химических веществ, что существенно сокращает пространство поиска для физической лаборатории и ускоряет темпы открытия молекул. Аналогичным образом, новые пути синтеза могут быть смоделированы в цифровом виде, что поможет решить проблему недорогих, энергосберегающих или низкоуглеродных выбросов.

Сельскохозяйственные компании. Изучая данные о погоде, состоянии почвы, давлении, о  вредителяех агрономические компании могут создавать виртуальных консультантов на базе искусственного интеллекта. Эти консультанты могут определить персонализированные риски и возможности для производителей, менеджеров ферм и операторов ферм, к которым они могут получить доступ круглосуточно и без выходных по низкой цене. Gen AI также может синтезировать широкий массив данных для создания сценариев тестирования аналитических программ, что может позволить агрономическим компаниям моделировать различные события и давать более точные результаты.

На рисунке отображено, как изменяется оценка реализации возможностей ИИ. Серым - то как оценивались перспективы в 2017 году. Синим - в 2023. Оптимизм растет. И даже если необоснованно, то можно пользоваться серыми оценками или придумать свое.

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

Зрелость ИИ

На уровне команды и предприятия DQ является стратегическим инструментом, позволяющим оценить цифровую готовность бизнеса. Оно помогает предприятиям понять цифровые возможности, показывает области, которые необходимо укрепить, а затем отслеживает прогресс в освоении этих возможностей, что дает предприятиям преимущество.

DQ Score — это составное число, полученное на основе уровней компетентности, измеренных в соответствии с восемью основными компетенциями цифрового гражданства. Подобно показателю IQ, средний мировой показатель равен 100 со стандартным отклонением 15.

AI Quotient или AIQ — коэффциент, позоволяющий ответить на вопрос «Какую часть кода можно улучшить с помощью ИИ?». Это коэффициент был распространен не только на код, но и на бизнес.

Источник

https://www.mckinsey.com/capabilities/mckinsey-digital/our-insights/what-it-takes-to-rewire-a-cpg-company-to-outcompete-in-digital-and-ai

What it takes to rewire a CPG company to outcompete in digital and AI

* * *

Примеры использования ИИ

Решения или инструменты генеративного искусственного интеллекта	Описание
Технические услуги	Решения для документирования вопросов и ответов для исполнения заявок в проектах оказания услуг, управляемых приложениями. Это помогает пользователям сформировать запросы в службу поддержки.
Агент по звонкам в СМИ	Инструмент, который помогает глобальной образовательной и медиа-компании осуществлять быстрый и высококачественный поиск знаний для агентов, обслуживающих клиентов во время звонков.
Выставление счетов и страхование доходов	Агент синтеза знаний, который извлекает данные из различных источников для помощи в процессах продаж.
Агент синтеза идей	Решение Gen AI, которое помогает глобальной компании, предоставляющей информационные услуги, быстрее и эффективнее получать информацию о поведении потребителей.
Виртуальный агент	Инструмент для автоматизации задач веб-исследований, получения аналитической информации и взаимодействия со сторонними API.
Виртуальный аналитик	Интерактивный чат-бот, который помогает пользователям легко извлекать ценную информацию из своих личных данных.
Второй пилот агента	Инструмент, обеспечивающий поддержку агентов в режиме реального времени и персонализированные рекомендации для клиентов.
Голосовая аналитика с искусственным интеллектом	Приложение, которое понимает причины вызовов и получает полезную информацию для снижения потока, улучшения маршрутизации и повышения производительности агентов.
Коучинг колл-центра	Инструмент, который определяет возможности обучения сотрудников колл-центра жестким и мягким навыкам.
Голосовая автоматизация	Голосовой бот, который отвечает на вопросы клиентов индивидуальными ответами и/или быстрыми автоматизированными задачами.
Консультант по маркетингу	Инструмент, который обобщает сообщения в социальных сетях для получения маркетинговой информации.
Sales.ai. Адаптивное решение, которое позволяет вести диалог с клиентами	Комплексное решение, использующее аналитический и генерирующий искусственный интеллект для выявления потенциальных клиентов и масштабного охвата клиентов.
Ада. AI-агент для круглосуточной поддержки клиентов	Единое решение для сценариев использования закупок генеративного ИИ (например, подготовка переговоров, проверка контактов, генерация идей, факты о категориях, новости рынка и поставщиков)
IQ документа	Инструмент, использующий передовые методы глубокого обучения для анализа и извлечения данных из контрактных документов и изображений, а также сбора данных в структурированный формат.
Генератор предложений клиентам	Инструмент, который позволяет пользователям вводить контекст запроса предложений (RFP request for proposal) и следить за подсказками в чате для автоматического создания нового контента RFP.
ИИ поддержки контрактов на закупку	Инструмент генеративного искусственного интеллекта, который проверяет контракты, сравнивает условия и положения с заранее заданными передовыми практиками и собственными знаниями, предоставляя мгновенную информацию.
Второй пилот для кодирования	AI-помощник для генерации кода и устранения неполадок

Производители серебра 2023

Источник

https://www.visualcapitalist.com/dp/si01-ranked-largest-silver-producing-countries/