Maximera affärsvärdet med generativ AI

Återutgiven av Platon

anhängare: 0

Har vi någonsin sett något adopteras så snabbt som generativ AI (GenAI) jämfört med förr? Tänk på det: ChatGPT lanserades 2022 och fick 100 miljoner användare på två månader. Som jämförelse har vi hört talas om AI i några år, men adoptionsgraden för AI har varierat från 25 % till 35 % (baserat på olika forskning). Detta i sig visar med vilken lätthet GenAI-verktyg används för att utöka befintliga affärsprocesser, öka produktiviteten och ge fördelar vid de flesta organisationsnoder.

Med tanke på att vi ungefär har att göra med något vars ålder är kvantifierbar i månader snarare än år, kan det slutliga målet och konkreta lösningar vara lite långt, men de första POC:erna och experimenten har utlöst innovation och tvingar människor att tänka fundamentalt annorlunda om hur företag fungerar.

Men frågan de flesta chefer ställer sig nu för tiden är: "Var ska man börja och hur man använder det till vår fördel?"

The GenAI Playbook: Going Back to the Whiteboard

Den globala marknaden för generativ AI är närmar sig en böjningspunkt, med en värdering på 8 miljarder dollar och en uppskattad CAGR på 34.6 % till 2030. Till och med Gartner har placerat GenAI på toppen av uppblåsta förväntningar i sin hypecykel. De flesta forskningsrapporter lyfter fram nästan 50-70 % användning av generativ AI åtminstone i utforskningsstadiet.

Men folk glömmer att generativ AI fortfarande är AI; den behöver den förmåga som vilken AI som helst skulle ha när det gäller strategi, teknik, verktyg och människor. Så det rekommenderas starkt att chefer tänker på detta som en del av sin helhet AI-strategin. Ett av sätten att strategin har förändrats är behovet av bättre styrning, kortare färdplaner och fler användningsfall.

Om de inte behandlas på detta sätt skulle generativa AI och LLM:er förbli som isolerade och silade implementeringar utan mycket sammankoppling och korrekt styrning.

För nu, de tre nyckelaspekterna av någon GenAI spelbok bör vara: strategi, infrastruktur och färdplan.

Generativ AI-strategi

En av de största utmaningarna vi ser att organisationer står inför just nu är att de flesta saknar en väldefinierad strategi och en uppsättning identifierade användningsfall, även innan de når Proof of Concept (POC)-stadiet. Det är viktigt att identifiera användningsfall med låg komplexitet men hög effekt och låg validering. Detta kan vara möjligt genom att skapa en matris av genomförbarhet kontra affärsvärde som var och en av dem ger och välja rätt baserat på dina prioriteringar. Utifrån vilken funktion du ska starta, vilken avdelning du ska arbeta på och vilken typ av implementering du vill ha, prioritera de som har maximalt värde. Några av typerna av LLM-implementeringar inkluderar:

Använd LLM "i befintligt skick"
Bädda in LLM i en applikationsram
LLM som chatbot
Används för att generera träningsdata för konversations-AI
Bädda in LLM i ett arbetsflöde
Dokumenthämtning

Observera att alla dessa har olika komplexitetsnivåer för implementering. Det är här analysen av nuvarande infrastruktur och team kommer i beaktande.

Infrastruktur

Även om organisationer vill utnyttja generativ AI för insikter, kanske de inte har rätt datainfrastruktur och affärsprocesser på plats när de implementerar AI för praktisk användning. Datakvalitetsproblem kan påverka resultatet, eller så kan din organisations system och plattformar ha unika behov och möjligheter. Dessutom kan det finnas specifika träningsmetoder som behövs för att lyckas. Som alla vet är GenAI benäget för partiskhet och hallucinationer; om det finns datakvalitets- eller utbildningsproblem, skulle resultatet manifesteras felaktigt, för att uttrycka det lätt.

På grund av detta bör din organisation organisera ett team med viss relaterad expertis. Ett team bestående av affärsexperter, ingenjörer och AI-specialister skulle fungera. Uppenbarligen kan du inte förvänta dig att människor ska ha 10 års erfarenhet av generativ AI, men något i närheten av det – som personer i ditt datavetenskapsteam, med LLM eller NLP eller snabb ingenjörserfarenhet – skulle vara fördelaktigt. Sådan expertis kommer att behövas under övergången från individuella förfrågningar till applikationer på produktionsnivå. Noggrannhet kommer att vara avgörande, och utbildning i omfattande datamängder kommer att bli grundläggande.

En av huvudorsakerna till att AI-projekt inte tar fart är bristen på ledarskap, så du bör också se till att någon kan pilotera programmet.

Färdkarta för implementering

När du har pilotmålen och riskerna kan du överväga implementeringsmetoden. I spektrumet av bygg kontra köp kan du antingen använda generativ AI inbäddad i applikationer som Adobe Firefly, Canvas Editor, Hubspot Magic Assistant, etc., eller bygga anpassade modeller från grunden med hjälp av öppna API:er (för alla konfidentiella eller känsliga data).

Eftersom var och en av dessa tillvägagångssätt har sina för- och nackdelar ur både flexibilitets- och kostnadssynpunkt, om målet med att bygga en MVP är att snabbt validera hypotesen, är det att föredra att bädda in API:er eller använda applikationer med GenAI.

Att gå från Proof-of-Concept (PoC) till att härleda maximalt värde

När C-Suite-ledare börjar förstå GenAI, börjar de avslöja några frågor: Vilka användningsfall ger mest värde för min verksamhet? Och hur övergår vi från ett Proof of Concept (PoC) till fullskalig implementering eller implementering på företagsnivå?

Mycket av arbetet återstår för närvarande i PoC-stadiet, även om vissa branscher ligger före kurvan, som chatbots för HR och juridiska kontrakt, som har blivit relativt vanliga. Så nu återstår att se hur företag går mot en utbredd adoption genom att integrera GenAI i andra affärsprocesser.

För att gå från PoC till implementeringsstadiet måste organisationer identifiera sin strategi, som vi behandlade tidigare, såväl som användningsfallen med stor effekt. Att prioritera dessa användningsfall baserat på deras inverkan, kostnad, databeredskap och motstånd mot adoption är viktigt. Att bekanta sig med begränsningarna och förmågan kommer också att vara viktigt för beslutsfattare. En färdplan måste tas fram, och du måste lämna utrymme för möjligheten att misslyckas. När detta är gjort kan olika PoCs och piloter lanseras, baserat på de problem en organisation verkligen vill lösa.

Dessutom är transparens med dina interna intressenter nyckeln. Kommunicera hur dessa förändringar och den kulturella förändringen kommer att påverka dem, utöka deras kapacitet, säkerställa produktivitet och göra dem mer effektiva. Ett förändringsledningsprogram redan från början är nödvändigt.

Vägen framåt

Framöver kommer den främsta skillnaden att vara hur företag implementerar grundläggande modeller på ett ansvarsfullt sätt. Med tanke på kostnaden för att utbilda och underhålla grundläggande modeller måste företagen bestämma hur de vill använda dem för användningsfall. På PoC-nivå kan mycket förbises, men på företagsnivå kommer att lösa affärsproblem kräva en viss grad av säkerhet och beslutsfattande kring kostnad, tidsansträngning, datasekretess, immateriella rättigheter etc. Om en grundmodell saknar affärer sammanhang kan det resultera i utdata som gör det utmanande att identifiera exakthet. Noggrannhet är en kritisk faktor – fördomar och hallucinationer är verkliga problem eftersom de flesta grundläggande modellerna är tränade på omfattande datauppsättningar. Om det finns en inneboende fördom i dessa data kommer det att visa sig i resultaten.

Det pågår ett enormt paradigmskifte, ett av de största i nyare historia, och det kommer att påverka alla aspekter av verksamheten inom en snar framtid. Så som vi ser det är att det på organisationsnivå måste finnas en förståelse för kraften i grundläggande modeller i en friktionsfri miljö – och detta kommer att vara nyckeln till framgång för många företag framöver.