Генеративные нейросети — новый большой технологический тренд, который с нами, как минимум на пару лет. McKinsey написали целую методичку про то, как генеральные директоры могут использовать эти технологии в своем бизнесе, а мы в Технократии[ссылка удалена модератором] его перевели. Так что заваривайте чай, это будет долгое чтиво.
Содержание
Короткая ретроспектива развития генеративного ИИ за последний год
Чем генеративный ИИ отличается от других видов искусственного интеллекта
Манифест ответственного использования искусственного интеллекта
Уроки, которые руководители компаний могут извлечь из этих примеров
Дисклеймер: по мере чтения текста могут всплывать артефакты перевода, так что если у вас есть вопросы, то рекомендуем время от времени обращаться к оригинальному тексту.
Генеративный ИИ развивается с рекордной скоростью, в то время как руководители компаний все еще изучают бизнес-ценность и риски этой технологии. Здесь мы предлагаем некоторые основные принципы генеративного ИИ.
Очень длинное введение, которое не обязательно к прочтению
На фоне ажиотажа вокруг генеративного ИИ после выхода ChatGPT, Bard, Claude, Midjourney и других инструментов для создания контента, руководители компаний по понятным причинам задаются вопросом: Это технологическая шумиха или возможность изменить игру? И если это последнее, то какова ценность для моего бизнеса?
Публичная версия ChatGPT набрала 100 миллионов пользователей всего за два месяца. Она демократизировала ИИ в невиданной ранее манере и стала самым быстрорастущим приложением в истории. Благодаря своей доступности генеративный ИИ отличается от всех предшествующих ему ИИ. Пользователям не нужно иметь ученую степень в области машинного обучения, чтобы взаимодействовать с ним или извлекать из него пользу; его может использовать практически каждый, кто умеет задавать вопросы. И, как и в случае с другими прорывными технологиями, такими как персональный компьютер или iPhone, одна платформа генеративного ИИ может породить множество приложений для аудитории любого возраста или уровня образования и в любом месте, где есть доступ в Интернет.
![Мира Мурати, CTO OpenAI Мира Мурати, CTO OpenAI](https://habrastorage.org/getpro/habr/upload_files/703/7a2/3ba/7037a23ba146a551c95f2c21bb369500.png)
Все это возможно благодаря тому, что генеративный ИИ чат-ботов работает на основе фундаментальных моделей, которые представляют собой обширные нейронные сети, обученные на огромном количестве неструктурированных, немаркированных данных в различных форматах, таких как текст и аудио. Фундаментальные модели могут использоваться для решения широкого круга задач. В отличие от этого, предыдущие поколения моделей ИИ часто были " ограниченными", то есть они могли выполнять только одну задачу, например, прогнозировать отток клиентов.
Одна базовая модель, например, может составить резюме для технического отчета о квантовых вычислениях объемом 20 000 слов, разработать стратегию выхода на рынок для компании, занимающейся обрезкой деревьев, и предложить пять различных рецептов для десяти ингредиентов в холодильнике определенного человека. Недостатком такой универсальности является то, что на данный момент генеративный ИИ может иногда давать менее точные результаты, что заставляет вновь обратить внимание на управление рисками при использовании искусственного интеллекта.
При наличии соответствующих ограничений генеративный ИИ может не только открыть новые варианты использования для бизнеса, но и ускорить, масштабировать или иным образом улучшить существующие. Представьте себе, например, разговор с клиентом по продажам. Специально обученная модель ИИ может предложить sales-менеджеру возможности для увеличения продаж, но до сих пор они обычно основывались только на статических данных о клиенте, полученных до начала разговора, таких как демографические данные и характер покупок. Генеративный инструмент ИИ может предлагать продавцу возможности повышения продаж в режиме реального времени на основе фактического содержания разговора, опираясь на внутренние данные о клиенте, внешние тенденции рынка и данные о влиятельных людях в социальных сетях. В то же время генеративный ИИ может предложить продавцу черновой вариант коммерческого предложения для адаптации и персонализации.
Предыдущий пример демонстрирует влияние технологии на одну рабочую специальность. Но почти каждый работник, занимающийся интеллектуальной деятельностью, может извлечь выгоду из совместной работы с генеративным ИИ. На самом деле, хотя генеративный искусственный интеллект может в конечном итоге использоваться для автоматизации некоторых задач, большая часть его ценности может быть получена от того, как производители программного обеспечения внедрят технологию в повседневные инструменты (например, электронную почту или текстовые редакторы), используемые работниками сферы интеллектуальных знаний. Такие модернизированные инструменты могут существенно повысить производительность труда.
Руководители компаний хотят знать, стоит ли им действовать сейчас, и если да, то как начать. Некоторые из них видят возможность опередить конкурентов, переосмыслив способы выполнения работы людьми с помощью генеративных приложений на основе ИИ. Другие, возможно, захотят проявить осторожность, поэкспериментировать с несколькими вариантами использования и узнать больше, прежде чем делать крупные инвестиции. Компаниям также придется оценить, обладают ли они необходимыми техническими знаниями, архитектурой технологий и данных, операционной моделью и процессами управления рисками, которые потребуют некоторые из наиболее революционных применений генеративного ИИ.
Цель этой статьи - помочь руководителям компаний и их командам осмыслить аргументы в пользу применения генеративного ИИ для создания ценности и то, как начать свой путь. Сначала мы предлагаем вводную информацию по генеративному ИИ, чтобы помочь руководителям лучше понять быстро развивающееся состояние искусственного интеллекта и имеющиеся технические возможности. В следующем разделе мы рассмотрим, как компании могут использовать генеративный искусственный интеллект на примере четырех кейсов, направленных на повышение эффективности организации. Эти примеры отражают то, что мы наблюдаем среди ранних последователей, и проливают свет на множество вариантов с точки зрения требований к технологии, стоимости и операционной модели. Наконец, мы рассмотрим жизненно важную роль генерального директора в позиционировании организации для достижения успеха с помощью генеративного ИИ.
Ажиотаж вокруг генеративного ИИ ощутим, и руководители высшего звена по праву хотят двигаться вперед продуманно и целенаправленно. Мы надеемся, что эта статья поможет бизнес-лидерам получить взвешенное представление о многообещающем мире генеративного искусственного интеллекта.
Короткая ретроспектива развития генеративного ИИ за последний год
Технологии генеративного ИИ развиваются стремительно. Поражают скорость запуска, количество стартапов и быстрая интеграция в существующие приложения. В этом разделе мы обсудим широту применения генеративного ИИ и дадим краткое объяснение технологии, включая ее отличие от традиционного ИИ.
![](https://habrastorage.org/getpro/habr/upload_files/485/5af/bbd/4855afbbd5a91c878da09e68bca93e3a.png)
![](https://habrastorage.org/getpro/habr/upload_files/6ac/886/c04/6ac886c047fb67d941aa902a9f1a7d5d.png)
Больше, чем чатбот
Генеративный ИИ можно использовать для автоматизации, усовершенствования и ускорения работы. В рамках данной статьи мы сосредоточимся на том, как генеративный ИИ может улучшить работу, а не на том, как он может заменить роль человека.
В то время как текстовые чат-боты, такие как ChatGPT, привлекают к себе повышенное внимание, генеративный ИИ может обеспечить возможности широкого спектра контента, включая изображения, видео, аудио и программный код. Он может выполнять несколько функций в организациях, включая классификацию, редактирование, обобщение, ответы на вопросы и составление нового контента. Каждое из этих действий способно создать ценность за счет изменения способов выполнения работы на уровне действий в рамках бизнес-функций и рабочих процессов. Ниже приведены некоторые примеры.
Классификация
Аналитик по выявлению мошенничества может ввести описания транзакций и документы клиентов в генеративный инструмент ИИ и попросить его определить мошеннические транзакции.
Менеджер по работе с клиентами может использовать генеративный ИИ для категоризации аудиофайлов звонков клиентов на основе уровня их удовлетворенности.
Редактирование
Копирайтер может использовать генеративный ИИ для исправления грамматики и преобразования статьи в соответствии с фирменным стилем клиента.
Графический дизайнер может удалить из изображения устаревший логотип.
Суммаризация
Ассистент режиссера может создать видеоролик на основе многочасового видеоматериала о мероприятии.
Бизнес-аналитик может создать диаграмму Венна, которая обобщает ключевые моменты из презентации руководителя.
Ответы на вопросы
Сотрудники производственной компании могут задавать "виртуальному эксперту" на основе генеративного ИИ технические вопросы о рабочих процессах.
Клиент может задать чат-боту вопросы о том, как собрать свою новую мебель.
Создание черновиков
Разработчик программного обеспечения может попросить генеративный ИИ написать целые строки кода или предложить способы завершения частичных строк существующего кода.
Менеджер по маркетингу может использовать генеративный ИИ для составления различных версий сообщений для кампании.
По мере развития и совершенствования технологии такие виды генеративного ИИ могут все больше интегрироваться в рабочие процессы предприятия для автоматизации задач и непосредственного выполнения конкретных действий (например, автоматическая отправка кратких заметок в конце совещаний). Мы уже видим появление инструментов в этой области.
Чем генеративный ИИ отличается от других видов искусственного интеллекта
Как следует из названия, основной способ, которым генеративный ИИ отличается от предыдущих форм ИИ или аналитики, заключается в том, что он может генерировать новый контент, часто в "неструктурированной" форме (например, письменный текст или изображения), который не может быть естественно представлен в таблицах со строками и столбцами.
Технология, лежащая в основе работы генеративного ИИ, представляет собой класс искусственных нейронных сетей, называемых моделями оснований. Искусственные нейронные сети вдохновлены миллиардами нейронов, соединенных в человеческом мозге. Они обучаются с помощью глубинного обучения - термина, обозначающего множество (глубоких) слоев в нейронных сетях. Глубинное обучение стало основой многих последних достижений в области ИИ.
Однако некоторые характеристики отличают модели оснований от предыдущих поколений моделей глубинного обучения. Начнем с того, что их можно обучать на очень больших и разнообразных наборах неструктурированных данных. Например, тип фундаментальной модели, называемый большой языковой моделью (LLM), может быть обучен на огромных объемах текста, который находится в открытом доступе в Интернете и охватывает множество различных тем.
Хотя другие модели глубинного обучения могут работать на значительных объемах неструктурированных данных, они обычно обучаются на более конкретном наборе данных. Например, модель может быть обучена на определенном наборе изображений, чтобы она могла распознавать определенные объекты на фотографиях.
На самом деле, другие модели глубинного обучения часто могут выполнять только одну такую задачу. Например, они могут либо классифицировать объекты на фотографии, либо выполнять другую функцию, например, делать предсказания. В отличие от них, одна базовая модель может выполнять обе эти функции, а также генерировать контент.
Фундаментальные модели накапливают эти возможности путем изучения закономерностей и взаимосвязей на основе обширных обучающих данных, которые они получают, что, например, позволяет им предсказывать следующее слово в предложении. Именно так ChatGPT может отвечать на вопросы по различным темам, а DALL-E 2 и Stable Diffusion могут создавать изображения на основе описания.
Учитывая универсальность базовой модели, компании могут использовать одну и ту же модель для реализации нескольких бизнес-кейсов, чего редко удавалось достичь при использовании более ранних моделей глубинного обучения. Фундаментальная модель, содержащая информацию о продукции компании, потенциально может использоваться как для ответов на вопросы клиентов, так и для поддержки инженеров при разработке обновленных версий продукции. В результате компании могут создавать приложения и реализовывать их преимущества гораздо быстрее.
Однако из-за того, как работают существующие базовые модели, они естественным образом подходят не для всех приложений. Например, большие языковые модели могут быть склонны к "галлюцинациям", или ответам на вопросы с правдоподобными, но неправдивыми утверждениями. Кроме того, не всегда можно найти обоснование или источники для ответа.
Это означает, что компании должны быть осторожны с интеграцией генеративного ИИ без человеческого контроля в приложениях, где ошибки могут причинить вред или где требуется объяснение. В настоящее время генеративный ИИ также не подходит для прямого анализа больших объемов табличных данных или решения сложных задач численной оптимизации. Исследователи активно работают над устранением этих недостатков.
Манифест ответственного использования искусственного интеллекта
Генеративный ИИ сопряжен с различными рисками. Руководители компаний захотят создать свои команды и процессы для снижения этих рисков с самого начала - не только для того, чтобы соответствовать быстро меняющимся нормативным требованиям, но и для защиты своего бизнеса и завоевания цифрового доверия потребителей.
Честность: Модели могут генерировать алгоритмическую предвзятость из-за несовершенства обучающих данных или решений, принятых инженерами, разрабатывающими модели.
Интеллектуальная собственность (ИС): Данные обучения и результаты моделирования могут создавать значительные риски для интеллектуальной собственности, включая нарушение авторских прав, товарных знаков, патентов или других материалов, защищенных законом. Даже при использовании генеративного инструмента ИИ, предлагаемого поставщиком, организациям необходимо понимать, какие данные использовались для обучения и как они используются в выходных данных инструмента.
Конфиденциальность: Проблемы конфиденциальности могут возникнуть, если пользователи будут вводить информацию, которая впоследствии окажется в выходных данных модели в форме, позволяющей идентифицировать личность. Генеративный ИИ также может использоваться для создания и распространения вредоносного контента, такого как дезинформация, дипфейки и хэйтспич.
Безопасность: Генеративный ИИ может использоваться злоумышленниками для повышения сложности и скорости кибератак. Им также можно манипулировать для получения вредоносных результатов. Например, с помощью техники, называемой инъекцией запроса, третья сторона дает модели новые инструкции, которые обманом заставляют модель выдать результат, не предусмотренный разработчиком модели и конечным пользователем.
Доступность объяснения: Генеративный ИИ опирается на нейронные сети с миллиардами параметров, что ставит под сомнение нашу способность объяснить, как получается тот или иной ответ.
Надежность: Модели могут давать разные ответы на одни и те же вопросы, что мешает пользователю оценить точность и надежность результатов.
Организационное влияние: Генеративный ИИ может существенно повлиять на рабочую силу, а воздействие на конкретные группы и местные сообщества может быть непропорционально негативным.
Социальное и экологическое воздействие: Разработка и обучение моделей может привести к пагубным социальным и экологическим последствиям, включая увеличение выбросов углекислого газа (например, при обучении одной большой языковой модели может быть выброшено около 315 тонн углекислого газа).
Экосистема нейросетей начинает формироваться
В то время как базовые модели служат "мозгом" генеративного ИИ, возникает целая цепочка создания стоимости для поддержания обучения и использования этой технологии. Специализированное оборудование обеспечивает значительные вычислительные мощности, необходимые для обучения моделей. Облачные платформы позволяют использовать это оборудование.
MLOps и поставщики центров разработки моделей предлагают инструменты, технологии и методы, необходимые организации для адаптации базовой модели и ее развертывания в приложениях конечных пользователей. Многие компании выходят на рынок, предлагая приложения, построенные на основе базовых моделей, которые позволяют выполнять конкретные задачи, например, помогать клиентам компании в решении вопросов обслуживания.
![](https://habrastorage.org/getpro/habr/upload_files/188/606/653/188606653fe86469242fcfb44ca0eb5c.png)
Первые базовые модели требовали больших инвестиций для разработки, учитывая значительные вычислительные ресурсы, необходимые для их обучения, и человеческие усилия, необходимые для их совершенствования. В результате они были разработаны в основном несколькими технологическими гигантами, стартапами, получившими значительные инвестиции, и некоторыми исследовательскими коллективами с открытым исходным кодом (например, BigScience).
Однако в настоящее время ведется работа как над более компактными моделями, способными обеспечить эффективные результаты при решении некоторых задач, так и над более эффективным обучением. В конечном итоге это может открыть рынок для большего числа участников. Некоторые стартапы уже преуспели в разработке собственных моделей - например, Cohere, Anthropic и AI21 Labs создают и обучают свои собственные большие языковые модели.
Варианты практического применения ИИ
Руководители компаний должны считать изучение генеративного ИИ обязательным, а не возможным. Генеративный искусственный интеллект может создать ценность в широком спектре случаев использования. Экономические и технические требования для начала работы не являются запретительными, а обратной стороной бездействия может стать быстрое отставание от конкурентов.
Каждый генеральный директор должен вместе с командой руководителей подумать, где и как можно начинать использовать их. Некоторые руководители могут решить, что генеративный ИИ представляет собой трансформационную возможность для их компаний, предлагая шанс переосмыслить все - от исследований и разработок до маркетинга и работы с клиентами. Другие предпочтут начать с малого, а затем увеличить масштабы. Как только решение принято, существуют технические пути, по которым могут пойти специалисты по ИИ для реализации стратегии, в зависимости от конкретного случая использования.
Большая часть пользы (хотя и не обязательно вся польза) от генеративного ИИ в организации будет получена от работников, использующих функции, встроенные в уже имеющееся у них программное обеспечение. Системы электронной почты будут предоставлять возможность написания черновиков сообщений. Приложения для повышения производительности создадут первый черновик презентации на основе описания. Финансовое программное обеспечение будет генерировать письменное описание основных характеристик финансового отчета. Системы управления взаимоотношениями с клиентами предложат способы взаимодействия с клиентами. Эти функции могут ускорить производительность каждого работника, обладающего знаниями.
Однако генеративный ИИ может быть и более революционным в определенных случаях использования. Далее мы рассмотрим четыре примера того, как компании из разных отраслей используют генеративный ИИ сегодня, чтобы изменить порядок выполнения работы в своей компании. Примеры варьируются от требующих минимальных ресурсов до ресурсоемких начинаний.
Изменение работы по разработке программного обеспечения
Первый пример - это относительно несложный кейс с немедленным повышением производительности, поскольку в нем используется готовое решение для генеративного ИИ и оно не требует индивидуальной доработки.
Самая большая часть работы инженера-программиста - написание кода. Это трудоемкий процесс, требующий длительных проб и ошибок и изучения частной и открытой документации. В компании нехватка квалифицированных разработчиков привела к тому, что накопилось большое количество запросов на разработку функций и исправление ошибок.
Для повышения производительности труда разработчиков компания внедряет продукт для завершения кода на основе искусственного интеллекта, который интегрируется с программным обеспечением, используемым разработчиками для написания кода. Это позволяет программистам писать описания кода на естественном языке, а ИИ предлагает несколько вариантов блоков кода, которые удовлетворяют описанию. Разработчики могут выбрать одно из предлагаемых ИИ вариантов, внести необходимые уточнения и нажать на него, чтобы вставить код.
Наши исследования показали, что такие инструменты могут ускорить создание кода разработчиком на 50 процентов. Они также могут помочь в отладке, что может повысить качество разрабатываемого продукта. Но сегодня генеративный ИИ не может заменить квалифицированных разработчиков. На самом деле, более опытные инженеры получают наибольшую отдачу от использования этих инструментов, а неопытные разработчики видят менее впечатляющие, а иногда и отрицательные результаты. Известный риск заключается в том, что генерируемый ИИ код может содержать уязвимости или другие ошибки, поэтому для обеспечения качества и безопасности кода необходимо участие более опытных программистов (см. последний раздел этой статьи о способах снижения рисков).
Стоимость этого готового инструмента генеративного кодирования ИИ относительно мала, а время выхода на рынок невелико, поскольку продукт доступен и не требует значительной собственной разработки. Стоимость зависит от поставщика программного обеспечения, но подписка с фиксированной платой составляет от 10 до 30 долларов США на пользователя в месяц. При выборе инструмента важно обсудить с поставщиком вопросы лицензирования и интеллектуальной собственности, чтобы убедиться, что сгенерированный код не приведет к нарушениям.
Поддержка нового инструмента - это работа небольшой межфункциональной группы, сосредоточенной на выборе поставщика программного обеспечения и мониторинге производительности, который должен включать проверку интеллектуальной собственности и проблем безопасности. Внедрение требует только изменения рабочего процесса и политики. Поскольку инструмент представляет собой готовое программное обеспечение как услуга (SaaS), дополнительные затраты на вычисления и хранение данных минимальны или вообще отсутствуют.
Повысить производительность менеджеров по работе с клиентами
Компании могут решить создать собственные приложения генеративного ИИ, используя базовые модели (через API или открытые модели), вместо использования готовых инструментов. Это требует большего объема инвестиций по сравнению с предыдущим примером, но способствует более индивидуальному подходу, отвечающему специфическому контексту и потребностям компании.
В этом примере крупный корпоративный банк хочет использовать генеративный ИИ для повышения производительности менеджеров по работе с клиентами (RM). Менеджеры по работе с клиентами тратят значительное время на просмотр объемных документов, таких как годовые отчеты и стенограммы переговоров о доходах, чтобы быть в курсе ситуации и приоритетов клиента. Это позволяет менеджеру по работе с клиентами предлагать услуги, соответствующие конкретным потребностям клиента.
Банк решил построить решение, которое получает доступ к модели фундамента через API. Решение сканирует документы и может быстро предоставить обобщенные ответы на вопросы, заданные менеджерами по работе с клиентами. Вокруг базовой модели создаются дополнительные слои для упрощения работы пользователей, интеграции инструмента с системами компании и применения контроля рисков и соответствия нормативным требованиям.
В частности, результаты работы модели должны быть верифицированы, как организация верифицирует результаты работы младшего аналитика, поскольку некоторые большие языковые модели, как известно, могут вызывать галлюцинации. Менеджеров по работе с клиентами также обучают задавать вопросы таким образом, чтобы получить наиболее точные ответы от сервиса (так называемая разработка промптов), а также внедрять процессы для упрощения проверки результатов работы инструмента и его источников информации.
В данном случае генеративный ИИ может ускорить процесс анализа менеджеров по работе с клиентами (с нескольких дней до нескольких часов), повысить удовлетворенность работой и потенциально получить информацию, которую RM мог бы упустить из виду.
Затраты на разработку в основном связаны с созданием пользовательского интерфейса и интеграцией, что требует времени от data scientist-ф, инженера по машинному обучению или data-инженера, дизайнера и front-end разработчика. Текущие расходы включают в себя обслуживание программного обеспечения и стоимость использования API. Затраты зависят от выбора модели и оплаты услуг сторонних поставщиков, размера команды и времени до создания минимально жизнеспособного продукта.
Освободить представителей службы поддержки клиентов для более важных вещей
Следующий уровень сложности - тонкая настройка базовой модели. В данном примере компания использует базовую модель, оптимизированную для разговоров, и дорабатывает ее на основе собственных высококачественных чатов с клиентами и вопросов и ответов, специфичных для данного сектора. Компания работает в секторе со специализированной терминологией (например, право, медицина, недвижимость и финансы). Быстрое обслуживание клиентов является конкурентным преимуществом.
Представители службы поддержки клиентов этой компании обрабатывают сотни входящих запросов в день. Время ответа иногда оказывалось слишком большим, что вызывало недовольство пользователей. Компания решила внедрить генеративный бот для обслуживания клиентов с искусственным интеллектом, который будет обрабатывать большинство запросов клиентов. Целью был быстрый ответ в тоне, соответствующем бренду компании и предпочтениям клиентов. Часть процесса доработки и тестирования базовой модели включает в себя обеспечение соответствия ответов специфическому языку, обещаниям бренда и тону, заданному для компании; постоянный мониторинг необходим для проверки работы системы по нескольким параметрам, включая удовлетворенность клиентов.
Компания создала дорожную карту продукта, состоящую из нескольких этапов, чтобы свести к минимуму возможные ошибки модели. В ходе первого этапа чат-бот был запущен внутри компании. Сотрудники могли ставить "большой палец вверх" или "большой палец вниз" в ответ на предложения модели, и модель могла учиться на этих данных. В качестве следующего шага модель "слушала" разговоры со службой поддержки и предлагала свои предложения. Когда технология была достаточно протестирована, начался второй этап, и модель была переведена на работу с клиентами с участием человека. В конечном итоге, когда руководители будут уверены в технологии, она может быть полностью автоматизирована.
В данном случае генеративный ИИ освободил представителей службы поддержки, чтобы они могли сосредоточиться на более ценных и сложных запросах клиентов, повысил эффективность работы специалистов и их удовлетворенность работой, а также повысил стандарты обслуживания и удовлетворенность клиентов. Бот имеет доступ ко всем внутренним данным о клиенте и может "запоминать" предыдущие разговоры (включая телефонные звонки), что представляет собой шаг вперед по сравнению с существующими чат-ботами для клиентов.
Для получения выгоды этот вариант использования потребовал существенных инвестиций в программное обеспечение, облачную инфраструктуру и технические кадры, а также более высокой степени внутренней координации в области рисков и операций. В целом, доработка базовых моделей обходится в два-три раза дороже, чем создание одного или нескольких программных слоев поверх API. Увеличение затрат связано с расходами на персонал и сторонних специалистов для облачных вычислений (при доработке модели на собственном хостинге) или API (при доработке через API стороннего производителя). Для внедрения решения компании потребовалась помощь специалистов DataOps и MLOps, а также других подразделений, таких как управление продуктами, дизайн, юридическая служба и специалисты по обслуживанию клиентов.
Ускорение разработки лекарственных препаратов
Наиболее сложные и индивидуальные случаи использования генеративного ИИ возникают, когда подходящих базовых моделей нет, и компании приходится создавать их с нуля. Такая ситуация может возникнуть в специализированных отраслях или при работе с уникальными наборами данных, которые значительно отличаются от данных, используемых для обучения существующих базовых моделей, как показывает этот фармацевтический пример. Обучение базовой модели с нуля сопряжено со значительными техническими, инженерными и ресурсными трудностями. Дополнительная прибыль от использования более эффективной модели должна перевесить финансовые и кадровые затраты.
В этом примере ученые-исследователи, занимающиеся разработкой лекарств в фармацевтической компании, должны были решить, какие эксперименты проводить дальше, основываясь на изображениях, полученных при микроскопии. У них был набор данных из миллионов таких изображений, содержащих огромное количество визуальной информации об особенностях клеток, которые имеют значение для разработки лекарств, но которые трудно интерпретировать человеку. Изображения использовались для оценки потенциальных терапевтических кандидатов.
Компания решила создать инструмент, который помог бы ученым понять взаимосвязь между химическим составом лекарства и результатами микроскопии, чтобы ускорить научно-исследовательскую работу. Поскольку подобные мультимодальные модели находятся в зачаточном состоянии, компания решила создать собственную модель. Для создания модели члены команды использовали как реальные изображения, которые используются для обучения основополагающих моделей на основе изображений, так и большой внутренний набор данных микроскопических изображений.
Обученная модель позволила предсказать, какие кандидаты в лекарственные препараты могут привести к благоприятному исходу, и улучшить способность точно определять соответствующие характеристики клеток для поиска лекарств. Это может привести к более эффективным и результативным процессам разработки лекарственных препаратов, не только улучшая время достижения цели, но и уменьшая количество неточных, вводящих в заблуждение или неудачных анализов.
В целом, обучение модели с нуля обходится в 10-20 раз дороже, чем создание программного обеспечения на основе API модели. Разница в стоимости объясняется более многочисленными командами (включающими, например, экспертов по машинному обучению уровня PhD) и более высокими затратами на вычислительные ресурсы и хранение данных. Прогнозируемая стоимость обучения базовой модели сильно варьируется в зависимости от желаемого уровня производительности модели и сложности моделирования. Эти факторы влияют на необходимый размер набора данных, состав команды и вычислительные ресурсы. В данном случае большинство затрат пришлось на инженерную группу и текущие расходы на облако.
Компания обнаружила, что потребуются значительные изменения в технической инфраструктуре и процессах, включая доступ ко многим GPU-инстансам для обучения модели, инструменты для распределения обучения по многим системам, а также лучшие практики MLOps для ограничения стоимости и продолжительности проекта. Кроме того, потребовалась значительная работа по обработке данных для сбора, интеграции (обеспечение одинакового формата и разрешения файлов различных наборов данных) и очистки (фильтрация некачественных данных, удаление дубликатов и обеспечение соответствия распределения предполагаемому использованию). Поскольку базовая модель была подготовлена с нуля, необходимо было провести тщательное тестирование окончательной модели, чтобы убедиться в точности и безопасности использования результатов.
Уроки, которые руководители компаний могут извлечь из этих примеров
Приведенные здесь примеры использования предлагают важные выводы для руководителей компаний, вступающих на путь генеративного ИИ:
Трансформационные сценарии использования, обеспечивающие практическую пользу для рабочих мест и трудовой деятельности, уже существуют. Компании всех отраслей, от фармацевтики до банковского дела и розничной торговли, создают целый ряд примеров использования, чтобы использовать потенциал создания добавленной стоимости. Организации могут начинать с малого или большого, в зависимости от их намерений.
Затраты на использование генеративного ИИ варьируются в широких пределах, в зависимости от варианта использования и данных, необходимых для программного обеспечения, облачной инфраструктуры, технических знаний и снижения рисков. Компании должны принимать во внимание вопросы риска, независимо от случая использования, и некоторые из них потребуют больше ресурсов, чем другие.
Несмотря на преимущества быстрого старта, создание базового бизнес-кейса поможет компаниям лучше ориентироваться в пути генеративного ИИ.
Соображения по поводу начала работы
Генеральный директор должен сыграть решающую роль в стимулировании внимания компании к генеративному ИИ. В этом заключительном разделе мы обсуждаем стратегии, которые руководители компаний должны иметь в виду, когда они начинают свой путь. Многие из них повторяют реакцию руководителей высшего звена на предыдущие волны новых технологий. Однако генеративный ИИ ставит свои собственные задачи, включая управление технологией, развивающейся со скоростью, не характерной для предыдущих технологических переходов.
Организация для создания генеративного ИИ
Многие организации начали изучать возможности традиционного ИИ в рамках разрозненных экспериментов. Генеративный ИИ требует более взвешенного и скоординированного подхода, учитывая его уникальные риски и способность базовых моделей лежать в основе множества вариантов использования в организации. Например, модель, доработанная с использованием запатентованных материалов для отражения индивидуальности бренда предприятия, может быть развернута в нескольких вариантах использования (например, генерирование персонализированных маркетинговых кампаний и описаний продуктов) и бизнес-функциях, таких как разработка продуктов и маркетинг.
Для этого мы рекомендуем созвать межфункциональную группу из руководителей компании (например, представляющих data science, инженеров, юристов, специалистов по кибербезопасности, маркетологов, дизайнеров и другие бизнес-функции). Такая группа может не только помочь определить и расставить приоритеты для наиболее ценных вариантов использования, но и обеспечить скоординированное и безопасное внедрение в рамках всей организации.
Переосмысление комплексных областей в противовес фокусированию на вариантах использования
Генеративный ИИ - это мощный инструмент, который может изменить методы работы организаций, оказывая особое влияние на определенные сферы бизнеса в цепочке создания стоимости (например, маркетинг для розничной торговли или операционная деятельность для производства). Простота развертывания генеративного ИИ может побудить организации применять его в единичных случаях использования по всему бизнесу.
Важно иметь представление о разных вариантах использования в областях, которые будут обладать наибольшим преобразующим потенциалом для всех бизнес-функций. Организации заново представляют себе целевое состояние, которое обеспечивается генеративным ИИ, работающим синхронно с другими традиционными приложениями ИИ, а также новыми способами работы, которые раньше были невозможны.
Обеспечение полностью загруженного технологического стека
Современный стек технологий и данных является ключом практически к любому успешному подходу к генеративному ИИ. Руководители компаний должны обратиться к своим главным специалистам по технологиям, чтобы определить, обладает ли компания необходимыми техническими возможностями в плане вычислительных ресурсов, систем данных, инструментов и доступа к моделям (с открытым исходным кодом через центры моделей или коммерческим через API).
Например, жизненной силой генеративного ИИ является свободный доступ к данным, подготовленным для конкретного бизнес-контекста или проблемы. Компании, которые еще не нашли способов эффективной координации и обеспечения свободного доступа к своим данным, не смогут точно настроить генеративный ИИ, чтобы раскрыть его потенциально преобразующие возможности.
Не менее важно разработать масштабируемую архитектуру данных, включающую процедуры управления данными и обеспечения безопасности. В зависимости от варианта использования, существующая вычислительная и инструментальная инфраструктура (которая может быть получена от облачного провайдера или создана собственными силами) также может нуждаться в модернизации. Четкая стратегия в области данных и инфраструктуры, основанная на бизнес-ценностях и конкурентных преимуществах, получаемых от генеративного ИИ, будет иметь решающее значение.
Строительство «маяка»
Руководители компаний захотят избежать застоя на стадии планирования. Новые модели и приложения разрабатываются и выпускаются быстро. Например, GPT-4 был выпущен в марте 2023 года, после выхода ChatGPT (GPT-3.5) в ноябре 2022 года и GPT-3 в 2020 году. В мире бизнеса время имеет первостепенное значение, а стремительно развивающаяся природа технологии генеративного ИИ требует от компаний быстрого реагирования, чтобы воспользоваться ее преимуществами. Есть несколько способов, с помощью которых руководители компаний могут поддерживать постоянный темп развития.
Хотя генеративный ИИ еще только зарождается, важно продемонстрировать на внутреннем уровне, как он может повлиять на операционную модель компании, возможно, с помощью "маячного подхода". Например, один из путей продвижения вперед - создание "виртуального эксперта", который позволит сотрудникам среднего звена использовать собственные 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 его на приложения, ориентированные на клиентов.
Как и в случае с другими волнами технических инноваций, будет наблюдаться усталость от пробных концепций и множество примеров компаний, застрявших в "чистилище экспериментов". Но поощрение доказательства концепции по-прежнему является лучшим способом быстрого тестирования и доработки ценного бизнес-кейса перед масштабированием на другие варианты использования. Сосредоточившись на ранних победах, дающих значимые результаты, компании могут наращивать темп, а затем расширять масштабы, используя многоцелевой характер генеративного ИИ.
Такой подход может позволить компаниям способствовать более широкому внедрению ИИ и создать культуру инноваций, которая необходима для сохранения конкурентных преимуществ. Как уже говорилось выше, межфункциональная команда руководителей должна быть уверена в том, что такие пробные концепции являются продуманными и скоординированными.
Баланс между риском и созданием стоимости
Как показывают наши четыре подробных примера использования, бизнес-лидеры должны сбалансировать возможности создания стоимости с рисками, связанными с генеративным ИИ. Согласно нашему недавнему исследованию Global AI Survey, большинство организаций не снижают риски, связанные с традиционным ИИ, несмотря на то, что более половины организаций уже внедрили эту технологию. Генеративный ИИ заставляет вновь обратить внимание на многие из этих же рисков, таких как возможность сохранения предвзятости, скрытой в обучающих данных, и одновременно создает новые риски, такие как склонность к галлюцинациям.
В результате межфункциональная команда руководителей должна не только установить всеобъемлющие этические принципы и рекомендации по использованию генеративного ИИ, но и тщательно изучить риски, связанные с каждым потенциальным случаем использования.
Важно искать первоначальные варианты использования, которые соответствуют общей толерантности организации к риску и имеют структуры для снижения последующего риска.
Например, организация розничной торговли может отдать предпочтение варианту использования, который имеет немного меньшую ценность, но и меньший риск - например, создание первоначальных черновиков маркетингового контента и других задач, в которых человек остается в курсе событий.
В то же время компания может отложить в сторону более ценные и высокорискованные варианты использования, такие как инструмент для автоматического составления и отправки гиперперсонализированных маркетинговых писем. Такая практика, ориентированная на риск, может позволить организациям создать механизмы контроля, необходимые для надлежащего управления генеративным ИИ и обеспечения соответствия требованиям.
Руководители компаний и их команды также захотят быть в курсе последних изменений в регулировании генеративного ИИ, включая правила, связанные с защитой данных клиентов и прав интеллектуальной собственности, чтобы защитить компанию от проблем с ответственностью. В разных странах могут применяться различные подходы к регулированию, как это уже часто происходит с ИИ и данными. Организациям может потребоваться адаптировать свой рабочий подход, чтобы откалибровать управление процессами, культуру и управление кадрами таким образом, чтобы они могли справиться с быстро меняющейся нормативной средой и рисками генеративного ИИ в масштабе.
Применение экосистемного подхода к партнерским отношениям
Руководители компаний должны сосредоточиться на создании и поддержании сбалансированного набора объединений. Стратегия поглощений и объединений компании должна быть направлена на создание экосистемы партнеров, адаптированных к различным условиям и удовлетворяющих требованиям генеративного ИИ на всех уровнях технологического стека, но при этом необходимо избегать привязки к поставщикам.
Партнерство с правильными компаниями может помочь ускорить выполнение. Организациям не обязательно самим создавать все приложения или базовые модели. Вместо этого они могут сотрудничать с поставщиками и экспертами в области генеративного ИИ для более быстрого продвижения вперед. Например, они могут объединиться с поставщиками моделей для настройки их под конкретный сектор или сотрудничать с поставщиками инфраструктуры, которые предлагают вспомогательные возможности, такие как масштабируемые облачные вычисления.
Компании могут использовать чужой опыт и быстро воспользоваться преимуществами новейших технологий генеративного ИИ. Однако генеративные модели ИИ - это лишь наконечник копья: для создания стоимости требуется множество дополнительных элементов.
Фокусировка на нужных кадрах и навыках
Чтобы эффективно применять генеративный ИИ для повышения ценности бизнеса, компаниям необходимо наращивать свои технические возможности и повышать квалификацию имеющегося персонала. Это требует согласованных усилий со стороны руководства для определения необходимых возможностей на основе приоритетных сценариев использования в компании, которые, вероятно, выйдут за рамки технических ролей и будут включать в себя набор специалистов в области инженерии, данных, проектирования, рисков и других бизнес-функций.
Как видно из приведенных выше примеров использования, технические потребности и потребности в кадрах сильно варьируются в зависимости от характера конкретной реализации - от использования готовых решений до создания базовой модели с нуля. Например, для создания генеративной модели компании могут понадобиться специалисты по машинному обучению уровня доктора наук; с другой стороны, для разработки инструментов генеративного ИИ с использованием существующих моделей и решений SaaS может быть достаточно инженера по данным и инженера-программиста.
Помимо найма нужных специалистов, компании захотят обучать и подготавливать имеющиеся кадры. Диалоговые пользовательские интерфейсы на основе подсказок могут сделать приложения генеративного ИИ простыми в использовании. Однако пользователям все еще необходимо оптимизировать промпты, понимать ограничения технологии и знать, где и когда они могут приемлемо интегрировать приложение в свои рабочие процессы.
Руководству следует предоставить четкие рекомендации по использованию инструментов генеративного ИИ и предложить постоянное обучение и тренинги, чтобы сотрудники были в курсе рисков, связанных с ними. Формирование культуры самостоятельных исследований и экспериментов также может стимулировать сотрудников к внедрению инновационных процессов и продуктов, эффективно использующих эти инструменты.
Вместо заключения
Компании уже много лет реализуют идеи внедрения искусственного интеллекта, и многие из них добились увеличения доходов, совершенствования продуктов и повышения эффективности работы. Большая часть успехов в этих областях была достигнута благодаря технологиям ИИ, которые остаются лучшим инструментом для выполнения определенной работы, и компаниям следует продолжать развивать такие инициативы.
Однако генеративный ИИ представляет собой еще один многообещающий скачок вперед и открывает мир новых возможностей. Хотя операционный и рисковый каркас этой технологии еще только создается, руководители компаний знают, что им следует начать путь к генеративному ИИ. Но с чего и как им следует начать? Ответ на этот вопрос зависит от конкретной компании, а также от организации в целом. Одни начнут с больших проектов, другие проведут небольшие эксперименты. Лучший подход будет зависеть от стремления компании и ее склонности к риску. Каковы бы ни были амбиции, главное - начать и учиться на практике.
Также подписывайтесь на наш телеграм-канал «Голос Технократии». Каждое утро мы публикуем новостной дайджест из мира ИТ, а по вечерам делимся интересными и полезными статьями.