Появление генеративного ИИ и его влияние
В 2022-2023 годах генеративные ИИ-инструменты, предназначенные для потребителей, радикально изменили общественную дискуссию вокруг мощи и потенциала ИИ. Хотя генеративный ИИ уже был известен среди экспертов с момента введения GPT-2 в 2019 году, только сейчас его революционные возможности стали очевидны для бизнеса. Вес этого момента и воздействие, которое он вызовет, будут ощущаться десятилетиями. Влияние генеративного ИИ на экономики и бизнес будет революционным. По оценкам McKinsey Global Institute, генеративный ИИ добавит от $2.6 до $4.4 триллионов ежегодной стоимости мировой экономике, увеличивая общий экономический эффект ИИ на 15-40%.
Generative AI: Unlocking the Power of Data and Transforming Organizations
• Сокровище неструктурированных и скрытых данных теперь понятно, открывая бизнес-ценность. • Эра генеративного ИИ требует гибкой, масштабируемой и эффективной инфраструктуры данных. • Организации стремятся использовать открытые технологии для создания собственных моделей ИИ. • Тревоги по поводу автоматизации преувеличены; сотрудники освобождаются для более ценной работы. • Единое управление ИИ необходимо для быстрой и безопасной инновации.
“То, что впечатлило меня при взаимодействии с ChatGPT, — это его способность вести диалог”, — говорит профессор MIT и советник MosaicML. “ИИ теперь может переводить язык в форму, которую машина понимает.”
Хотя ИИ был стратегически важен и прежде, наше исследование 2022 года показало, что только 14% организаций стремились достичь ‘повсеместного ИИ’ к 2025 году. Генеративный ИИ изменяет это, позволяя демократиизировать ИИ, включив его в каждую функцию предприятия.
Влияние Генеративного ИИ на Бизнес
Благодаря своей гибкости и диапазону, а также дружественному интерфейсу на основе натурального языка, генеративный ИИ проявляет свой потенциал везде, от копирайтинга до кодирования. Его сила и потенциал революционизировать рабочие процессы в разных отраслях и функциях бизнеса предполагает, что он окажет влияние, сравнимое с персональными компьютерами, Интернетом или смартфонами, создавая совершенно новые бизнес-модели, новые лидеры индустрии и делая невозможным вспомнить, как мы работали до его распространения.
MIT Technology Review Insights
Наше исследование 2022 года показало, что только 8% респондентов считают ИИ критически важным для трёх или более бизнес-функций. Лишь в финансах и IT более половины ответили, что ИИ широко используется. С появлением генеративного ИИ его применение распространяется по всем бизнес-функциям. Например, Adobe внедрила Firefly — семейство моделей генеративного ИИ. В энергетике и химической промышленности компании, такие как DuPont, начали применять ИИ в сфере производства и оптимизации продаж.
MIT Technology Review Insights
Высокие надежды на здравоохранение
Здравоохранение и медицина, глубоко ориентированные на человека, также стали плодотворной площадкой для тестирования ИИ. В лаборатории инструменты на базе ИИ доказали свою эффективность в предсказании структуры белков, содействии в разработке лекарств и отслеживании распространения эпидемий, включая пандемию COVID-19. Генеративный ИИ демонстрирует свой потенциал как мощный помощник для сотрудников на передовой линии. Такие инструменты обработки естественного языка, например, могут транскрибировать и суммировать медицинские заметки, в то время как чат-боты могут быть обучены отвечать на вопросы потребителей о медицине.
Ричард Спенсер Шефер, главный специалист по информатике в медицинском центре VA в Канзас-Сити и архитектор решений ИИ в Национальном институте искусственного интеллекта VA, оптимистично оценивает, что автоматизация и предсказательная аналитика могут помочь сектору. VA недавно валидационную модель, которая определила 24-часовой риск того, что пациент, поступивший в больницу, будет переведен на более высокий уровень ухода. «Мы обнаружили очень значительное улучшение точности и предсказуемости, используя эту модель ИИ, до такой степени, что может быть значительное снижение смертности», — сообщает он.
Шефер также радуется возможностям ИИ облегчить утомляемость сотрудников здравоохранения, укрепляя их доверие с помощью небольших, практических операционных улучшений. «Я думаю, что вы увидите гораздо более быстрое внедрение в здравоохранении», — говорит он, — «в очень специфических автоматизированных улучшениях процесса». VA, например, в настоящее время работает над проектом на базе ИИ для сокращения ненужных сигналов тревоги и оповещений в своих медицинских центрах. Машинное обучение может помочь, определив динамически и ориентированные на пациента пороги для вмешательства поставщика, а не полагаясь на традиционные и статические пределы систем сигнализации. «Чтобы это работало», — говорит Шефер, — «нам нужно создать доверие и помочь медицинским работникам понять: эй, вот что ИИ может делать».
“Модели LLM теперь имеют возможности для достижения необходимой точности и быстрее.” — Эндрю Блитон, вице-президент и главный информационный директор, DuPont Water & Protection
Построение для ИИ
Мы агрегировали данные по многим различным технологиям с течением времени, и считаем, что lakehouse теперь показывает лучшую стоимость и производительность ‘прямо из коробки’.
Приложения ИИ опираются на надежную инфраструктуру данных, которая позволяет собирать, хранить и анализировать обширную вселенную данных. Даже до появления бизнес-приложений генеративного ИИ в конце 2022 года единая платформа данных для аналитики и ИИ считалась важной почти для 70% наших респондентов. Инфраструктура данных и архитектура охватывает программные и сетевые аспекты, в частности облака или гибридные облака, а также оборудование, такое как высокопроизводительные GPU. Предприятиям нужна инфраструктура, которая максимизирует ценность данных без ущерба для безопасности, особенно в условиях ужесточения правил для защиты данных. Чтобы демократизировать ИИ, инфраструктура должна поддерживать простой интерфейс, позволяющий пользователям запрашивать данные и выполнять сложные задачи через естественный язык. ‘Архитектура движется в направлении, поддерживающем демократизацию аналитики’, — говорит Schaefer.
Lakehouse становится популярной инфраструктурой, являясь гибридом подходов хранилищ данных и озер данных. Хранилища данных появились в 1980-х для систематизации бизнес-аналитики и корпоративной отчетности: они работают на основе пакетной обработки, им не хватает возможностей для работы с новыми форматами данных. Озера данных поддерживают больше задач по ИИ, но они сложны, медленны и страдают от низкого качества данных. Lakehouse сочетает в себе лучшее от обоих подходов, предлагая открытую архитектуру, которая объединяет гибкость и масштабируемость озер данных с управлением и качеством данных хранилищ.
Обзор технологии Lakehouse в данных
Технология data lakehouse привлекает тем, что минимизирует необходимость перемещения данных, создавая меньше рисков с точки зрения конфиденциальности и управления данными. Компания VA выделила значительные ресурсы для решения задач, связанных с перемещением данных.
DuPont, благодаря технологии lakehouse, смогла объединить различные технологии, тем самым повысив производительность и видимость в сложной организационной структуре. Shell использует lakehouse для динамичного взаимодействия с данными.
Shell использует lakehouse для работы с данными различных типов, что позволяет выполнять продвинутый анализ и исторические исследования более эффективно благодаря облачным службам. В компании Shell около 17 тысяч моделей и 4 триллиона рядов данных ежедневно пополняются на 20 миллиардов.
Тренировка AI-моделей требует значительных ресурсов, так как более крупные модели обходятся дороже в обучении и эксплуатации. Для повышения эффективности компании нанимают специалистов, способных оптимизировать данные процессы.
Приоритеты в сфере ИИ для руководителей
“Унификация данных довольно дорога, и исторически не было хороших ресурсов для этого. Но мы быстро вступаем в эпоху lakehouse и гибридных моделей транзакций, где ПО наконец начинает хорошо взаимодействовать. В здравоохранении особенно мы увидим быстрое внедрение инструментов, улучшающих операционную эффективность, поскольку у нас много возможностей для улучшения процессов автоматизации.”
Блайтон добавляет, что в DuPont, “мы используем lakehouse и такие инструменты, как data lake, чтобы построить основу данных и применять к ней алгоритмы машинного обучения. Мы расширяем предсказательное техническое обслуживание, используя алгоритмы с датчиками третьих сторон, чтобы выяснить, когда машина может сломаться, прежде чем она действительно сломается. Это хорошие, надежные бизнес-кейсы, реальная ценность, создаваемая с инвестицией, которая приносит осязаемую и измеримую отдачу для нас.”
Открытая или закрытая модель?
Создание конкурентного риска — одна из проблем. «Вы не обязательно хотите строить на существующей модели, где данные, которые вы вносите, могут быть использованы этой компанией для конкуренции с вашими основными продуктами», — говорит Карбин. Кроме того, пользователи лишены видимости данных, весов и алгоритмов, которые управляют закрытыми моделями, и продукт и его обучающие данные могут измениться в любое время. Это особенно важно в научных исследованиях и разработках, где воспроизводимость критична.
Некоторые CIO предпринимают шаги для ограничения использования внешних генеративных AI-платформ. Samsung запретила ChatGPT после того, как сотрудники использовали его для работы с коммерчески чувствительным кодом. Ряд других компаний, включая JP Morgan Chase, Amazon и Verizon…
«Если вам глубоко небезразлична какая-то проблема или вы собираетесь построить систему, которая является сердцевиной вашего бизнеса, это вопрос, кто владеет вашей интеллектуальной собственностью», — Майкл Карбин, доцент MIT и основательский советник MosaicML.
Современные CIO и руководители пересматривают свои предположения о владении, партнерстве и контроле, рассматривая возможности использования сторонних генеративных AI-платформ.
Переоценка использования платформы общего назначения AI вряд ли даст конкурентное преимущество. Карбин заявляет: «Если вам глубоко небезразлична какая-то проблема или вы собираетесь построить систему, которая является сердцевиной вашего бизнеса, это вопрос, кто владеет вашей интеллектуальной собственностью». DuPont — это «компания, занимающаяся наукой и инновациями», добавляет Блидтон, «и есть необходимость держать модели LLM внутри нашей организации, чтобы защитить и обезопасить нашу интеллектуальную собственность — это критическая необходимость.»
Демократизация генеративного ИИ: случай Dolly от Databricks
Многие организации осознали необходимость более осторожного подхода к публикации данных онлайн в связи с развитием крупных языковых моделей (LLM), таких как ChatGPT. Компании не могут просто так создавать собственные версии этих моделей из-за их высокой стоимости и необходимых ресурсов. Однако модели меньшего размера, такие как Dolly от Databricks, предоставляют жизнеспособную альтернативу. Dolly, обученная на открытых данных, позволяет компаниям разрабатывать более узкоспециализированные модели ИИ для их конкретных нужд, не подвергая риску свою интеллектуальную собственность. Открытая структура Dolly и ее доступность для коммерческого использования делают ее привлекательной для компаний, стремящихся снизить затраты на внедрение ИИ.
Модели с открытым исходным кодом и их влияние
Меньшие модели с открытым исходным кодом, такие как LLaMA от Meta, могут сравниться по производительности с большими моделями, позволяя инновации и сотрудничество. Одна из команд создала LLM, используя веса LLaMA, всего за $600, в отличие от $100 миллионов, потраченных на GPT-4. Эта модель, известная как Alpaca, выполняет некоторые задачи так же хорошо, как и оригинал.22 Прозрачность кода позволяет исследователям и пользователям легче выявлять предвзятости и недостатки этих моделей. «Большая часть этой технологии может стать доступной для многих других организаций, не только для OpenAI, Google и Microsoft, но и для средних бизнесов и даже стартапов», — говорит Карбин. Люди все больше начинают рассматривать данные как конкурентное преимущество. Примеры, такие как BloombergGPT, показывают, что компании думают о том, что они могут сделать со своими данными, создавая модели для коммерциализации. Компании будут расширять и адаптировать модели, интегрируя данные, специфичные для их бизнеса.
Трудовые беспокойства
От телефона до настольного компьютера, каждый скачок в повседневной технологии вызывает волнения о безработице и угрозах человеческому мастерству и навыкам. Но генеративный ИИ, похоже, отмечает новую фазу, учитывая беспрецедентный диапазон задач, которые теперь могут быть автоматизированы. Уникально то, что некоторые из самых уязвимых к автоматизации секторов сегодня находятся в высокотехнологичных и креативных областях. Анализ Accenture выявил, что 40% рабочих часов в различных отраслях могут быть автоматизированы или дополнены генеративным ИИ, с наибольшим потенциалом в банковском деле, страховании, рынках капитала и программном обеспечении. McKinsey прогнозирует, что генеративный ИИ и связанные технологии могут автоматизировать действия, которые в настоящее время занимают 60-70% рабочего времени, по сравнению с 50% до появления генеративного ИИ. Goldman Sachs прогнозирует, что две трети профессий в США будут затронуты автоматизацией, управляемой ИИ, но не ожидает, что это приведет к массовой потере работы: «Большинство работ и отраслей только частично подвержены автоматизации, и, таким образом, более вероятно, что они будут дополнены, а не заменены ИИ». Авторы отмечают, что потери рабочих мест, связанные с технологией, как правило, компенсируются и превышаются ростом рабочих мест, связанных с технологиями: «более 85% роста занятости за последние 80 лет объясняется созданием новых позиций, связанным с технологиями».
MIT Technology Review Insights
Разработка ИИ, и из-за уровня валидации, я думаю, будет больше доверия к моделям, которые мы разрабатываем. Люди до сих пор необходимы для аннотирования, кураторства, экспонирования моделей на наборы данных и обеспечения ответственного ИИ. ‘Мы должны пройти долгий путь, пока мы сможем освободить ИИ для исследования, потому что сейчас происходит так много ’руководства за руку’’, добавляет О’Коннел.
Генеративный ИИ также расширит возможности за счет демократизации доступа к техническим возможностям, некогда замкнутым на часть рабочей силы. Компании уже предпринимают шаги для стимулирования вовлечения. ‘Мы создали сообщества практиков внутри компании, которые не обязательно имеют основной ИТ-фон’, говорит Блайтон. ‘Мы хотим дать возможность нашим бизнес-пользователям создавать свои собственные дашборды и извлекать собственные инсайты из данных.’
На самом деле эта демократизация данных уже была основным способом, как компании получают осязаемые выгоды от ИИ в 2022 году, согласно нашему исследованию (см. Рисунок 6).
Блайтон также прогнозирует, что идеи для ИИ начнут исходить от сотрудников, что ознаменует начало более самостоятельной и предпринимательской эры в организациях. По мнению О’Коннел, лидеры бизнес-единиц, осведомленные о ИИ, благодаря шквальному освещению темы в последние месяцы, уже создают ‘demand pull’ для приложений ИИ, вместо того чтобы технологические команды продавали идеи ИИ организации.
Роль ИИ в современном бизнесе
Стоддард говорит, что ИИ ускоряет тренд, который уже был на пути: «Нужны люди, которые понимают математику и науку. ИИ станет помощником, а не конкурентом. В Adobe процесс управления изменениями помог победить скептицизм рабочих. Демократизация доступа к технике может охватить все общество. Риск и культурные факторы, такие как страх неудачи, необходимо учитывать для внедрения ИИ на рабочих местах. Норико Рзонка говорит, что в Японии принятие ИИ займет время, но это улучшит деловые операции.
Опасности и ответственность
Если вся ваша бизнес-модель основана на интеллектуальной собственности, защита является всем. Использование генеративного ИИ влечёт за собой проблемы управления, которые могут превысить возможности существующих рамок управления данными. Компании должны учитывать безопасность и конфиденциальность по-новому.
Коммерческая конфиденциальность и защита интеллектуальной собственности также являются актуальными вопросами. В условиях роста машинно-генерируемой информации требуется надёжность данных. LLM — это обучающие механизмы, которые синтезируют новый контент, не различая правду и ложь. Важно, чтобы объяснимость моделей была ключевым фактором в завоевании доверия заинтересованных сторон.
Интеграция AI технологий в различные отрасли
Системы в чувствительных или общественно интересных областях должны быть прозрачными, и “аудит алгоритмов” получает все большее внимание. “Объяснимость моделей в здравоохранении имеет большое значение,” говорит Шефер.
Cosmo Energy Holdings
Рзонка из Cosmo Energy Holdings балансирует между сильным управлением AI и автономией сотрудников, обучая их и создавая централизованное управление.
AI в Adobe
Adobe внедряет генеративные AI модели, такие как Adobe Firefly, для расширения возможностей дизайнеров. Эти инструменты значительно усиливают возможности продуктов компании, таких как Photoshop и Illustrator.
Adobe также оптимизирует внутренние процессы с помощью самоисправляющихся платформ, снижая нагрузку на сотрудников IT отдела.
Управление рисками генеративного ИИ
Ричард Спенсер Шефер, главный аналитик по здравоохранению в Kansas City VA Medical Center, подчеркивает потребность в интегрированных моделях управления для всех данных и моделей. Возрастающее внимание уделяется централизованным инструментам и процессам, обеспечивающим создание надежной структуры данных. Генеративный ИИ поднял ставки, делая стандартизацию данных более актуальной из-за риска ошибок и смещения моделей.
Стоддард отмечает, что в Adobe важна многообразная оценка ИИ, включающая различные мнения и профессиональный опыт. Шефер добавляет значимость инструментов, предоставляющих обзор моделей для их обсуждения и оценки.
Конституционный ИИ, предложенный Anthropic, внедряет специфические ценности и принципы для соблюдения, избегая токсичных и дискриминационных выходов. Системы ИИ облегчают анализ результатов и выявление ошибок, что подтверждают данные нашего опроса за 2022 год, демонстрирующие, что управление безопасностью — наиболее заметная польза от ИИ.
Генеративный ИИ несет множество рисков и обязанностей. Интервью показывают, что сообщество специалистов и компаний будет все больше заниматься управлением рисками ИИ, как это происходит с устойчивостью к изменениям климата.
Заключение
Источник MIT Technology Review Insights обсуждает, как генеративный ИИ влияет на современные предприятия, переходя от опытных проектов к широкомасштабному применению. Это требует от организаций аккуратности в использовании технологий, чтобы извлечь выгоду, не игнорируя потенциальные риски. Эндрю Блайтон из DuPont отмечает, что принятие новых технологий открывает потенциальный успех, сравнимый с компьютерной революцией.
Контент данной статьи был взят/адаптирован из документа.
