2025 рік знаменує собою ключовий момент у подорожі Генеративний ШІ (Gen AI). Те, що починалося як захоплююча технологічна новинка, тепер перетворилося на важливий інструмент для бізнесу в різних галузях.
Генеративний штучний інтелект: від пошуку вирішення проблеми до електростанції вирішення проблем
Початковий сплеск ентузіазму Gen AI був зумовлений чистою новизною взаємодії з великі мовні моделі (LLM), які навчаються на величезних публічних наборах даних. Компанії та приватні особи були по праву захоплені можливістю вводити підказки природною мовою та отримувати детальні, послідовні відповіді від публічних моделей. Людська якість результатів магістерських програм змусила багато галузей кинутися з головою в проекти з цією новою технологією, часто без чіткої бізнес-проблеми, яку потрібно вирішити, або будь-якого реального KPI для вимірювання успіху. Незважаючи на те, що на перших порах ШІ покоління відбулося кілька важливих розблокувань, це чіткий сигнал, що ми перебуваємо в інноваційному (або ажіотажному) циклі, коли компанії відмовляються від практики спершу визначити проблему, а потім шукати дієве технологічне рішення для вирішити це.
У 2025 році ми очікуємо, що маятник повернеться назад. Організації шукатимуть бізнес-цінність Gen AI, спочатку визначаючи проблеми, які ця технологія може вирішити. Напевно, буде ще багато добре фінансованих наукових проектів, і перша хвиля випадків використання штучного інтелекту покоління для узагальнення, чат-ботів, створення контенту та коду продовжуватиме процвітати, але цього року керівники почнуть відповідати проектам штучного інтелекту за рентабельність інвестицій. Технологічний фокус також переміститься з загальнодоступних мовних моделей загального призначення, які генерують вміст, на сукупність більш вузьких моделей, якими можна керувати та постійно навчатися на окремій мові бізнесу для вирішення реальних проблем, які впливають на кінцевий результат у вимірюваній формі. спосіб.
2025 рік стане роком, коли штучний інтелект стане основою діяльності підприємства. Корпоративні дані — це шлях до відкриття реальної цінності за допомогою штучного інтелекту, але навчальних даних, необхідних для побудови трансформаційної стратегії, немає у Вікіпедії, і їх ніколи не буде. Він живе в контрактах, записах клієнтів і пацієнтів, а також у безладній неструктурованій взаємодії, яка часто протікає через бек-офіс або живе в коробках паперу. Отримати ці дані складно, і LLM загального призначення тут погано підходять, незважаючи на проблеми конфіденційності, безпеки та управління даними. Підприємства дедалі частіше впроваджуватимуть архітектуру RAG малі мовні моделі (SLM) у налаштуваннях приватної хмари, що дозволяє їм використовувати внутрішні організаційні набори даних для створення власних рішень ШІ з портфоліо моделей, які можна навчати. Цільові SLM можуть розуміти конкретну мову бізнесу та нюанси його даних, а також забезпечувати вищу точність і прозорість за нижчих витрат, дотримуючись при цьому вимог конфіденційності та безпеки даних.
Критична роль очищення даних у впровадженні ШІ
Оскільки ініціативи штучного інтелекту поширюються, організації повинні надавати пріоритет якості даних. Першим і найважливішим кроком у впровадженні штучного інтелекту, незалежно від того, чи використовуються LLM або SLM, є гарантія того, що внутрішні дані не містять помилок і неточностей. Цей процес, відомий як «очищення даних», необхідний для збереження чистих даних, що є запорукою успіху проектів ШІ.
Багато організацій досі покладаються на паперові документи, які необхідно оцифрувати та очистити для повсякденних бізнес-операцій. В ідеалі ці дані надходили б у марковані навчальні набори для власного штучного інтелекту організації, але ми тільки починаємо це бачити. Фактично, у нещодавньому опитуванні, яке ми провели у співпраці з Harris Poll, під час якого ми опитали понад 500 осіб, які приймають рішення в ІТ, у серпні-вересні, було виявлено, що 59% організацій навіть не використовують весь свій масив даних. У тому ж звіті було виявлено, що 63% організацій погоджуються, що вони не розуміють своїх власних даних, і це перешкоджає їхній здатності максимізувати потенціал GenAI та подібних технологій. Конфіденційність, безпека та проблеми керування, безумовно, є перешкодами, але точні та чисті дані є критично важливими, навіть незначні помилки навчання можуть призвести до комплексних проблем, які складно розв’язати, коли модель ШІ помиляється. У 2025 році очищення даних і конвеєри для забезпечення якості даних стануть важливою сферою інвестицій, що гарантує, що нове покоління корпоративних систем штучного інтелекту зможе працювати з надійною та точною інформацією.
Розширення ролі технічного директора
Роль головного технічного директора (CTO) завжди була вирішальною, але його вплив має зрости в десять разів у 2025 році. Проводячи паралелі з «епохою CMO», коли клієнтський досвід під керівництвом директора з маркетингу був першочерговим, найближчі роки будуть бути «поколінням технічного директора».
Хоча основні обов’язки технічного директора залишаються незмінними, вплив їхніх рішень буде більш значним, ніж будь-коли. Успішні технічні директори потребуватимуть глибокого розуміння того, як нові технології можуть змінити форму їхніх організацій. Вони також повинні розуміти, як штучний інтелект і відповідні сучасні технології сприяють трансформації бізнесу, а не тільки ефективності в чотирьох стінах компанії. Рішення, прийняті технічним директором у 2025 році, визначатимуть майбутню траєкторію їхніх організацій, що зробить їхню роль більш впливовою, ніж будь-коли.
Прогнози на 2025 рік підкреслюють рік трансформації для Gen AI, управління даними та ролі технічного директора. У міру того як Gen AI переходить від рішення в пошуках проблем до потужного центру вирішення проблем, важливість очищення даних, цінність корпоративних масивів даних і розширення впливу технічного директора формуватимуть майбутнє підприємств. Організації, які приймуть ці зміни, матимуть хороші позиції для процвітання в технологічному ландшафті, що розвивається.
