Domaines sur lesquels les DSI devraient se concentrer pour maintenir la dynamique de GenAI

GenAI reste la principale investissementobjectif pour la plupart des entreprises, et les attentessont élevées. Selon la dernière enquête de PwC, 61 % des PDG aux États-Unis s'attendent à ce que l'IA change la façon dont leur entreprise génère de la valeur, mais pour atteindre cet objectif, les entreprises doivent transformer le battage médiatique de l'IA en réalité. La bonne nouvelle, c'est qu'ils s'améliorent. En fait, selon les résultats du rapport State of Data + AI récemment publié par Databricks, les entreprises ont fait passer 1 342 % de leurs modèles du stade expérimental au monde réel, et leurs ambitions en matière de données et d'IA n'ont pas diminué, et le nombre de les modèles expérimentaux ont également une augmentation de 134%. Ce sont des signes encourageants, mais d’après mes conversations avec des DSI et d’autres leaders technologiques, le défi consiste désormais à maintenir cette dynamique. Les entreprises ont du mal à se mettre d’accord sur les attentes. Naturellement, de nombreux dirigeants souhaitent obtenir un retour immédiat sur leur investissement, et les entreprises ne réfléchissent pas à des stratégies à long terme, de peur que leurs concurrents progressent plus rapidement dans le domaine de l'IA. Cette approche est fausse. Les entreprises qui se concentrent uniquement sur le « maintenant » se retrouveront à passer d’une nouveauté à l’autre. L'investissement dans GenAI est un long processus et les DSI doivent faire évoluer la mentalité de leur entreprise en matière d'IA des gains à court terme vers une transformation commerciale à long terme. Dans cet esprit, voici trois éléments sur lesquels les DSI et autres leaders technologiques devraient se concentrer lorsqu'ils y répondent. défis. Domaines clés : 1. Améliorer l'infrastructure de données Les priorités et les domaines d'intérêt de l'IA évoluent presque aussi rapidement que la technologie elle-même. Par exemple, il y a six mois, peu de DSI connaissaient la Retrieval Augmentation Generation (RAG). Désormais, la formation commerciale LLM sur les données d'entreprises privées pour obtenir des performances meilleures et plus personnalisées est devenue un domaine d'intérêt important. Selon nos données d'utilisation anonymisées, l'utilisation des bases de données vectorielles, essentielles à la création de modèles RAG, a augmenté de 377 % au cours de l'année écoulée. Certaines entreprises, comme Databricks, commencent même à utiliser une approche « agentset outils » pour aider les systèmes d'IA à résoudre des problèmes plus complexes. Cela témoigne de la rapidité du développement de GenAI et de l'expansion rapide de ses capacités, mais la migration des données reste un défi. Par exemple, pour créer un système RAG efficace, les données nécessaires à la formation doivent être facilement disponibles et non piégées dans des silos à travers l'entreprise. Les données structurées et non structurées doivent être réunies pour garantir que le modèle puisse fournir les réponses personnalisées que les utilisateurs attendent. Mais ce n’est qu’un défi aujourd’hui, les entreprises ont besoin d’un cadre qui puisse évoluer en fonction des besoins et de l’évolution de la technologie. Les dirigeants doivent se poser les questions suivantes : quelle infrastructure nous permettra de gérer, de maintenir et d'extraire efficacement des informations à partir des données, quelle que soit l'évolution de l'environnement plus vaste de l'IA. Dans quels types ou tailles de modèles souhaitons-nous utiliser les applications ? L'environnement de données doit-il être amélioré ou modifié pour bien fonctionner avec ces modèles ? 2. Naviguer dans le modèle de base Pour la plupart des entreprises, un LLM général est un bon point de départ. Nous continuons également de constater une augmentation de l’utilisation de la plateforme. Mais plus les entreprises utilisent ces modèles de base, plus elles découvrent leurs limites. C'est pourquoi de nombreuses entreprises se tournent désormais vers des techniques telles que RAG et des réglages fins pour améliorer les performances de leurs modèles et, à terme, réduire leurs coûts de fonctionnement. Alors que les entreprises le font avec des modèles propriétaires, elles choisissent de plus en plus des systèmes ouverts. En fait, quelques semaines seulement après la sortie de Llama3, il représentait 39 % de toutes les utilisations de modèles open source, selon les conclusions de notre rapport. À mesure que ces technologies deviennent plus répandues, les entreprises doivent savoir quand appliquer quelle technologie. Par exemple, les entreprises peuvent décider de créer leurs propres modèles à partir de zéro alors qu'il pourrait être plus rentable de créer leurs propres modèles, au lieu de se contenter d'affiner un modèle de base, ou elles peuvent avoir affaire à des ensembles d'informations constamment mis à jour. Dans ce cas, RAG est un meilleur choix car l’entreprise peut rapidement alimenter le modèle en nouvelles données. Il est important de noter que les modèles ne cessent de s’améliorer. Il est crucial de garder un œil attentif sur les tendances futures. 3. Donner la priorité à la précision dans le développement et l’utilisation de l’IA L’IA modifie les flux de travail et remodèle la façon dont les entreprises envisagent les données, mais de nombreuses entreprises en sont encore à la phase de test et d’expérimentation car, actuellement, de nombreux modèles ne fonctionnent pas aussi bien qu’ils le devraient. aussi précis ou fiable. Certaines entreprises en voient déjà les conséquences : le chatbot d'une compagnie aérienne propose un remboursement qui n'est pas conforme à la politique officielle de l'entreprise, un tribunal se prononce en faveur d'un client, ou pensez au chatbot d'un concessionnaire automobile qui propose à un client une voiture pour un dollar. Si ces défaillances se produisent à grande échelle ou dans des scénarios à haut risque, les entreprises en souffriront. C'est pourquoi il est essentiel de garder les humains informés, en particulier pour les applications qui nécessitent une grande précision. Même si les modèles s’améliorent, la qualité de leurs résultats dépend de la qualité des données qui les soutiennent. Une hygiène et une surveillance rigoureuses des données sont essentielles pour garantir que les entreprises réussissent grâce à l’IA. Garantir que les données sont gérées, accessibles et bien structurées aidera les entreprises à obtenir des résultats plus cohérents et plus fiables à l'avenir.L'IA sera de plus en plus capable d'augmenter les capacités humaines dans des lieux de travail tels que les soins de santé, la fabrication, la technologie d'entreprise, etc., c'est pourquoi les entreprises doivent se concentrer sur le maintien d'une infrastructure et de pratiques de données solides, en donnant la priorité aux applications d'IA qui s'alignent sur leurs stratégies commerciales plus larges, et cultiver Une main-d’œuvre prête à l’IA et préparée pour cette ère de changement.

Ce qui précède est le contenu détaillé de. pour plus d'informations, suivez d'autres articles connexes sur le site Web de PHP en chinois!