Kawasan yang harus ditumpukan oleh CIO untuk mengekalkan momentum GenAI

GenAI kekal sebagai tumpuan pelaburan teratas untuk kebanyakan perusahaan, dan jangkaan adalah tinggi. Menurut tinjauan PwC terkini, 61% CEO di Amerika Syarikat menjangkakan AI akan mengubah cara perniagaan mereka menjana nilai, tetapi untuk mencapai matlamat ini, syarikat mesti menjadikan gembar-gembur AI menjadi realiti. Berita baiknya, mereka semakin mahir. Malah, menurut hasil Laporan State of Data + AI Databricks yang dikeluarkan baru-baru ini, syarikat menolak 1,342% model mereka dari peringkat percubaan ke dunia nyata, dan cita-cita mereka untuk data dan AI tidak berkurangan, dan bilangan model eksperimen juga mempunyai Peningkatan sebanyak 134%. Ini adalah petanda yang menggalakkan, tetapi berdasarkan perbualan saya dengan CIO dan pemimpin teknologi lain, cabaran sekarang ialah mengekalkan momentum ini. Syarikat menghadapi kesukaran untuk bersetuju dengan jangkaan. Sememangnya, ramai eksekutif ingin melihat pulangan serta-merta ke atas pelaburan mereka, dan syarikat tidak memikirkan strategi jangka panjang kerana bimbang pesaing membuat kemajuan yang lebih pantas dalam AI. Pendekatan ini salah. Syarikat yang hanya menumpukan pada "sekarang" akan mendapati diri mereka melompat dari satu kebaharuan ke yang seterusnya. Pelaburan dalam GenAI ialah proses yang panjang dan CIO mesti mengalihkan minda AI syarikat mereka daripada kemenangan jangka pendek kepada transformasi perniagaan jangka panjang, berikut adalah tiga perkara yang harus ditumpukan oleh CIO dan pemimpin teknologi lain semasa mereka menangani perkara ini cabaran. Bidang Utama: 1. Meningkatkan Infrastruktur Data Keutamaan dan bidang tumpuan untuk AI berkembang hampir secepat teknologi itu sendiri. Sebagai contoh, enam bulan yang lalu, beberapa CIO sudah biasa dengan Retrieval Augmented Generation (RAG). Kini, melatih LLM komersial mengenai data syarikat swasta untuk mencapai prestasi yang lebih baik dan lebih disesuaikan telah menjadi bidang tumpuan yang penting. Menurut data penggunaan tanpa nama kami, penggunaan pangkalan data vektor, yang merupakan kunci untuk membina model RAG, telah meningkat 377% sepanjang tahun lalu. Sesetengah syarikat, seperti Databricks, malah mula menggunakan pendekatan "agendan alatan" untuk membantu sistem AI menyelesaikan masalah yang lebih kompleks. Ini adalah bukti kepantasan pembangunan GenAI dan pengembangan pesat keupayaannya, tetapi pemindahan data kekal sebagai cabaran. Contohnya, untuk membina sistem RAG yang berjaya, data yang diperlukan untuk latihan mestilah tersedia dan tidak terperangkap dalam silo di seluruh perusahaan. Kedua-dua data berstruktur dan tidak berstruktur perlu disatukan untuk memastikan model dapat memberikan jawapan tersuai yang pengguna jangkakan. Tetapi ini hanya satu cabaran hari ini, perniagaan memerlukan rangka kerja yang boleh berskala apabila keperluan dan teknologi berubah. Pemimpin harus bertanya kepada diri mereka sendiri soalan berikut: Apakah infrastruktur yang akan membolehkan kita mengurus, mengekalkan dan memperoleh cerapan daripada data dengan berkesan, tidak kira bagaimana persekitaran AI yang lebih besar berkembang Pada jenis atau saiz model yang kita mahu menggunakan aplikasi Bagaimana kita? persekitaran data perlu diperbaiki atau diubah untuk berfungsi dengan baik dengan model ini 2. Navigasi model asas Bagi kebanyakan perusahaan, LLM am adalah titik permulaan yang baik. Kami juga terus melihat peningkatan dalam penggunaan pada platform. Tetapi semakin banyak syarikat menggunakan model asas ini, semakin banyak mereka menemui batasan mereka. Inilah sebabnya mengapa banyak perusahaan kini mencari teknik seperti RAG dan penalaan halus untuk meningkatkan prestasi model mereka dan akhirnya mengurangkan kos operasi mereka. Walaupun syarikat melakukan ini dengan model proprietari, mereka semakin memilih sistem terbuka. Malah, hanya beberapa minggu selepas Llama3 dikeluarkan, ia menyumbang 39% daripada semua penggunaan model sumber terbuka, menurut penemuan dalam laporan kami. Memandangkan teknologi ini semakin berleluasa, perniagaan perlu belajar bila hendak menggunakan teknologi yang mana. Sebagai contoh, perniagaan mungkin memutuskan untuk membina model mereka sendiri dari awal apabila ia mungkin lebih menjimatkan kos untuk membina model mereka sendiri, sebaliknya hanya memperhalusi model asas, atau mereka mungkin berurusan dengan set maklumat yang sentiasa dikemas kini. Dalam kes ini, RAG ialah pilihan yang lebih baik kerana perusahaan boleh menyalurkan data baharu kepada model dengan cepat. Yang penting, model semakin baik dan lebih baik. Adalah penting untuk memerhatikan trend masa depan dengan teliti. 3. Utamakan ketepatan dalam pembangunan AI dan penggunaan AI sedang mengubah aliran kerja dan membentuk semula cara perniagaan berfikir tentang data, tetapi banyak syarikat masih dalam fasa ujian dan percubaan kerana, pada masa ini, banyak model tidak berfungsi sebaik yang mereka perlukan. sebagai tepat atau boleh dipercayai. Sesetengah syarikat sudah pun melihat akibatnya: chatbot syarikat penerbangan menawarkan bayaran balik yang tidak mematuhi dasar rasmi syarikat, keputusan mahkamah berpihak kepada pelanggan, atau pertimbangkan chatbot pengedar kereta yang menawarkan pelanggan kereta dengan harga satu dolar. Jika kelewatan ini berlaku secara berskala atau dalam senario berisiko tinggi, perniagaan akan menderita, itulah sebabnya memastikan manusia berada dalam gelung adalah penting, terutamanya untuk aplikasi yang memerlukan ketepatan yang tinggi. Walaupun model bertambah baik, kualiti output bergantung pada data yang menyokongnya. Kebersihan dan pengawasan data yang kukuh adalah kunci untuk memastikan perusahaan mencapai kejayaan dipacu AI. Memastikan data diurus, boleh diakses dan tersusun dengan baik akan membantu perniagaan melihat output yang lebih konsisten dan boleh dipercayai pada masa hadapan.AI akan semakin dapat meningkatkan keupayaan manusia di tempat kerja seperti penjagaan kesihatan, pembuatan, teknologi perusahaan dan banyak lagi, itulah sebabnya perniagaan perlu menumpukan pada mengekalkan infrastruktur dan amalan data yang kukuh, mengutamakan aplikasi AI yang selaras dengan strategi perniagaan mereka yang lebih luas, dan memupuk Tenaga kerja sedia AI yang bersedia untuk era perubahan ini.

Atas ialah kandungan terperinci Kawasan yang harus ditumpukan oleh CIO untuk mengekalkan momentum GenAI. Untuk maklumat lanjut, sila ikut artikel berkaitan lain di laman web China PHP!