GenAI仍然是大多數企業的首要
投資重點，而且
期望值很高。根據普華永道的最新調查，美國61%的CEO
預期AI將改變他們的業務價值生成方式，但要實現這一目標，企業必須將AI的炒作轉化為現實。好消息是，他們在這方面越來越擅長。事實上，根據Databricks最近發布的《數據+AI狀態報告》的結果，企業將1342%的模型從實驗階段推向了現實世界，而且他們對數據和AI的雄心並沒有減弱，實驗模型的數量也成長了134%。這些都是令人鼓舞的跡象，但根據我與CIO和其他技術領導者的對話，當前的挑戰是如何保持這一勢頭。公司在對
期望達成一致方面面臨困難。自然，許多高階主管希望能立即看到
投資回報，而且由於擔心競爭對手在AI方面進展更快，公司沒有考慮長期策略。這種方法是錯誤的。只專注於「現在」的公司會發現自己在一個又一個新奇事物之間跳躍。對GenAI的
投資是一個漫長的過程，CIO必須將公司的AI心態從短期勝利轉向長期業務轉型，考慮到這一點，以下是CIO和其他技術領導者在應對這些挑戰時應關注的三個關鍵領域：1.改善資料基礎設施AI的優先事項和關注領域幾乎與技術本身一樣迅速發展。例如，六個月前，很少CIO熟悉檢索增強生成(RAG)。現在，在私人公司資料上訓練商業LLM以獲得更好和更客製化的效能已成為一個重要的關注領域。根據我們的匿名使用數據，建立RAG模型的關鍵——向量資料庫的使用在過去一年中增長了377%。一些公司，如Databricks，甚至開始使用「
代理和工具」方法來幫助AI系統解決更複雜的問題。這證明了GenAI的發展速度，以及其能力範圍的快速擴展，但資料遷移仍然是一個挑戰。例如，要建立一個成功的RAG系統，需要訓練的資料必須是隨時可用的，而不是被困在企業各處的孤島中。結構化和非結構化資料都需要結合在一起，以確保模型能夠提供使用者
期望的客製化答案。但這只是今天的挑戰，企業需要一個可以隨著需求和技術變化而擴展的框架。領導者應問自己以下問題：什麼樣的基礎設施可以使我們有效管理、維護和從數據中獲取洞察力，無論更大的AI環境如何演變?我們希望使用的應用程序在哪些類型或規模的模型中表現出色?我們的資料環境需要如何改進或變化才能與這些模型良好配合?2.導航基礎模型對於大多數企業來說，通用LLM是一個很好的起點。我們在平台上也持續看到使用量的增加。但企業使用這些基礎模型越多，就越能發現其限制。這就是為什麼現在許多企業正在尋求諸如RAG和微調等技術來提高模型的效能，並最終降低其運行成本。雖然公司正在對專有模型進行這項工作，但他們越來越多地選擇開放系統。事實上，根據我們報告中的發現，在Llama3發布幾週後，它就佔據了所有開源模型使用量的39%。隨著這些技術變得越來越普及，企業需要學習何時應用哪種技術。例如，當建立自己的模型可能更具成本效益時，企業可能會決定從頭開始建立自己的模型，而只是微調一個基礎模型，或者他們可能在處理不斷更新的資訊集。在這種情況下，RAG是更好的選擇，因為企業可以快速向模型提供新資料。重要的是，模型只會變得越來越好。對未來趨勢保持敏銳的洞察至關重要。 3.優先考慮AI開發和使用中的準確性AI正在改變工作流程並重新塑造企業對數據的思考方式，但許多公司仍處於測試和實驗階段，這是因為，當前，許多模型並不像它們需要的那樣準確或可靠。一些公司已經看到了後果：一家航空公司的聊天機器人提供了一項不符合公司正式政策的退款，法院判決支持客戶，或者考慮一家汽車經銷商的聊天機器人向客戶提供一美元的汽車。如果這些失誤在大規模或高風險場景中發生，企業將遭受損失，這就是為什麼在循環中保持人類參與是至關重要的，特別是對於需要高準確性的應用程式。即使模型有所改進，輸出的品質也取決於支援它們的數據。強而有力的數據衛生和監督是確保企業實現AI驅動成功的關鍵。確保資料的管理、可存取性和良好架構將幫助企業在未來看到更一致和可靠的輸出。AI將越來越能夠在醫療、製造、企業技術等工作場所增強人類能力，這就是為什麼企業需要專注於維持強大的資料基礎設施和實踐，優先考慮符合其更廣泛業務策略的AI應用，並培養一個為這變革時代做好準備的AI準備就緒的勞動力。
以上是CIO應專注於的領域，以維持GenAI的勢頭的詳細內容。更多資訊請關注PHP中文網其他相關文章！
