影響GenAI有效性的關鍵問題

在企業試圖將GenAI應用到業務中時，他們面臨著許多阻力和令人驚訝的變革管理問題。儘管高階領導可以支持這項舉措，但中階管理人員和業界人士卻對此持抵制態度。有些人之所以抵制可能是因為他們擔心失業，或是需要重新思考如何更好地完成自己的工作。此外，企業在使用AI工具時也面臨著隨機答案與確定性答案之間的問題，這進一步增加了阻力的存在

AI的答案是概率性的

GenAI提供了一個機率答案，也就是說，它提供了最可能的答案或下一步，因此，當它撰寫信件或書面工作時，它提供了最有可能的下一個單字、短語或想法，然而，最可能的答案與正確的答案是不同的。誠然，這通常是一個正確的答案，而且——由於可以獲得大量的培訓數據——它很有可能是一個好的答案，但這與正確的答案大相徑庭。

使這一問題進一步複雜化的是對如何得出答案的審計跟踪的挑戰，GenAI實現中面臨的許多挑戰來自於需要確定性答案的應用程序，並且需要充分解釋答案是如何得出的。在需要或被認為需要答案是確定性的地方，企業和其中的人抵制這些應用，因為它們造成了對結果的有用性或可靠性的懷疑。

事實證明，即使提供AI作為助手，並要求人類成為答案的最終仲裁者，情況也是如此，缺乏解釋和圍繞援助的不確定性造成了不信任和阻力。

機器智慧提供機率性答案並不意味著它沒有價值，許多實例表明它是有價值的，然而，如果一家企業將這種答案應用到需要確定性回答的問題上，那麼它似乎是在說謊

企業在尋求將GenAI應用於業務時會遇到挫折，因為當他們需要確定性答案時，他們最終會使用機率答案，因此，他們需要在機率開始的情況下進行機器學習(例如，它是一棵樹，因為它有綠葉)，然後需要進行測試，以確定是否存在影響答案有效性的問題(例如秋季)。

哪些領域適合AI的機率性模型?

企業應該如何將GenAI引入編程?科技行業做出了一些大膽的預測，即GenAI或AI可以學習編程，並顯著提高程式設計師的熟練程度或效率生產力，這很有趣。

在編碼領域，這一點立即生效，例如，測試測試腳本的開發本身就可以透過機率模型來處理，這裡重要的是，一家企業可以針對許多條件進行測試，並儘可能廣泛和深入地產生腳本。為程式碼和安全漏洞創建有效的測試本質上是一種機率性練習，因此，GenAI大放異彩，很容易被從業者採用。

另一方面，它不利於實際開發程式碼，一家企業希望程式碼100%都是正確的，這需要一個更具確定性的答案，然而，它在支援程式碼開發的知識管理方面表現突出，還可以創建出色的入門集，顯著提高生產力。

GenAI的另一個優點是能夠合成和總結知識，因此在知識管理領域，GenAI已經取得了很大的成就

在客戶關係管理功能方面，Salesforce透過其Einstein產品和其他產品，成功取得了很大的進展。這些產品旨在從客戶需求資訊中合成或匯總訊息，使銷售人員能夠更有效地進行知識管理。這正是GenAI的一個非常有效的應用場景

行銷是一個很棒的領域，例如：對於下一步該採取的最佳措施，可能會是什麼呢？在透過分類客戶資料來確定最佳解決方案時，GenAI可以產生巨大的立竿見影的影響，因此它可能成為一個強大的工具

在索賠處理等過程中，需要得到確定性的答案。例如，針對醫療索賠，我們需要確定如何獲得適當的賠償金額。在大多數情況下，僅僅做對是不夠的，我們需要一直保持正確

以下問題有助於使用GenAI作為有效的起點，以減少挫折感和抵抗力：

• 我們可以在哪裡立即有效地使用它?
• 它需要在哪裡與其他技術結合起來?
• 我們不應該在哪裡使用它?

#人的因素呢?

儘管機率性答案是一個有用的工具來解決問題，但它通常不會將人類排除在外。相反，它為人類提供了更複雜的工具，尤其是當一家企業需要確定性答案時

如果一家企業使用AI工具來幫助企業數據和匯總數據，它可以減少阻力，這很有幫助，但在使用它來做決定時，人們可能會對決定感到不舒服，因為它們並不總是正確的，由於他們不確定AI工具是如何得到答案的，他們也不知道如何檢查它。

擺脫這些困境的辦法是什麼?

解決方案的重點在於全面了解自動化工作的方式，以及它對其他人工任務的影響，並提供指導和幫助，以應對下游工作或其他可能出現的意想不到的後果

這個工具的應用需要更加成熟，用戶在決策時必須深思熟慮，並充分考慮其影響。在評估產品的成熟度時，需要考慮個人和企業以及可能出現的意想不到的後果，以免抵制和扼殺該工具的發展

一些需要進行這種思考過程的問題包括：

• 不僅要考慮自動化的任務，還要考慮正在自動化的人的角色的影響。
• 仔細考慮這樣一個現實，即任何需要的生產力提高都將導致更少的人從事這項任務。你怎麼會考慮到這一點呢?
• 想想如何測試這個工具，讓人們可以信任它。顛覆性的新科技帶來的不確定性越大，人們就越不願意信任它。
• 在轉向全面變革之前，先思考如何試行AI工具，以展現其好處。

最後的一些想法

在對GenAI進行了一年的瘋狂試驗後，該行業成功地進行了數千次試點，然而，這些試點中的大多數都未能投入生產，因為他們受到資金、變革管理和適應方面的無數挑戰的阻礙。

然而，GenAI正在迅速進入生產領域，並取得了令人印象深刻的回報。這些生產用例的成功似乎更多是由於用例與GenAI的特性完美契合，而不是工具選擇或其他因素的影響

此外，似乎對於大多數業務功能來說，GenAI都有一個富有成效的角色，幾乎都集中在正確的子功能。鑑於在實驗方面進行了巨大的投資，也許大多數企業能夠發現GenAI在哪裡對他們有效的最有效的方法是查看GenAI成功地從試點過渡到生產的用例。在這種進展已經大量發生的地方，企業可以相信有一個很好的契合點，並大幅降低浪費努力和資金的風險。

以上是影響GenAI有效性的關鍵問題的詳細內容。更多資訊請關注PHP中文網其他相關文章！