Генеративный ИИ привлекает внимание компаний всего мира своей скоростью и мощью, оказывая существенное влияние на бизнес-операции, модели, продукты и сервисы. Недавний опрос Accenture показал, что почти все руководители (99%) планируют увеличивать инвестиции в эту технологию. В такой ситуации ИТ-директора с учетом их видения бизнес-процессов и глубокого понимания потенциала технологий имеют все необходимое для того, чтобы помочь своим организациям подготовиться к внедрению генеративного ИИ. Главным препятствием 67% представителей высшего технического руководства считают недостаточное знание технологий своими коллегами. Определяющая роль для эффективного решения этой задачи отводится увязке генеративного ИИ с успехом предприятия.
Эффективная интеграция искусственного интеллекта в бизнес начинается с постановки четких целей и приведения стратегии ИИ в соответствие с этими бизнес-целями. Сегодня 98% руководителей уже согласны с тем, что в ближайшие три-пять лет базовые модели ИИ будут играть важную роль в реализации стратегии их организации. Чтобы проверить, готово ли предприятие к внедрению генеративного ИИ, ИТ-директор должен задать себе следующие восемь вопросов:
1. Какую базовую модель следует выбрать? Другими словами, какая архитектура наилучшим образом обеспечивает релевантность, надежность и удобство использования выходных данных модели? Количество поставщиков и моделей генеративного ИИ непрерывно растет. При выборе конкретного варианта необходимо убедиться в его соответствии потребностям и запросам организации.
2. Как сделать эти модели доступными? Существует два основных подхода, которые бизнес может использовать для внедрения моделей. Все зависит от того, нужен ли вам полный контроль в собственном облаке, или же доступ к генеративному ИИ будет осуществляться через внешнего поставщика, обеспечивающего требуемую скорость и простоту.
3. Как модели будут адаптироваться к вашим собственным данным? Для получения от генеративного ИИ максимальной отдачи предприятие должно использовать свои собственные данные. Следует рассмотреть различные способы адаптации предварительно подготовленных моделей к собственным данным предприятия и попытаться создать готовые инструменты, подходящие для организации и ее сотрудников.
4. Какова общая готовность предприятия? Прежде всего оцените свои платформы, обеспечивающие интеграцию и интероперабельность, а также уровень безопасности базовых моделей и потенциальные риски. Обязательным условием для создания надежной системы ИИ является соблюдение законов, нормативных требований и этических стандартов. Все это необходимо продумать еще на стадии проектирования.
5. Как обстоят дела с углеродным следом? Несмотря на прохождение предварительной подготовки, базовые модели в процессе адаптации и тонкой настройки все еще могут потреблять значительное количество энергии. Последствия будут зависеть от подхода, применяемого при покупке, сборке и расширении базовых моделей.
6. Как перевести разработку приложений генеративного ИИ на промышленную основу? Следующим шагом после выбора и развертывания базовой модели является поиск новых фреймворков, которые могут потребоваться для ускорения разработки приложений. Оптимизируя процесс, вы адаптируете его к конкретным бизнес-функциям и предметным областям.
7. Что нужно для масштабного использования генеративного ИИ? Поиск способов масштабной монетизации ценностей, создаваемых искусственным интеллектом, должен волновать каждого ИТ-директора. Искусственный интеллект создает благоприятную почву для стимулирования инноваций. А ИТ-директора в соответствии со своей ролью обладают хорошими связями в рамках всей структуры предприятия. Поиск новых возможностей и свежих взглядов способствует внедрению инноваций как внутри организации, так и в масштабах всей отрасли и появлению новых возможностей для роста.
8. С чего начать и как действовать дальше? ИТ-директор способен внести важный вклад в разработку программного обеспечения. Погрузитесь в процесс и постарайтесь продемонстрировать ощутимые результаты пилотных проектов. В компании Accenture, к примеру, генеративный ИИ помогает команде разработчиков быстрее запускать продукты. Благодаря использованию инструмента Amazon CodeWhisperer удалось добиться значительного увеличения производительности труда разработчиков и качества кода, что помогло внедрить новую платформу AWS Velocity в рекордно короткие сроки. Обобщая собственный опыт, становится ясно, как продвигаться вперед и расширять сферу применения продуктов.
Исследования показывают, что с помощью генеративного ИИ в сфере ИТ можно оптимизировать до 73% общего рабочего времени. Это подчеркивает важность закладывания основ для безопасного, ответственного и экономичного масштабирования генеративного ИИ, обеспечивающего бизнесу получение реальных ценностей.