Что произошло
Недавний вывод от лидера в области технологий подчеркивает, что компаниям необходимо развивать собственные возможности ИИ, а не полагаться исключительно на внешние модели, доступные через API. Этот сдвиг в фокусе подчеркивает важность процессов обучения, окружающих модель ИИ, которые значительно влияют на интеллектуальную собственность компании. Несмотря на шумиху вокруг внедрения ИИ, многие организации сталкиваются с проблемами, возникающими из-за пренебрежения основополагающими элементами, необходимыми для успешной интеграции.
Почему это важно
Многие средние компании, инвестирующие в ИИ, обнаруживают, что их энтузиазм быстро угасает после внедрения. Несмотря на наличие бюджета на ИИ и выбор модели, они часто сталкиваются со стагнацией или снижением использования в течение нескольких месяцев. Проблема заключается в том, что они не создают поддерживающую инфраструктуру вокруг технологии, что приводит к тому, что результаты редко используются. Новая перспектива предполагает, что ценность ИИ не является добавочной, а мультипликативной, что означает, что несколько компонентов должны работать вместе для достижения успешных результатов. Если какой-либо из этих компонентов отсутствует, общая эффективность падает до нуля.
Контекст
Концепция семиуровневой ценностной структуры служит основой для лучшего понимания внедрения ИИ. Она состоит из основных слоев, связанных с проектированием процессов, управлением и архитектурой знаний, за которыми следуют слои для человеческого суждения, обратной связи и каркаса, с моделью ИИ на вершине. К сожалению, многие компании прыгают прямо к уровню модели, игнорируя необходимую подготовительную работу для её поддержки. Это пренебрежение отражается в недавних опросах, показывающих, что несмотря на наличие стратегий по внедрению ИИ, значительное число организаций чувствует себя неготовыми к их эффективному исполнению.
Что это значит
Пример из реальной жизни иллюстрирует эту проблему: организация, использующая модель ИИ для сортировки заявок на поддержку, обнаружила, что 30% заявок были неправильно направлены из-за устаревших систем классификации. Решением не была более продвинутая модель, а пересмотр основных процессов и архитектуры знаний. Это демонстрирует, что даже эффективные модели ИИ могут потерпеть неудачу без надлежащих структур поддержки. Кроме того, как показывают компании вроде Apple, простая замена моделей без учета окружающей инфраструктуры означает, что конкурентное преимущество заключается не в самой модели, а в системах, построенных вокруг неё. Для организаций, стремящихся эффективно внедрить ИИ, понимание и решение этих основополагающих слоев имеет решающее значение для долгосрочного успеха.
