Ваши первые попытки использовать искусственный интеллект оставили вас разочарованными? Вы не одиноки, отмечают опрошенные порталом InformationWeek эксперты.

ИИ привлек интерес и разжег воображение миллионов людей и организаций по всему миру. Теперь, после экспериментов с ним, несметное число первопроходцев начинают чувствовать себя разочарованными, поскольку результаты не соответствуют некогда оптимистичным ожиданиям.

«Скорость внедрения генеративного ИИ (GenAI) привела к тому, что мы оказались на своеобразном Диком Западе, где никто не знает, какие правила существуют или должны существовать, а неожиданное поведение и проблемы врываются на сцену, как ковбой через двери салуна, — отмечает Джойс Томпсетт, директор по связям с аналитиками компании Digital.ai, поставщика платформы DevOps. — ИИ-проекты часто терпят неудачу, потому что они не привязаны к бизнесу, связаны с нереалистичными или необоснованными ожиданиями или не имеют квалифицированных ресурсов, необходимых для успешной реализации проекта».

Путь к разочарованию

По ее словам, цель многих ранних последователей ИИ — ускорить существующие процессы. Но когда выясняется, что проект был не до конца продуман, наступает неизбежное торможение. Что происходит дальше? «Вы оказываетесь в режиме переосмысления или сосредоточены на том, чтобы понять причину проблемы», — говорит Томпсетт и добавляет, что очень важно заранее подготовить нужный человеческий интеллект для управления ИИ и встроить его в процесс. «Предприятия хотят внедрить ИИ, чтобы ускорить работу программ, но сначала они должны понять предполагаемый результат, истинный результат, а также нерешенные проблемы», — отмечает она.

Далее могут произойти следующие вещи. Меняется общий подход к проекту, и появляется вероятность увеличения количества проблемного кода. Дополнительная пропускная способность увеличивает нагрузку на часть системы, которая часто уже является узким местом. «Без обновленного процесса... показатель оттока кода и количество отказов будут расти, и воцарится неэффективность», — предупреждает Томпсетт.

Слишком много проектов в области ИИ начинаются с фокуса на инструментах, а не с работы над конкретной бизнес-задачей, говорит Бен Шрайнер, руководитель отдела инноваций в СМБ Amazon Web Services. Начните с фокусировки на конкретной задаче, советует он: «Определите масштаб этой задачи. Определение выгоды для конечного клиента и компании имеет решающее значение для достижения правильного контекста и измерения успеха».

Со временем технологический прогресс привел к росту инноваций во многих отраслях, и эта тенденция сохраняется и сегодня, говорит Шрайнер. «ИИ выходит из области исследований в реальный мир, и некоторые эксперименты будут неудачными, — отмечает он. — Другие же преуспеют в расширении возможностей организаций и трансформации операций — особенно те, кто имеют ограниченные ресурсы, например, СМБ».

Перегруппировка

Томпсетт советует, столкнувшись с неудачей проекта в области ИИ, постараться понять ее первопричину. В любом случае не сдавайтесь. «Итерации, итерации, и снова итерации — попробуйте что-то небольшое и посмотрите, работает ли это», — говорит она.

Брюс Оркатт, директор по маркетингу компании ABBYY, специализирующейся на интеллектуальной автоматизации, предостерегает от использования популярных больших языковых моделей (LLM) в начальных проектах, которые могут оказаться дорогостоящими и неэффективными для решения многих реальных бизнес-задач. «Чтобы внедрение ИИ было не таким сложным, руководителям следует использовать специально разработанные ИИ-решения, предназначенные для решения более узких и мелких задач, — говорит он. — Вместо того чтобы бросаться с якобы универсальным решением на разноплановый набор бизнес-задач, внедряйте специально разработанные инструменты ИИ».

Избежать разочарования в будущем

Чтобы подготовиться к непредвиденным проблемам, необходимо обеспечить надежное руководство, а также возможность контролировать процессы и предвидеть уязвимости. «Один из способов избежать разочарования — непрерывное тестирование, включающее постоянные пробные и ошибочные действия в предпроизводственных или внутренних проектах перед развертыванием, — рекомендует Томпсетт. — Помните, что царство неведомого, связанного с ИИ, огромно, поэтому проактивное управление рисками имеет решающее значение для защиты интеллектуальной собственности и конечного результата».

Предприятия, особенно малые и средние, могут избежать разочарования, обеспечив наличие необходимой инфраструктуры и практики поддержки. «Им понадобятся таланты и технологические возможности для создания и реализации долгосрочного видения, которое создаст долгосрочную ценность», — говорит Шрайнер. Также потребуется создать ИТ-инфраструктуру, способную поддерживать ИИ. «Поскольку данные — это жизненная сила ИИ, предприятия должны обеспечить надлежащее хранение и доступ к данным, а также разработать стратегию работы с данными, которая обеспечит им успех, — поясняет он. — Определив четкую бизнес-потребность — например, сокращение расходов, повышение эффективности и производительности, получение новых инсайтов из нескольких источников данных или автоматизация повторяющихся задач, — компании смогут наилучшим образом подобрать подходящие ИИ-решения».

Когда все сказано и сделано, ИИ не стоит бояться, несмотря на периодические разочарования, заключает Шрайнер: «Он открывает множество дверей и, в конечном счете, создаст возможности, которые мы даже не можем себе представить».