Люди склонны искать быстрые и легкие решения жизненных проблем. Склонность к расчетливости, вероятно, запрограммирована в нашей ДНК. Но когда дело доходит до успеха в области генеративного искусственного интеллекта (GenAI), серебряных пуль не существует. Однако, сосредоточившись на таких основах, как правильное управление данными и организационные изменения, вы сможете приблизиться к цели внедрения GenAI, считают опрошенные порталом Datanami эксперты.
Не так давно Hadoop считался технологическим прорывом, который выведет всех на путь к вечному богатству больших данных. «Есть такая идея: „Эй, у меня есть все эти данные, давайте возьмем банку с Hadoop и намажем им все наши данные“», — так образно выразился отраслевой аналитик Эддисон Снелл, генеральный директор Intersect360, на одной из конференций Tabor Communications в 2019 г.
С тех пор как в конце
Но где-то на пути к славе генеративного, предобученного ИИ мы столкнулись с реальностью. Так же как эксперимент с Hadoop выявил некоторые острые углы, оказалось, что получить реальную пользу для бизнеса от GenAI сложнее, чем предполагалось изначально. Перефразируя Снелла, мы не можем просто взять банку с GPT и нанести его на наши данные (ну, мы можем попробовать, но, скорее всего, ничего хорошего из этого не выйдет).
От шумихи к изнурительной работе
В своем недавнем отчете «Hype Cycle for Emerging Technologies 2024» компания Gartner заявила, что GenAI достиг «пика чрезмерных ожиданий» и теперь стоит на пороге «избавления от иллюзий». Для истинных верующих в GenAI это означает, что началась тяжелая работа по созданию чего-то значимого на основе этой технологии.
Апратим Пуракаястха, технический директор компании Skillsoft, специализирующейся на онлайн-обучении, уже не раз видел в реальной жизни, как развивается цикл хайпа новых технологий, и считает, что этот случай вряд ли будет отличаться от других.
«Я наблюдал это в течение многих лет с мобильными телефонами, с облачными технологиями, а теперь и с GenAI, — говорит он. — Поначалу поднимается шумиха на тему „Это изменит нашу завтрашнюю жизнь“. Потом наступает реальность, и начинаются трудовые будни».
В данном случае трудность заключается в том, чтобы заставить GenAI работать. Это означает поиск подходящих сценариев использования, приведение технологии в соответствие с потребностям бизнеса в различных отраслях и кропотливую работу над конкретными задачами. Не все пройдут через этот тяжелый период, но в конце концов некоторые выйдут из него с успешными GenAI-приложениями, считает Апратим Пуракаястха.
«Я верю, что GenAI будет существовать, — говорит он. — Я думаю, что по своей сути это технологическая революция. Просто потребуется некоторое время, чтобы по-настоящему применить его в различных бизнес-сценариях. В конечном итоге, я думаю, его влияние будет очень большим».
Управление изменениями
Апратим Пуракаястха представляет себе мир, в котором сети автономных ИИ-агентов общаются друг с другом, чтобы обслуживать потребности людей, включая выполнение рутинных задач, таких как составление расписания, но также и сложных, таких как ведение переговоров по контрактам. Они будут действовать, а не просто генерировать слова. Как сетевые компьютеры изменили общество, так и сетевой GenAI выведет нас за рамки сегодняшнего дня. «Я думаю, что здесь есть возможности экспоненциального роста», — говорит он.
Но добраться до этой земли обетованной будет нелегко. Одним из фундаментальных компонентов, необходимых компаниям для достижения успеха GenAI, является управление изменениями — не техническое управление изменениями в DevOps и CI/CD, а организационное управление изменениями, связанными с принятием чего-то нового.
«Это гораздо больше, чем просто технические навыки. Технические навыки будут одним из элементов, — говорит Апратим Пуракаястха. — Я думаю, что нам нужно гораздо больше человеческих навыков и умений: эмпатия, понимание этики, необходимости соблюдения норм, того, что справедливо и что несправедливо, что прозрачно и что непрозрачно, суждения, критическое мышление. Все эти навыки, как мне кажется, будут все больше и больше востребованы по мере развития мира».
Управление данными для GenAI
Еще один важный компонент успеха GenAI — управление данными. Многие компании, которым не удалось успешно внедрить GenAI, отмечают, что одной из главных причин неудач является плохое состояние их данных.
«Я думаю, многие компании обнаруживают, что их данные находятся не в достаточно хорошем состоянии, чтобы воспользоваться преимуществами некоторых из этих новых вещей, — говорит Тим Бирман, технический директор консалтинговой и сервисной компании Ensono. — Независимо от того, используете ли вы машинное обучение, пишете ли вы отчеты в Power BI или создаете кубы отчетов, а теперь хотите использовать GenAI, у вас должны быть действительно хорошие данные».
Компании, которые пытались пойти по быстрому и легкому пути и просто наложить
«Не стоит просто брать „второй пилот“ и применять его на всех сайтах SharePoint в компании, потому что тогда вы очень быстро обнаружите, что вещи, которые мы все должны были делать как ИТ-специалисты на протяжении многих лет, например, хорошие стратегии управления данными, отсутствуют», — отмечает Бирман.
Такие вещи, как валюта документа или определение того, какая версия документа является самой последней, звучат просто в теории, но на практике могут быть труднореализуемыми. Установка границ безопасности и элементов управления доступом на основе ролей (RBAC) для внутренних данных очень важна для того, чтобы компания случайно не раскрыла конфиденциальные данные через LLM.
«Такие вещи действительно являются основополагающими, — говорит Бирман. — Если клиенты действительно хорошо справляются с управлением своими данными, все становится намного проще. Но если они этого не сделали, то когда как вы начнете говорить с ними о GenAI или любом другом типе ИИ, все вернется к правильной работе с данными».
Качество данных — задача номер один
«Данные — это проблема бизнеса, — говорит Кевин Кэмпбелл генеральный директор Syniti (приобретена Capgemini). — Я всегда говорю людям: за каждой проблемой бизнеса скрывается проблема данных, или каждая проблема данных — это проблема бизнеса. И беда в том, что никто не хочет тратить деньги на отличное управление». Он не раз видел, как крупные внедрения ERP и цифровые преобразования сходили на нет из-за плохих данных.
По словам Кэмпбелла, в правильном подходе компаний к улучшению своих данных нет ничего магического. Во многих случаях это возвращение к источникам данных, чтобы убедиться в их высоком качестве, затем мониторинг изменений и исправление ситуации. «Это просто основы», — говорит он.
Кэмпбелл раскрыл рецепт обеспечения высокого качества данных. Процесс обычно начинается с миграции данных. Затем внедряются средства контроля для улучшения качества данных. Следующий шаг — поддержание высокого качества данных. Последний шаг — достижение такого уровня управления данными, когда вы уверены, что налажен прочный сквозной жизненный цикл качества данных.
«Есть и другие способы, но людей сложно убедить, пока они не почувствуют боль, и тогда вы сможете подробно объяснить им на примере их данных, почему это неправильно», — говорит Кэмпбелл.
По его словам, сегодняшнее стремление к GenAI причиняет клиентам много боли. Компании приступают к проверке концепции GenAI и, к своему большому огорчению, обнаруживают, что на полпути у них возникли проблемы с качеством данных.
«Если ваши данные не готовы к ИИ, то ваша компания не готова к ИИ, — говорит Кэмпбелл. — ИИ открывает то, что большинству из нас известно уже давно, а именно: „мусор на входе, мусор на выходе“. Так что если у вас плохие данные, вам придется поработать над ними».
