При всей своей перспективности генеративный ИИ требует тщательного управления. Випул Мехта, руководитель направления цифровой трансформации компании Evaluserve, рассказывает на портале Enterprisers Project о том, что необходимо знать, прежде чем разрабатывать ИИ-стратегию для своей организации.

Мы находимся на ранней стадии развития генеративного ИИ, и сейчас, в условиях его становления, наблюдается золотая лихорадка, направленная на завоевание позиций и известности в этом секторе. Но вместе с этой спешкой с реализацией технологии в ошеломляющем диапазоне сценариев использования приходят и сопутствующие риски. Если искусственный интеллект использовать правильно, он может стать невероятно креативным, трудосберегающим и повышающим эффективность решением. Если использовать его не по назначению, вы рискуете получить социальные, финансовые и даже юридические последствия.

Какие проблемы несет ИИ для предприятий?

Организации сталкиваются с несколькими серьезными проблемами в своих корпоративных ИИ-проектах. Во-первых, трудно предсказать их ценность или вероятный успех, учитывая непредсказуемость результатов, выдаваемых ИИ.

Во-вторых, бывает трудно продемонстрировать рентабельность инвестиций в ИИ, поскольку на данном экспериментальном этапе многое в этой области носит спекулятивный характер.

В-третьих, существуют риски, связанные с соблюдением нормативных требований, конфиденциальностью и предвзятостью, когда ИИ работает с большими массивами данных или самим Интернетом. Здесь применима старая поговорка компьютерного программирования: «мусор на входе, мусор на выходе». Как отмечают недоброжелатели ChatGPT, в зависимости от исходных данных ИИ может создать впечатляющую прозу или текст с ужасными фактическими ошибками и несоответствиями.

Кроме того, чтобы ИИ работал, его нужно обучать на огромных массивах данных, чтобы он генерировал наилучшие ответы на непредсказуемые ситуации.

Организациям необходимо инвестировать в правильную инфраструктуру ИИ, безопасное хранение данных и поддержку в период большой неопределенности. В настоящее время ведется много разговоров о том, как именно регулировать использование ИИ, причем художники недавно выразили обеспокоенность эстетикой иллюстраций, создаваемых ИИ, и тем, что их интеллектуальная собственность используется для создания имитационных работ, за которые они не получают признания или вознаграждения.

К этому списку добавляются опасения по поводу непредвиденных последствий, отсутствие консенсуса в отношении лучших практик и ощущение чрезмерной зависимости от технологий, которые еще не до конца понятны (и алгоритмы которых остаются непрозрачными даже для их создателей).

ИИ как великий революционер — хорошо ли это?

Если люди не задумываются о последствиях применения генеративного ИИ, то он часто выступает как впечатляющий разрушитель сложившихся устоев современных предприятий. Его присутствие ощущается повсюду: в маркетинговых исследованиях, обслуживании клиентов, продажах, обучении и даже в таком деликатном деле, как общение с клиентами. Как инструмент, позволяющий выяснить, чего хотят клиенты, и разработать именно это, он революционизирует инновации, дизайн и доставку.

Двумя областями больших инноваций являются синтетические данные и автономные предприятия. Первая описывает создание полностью придуманных, но типичных наборов данных, которые могут быть использованы для тестирования новых продуктов. Синтез данных также может создавать маловероятные, но не невозможные сценарии, чтобы проверить, как системы, управляемые ИИ, справятся с такими ситуациями.

Рассмотрим, например, тестирование автономных транспортных средств. Бесконечно проще и лучше смоделировать оленя, перебегающего шоссе в час пик, чем проводить какие-либо испытания в реальных условиях. Запрограммируйте тысячу таких сценариев с тонкими вариациями (например, стадо оленей, особенно медленный или быстрый олень, или животные, идущие под разными углами), и вы вскоре создадите высокоэффективные системы избегания столкновений, гласит теория.

Нехватка данных — это, пожалуй, самое большое препятствие, которое необходимо преодолеть для совершенствования ИИ. Многие отраслевые или специфические модели ИИ требуют больших объемов данных для машинного обучения, но такие данные могут быть скудными или труднодоступными.

Проблема усугубляется нехваткой специалистов по анализу данных с опытом работы в конкретной области, что затрудняет разработку надежных моделей ИИ. Кроме того, для ИИ требуются хорошо проверенные и сложные данные. Если пул данных не соответствует существующим моделям данных ИИ, это может привести к сбоям в работе.

Чем может помочь генеративный ИИ?

Генеративный ИИ может помочь преобразовать корпоративные проекты, предоставляя командам специалистов по анализу данных возможность создавать синтетические данные и создавать успешные алгоритмические модели. Его также можно использовать для создания ценных артефактов, таких как изображения, видео, текст, код и даже чертежи и схемы.

Генеративный ИИ не угрожает оставить без работы художников, кодеров и дизайнеров, а может сократить разрыв между человеческим творчеством и технологическими инновациями. Он также может быть использован для разработки новых алгоритмов глубокого обучения для сложных диагностических задач.

Это оказывает мощное воздействие, например, в области диагностики рака: визуальные алгоритмы, управляемые ИИ, достигают успеха в обнаружении опухолей наравне с опытными радиологами или даже превосходят их. ИИ даже может предсказывать рост опухоли с поразительной точностью.

Может ли генеративный ИИ помочь в реализации инновационных корпоративных проектов?

Короткий ответ — да... если его правильно использовать.

ИИ неизбежно изменит то, как предприятия и отдельные люди создают цифровые решения. Вторая область инноваций, упомянутая выше, — это автономное предприятие. Компании используют генеративный ИИ для разработки, обслуживания и мониторинга сложных систем с минимальными затратами ручного труда. Сейчас предпринимаются шаги по созданию полностью или в значительной степени автономных бизнес-моделей, в которых клиенты взаимодействуют с ИИ-помощниками или чатботами на базе ИИ, а весь механизм доставки и поддержки автоматизирован.

Однако на данный момент для эффективного использования генеративного ИИ все еще необходим человеческий вклад на начальном этапе и человеческая проверка результатов. Не будем забывать и о сложных этических последствиях всей этой автономии — от кражи интеллектуальной собственности до опасных дипфейков. Организациям необходимо внедрять ИИ, не забывая о последствиях и издержках всех этих радикальных инноваций для людей.

Быстрый рост генеративного ИИ имеет как положительные, так и отрицательные последствия для предприятий. Компании должны инвестировать в правильную инфраструктуру ИИ и обеспечить человеческую валидацию результатов. Потенциал генеративного ИИ безграничен, и при правильном подходе он может преодолеть разрыв между человеческим творчеством и технологическими инновациями.