Стало модным сомневаться в том, что генеративный искусственный интеллект (GenAI) в конечном итоге принесет положительную отдачу от масштабных инвестиций, которые делают компании. Gartner, например, утверждает, что в следующем году 30% проектов GenAI закончатся неудачей. Однако новый отчет «Generative AI for Data and Analytics: How Early Adopters Are Reaping the Rewards», подготовленный по заказу ThoughtSpot, показал, что первопроходцы видят значительные результаты при использовании GenAI для аналитики, сообщает портал BigDATAwire.
ThoughtSpot поручила MIT Sloan Management Review (SMR) Connections и его партнеру по исследованиям, компании Kadence International, провести опрос 1000 бизнес-руководителей на предмет использования GenAI для аналитики. Респонденты были разделены на три группы в зависимости от уровня зрелости их инициатив в области GenAI: 67% были отнесены к первопроходцам, которые уже внедрили некоторые приложения GenAI в производство, 26% — к тем, кто планирует их внедрить, и 7% — к тем, кто еще оценивает технологию.
Среди первопроходцев 25% ожидают, что окупаемость инвестиций (ROI) в приложения GenAI в течение трех лет составит
Согласно результатам исследования, GenAI может стать причиной конкурентного разрыва между теми, кто эффективно использует эту технологию, и теми, кто ее не использует. Среди первопроходцев 37% сообщают, что использование GenAI позволит им «значительно» опередить рынок и конкурентов (в когорте планирующих таких 11%), а еще 46% говорят, что GenAI позволит им «немного» опередить рынок/конкурентов (в когорте планирующих таких 51%).
Основываясь на этих впечатляющих цифрах, Синди Хаусон, директор по стратегии обработки данных ThoughtSpot, с оптимизмом смотрит на потенциал GenAI, способный оказать положительное влияние на сферу данных и аналитики.
Неоспоримые преимущества GenAI для BI
Существует множество различных способов монетизации GenAI: чат-боты и «вторые пилоты» — два наиболее заметных сценария использования после дебюта ChatGPT осенью 2022 г., а агентный ИИ — новейшая GenAI-тенденция. Но ThoughtSpot видит применение GenAI несколько иначе — в частности, для улучшения аналитики и бизнес-аналитики компаний-заказчиков.
Когда аналитика и BI улучшаются в компании, это может принести ей множество выгод: от повышения доходов и производительности за счет принятия более качественных и быстрых решений на основе данных до повышения эффективности бизнеса и даже создания продуктов на основе данных. «Выгоды могут быть либо неоспоримыми, например, создание новых потоков доходов либо улучшение процесса принятия решений по этим потокам доходов, а затем повышение операционной эффективности в этом рабочем процессе», — говорит Хаусон.
Исследования показывают, что только около 25% сотрудников в типичной организации имеют возможность делать запросы по данным организации. Другими словами, BI и аналитика доступны лишь четверти сотрудников. ThoughtSpot ставит целью обеспечить доступ к аналитике для 100% работников, и компания полагает, что GenAI поможет в ее достижении. «Мы видим низкий уровень грамотности в области данных, и все должны пройти обучение в этой области. И GenAI, способный объяснить график или выброс на странице, может сыграть здесь важную роль», — поясняет Хаусон.
GenAI в аналитике
ThoughtSpot применяет GenAI несколькими различными способами, главным из которых является использование запросов на естественном языке (NLQ) для снижения технического уровня, необходимого для запроса данных (хотя и здесь есть свои ограничения). Среди других вариантов использования GenAI — автоматизация создания информационных панелей и отчетов, а также помощь в выявлении аномалий в данных.
«GenAI избавит авторов приборных панелей от занудной и дурацкой работы, которую они выполняют, и действительно возвысит их, — говорит Хаусон. — Людям из бизнеса он позволит задавать более глубокие вопросы и стать более аналитичными, а не летать вслепую... Так что GenAI, я считаю, улучшит работу каждого, но те, кто не научатся его использовать, рискуют остаться позади или быть замененными».
GenAI «может прочесывать внутренние и внешние базы данных и извлекать необходимую информацию гораздо быстрее, чем это могли бы сделать руководители или работники сферы знаний самостоятельно, — говорится в отчете. — И он позволяет людям находить нужные им ответы, задавая вопросы на естественном языке и изучая результаты в ходе беседы, вместо того чтобы лишь получать информацию, созданную экспертами по данным, которым, возможно, не хватает знаний о бизнесе, чтобы сделать ее полезной в практических ситуациях».
Еще до появления ChatGPT компания ThoughtSpot стремилась улучшить этот показатель за счет использования технологии NLQ. Когда ChatGPT продемонстрировал потрясающую мощь больших языковых моделей (LLM), многие компании решили, что LLM смогут генерировать когерентный SQL так же хорошо, как и сонеты Шекспира на английском языке или создание сегментов кода на Java.
К сожалению, по словам Хаусон, это не так. «Мы знаем, что прямой перевод текста в SQL не работает. В лучшем случае точность составляет 30%, — отмечает она. — То, что мы имеем на рынке уже 10 лет, — это проверенный, запатентованный семантический слой, а также несколько алгоритмов ранжирования, а также архитектура RAG, что позволяет повышать точность. И, наконец, „человек в цикле“, чтобы, опять же, еще больше повысить точность».
Основы успеха GenAI
Вы не можете просто проснуться в один прекрасный день и решить перестроить свою работу с помощью GenAI. Как и в случае с предыдущим поколением традиционных технологий машинного обучения, существуют предварительные шаги, которые компании обычно должны выполнить, прежде чем они смогут применить новейшие технологии обучения.
Отчет подтверждает это. Первопроходцы в области GenAI включили в пятерку главных проблем вопросы безопасности, стратегические проблемы, проблемы использования/качества моделей, проблемы с данными и проблемы внедрения. По словам Хаусон, управление данными и общая стратегия остаются серьезными препятствиями.
«Невозможно внедрить ИИ без прочного фундамента данных, и невозможно добиться хорошего эффекта, если не согласовать его с бизнес-ценностями, — говорит она. — Есть разница между проверкой концепций... и тем, чтобы уверенно сказать, что мы можем улучшить качество обслуживания клиентов или сократить отставание в работе с информационными панелями, повысить производительность аналитиков и бизнес-пользователей. Так что наличие этих двух составляющих — один из главных факторов».
Как отмечает Хаусон, еще одним вопросом, который не следует упускать из виду, является обеспечение согласованности действий бизнес-подразделений и ИТ-отдела. «Здесь так много „мы против них“ и разочарования с обеих сторон, — говорит она. — Команда по работе с данными работает слишком медленно. Бизнес расстраивается и уходит заниматься своими делами. А GenAI позволяет им лучше обсуждать потребности и совместно внедрять инновации».
При всей шумихе вокруг GenAI очевидно, что он открывает реальные возможности. И хотя не все сценарии использования будут реализованы, из отчета ясно, что первопроходцы уже применяют их. Потенциал GenAI, похоже, значительно возрастет в ближайшие несколько лет, поэтому компаниям крайне важно сделать инвестиции сегодня, чтобы обеспечить себе успех в будущем.
«Мы только начинаем использовать GenAI, но уже видна ценность, которую мы можем извлечь из этого с точки зрения повышения производительности и совершенно новых бизнес-моделей,— говорит она. — Это можно сравнить с временами dial-up Интернета, когда люди только начали задумываться о потенциале технологии».
