Από τους Terence Tse, Mark Esposito, Danny Goh και Paul Lee
Στον σχεδόν ενάμιση χρόνο που μεσολάβησε από την κυκλοφορία του ChatGPT 3.5, τόσο οι επιχειρήσεις όσο και οι ιδιώτες έσπευσαν να εξερευνήσουν τις τεχνολογίες γενετικής Τεχνητής Νοημοσύνης (GenAI). Πολλοί αισθάνθηκαν έντονη ανησυχία μήπως χάσουν το επόμενο μεγάλο βήμα, μήπως τους ξεπεράσουν οι ανταγωνιστές που κατάφεραν να σπάσουν τον κώδικα της χρήσης της για να φέρουν επανάσταση στις επιχειρήσεις τους ή μήπως τους ξεπεράσουν οι σαρωτικές αλλαγές σε ολόκληρο τον κλάδο. Η μία έκθεση μετά την άλλη αναφερόταν στη μετασχηματιστική δύναμη της GenAI σε όλους τους κλάδους και στις επιπτώσεις του στο μέλλον της εργασίας. Προσθέτοντας λάδι στη φωτιά, τα άρθρα των μέσων ενημέρωσης μάς υπενθύμιζαν συνεχώς ότι οι θέσεις εργασίας πιθανότατα θα χαθούν γρήγορα και σε μεγάλη κλίμακα.
Σήμερα, η φρενίτιδα της GenAI έχει φαινομενικά ηρεμήσει – τουλάχιστον οριακά. Πολλές εταιρείες εξακολουθούν να αντιμετωπίζουν τα ίδια ερωτήματα που αντιμετώπιζαν πριν από ένα χρόνο: Πώς μπορούν να επωφεληθούν από την υποσχόμενη εξοικονόμηση κόστους και τη σημαντική αύξηση της αποδοτικότητας που υποτίθεται ότι προσφέρει η GenAI; Πώς θα το θέσουν πραγματικά σε επιχειρηματική χρήση;
Από την εμπειρία που έχουμε αποκτήσει, βοηθώντας τις εταιρείες να υιοθετήσουν και να χρησιμοποιήσουν την Τεχνητή Νοημοσύνη, βλέπουμε πολλούς να αγωνίζονται. Υπάρχουν μερικοί λόγοι για αυτό.
Πρώτον, πολλές επιχειρήσεις, μεγάλες και μικρές, εξακολουθούν να παλεύουν με το πώς να ενσωματώσουν την παραδοσιακή Τεχνητή Νοημοσύνη – όπως ο αλγόριθμος που βασίζεται σε κανόνες και η μηχανική μάθηση – στις δραστηριότητές τους. Στην καλύτερη περίπτωση, βρίσκονται σε διερευνητική φάση με την παραδοσιακή Τεχνητή Νοημοσύνη, και στη χειρότερη αισθάνονται απλώς χαμένες. Μια πρόσφατη μελέτη έδειξε ότι πάνω από το 70% των μεγάλων εταιρειών που συμμετείχαν στην έρευνα αναρωτιούνται ακόμη πώς να αξιοποιήσουν τα δυνητικά οφέλη που μπορεί να προσφέρει η Τεχνητή Νοημοσύνη.
Δεύτερον, η GenAI είναι πολύ πιο πολύπλοκο και είναι προσανατολισμένο στην εξυπηρέτηση συγκεκριμένων σκοπών. Ενώ είναι σε θέση να γράψει μια έκθεση 5.000 λέξεων σε χρόνο μηδέν, δεν μπορεί, για παράδειγμα, να κάνει μια βασική εργασία εισαγωγής δεδομένων, όπως η εξαγωγή και ταξινόμηση δεδομένων για την άδεια οδήγησης, που μπορεί να κάνει εύκολα η παραδοσιακή Τεχνητή Νοημοσύνη. Ως εκ τούτου, οι εταιρείες πρέπει να σκεφτούν προσεκτικά και διεξοδικά ποιες επιχειρηματικές περιπτώσεις θα μπορούσαν να είναι κατάλληλες προκειμένου να αντλήσουν τα οφέλη της GenAI. Η πλοήγηση μέσω της παραδοσιακής Τεχνητής Νοημοσύνης είναι σαν να πλέεις σε φουρτουνιασμένα νερά με ένα υπερσύγχρονο αλλά κάπως δυσκίνητο σκάφος, και το GenAI προσθέτει περισσότερη χωρητικότητα, ισχύ και ακόμη πιο φουρτουνιασμένη θάλασσα. Μια εταιρεία που εξακολουθεί να είναι επισφαλής με το πρώτο, θα δυσκολευτεί φυσικά και με το δεύτερο.
Τρίτον, οι πιο μακροπρόθεσμες επιπτώσεις της υιοθέτησης της GenAI – όπως το μακροπρόθεσμο κόστος και οι επιπτώσεις των υφιστάμενων και μελλοντικών κανονισμών – είναι ακόμη αβέβαιες. Κατά τη γνώμη μας, η σημερινή κατάσταση μας γυρίζει πίσω λίγο πριν από τη χιλιετία. Ενώ οι εταιρείες τότε μπορεί να έβλεπαν την ανάγκη δημιουργίας ιστότοπων, λίγες μπορούσαν να δουν με σαφήνεια τους συγκεκριμένους ρόλους που θα έπαιζε το ευρύτερο διαδίκτυο ως αναπόσπαστο μέρος των στρατηγικών omnichannel, πολύ δε περισσότερο σε όλες τις συσκευές και τις εφαρμογές των τηλεφώνων.
Δεδομένων όλων αυτών, είναι λογικό ότι οι περισσότερες εταιρείες εξακολουθούν να αναζητούν μια πορεία προς τα εμπρός (ακόμη και αν μπορεί να αισθάνονται ότι όλοι οι άλλοι το έχουν καταλάβει). Αυτό δεν σημαίνει ότι η αναζήτηση είναι ανόητη. Ακολουθεί ένας τρόπος με τον οποίο οι εταιρείες μπορούν να προσανατολιστούν και να βρουν τι πρέπει να κάνουν στη συνέχεια.
Η αγορά για την GenAI
Η πρώτη απόφαση που πρέπει να πάρουν οι περισσότερες εταιρείες είναι ποιο προϊόν GenAI θέλουν να χρησιμοποιήσουν. Αυτή τη στιγμή, υπάρχουν πλέον πολλοί προμηθευτές GenAI – τόσο ισχυροί του κλάδου όπως η Meta και η Alphabet όσο και νεοεισερχόμενοι όπως οι Hugging Face, Anthropic και Stability.ai. Αυτή η αγορά πρόκειται να γίνει ακόμη πιο πολυπληθής, με εταιρείες πλούσιες σε δεδομένα όπως το Bloomberg και η JPMorgan Chase να σηματοδοτούν την πρόθεσή τους να μπουν στη μάχη και μια Apple να εργάζεται πάνω στη δική της προσφορά, που ονομάζεται Ajax. Υπάρχουν μερικοί παράγοντες που πρέπει να λάβουν υπόψη τους οι εταιρείες.
Πρώτον, η Open AI και οι σημερινοί αντίπαλοί της ανταγωνίζονται τώρα για να είναι η κορυφαία επιλογή των προγραμματιστών λύσεων GenAI, και οι αργοπορημένοι μπορεί να έχουν ήδη χαθεί. Η πρόσφατη εισαγωγή από την OpenAI ενός απλού εργαλείου για τη δημιουργία εφαρμογών που λειτουργούν με ChatGPT είναι πιθανότατα μια προσπάθεια να εδραιώσει τη θέση της, καθώς οι χρήστες που έχουν συνηθίσει ένα σύστημα είναι πιθανό να το χρησιμοποιήσουν ξανά σε μελλοντικές προσπάθειες. Με το μεγαλύτερο – και αναμφισβήτητα το καλύτερο – GenAI στην αγορά, η OpenAI βρίσκεται στην καλύτερη θέση για τη δημιουργία ενός οικοσυστήματος.
Αυτό σημαίνει ότι οι προγραμματιστές λύσεων πιθανότατα δεν θα θελήσουν να ορκιστούν πίστη σε οποιονδήποτε από τους κατασκευαστές του GenAI, ώστε να διατηρήσουν τη δυνατότητα επιλογής του GenAI για διαφορετικά projects. Αυτό με τη σειρά του έχει οδηγήσει σε εργαλειοθήκες όπως η LangChain, μια πλατφόρμα ανοικτού κώδικα που έχει σχεδιαστεί για να επιτρέπει στους χρήστες να εργάζονται ταυτόχρονα σε διαφορετικές GenAI.
Ο ανταγωνισμός που παίζεται μεταξύ διαφορετικών εταιρειών GenAI μοιάζει κάπως με τις πρώτες ημέρες της μονομαχίας μεταξύ iOS και Android. Υπό προϋποθέσεις, η OpenAI θα μπορούσε σε συγκεκριμένο περιβάλλον, να παραμείνει ο (κερδοφόρος) ηγέτης της αγοράς για μερικά χρόνια μέχρι να μπορέσουν οι αντίπαλοί της να ενωθούν. Αυτό δεν σημαίνει απαραίτητα ότι η Apple και η Google θα ενωθούν για να ανταγωνιστούν τη Microsoft. Πιο πιθανό είναι να δούμε τους αντιπάλους να συμφωνούν στο ίδιο πρότυπο για να συνεργαστούν προκειμένου να αντιταχθούν στην κυριαρχία του OpenAI.
Πιστεύουμε ότι αυτό δεν διαφέρει από την κατάσταση του 2015, κατά την οποία οι υποστηρικτές του Android κατάφεραν τελικά να δημιουργήσουν ένα ουσιαστικό και ανταγωνιστικό περιβάλλον για το iOS. Καθώς η αγορά GenAI εδραιώνεται, μπορούμε να περιμένουμε να δούμε δύο έως τρεις μεγάλες παρατάξεις να ανταγωνίζονται μεταξύ τους. Περισσότερες εταιρείες, τόσο μεγάλες τεχνολογικές όσο και νεοσύστατες, αναμένεται να διπλασιάσουν τις προσπάθειές τους για να βρεθούν στο επίκεντρο αυτών των συστημάτων.
Βασικές παρατηρήσεις για να επωφεληθείτε από την GenAI
Δεδομένης αυτής της τρέχουσας κατάστασης πραγμάτων, πώς θα μπορούσαν οι επιχειρήσεις να ενταχθούν στο GenAI; Εδώ, θα θέλαμε να προσφέρουμε μερικές προτάσεις:
Επιλογή της απόδοσης έναντι της καινοτομίας.
Από τη μακρόχρονη εμπειρία μας δουλεύοντας με την GenAI, η απόδοσή της δεν προέρχεται από απαντήσεις κειμένου που μοιάζουν με ανθρώπινο κείμενο με τρόπο συνομιλίας ή από ένα μοντέλο που έχει εκπαιδευτεί σε τεράστιο όγκο δεδομένων. Για να αξιοποιήσετε στο έπακρο την GenAI, πρέπει να αναρωτηθείτε αν είναι η κατάλληλη τεχνολογία για μια συγκεκριμένη εργασία ή στόχο.
Για παράδειγμα, ενώ το ChatGPT είναι (προς το παρόν) καλύτερο στο χειρισμό λέξεων και γλωσσών, έχουμε διαπιστώσει ότι τα παραδοσιακά μοντέλα βαθιάς μάθησης παρέχουν πολύ καλύτερα αποτελέσματα στην επεξεργασία εικόνων. Μια άλλη ανακάλυψη: Σ’ ένα προϊόν που κατασκευάζουμε, διαπιστώσαμε ότι το ChatGPT-4 είναι καλύτερο στην “κατανόηση” των ερωτημάτων των χρηστών, ενώ η έκδοση 3.5 είναι ταχύτερη και καλύτερη στη μετατροπή των επεξεργασμένων αποτελεσμάτων σε απαντήσεις προς τους χρήστες.
Με άλλα λόγια, αντί να υιοθετούν αδιαμαρτύρητα την πιο πρόσφατη τεχνολογία Τεχνητής Νοημοσύνης, οι εταιρείες πρέπει να κατανοήσουν τα επιχειρηματικά προβλήματα που προσπαθούν να επιλύσουν και να βρουν το καταλληλότερο εργαλείο Τεχνητής Νοημοσύνης με βάση τόσο τα δυνατά όσο και τα αδύνατα σημεία κάθε μίας από τις διαθέσιμες επιλογές.
Συνδυασμός της GenAI με τη δύναμη της vector database.
Πρόκειται για μια νέα μορφή βάσης δεδομένων που είναι εξειδικευμένη στην ανάκτηση των πιο ταιριαστών εγγραφών για την καλύτερη δυνατή απάντηση σε συγκεκριμένα ερωτήματα (σε αντίθεση με τις παραδοσιακές βάσεις δεδομένων που απλώς αποθηκεύουν τις εγγραφές). Οι εταιρείες μπορούν να χρησιμοποιήσουν μια εφαρμογή GenAI, όπως το ChatGPT, για να αναλύσουν τα ερωτήματα των χρηστών και, στη συνέχεια, να χρησιμοποιήσουν μια διανυσματική βάση δεδομένων για να αναζητήσουν τις καλύτερες απαντήσεις που ταιριάζουν σε αυτές τις παραμέτρους.
Σκεφτείτε μια αναλογία: Αν παίρνατε συνέντευξη για μια θέση εργασίας, το ChatGPT και οι ανταγωνιστές του θα μπορούσαν να προσφέρουν τη δυνατότητα “ανάγνωσης του δωματίου”, αναλύοντας τη στάση του σώματος, τις εκφράσεις του προσώπου, τις επιλογές λέξεων και τους τόνους των συνεντευξιαζόμενων. Οι vector databases, από την άλλη πλευρά, θα λειτουργούσαν σαν δικές σας τράπεζες μνήμης και σοφίας, συνιστώντας την ικανότητα να σκέφτεστε τα καλύτερα πράγματα που μπορείτε να πείτε.
Για να το θέσουμε διαφορετικά, η GenAI από μόνη της μπορεί να μην είναι επαρκής. Ανάλογα με τα προβλήματα που πρέπει να αντιμετωπιστούν, μπορεί να είναι μόνο η μισή τεχνολογική λύση. Η ανάγκη για vector database προκειμένου να καταστεί η GenAI πραγματικά χρήσιμη, σημαίνει ότι οι εταιρείες θα πρέπει να αναμένουν να αντιμετωπίσουν ακόμη μεγαλύτερη πολυπλοκότητα και μεγάλο χρόνο προετοιμασίας κατά τη σύνθεση της λύσης.
Ποτέ μην ξεχνάτε το ρόλο του ανθρώπου
Όπως πάντα, όσο ισχυρές και αν φαίνονται οι τεχνολογίες Τεχνητής Νοημοσύνης, οι ικανότητές τους είναι τόσο καλές όσο και το πόσο εμπλέκονται οι άνθρωποι. Αυτό δεν διαφέρει για τη GenAI. Οι άνθρωποι διαδραματίζουν κρίσιμο ρόλο στην καθοδήγηση της GenAI προς τους επιχειρηματικούς στόχους, στη διαχείριση των αλληλεπιδράσεων εντός των συστημάτων πληροφορικής, στο σχεδιασμό των ενεργειών που απαιτούνται για τα δεδομένα που εισέρχονται και εξέρχονται από τα μοντέλα Τεχνητής Νοημοσύνης, καθώς και στο μετριασμό των ψευδαισθήσεων – των επινοημένων ή εντελώς ψευδών πληροφοριών που παράγει η GenAI – που παραμένει ένα σημαντικό πρόβλημα της GenAI σήμερα.
Εντοπισμός των δεδομένων
Ενώ το πρόβλημα των παραισθήσεων παραμένει ανεξέλεγκτο, είναι σημαντικό να δημιουργηθεί μια σαφής διαδρομή από την πηγή των δεδομένων μέχρι τους τελικούς χρήστες. Η ιχνηλασιμότητα επιτρέπει στους χρήστες να γνωρίζουν την αρχική πηγή των δεδομένων, γεγονός που ενισχύει την αξιοπιστία των αποτελεσμάτων της GenAI και την αξιοπιστία τους, δημιουργώντας έτσι ισχυρότερα θεμέλια για τη λήψη τεκμηριωμένων αποφάσεων.
Οι εταιρείες πρέπει να διασφαλίσουν ότι η διαδρομή των δεδομένων αποτελεί εξέχον χαρακτηριστικό τόσο στους τεχνολογικούς τους σχηματισμούς όσο και στις διαδικασίες και τις ροές εργασίας τους. Μόνο με αυτόν τον τρόπο οι εταιρείες μπορούν να έχουν πλήρη γνώση ότι χρησιμοποιούν το σωστό είδος δεδομένων.
Ρεαλιστικές προσδοκίες
Η GenAI είναι ένα ταχύτατα κινούμενο πλοίο με πολλά να συμβαίνουν κάτω από το κατάστρωμα. Είναι δύσκολο να γνωρίζουμε ακριβώς τι, πόσο και πόσο γρήγορα μπορούν ρεαλιστικά να επιτύχουν οι εταιρείες GenAI. Το να πιστεύετε με πεποίθηση ότι μπορεί να αποφέρει άμεσα αποτελέσματα και εξαιρετικές οικονομικές αποδόσεις θα οδηγήσει πιθανότατα σε απογοητεύσεις. Οι διευθυντές πρέπει να αναγνωρίσουν ότι το διερευνητικό και πειραματικό ταξίδι της GenAI θα είναι πιθανότατα μακρύ.
Η αξιοποίηση των τεχνολογιών GenAI στις επιχειρηματικές λειτουργίες υπερβαίνει μια απλή τεχνολογική επένδυση- είναι κατά βάση μια επιχειρηματική επιταγή. Όσο δύσκολο και αν είναι ως εγχείρημα, η ένταξη της GenAI στις λειτουργίες της επιχείρησης προϋποθέτει την κατανόηση των αποχρώσεων των σημερινών εξελίξεων της GenAI και την έντονη επίγνωση των προκλήσεων που παρουσιάζονται. Ωστόσο, για τις επιχειρήσεις που μπορούν να χρησιμοποιήσουν με επιτυχία την GenAI για την επίτευξη των επιχειρηματικών τους στόχων, οι ανταμοιβές δεν μπορούν παρά να είναι πολλά υποσχόμενες και τεράστιες.
Πηγή : Harvard Business Review
