Det måste sällan ha förekommit en diskussion utan att AI eller Generativ AI nämnts under de senaste två åren – särskilt inom ledarskaps- och teknikvärlden. Det har handlat om var vi kan få Generativ AI i drift eller vad som är det bästa sättet att komma igång. Men nu när den inledande hypen har avtagit – låt oss se vad som fungerar och vad som inte gör det!
Generativ AI har tillfört mycket värde, det råder det ingen tvekan om. Det finns vinster, inklusive – automatisering av uppgifter, personanpassning av interaktioner, enklare datakommunikation och snabbare lösningar. Men det finns också problem som partiskhet, hallucinationer, hantering av de logiska funktionerna hos generationens AI, valen mellan flera LLM:er, etc. Så frågan återkommer till hur verkligen progressiva vi är i implementeringen av generationens AI?
Verkligheten är mer nyanserad än vad rubrikerna antyder. Medan andelen företag som använder sig av Gen AI varierar från 75 % till 85 % (baserat på olika rapporter), visar vår erfarenhet att de flesta av dem har fastnat i pilot- eller PoC-stadiet eller har begränsad implementeringsomfattning. Tvärtom har det visat en ökning av personlig produktivitet, särskilt när den kompletteras med mänsklig intelligens.
FOMO var aldrig ett bra sätt att komma igång – eftersom det pekar på de saker som saknas i sig:
Infrastrukturberedskap: För att verkligen kunna utnyttja generativ AI-kapacitet måste ni komma ur äldre system, datasilos och inkonsekvent datakvalitet.
Kompetensbrist: Det finns en betydande brist på yrkesverksamma som förstår både de tekniska aspekterna av generationens AI och dess affärstillämpningar. Det kommer att behövas fler personer som förstår nyanserna i att arbeta med AI.
Kostnadsrealitet: När man efterfrågar API:er för vilket verktyg som helst, vare sig det är OpenAI, GPT eller AWS, mäts det vanligtvis i tokens, eller så är underhållet och modellutbildningen ganska underskattade.
Faktum är att 63 % av chefer inom kundupplevelse (CX) rapporterar att den totala investeringen som krävs för att implementera AI har varit högre än väntat, vilket belyser skillnaden mellan förväntningar och verklighet. Dessutom, för att stödja den kapacitetsnivå som företag vill ha, skulle det enligt Goldman Sachs behövas ungefär 1 biljon dollar för att bygga infrastruktur, inklusive datacenter, verktyg och applikationer, under de närmaste åren.
Även om vissa kanske inte håller med, tror vi fortfarande att AI är nästa steg i förändringen. Hela diskussionen borde handla om varför och hur. En sak som generativ AI har gjort är att styra samtalet mot AI i en exceptionellt snabb takt. (Alla ville bara komma igång med det).
Detta ledde till att en mängd användningsfall realiserades – främst för produktivitetsförbättring. Ett bra exempel på detta är hur vi integrerade kodgenereringsfunktioner med vår MDM-lösning – vilket ger lämplig kod baserat på parametrarna och den datapipeline som ska skapas. Vi uppskattar att uppgifter som tidigare krävde timmar nu kan slutföras på bara 5–10 minuter – vilket sparar timmar av redundant tid.
På liknande sätt är några av de viktigaste användningsfallen vi har sett som fungerar bra:
Kodutveckling: AI har varit framgångsrikt med att automatisera kodskrivning på låg nivå, vilket gör det möjligt för utvecklare att fokusera på mer komplexa och produktiva uppgifter.
Kreativ design: Generativ AI kan generera designidéer på minuter som tidigare skulle ha tagit timmar, vilket påskyndar processen att få ut nya idéer till marknaden (för att inte tala om att skapa hypotetiska bilder baserade på text).
Kundsupport: ServiceNow har rapporterat en minskning med 80 % av den genomsnittliga tiden det tar att lösa kundtjänstproblem med hjälp av AI.
Genom att använda LLM:er för testgenerering kan ingenjörer skapa fler tester på kortare tid, vilket leder till förbättrad kodkvalitet och färre buggar.
Applikationer för datainsamling och datasökning, som P. AI, kan integreras i befintliga arbetsflöden som Teams för att ställa frågor om data för enklare analys (utan att vara teknisk expert).
För några kan detta vara de lågt hängande frukterna – för andra kan det vara värdefullt. Man kan argumentera för att det finns andra verktyg som NLP etc. som kunde ha gjort några av dessa, men att tiden det tog att göra det skulle ha varit betydligt längre.
Detta är bara början. I processen att bygga värdeskapande och tjocka, omfattande Gen AI-lösningar måste det ske en förändring av hela tillvägagångssättet och processen. Och den här vägen måste erkänna både potentialen och begränsningarna hos Gen AI. Framgång kommer inte från att hasta med att anamma varje ny AI-kapacitet, utan från att genomtänkt integrera dessa tekniker på sätt som skapar hållbart värde för alla intressenter.
Aspekterna är mångfacetterade. Från att identifiera tydligheten bakom flera modeller, t.ex. transformatormodeller som Claude, GPT4 eller diffusionsmodeller som Midjourney och DALL-E etc. och deras licensregler, till hur du ställer frågor, hur snabb ingenjör eller tips ska göra saker enklare och genomförbara – med tanke på att logiskt resonemang fortfarande inte är en av de största egenskaperna hos Gen AI.
Och sedan frågan om var man ska börja. Vi föreslår att man har en rätt matris med värde kontra prestandamöjlighet innan man börjar – för att identifiera de lågt hängande frukterna som ger bäst värde. Tänk också på att generativ AI fortfarande är AI – nyanserna och bakgrunden du lägger för den bör fortfarande vara tillräckligt solid. Se därför till att du har rätt datatekniska metoder som Data Lakehouse eller rätt dataekosystem som Data Fabric för att stödja din resa.
Var inte heller rädd för att experimentera. Vet bara när du ska sluta!