關(guān)于生成式人工智能,每個CEO都應(yīng)該知道的事情
自從ChatGPT、Bard、Claude、Midjourney以及其他內(nèi)容創(chuàng)作工具發(fā)布以來,圍繞生成式AI的興奮情緒不斷升溫,CEO們不禁要問:這到底是技術(shù)炒作,還是改變游戲規(guī)則的機會?如果是后者,對公司的業(yè)務(wù)有什么價值?
面向公眾的ChatGPT版本在短短兩個月內(nèi)就達到了1億用戶。它以一種前所未有的方式使AI民主化,同時成為迄今為止增長最快的應(yīng)用程序。其“開箱即用”的易用性使得生成式AI不同于之前的所有AI。用戶不需要機器學(xué)習(xí)學(xué)位就能與之互動或從中獲取價值;幾乎所有能提問的人都可以使用它。而且,與個人電腦或iPhone等其他突破性技術(shù)一樣,一個生成式AI平臺可以為任何年齡、教育水平和任何互聯(lián)網(wǎng)接入地點的受眾提供許多應(yīng)用程序。
所有這一切都是可能的,因為生成式AI聊天機器人是由基礎(chǔ)模型驅(qū)動的,基礎(chǔ)模型是由大量非結(jié)構(gòu)化、未標(biāo)記的各種格式數(shù)據(jù)(如文本和音頻)訓(xùn)練而成的龐大神經(jīng)網(wǎng)絡(luò)。基礎(chǔ)模型可以用于廣泛的任務(wù)。相比之下,前幾代AI模型通常是“狹隘的/受限的”,這意味著它們只能執(zhí)行一項任務(wù),比如預(yù)測客戶流失。例如,一個基礎(chǔ)模型可以為一份2萬字的量子計算技術(shù)報告編寫執(zhí)行摘要,為一家修剪樹木的企業(yè)起草一份市場戰(zhàn)略,為某家冰箱里的十種食材提供五種不同的食譜。這種多功能性的缺點是,就目前而言,生成式AI有時會提供不太準(zhǔn)確的結(jié)果,這讓人們重新關(guān)注AI的風(fēng)險管理。
有了適當(dāng)?shù)谋Wo措施,生成式AI不僅可以為企業(yè)解鎖新的用例,還可以加速、擴展或以其他方式改進現(xiàn)有的用例。例如,想象一下針對客戶的銷售電話。一個經(jīng)過專門訓(xùn)練的AI模型可以向銷售人員建議追加銷售的機會,但到目前為止,這些機會通常只是基于電話開始前獲得的靜態(tài)客戶數(shù)據(jù),比如人口統(tǒng)計數(shù)據(jù)和購買模式。生成式AI工具可以根據(jù)內(nèi)部客戶數(shù)據(jù)、外部市場趨勢和社交媒體影響數(shù)據(jù),根據(jù)對話的實際內(nèi)容,實時向銷售人員建議追加銷售機會。與此同時,生成式AI還可以為銷售人員提供一份銷售宣傳的初稿,讓他們進行調(diào)整和個性化處理。
上述示例演示了該技術(shù)對一個工作角色的影響。幾乎每個知識工作者都可能從與生成式AI的交互中受益。事實上,生成式AI最終可能被用于自動化某些任務(wù),其大部分價值可能來自軟件供應(yīng)商如何將該技術(shù)嵌入知識工作者使用的日常工具(例如電子郵件或文字處理軟件)中。這種升級的工具可以大大提高生產(chǎn)率。
CEO們想知道他們是否應(yīng)該現(xiàn)在就采取行動,如果是的話,如何開始?有些人可能會看到一個機會:通過重新想象人類如何使用生成式AI應(yīng)用程序來完成工作,從而超越競爭對手。而其他人可能想要謹慎行事,在進行任何大型投資之前,嘗試一些用例并了解更多。公司還必須評估他們是否擁有必要的技術(shù)專長、技術(shù)和數(shù)據(jù)架構(gòu)、運營模式和風(fēng)險管理流程,這些都是一些更具變革性的生成式AI實施所必需的。
本文可以幫助CEO及其團隊了解生成式AI的價值創(chuàng)造案例,以及如何開始他們的旅程。首先,我們提供了一個生成式AI入門章節(jié),以幫助高管們更好地理解AI的快速發(fā)展?fàn)顟B(tài)和可用的技術(shù)選擇。下一部分將通過四個旨在提高企業(yè)效率的案例來研究公司如何參與生成式AI實踐。這些案例反映了我們在早期采用者中所看到的情況,并闡明了在技術(shù)、成本和運營模式要求方面的一系列選擇。最后,我們討論了CEO在利用生成式AI成功定位企業(yè)方面的重要作用。
對生成式AI的興奮之情是顯而易見的,高管們理所當(dāng)然地希望以深思熟慮和有計劃的方式向前推進。我們希望這篇文章能夠為業(yè)務(wù)領(lǐng)導(dǎo)者提供一個全面的介紹,讓他們了解有前途的生成式AI的世界。
生成式AI入門
生成式AI技術(shù)正在迅速發(fā)展。它的發(fā)布周期、初創(chuàng)企業(yè)的數(shù)量以及與現(xiàn)有軟件應(yīng)用程序的快速集成無不引人注目。在本節(jié)中,我們將討論生成式AI應(yīng)用的廣度,并簡要解釋該技術(shù),包括它與傳統(tǒng)AI的不同之處。
不僅僅是聊天機器人
生成式AI可用于自動化、增強和加速工作。出于本文的目的,我們關(guān)注的是生成式AI增強工作的方式,而不是它如何取代人類的角色。
像ChatGPT這樣的文本生成式聊天機器人受到了極大的關(guān)注,同時,生成式AI可以實現(xiàn)廣泛的內(nèi)容功能,包括圖像、視頻、音頻和計算機代碼。它可以在企業(yè)中執(zhí)行多種功能,包括分類、編輯、總結(jié)、回答問題和起草新內(nèi)容。這些操作中的每一個都有可能通過改變跨業(yè)務(wù)功能和工作流在活動級別上完成工作的方式來創(chuàng)造價值。下面是一些例子。
分類
- 欺詐檢測分析師可以將交易描述和客戶文檔輸入生成式AI能工具,并要求其識別欺詐交易。
- 客戶服務(wù)經(jīng)理可以使用生成式AI根據(jù)客戶滿意度對客戶呼叫的音頻文件進行分類。
編輯
- 文案可以使用生成式AI來糾正語法并轉(zhuǎn)換文章以匹配客戶的需求。
- 平面設(shè)計師可以從圖像中刪除過時的徽標(biāo)。
總結(jié)
- 制作助理可以根據(jù)幾個小時的活動鏡頭創(chuàng)建一個亮點視頻。
- 業(yè)務(wù)分析師可以創(chuàng)建維恩圖(Venn diagram),總結(jié)高管演講中的關(guān)鍵點。
回答問題
- 制造企業(yè)的員工可以向基于生成式AI的“虛擬專家”詢問有關(guān)操作流程的技術(shù)問題。
- 消費者可以向聊天機器人詢問如何組裝一件新家具。
草案
- 軟件開發(fā)人員可以提示生成式AI創(chuàng)建整行代碼或建議完成現(xiàn)有代碼的部分行。
- 營銷經(jīng)理可以使用生成式AI起草各種版本的活動信息。
隨著技術(shù)的發(fā)展和成熟,這些類型的生成式AI可以越來越多地集成到企業(yè)工作流程中,以自動執(zhí)行任務(wù)并直接執(zhí)行特定操作(例如,在會議結(jié)束時自動發(fā)送摘要筆記)。我們已經(jīng)看到在這個領(lǐng)域出現(xiàn)了一些工具。
生成式AI與其他類型AI有何不同
顧名思義,生成式AI與之前的AI或分析形式的主要區(qū)別在于,它可以生成新內(nèi)容,通常是“非結(jié)構(gòu)化”形式(例如,書面文本或圖像),而這些內(nèi)容通常不會在帶有行和列的表格中表示。
使生成式AI能夠工作的底層技術(shù)是一類稱為基礎(chǔ)模型的人工神經(jīng)網(wǎng)絡(luò)。人工神經(jīng)網(wǎng)絡(luò)的靈感來自于人類大腦中連接的數(shù)十億個神經(jīng)元。它們使用深度學(xué)習(xí)進行訓(xùn)練,這個術(shù)語暗指神經(jīng)網(wǎng)絡(luò)中的許多層。深度學(xué)習(xí)為AI的許多最新進展提供了動力。
然而,一些特征將基礎(chǔ)模型與前幾代深度學(xué)習(xí)模型區(qū)分開來。首先,它們可以在大量不同的非結(jié)構(gòu)化數(shù)據(jù)集上進行訓(xùn)練。例如,一種稱為大型語言模型(LLM)的基礎(chǔ)模型可以在互聯(lián)網(wǎng)上公開提供的大量文本上進行訓(xùn)練,這些文本涵蓋了許多不同的主題。雖然其他深度學(xué)習(xí)模型可以在大量非結(jié)構(gòu)化數(shù)據(jù)上運行,但它們通常是在更具體的數(shù)據(jù)集上進行訓(xùn)練的。例如,一個模型可以在一組特定的圖像上進行訓(xùn)練,使其能夠識別照片中的某些物體。
事實上,其他深度學(xué)習(xí)模型通常只能執(zhí)行一個這樣的任務(wù)。例如,它們既可以對照片中的物體進行分類,也可以執(zhí)行其他功能,如進行預(yù)測。相反地,一個基礎(chǔ)模型可以同時執(zhí)行這兩個功能并生成內(nèi)容。基礎(chǔ)模型通過從它們攝取的廣泛訓(xùn)練數(shù)據(jù)中學(xué)習(xí)模式和關(guān)系來積累這些能力,例如,這些數(shù)據(jù)使它們能夠預(yù)測句子中的下一個單詞。這就是ChatGPT如何回答各種主題的問題,以及DALL·e2和Stable Diffusion如何根據(jù)描述生成圖像。
考慮到基礎(chǔ)模型的多功能性,公司可以使用相同的模型來實現(xiàn)多個業(yè)務(wù)用例,這是使用早期的深度學(xué)習(xí)模型鮮少能實現(xiàn)的。一個包含了公司產(chǎn)品信息的基礎(chǔ)模型既可以用于回答客戶的問題,也可以用于支持工程師開發(fā)產(chǎn)品的更新版本。因此,公司可以支持應(yīng)用程序并更快地實現(xiàn)其好處。
然而,由于當(dāng)前基礎(chǔ)模型的工作方式,它們并不適合所有的應(yīng)用程序。例如,大型語言模型可能容易產(chǎn)生“幻覺”,或者用看似合理但不真實的斷言回答問題。此外,并不總是提供響應(yīng)的基本推理或來源。這意味著,在錯誤可能造成傷害或需要解釋的應(yīng)用程序中,公司應(yīng)該謹慎地在沒有人為監(jiān)督的情況下集成生成式AI。生成式AI目前也不適合直接分析大量表格數(shù)據(jù)或解決高級數(shù)值優(yōu)化問題。研究人員正在努力解決這些問題。
負責(zé)任地使用生成式AI
生成式AI帶來了各種風(fēng)險。CEO們希望從一開始就設(shè)計自己的團隊和流程來降低這些風(fēng)險,這不僅是為了滿足快速變化的監(jiān)管要求,也是為了保護自己的業(yè)務(wù),贏得消費者的數(shù)字信任。
- 公平性:由于不完善的訓(xùn)練數(shù)據(jù)或開發(fā)模型的工程師做出的決策,模型可能會產(chǎn)生算法偏差。
- 知識產(chǎn)權(quán)(IP):訓(xùn)練數(shù)據(jù)和模型輸出可能產(chǎn)生重大的知識產(chǎn)權(quán)風(fēng)險,包括侵犯版權(quán)、商標(biāo)、專利或其他受法律保護的材料。即使使用提供商的生成式AI工具,企業(yè)也需要了解哪些數(shù)據(jù)用于培訓(xùn)以及如何在工具輸出中使用這些數(shù)據(jù)。
- 隱私:如果用戶輸入的信息最終以一種“使個人可識別”的形式出現(xiàn)在模型輸出中,則可能出現(xiàn)隱私問題。生成式AI還可用于創(chuàng)建和傳播惡意內(nèi)容,如虛假信息、深度造假和仇恨言論。
- 安全性:惡意行為者可能會利用生成式AI來加速網(wǎng)絡(luò)攻擊的復(fù)雜性和速度。它也可以被操縱以提供惡意輸出。例如,通過一種稱為“提示注入”的技術(shù),第三方可以向模型提供新的指令/提示,欺騙模型交付模型生產(chǎn)者和最終用戶意想不到的輸出。
- 可解釋性:生成式AI依賴于具有數(shù)十億參數(shù)的神經(jīng)網(wǎng)絡(luò),挑戰(zhàn)了我們解釋任何給定答案是如何產(chǎn)生的能力。
- 可靠性:對于相同的提示,模型可能產(chǎn)生不同的答案,從而妨礙用戶評估輸出的準(zhǔn)確性和可靠性的能力。
- 組織影響:生成式AI可能會對勞動力產(chǎn)生重大影響,對特定群體和當(dāng)?shù)厣鐓^(qū)的影響可能會產(chǎn)生不成比例的負面影響。
- 社會和環(huán)境影響:基礎(chǔ)模型的開發(fā)和培訓(xùn)可能導(dǎo)致有害的社會和環(huán)境后果,包括碳排放的增加(例如,培訓(xùn)一個大型語言模型可以排放約315噸二氧化碳)。
新興的生成式AI生態(tài)系統(tǒng)
雖然基礎(chǔ)模型是生成式AI的“大腦”,但整個價值鏈正在形成,以支持這項技術(shù)的培訓(xùn)和使用。專用硬件提供訓(xùn)練模型所需的廣泛計算能力;云平臺提供了利用這種硬件的能力;MLOps和模型中心提供者提供了企業(yè)調(diào)整基礎(chǔ)模型并在其最終用戶應(yīng)用程序中部署它所需的工具、技術(shù)和實踐的能力。許多公司正在進入市場,提供建立在基礎(chǔ)模型之上的應(yīng)用程序,使它們能夠執(zhí)行特定的任務(wù),例如幫助公司的客戶解決服務(wù)問題。
第一個基礎(chǔ)模型需要高水平的投資來開發(fā),因為需要大量的計算資源來訓(xùn)練它們,并且需要人力來改進它們。因此,它們主要是由少數(shù)幾家科技巨頭、獲得巨額投資支持的初創(chuàng)企業(yè)和一些開源研究團體(例如BigScience)開發(fā)的。然而,可以為某些任務(wù)提供有效結(jié)果的小型模型和更有效的培訓(xùn)正在進行中。這最終可能會向更多的進入者開放市場。一些初創(chuàng)公司已經(jīng)成功地開發(fā)了自己的模型——例如,Cohere、Anthropic和AI21 Labs建立并訓(xùn)練了自己的大型語言模型。
讓生成式AI發(fā)揮作用
CEO們應(yīng)該將探索生成式AI視為必須的考慮,而不是一種可能。生成式AI可以在廣泛的用例中創(chuàng)造價值。啟動它所需的經(jīng)濟和技術(shù)要求并未達到令人望而卻步的程度,而不作為的負面影響可能會很快落后于競爭對手。每位CEO都應(yīng)該與高管團隊合作,思考在哪里以及如何發(fā)揮作用。一些CEO可能會認為,生成式AI為他們的公司提供了一次變革性的機會,提供了一個重新構(gòu)想一切(從研發(fā)到營銷和銷售再到客戶運營)的機會。其他CEO則可能會選擇從小規(guī)模開始,然后再擴大規(guī)模。一旦做出決定,AI專家就可以根據(jù)用例遵循一些技術(shù)途徑來執(zhí)行策略。
在一個企業(yè)中,生成式AI的大部分用途(盡管不一定是全部價值)將來自于員工使用他們已經(jīng)擁有的軟件中嵌入的功能。電子郵件系統(tǒng)將提供寫郵件初稿的選項;生產(chǎn)力應(yīng)用程序?qū)⒏鶕?jù)描述創(chuàng)建演示文稿的初稿;財務(wù)軟件將生成財務(wù)報告中顯著特征的文字描述;客戶關(guān)系管理系統(tǒng)將提出與客戶互動的方法。這些特性可以加快每一位知識工作者的工作效率。
生成式AI在某些用例中也可能更具變革性。下面,我們來看四個例子,看看不同行業(yè)的公司如今如何使用生成式AI來重塑其企業(yè)內(nèi)的工作方式。這些例子涵蓋需要最少資源的和需要大量資源的。
改變軟件工程的工作
第一個例子是一個相對復(fù)雜性較低的案例,它使用現(xiàn)成的生成式AI解決方案,不需要內(nèi)部定制,因此可以即時提高生產(chǎn)率。
軟件工程師工作中最重要的部分是編寫代碼。這是一個勞動密集型的過程,需要大量的試驗和試錯,以及對私人和公共文件的研究。在這家公司,熟練的軟件工程師的短缺導(dǎo)致了功能和漏洞修復(fù)請求的大量積壓。
為了提高工程師的生產(chǎn)力,該公司正在實施一種基于AI的代碼完成產(chǎn)品,該產(chǎn)品與工程師用于編碼的軟件集成在一起。這能夠使工程師用自然語言編寫代碼描述,而AI則建議滿足描述的代碼塊的幾種變體。工程師可以選擇一個AI的建議,進行必要的改進,然后點擊它來插入代碼。
我們的研究表明,這樣的工具可以將開發(fā)人員的代碼生成速度提高50%。它還可以幫助調(diào)試,這可能會提高開發(fā)產(chǎn)品的質(zhì)量。但今天,生成式AI無法取代熟練的軟件工程師。事實上,更有經(jīng)驗的工程師似乎從這些工具中獲得了最大的生產(chǎn)力收益,而沒有經(jīng)驗的開發(fā)人員看到的結(jié)果則不那么令人印象深刻,有時甚至是負面的。已知的風(fēng)險是AI生成的代碼可能包含漏洞或其他錯誤,因此必須讓軟件工程師參與進來,以確保代碼的質(zhì)量和安全性。
這種現(xiàn)成的生成式AI編碼工具的成本相對較低,而且上市時間很短,因為產(chǎn)品可用,不需要大量的內(nèi)部開發(fā)。費用因軟件提供商而異,但固定費用訂閱從每個用戶每月10美元到30美元不等。在選擇工具時,務(wù)必與提供商討論許可和知識產(chǎn)權(quán)問題,以確保生成的代碼不會導(dǎo)致違規(guī)。
幫助客戶經(jīng)理跟上公共信息和數(shù)據(jù)的步伐
公司可能決定構(gòu)建自己的生成式AI應(yīng)用程序,利用基礎(chǔ)模型(通過API或開放模型),而不是使用現(xiàn)成的工具。這需要在前一個示例的基礎(chǔ)上增加投資,但也促進了更自定義的方法來滿足公司的特定背景和需求。
在這個例子中,一家大型企業(yè)銀行希望使用生成式AI來提高關(guān)系經(jīng)理(RM)的生產(chǎn)力。經(jīng)理們花費大量時間審查大型文件(如年度報告和收益電話會議記錄)以了解客戶的情況和優(yōu)先事項,從而能夠提供適合客戶特定需求的服務(wù)。
銀行決定構(gòu)建一個通過API訪問基礎(chǔ)模型的解決方案。該解決方案能夠掃描文檔,并可以快速為RM提出的問題提供綜合答案。圍繞基礎(chǔ)模型構(gòu)建的其他層用于簡化用戶體驗,將工具與公司系統(tǒng)集成,并應(yīng)用風(fēng)險和遵從性控制。特別是,必須驗證模型輸出,就像企業(yè)檢查初級分析人員的輸出一樣,因為已知一些大型語言模型會產(chǎn)生“幻覺”。此外,RM也需要接受培訓(xùn),以一種能夠從解決方案中提供最準(zhǔn)確答案的方式提出問題(稱為提示工程),并且將流程放置到位,以簡化工具輸出和信息源的驗證。
在這種情況下,生成式AI可以加快RM的分析過程(從幾天縮減至幾小時),提高工作滿意度,并捕獲RM可能忽略的見解。
開發(fā)成本主要來自用戶界面的構(gòu)建和集成,這需要數(shù)據(jù)科學(xué)家、機器學(xué)習(xí)工程師或數(shù)據(jù)工程師、設(shè)計人員和前端開發(fā)人員的共同努力。持續(xù)的費用包括軟件維護和使用API的成本。成本取決于模型選擇和第三方供應(yīng)商費用、團隊規(guī)模和最小可行產(chǎn)品所需的時間。
解放客戶支持代表從事更高價值的活動
下一個復(fù)雜的層次是對基礎(chǔ)模型進行微調(diào)。在這個例子中,一家公司使用了一個為對話優(yōu)化的基礎(chǔ)模型,并根據(jù)自己的高質(zhì)量客戶聊天和特定行業(yè)的問題和答案對其進行微調(diào)。該公司經(jīng)營的行業(yè)有專門的術(shù)語(例如,法律、醫(yī)藥、房地產(chǎn)和金融)。快速的客戶服務(wù)是一個有競爭力的差異化因素。
這家公司的客戶支持代表每天需要處理數(shù)百個入站咨詢。響應(yīng)時間有時太長,導(dǎo)致用戶不滿。該公司決定引入一個生成式AI客服機器人來處理大多數(shù)客戶的請求。目標(biāo)是以符合公司品牌和客戶偏好的語氣迅速做出回應(yīng)。對基礎(chǔ)模型進行微調(diào)和測試的部分過程包括確保回應(yīng)與特定領(lǐng)域的語言、品牌承諾和公司的基調(diào)保持一致;需要進行持續(xù)的監(jiān)控,以跨多個維度(包括客戶滿意度)驗證系統(tǒng)的性能。
該公司創(chuàng)建了由多個階段組成的產(chǎn)品路線圖,以盡量減少潛在的模型錯誤。在第一波測試中,聊天機器人在內(nèi)部進行了測試。員工能夠?qū)δP偷慕ㄗh給出“贊成”或“反對”的答案,模型能夠從這些輸入中學(xué)習(xí)。下一步,該模型“傾聽”客戶支持對話并提供建議。一旦技術(shù)得到充分的測試,第二波浪潮就開始了,模型轉(zhuǎn)向了面向客戶的用例,其中放置了一名員工在循環(huán)中。最終,當(dāng)領(lǐng)導(dǎo)者對這項技術(shù)完全有信心時,它可以在很大程度上實現(xiàn)自動化,甚至完全不需要人員參與。
在這種情況下,生成式AI將服務(wù)代表解放出來,專注于更高價值和復(fù)雜的客戶查詢,提高了代表的效率和工作滿意度,提高了服務(wù)標(biāo)準(zhǔn)和客戶滿意度。該機器人可以訪問客戶的所有內(nèi)部數(shù)據(jù),并可以“記住”之前的對話(包括電話),這是目前客戶聊天機器人的一大進步。
為了獲得收益,該用例需要在軟件、云基礎(chǔ)設(shè)施和技術(shù)人才方面進行物質(zhì)投資,以及在風(fēng)險和操作方面進行更高程度的內(nèi)部協(xié)調(diào)。一般來說,微調(diào)基礎(chǔ)模型的成本是在API之上構(gòu)建一個或多個軟件層的兩到三倍。云計算(如果對自托管模型進行微調(diào))或API(如果通過第三方API進行微調(diào))的人才和第三方成本是增加成本的關(guān)鍵。為了實現(xiàn)該解決方案,公司需要DataOps和MLOps專家的幫助,以及其他功能(如產(chǎn)品管理、設(shè)計、法律和客戶服務(wù)專家)的加持。
加速藥物研發(fā)
當(dāng)沒有合適的基礎(chǔ)模型,公司需要從頭開始構(gòu)建時,最復(fù)雜和定制的生成式AI用例就會出現(xiàn)。這種情況可能出現(xiàn)在專門的部門,或者在處理與用于訓(xùn)練現(xiàn)有基礎(chǔ)模型的數(shù)據(jù)顯著不同的獨特數(shù)據(jù)集時,正如這個制藥示例所演示的那樣。從頭開始訓(xùn)練一個基礎(chǔ)模型呈現(xiàn)出大量的技術(shù)、工程和資源挑戰(zhàn)。使用性能更高的模型所帶來的額外投資回報應(yīng)該超過財務(wù)和人力資本成本。
在這個例子中,一家制藥公司的藥物研發(fā)科學(xué)家必須根據(jù)顯微鏡圖像決定下一步要進行哪些實驗。他們有一個由數(shù)百萬張這樣的圖像組成的數(shù)據(jù)集,其中包含了豐富的細胞特征的視覺信息,這些信息與藥物發(fā)現(xiàn)有關(guān),但人類很難解釋。這些圖像被用來評估潛在的治療候選人。
該公司決定創(chuàng)建一個工具,幫助科學(xué)家了解藥物化學(xué)和記錄的顯微鏡結(jié)果之間的關(guān)系,以加快研發(fā)工作。由于這種多模態(tài)模型(multimodal model)仍處于起步階段,該公司決定轉(zhuǎn)而訓(xùn)練自己的模型。為了建立模型,團隊成員使用了用于訓(xùn)練基于圖像的基礎(chǔ)模型的真實世界圖像和他們的大型內(nèi)部顯微鏡圖像數(shù)據(jù)集。
經(jīng)過訓(xùn)練的模型通過預(yù)測哪些候選藥物可能導(dǎo)致有利的結(jié)果,以及通過提高準(zhǔn)確識別藥物發(fā)現(xiàn)相關(guān)細胞特征的能力來增加價值。這可以導(dǎo)致更高效和有效的藥物發(fā)現(xiàn)過程,不僅可以縮短獲得價值的時間,還可以減少不準(zhǔn)確、誤導(dǎo)或失敗分析的數(shù)量。
一般來說,從頭開始訓(xùn)練一個模型的成本是圍繞模型API構(gòu)建軟件的10到20倍。更大的團隊(例如,包括博士級機器學(xué)習(xí)專家)和更高的計算和存儲支出是成本差異的關(guān)鍵。訓(xùn)練基礎(chǔ)模型的預(yù)計成本根據(jù)期望的模型性能水平和建模復(fù)雜性而異。這些因素會影響所需的數(shù)據(jù)集大小、團隊組成和計算資源。在這個用例中,工程團隊和持續(xù)的云費用占了大部分成本。
該公司發(fā)現(xiàn)需要對其技術(shù)基礎(chǔ)設(shè)施和流程進行重大更新,包括訪問許多GPU實例來訓(xùn)練模型,在許多系統(tǒng)中分發(fā)訓(xùn)練的工具,以及最佳實踐MLOp以限制成本和項目持續(xù)時間。此外,收集、集成(確保不同數(shù)據(jù)集的文件具有相同的格式和分辨率)和清理(過濾低質(zhì)量數(shù)據(jù)、刪除重復(fù)數(shù)據(jù)和確保分發(fā)符合預(yù)期用途)也需要大量的數(shù)據(jù)處理工作。由于基礎(chǔ)模型是從零開始訓(xùn)練的,因此需要對最終模型進行嚴(yán)格的測試,以確保輸出是準(zhǔn)確的,并且可以安全使用。
CEO們得到的經(jīng)驗教訓(xùn)
這里列出的用例為CEO們踏上生成式AI之旅提供了有力的啟示:
- 為工作和工作場所帶來實際好處的變革性用例已經(jīng)存在。從制藥、銀行到零售,各行各業(yè)的公司都在建立一系列用例,以捕捉價值創(chuàng)造潛力。組織可以從小規(guī)模或大規(guī)模開始,這取決于他們的意愿。
- 追求生成式AI的成本差異很大,具體取決于用例和軟件、云基礎(chǔ)設(shè)施、技術(shù)專長和風(fēng)險緩解所需的數(shù)據(jù)。公司必須考慮風(fēng)險問題,不管用例是什么,而且有些用例需要比其他用例更多的資源。
- 盡管快速入門有好處,但首先建立一個基本的商業(yè)案例將幫助企業(yè)更好地駕馭其生成式AI之旅。
開啟生成式AI之旅的注意事項
CEO在推動公司專注于生成式AI方面發(fā)揮著至關(guān)重要的作用。在這最后一節(jié),我們將討論CEO們在開始他們的旅程時需要牢記的策略。他們中的許多人已經(jīng)回應(yīng)了高管們對前幾波新技術(shù)浪潮的反應(yīng)。然而,生成式AI也面臨著自己的挑戰(zhàn),包括管理一項在以前的技術(shù)轉(zhuǎn)型中從未見過的技術(shù)。
生成式AI的組織
許多組織開始通過孤立的實驗探索傳統(tǒng)AI的可能性。鑒于其獨特的風(fēng)險考慮和基礎(chǔ)模型在組織中支持多個用例的能力,生成式AI需要一種更加深思熟慮和協(xié)調(diào)的方法。例如,使用專有材料對模型進行微調(diào)以反映企業(yè)的品牌標(biāo)識,可以部署在多個用例(例如,生成個性化的營銷活動和產(chǎn)品描述)和業(yè)務(wù)功能(例如,產(chǎn)品開發(fā)和營銷)之間。
為此,我們建議召集一個由公司領(lǐng)導(dǎo)組成的跨職能小組(例如,代表數(shù)據(jù)科學(xué)、工程、法律、網(wǎng)絡(luò)安全、營銷、設(shè)計和其他業(yè)務(wù)職能)。這樣的一個小組不僅可以幫助識別和確定最高價值用例的優(yōu)先級,還可以在整個組織中實現(xiàn)協(xié)調(diào)和安全性。
重新構(gòu)想端到端領(lǐng)域VS專注于用例
生成式AI是一種強大的工具,可以改變組織的運作方式,對價值鏈中的某些業(yè)務(wù)領(lǐng)域(例如,零售商的營銷或制造商的運營)具有特別的影響。部署生成式AI的便利性可以吸引組織將其應(yīng)用于整個業(yè)務(wù)中的零星用例。對跨業(yè)務(wù)功能具有最大轉(zhuǎn)型潛力的領(lǐng)域的用例家族有一個完整視圖是很重要的。通過與其他傳統(tǒng)AI應(yīng)用程序同步工作的生成式AI,以及以前可能無法實現(xiàn)的新工作方式,組織正在重新構(gòu)想目標(biāo)狀態(tài)。
啟用完全加載的技術(shù)堆棧
現(xiàn)代數(shù)據(jù)和技術(shù)堆棧是幾乎任何成功的生成式AI方法的關(guān)鍵。CEO應(yīng)該向他們的首席技術(shù)官咨詢,以確定公司在計算資源、數(shù)據(jù)系統(tǒng)、工具和模型訪問(通過模型中心開源或通過API商業(yè)化)方面是否具備所需的技術(shù)能力。
例如,生成式AI的命脈是對特定業(yè)務(wù)環(huán)境或問題的數(shù)據(jù)的流暢訪問。那些尚未找到有效協(xié)調(diào)和提供數(shù)據(jù)訪問方法的公司,將無法對生成式AI進行微調(diào),以釋放其更多潛在的變革性用途。同樣重要的是設(shè)計一個可擴展的數(shù)據(jù)架構(gòu),其中包括數(shù)據(jù)治理和安全過程。根據(jù)用例的不同,現(xiàn)有的計算和工具基礎(chǔ)設(shè)施(可以通過云提供商獲得,也可以在內(nèi)部設(shè)置)可能也需要升級。基于生成式AI帶來的商業(yè)價值和競爭優(yōu)勢的清晰數(shù)據(jù)和基礎(chǔ)設(shè)施戰(zhàn)略將至關(guān)重要。
建造“燈塔”
CEO們希望避免陷入計劃階段。新的模型和應(yīng)用正在快速開發(fā)和發(fā)布。例如,GPT-4于2023年3月發(fā)布,ChatGPT(GPT-3.5)于2022年11月發(fā)布,GPT-3于2020年發(fā)布。在商業(yè)世界中,時間意味著一切,生成式AI技術(shù)的快節(jié)奏特性要求企業(yè)迅速采取行動,充分利用這一優(yōu)勢。有幾種方法可以讓高管們保持穩(wěn)定的發(fā)展。
雖然生成式AI仍處于早期階段,但重要的是要在內(nèi)部展示它如何影響公司的運營模式,也許可以通過“燈塔方法”(lighthouse approach)。例如,一種方法是建立一個“虛擬專家”,使一線員工能夠利用專有的知識來源,并向客戶提供最相關(guān)的內(nèi)容。這有可能提高生產(chǎn)力,創(chuàng)造熱情,并使組織能夠在將生成式AI擴展到面向客戶的應(yīng)用程序之前,在內(nèi)部對其進行測試。
與其他技術(shù)創(chuàng)新浪潮一樣,將會出現(xiàn)“概念驗證疲勞”(PoC fatigue)和許多公司陷入“試點煉獄”(pilot purgatory)的例子。但是,在擴展到相關(guān)用例之前,鼓勵概念驗證仍然是快速測試和完善有價值的業(yè)務(wù)用例的最佳方法。通過專注于產(chǎn)生有意義的結(jié)果的早期勝利,公司可以建立動力,然后擴大規(guī)模,以利用生成式AI的多用途特性。這種方法可以使企業(yè)促進更廣泛的AI應(yīng)用,并創(chuàng)造對保持競爭優(yōu)勢至關(guān)重要的創(chuàng)新文化。
平衡風(fēng)險和價值創(chuàng)造
正如上述四個詳細用例所展示的那樣,業(yè)務(wù)領(lǐng)導(dǎo)者必須平衡價值創(chuàng)造機會與生成式AI所涉及的風(fēng)險。根據(jù)我們最近的全球人工智能調(diào)查結(jié)果顯示,大多數(shù)組織并沒有緩解與傳統(tǒng)AI相關(guān)的大部分風(fēng)險,盡管超過一半的組織已經(jīng)采用了這項技術(shù)。生成式AI重新引起了人們對許多相同風(fēng)險的關(guān)注,例如隱藏在訓(xùn)練數(shù)據(jù)中的偏見可能持續(xù)存在,同時呈現(xiàn)出新的風(fēng)險,例如它的“幻覺”傾向。
因此,跨職能的領(lǐng)導(dǎo)團隊不僅要為生成式AI的使用構(gòu)建總體的道德原則和指導(dǎo)方針,還要對每個潛在用例所帶來的風(fēng)險有一個全面的了解。尋找與組織的整體風(fēng)險容忍度相一致的初始用例,并具有適當(dāng)?shù)慕Y(jié)構(gòu)以減輕相應(yīng)的風(fēng)險,這一點非常重要。例如,零售組織可能會優(yōu)先考慮價值略低但風(fēng)險也較低的用例,如創(chuàng)建營銷內(nèi)容的初始草稿和其他讓人保持循環(huán)的任務(wù)。與此同時,公司可能會留出更高價值、高風(fēng)險的用例,比如自動起草和發(fā)送超個性化營銷電子郵件的工具。這種風(fēng)險前瞻性實踐可以使組織建立必要的控制,以適當(dāng)?shù)毓芾砩墒紸I并保持合規(guī)性。
CEO及其團隊還希望了解生成式AI監(jiān)管的最新進展,包括與消費者數(shù)據(jù)保護和知識產(chǎn)權(quán)相關(guān)的規(guī)則,以保護公司免受責(zé)任問題的困擾。各國可能會采取不同的監(jiān)管方法,就像它們經(jīng)常對AI能和數(shù)據(jù)所做的那樣。組織可能需要調(diào)整他們的工作方法來校準(zhǔn)流程管理、文化和人才管理,以確保他們能夠處理快速發(fā)展的監(jiān)管環(huán)境和大規(guī)模生成式AI所帶來的風(fēng)險。
將生態(tài)系統(tǒng)方法應(yīng)用于伙伴關(guān)系
業(yè)務(wù)領(lǐng)導(dǎo)者應(yīng)該專注于建立和維持一套平衡的聯(lián)盟。公司的收購和聯(lián)盟戰(zhàn)略應(yīng)繼續(xù)專注于建立一個適應(yīng)不同環(huán)境的合作伙伴生態(tài)系統(tǒng),并解決生成式AI在技術(shù)堆棧的各個層面上的需求,同時要小心防止供應(yīng)商鎖定。
與合適的公司合作有助于加快執(zhí)行速度。組織不必自己構(gòu)建所有的應(yīng)用程序或基礎(chǔ)模型。相反地,他們可以與生成式AI供應(yīng)商和專家合作,以更快地采取行動。例如,他們可以與模型提供商合作,為特定部門定制模型,或者與提供支持功能(如可伸縮云計算)的基礎(chǔ)設(shè)施提供商合作。
企業(yè)也可以利用他人的專業(yè)知識,以迅速采取行動,利用最新的生成式AI技術(shù)。但生成式AI模型只是冰山一角:價值創(chuàng)造需要多個額外元素。
專注于所需的才能和技能
為了有效地將生成式AI能應(yīng)用于商業(yè)價值,公司需要建立自己的技術(shù)能力,并提高現(xiàn)有員工的技能。這需要領(lǐng)導(dǎo)層共同努力,根據(jù)公司的優(yōu)先級用例確定所需的能力,這可能會超越技術(shù)角色,包括工程、數(shù)據(jù)、設(shè)計、風(fēng)險、產(chǎn)品和其他業(yè)務(wù)功能的人才組合。
正如在上面突出顯示的用例中所展示的那樣,技術(shù)和人才需求根據(jù)給定實現(xiàn)的性質(zhì)而變化很大——從使用現(xiàn)成的解決方案到從頭開始構(gòu)建基礎(chǔ)模型。例如,為了構(gòu)建生成式模型,公司可能需要博士級的機器學(xué)習(xí)專家;另一方面,要使用現(xiàn)有模型和SaaS產(chǎn)品開發(fā)生成式AI工具,數(shù)據(jù)工程師和軟件工程師可能足以領(lǐng)導(dǎo)這項工作。
除了雇傭合適的人才,公司還希望對現(xiàn)有員工進行培訓(xùn)和教育。基于提示的會話用戶界面可以使生成式AI應(yīng)用程序易于使用。但是用戶仍然需要優(yōu)化他們的提示,了解技術(shù)的局限性,并知道何時何地可以將應(yīng)用程序集成到他們的工作流中。領(lǐng)導(dǎo)層應(yīng)就生成式AI工具的使用提供明確的指導(dǎo)方針,并提供持續(xù)的教育和培訓(xùn),以使員工了解其風(fēng)險。培養(yǎng)一種自我驅(qū)動的研究和實驗文化也可以鼓勵員工創(chuàng)新流程和產(chǎn)品,并有效地結(jié)合這些工具。
多年來,全球各地的企業(yè)一直胸懷人工智能的雄心,如今,許多企業(yè)已經(jīng)實現(xiàn)了新的收入來源、產(chǎn)品改進和運營效率。這些領(lǐng)域的大部分成功都源于AI技術(shù),AI技術(shù)仍然是特定工作的最佳工具,企業(yè)應(yīng)該繼續(xù)擴大這方面的努力。然而,生成式AI代表了另一個有希望的飛躍和一個充滿新可能性的世界。雖然該技術(shù)的運營和風(fēng)險框架仍在構(gòu)建中,但業(yè)務(wù)領(lǐng)導(dǎo)者清楚地知道他們應(yīng)該踏上生成式AI之旅。但是他們應(yīng)該從哪里以及如何開始呢?答案因公司而異,也因組織而異。有些公司會選擇從大規(guī)模開始;而其他公司可能會先進行較小規(guī)模的實驗。最佳方法將取決于一家公司的抱負和風(fēng)險偏好。無論你的抱負是什么,關(guān)鍵是要行動起來,在實踐中學(xué)習(xí)。