Kevin TopolskyPrarado-darbų genAI modelių domina išnyksta
Įmonės nukreipia dėmesį nuo naujausių AI modelių kaip „Google Gemini“, „Anthropic Claude“, „Amazon Bedrock“ ir „OpenAI GPT–4“ žavesio. Vietoj to dabar akcentuojama palpabus investicijų grąžos (ROI) svarba, kad organizacijos pirmenybę teiktų praktinėms generatyvinio AI taikymo sritims. Gartnerio pripažintas vicė prezidento analitikas Arun Chandrasekaran pastebi, kad įmonės vis labiau naudoja genAI tik naudodamos atvejus, kurie aiškiai demonstruoja grįžtamąją investicijų grąžą.
Nuo didelių lūkesčių iki nuvilties: realybės tikrinimas
GenAI patiria entuziazmo mažėjimą, kai ji nusileidžia iki nuvilimo pragaišties. Augantis atotrūkis tarp didelių lūkesčių ir realiosios pasiektų rezultatų, kartu su iššūkiais, su kuriais susiduria įmonės ištiunant savo duomenų inžinerijos ir AI valdymo praktikas, prisidėjo prie šio posūkio. Daugelio genAI iniciatyvų sunku demonstruoti palpabią investicijų grąžą, todėl organizacijoms sunku motyvuoti tokių projektų toliausią investiciją.
Generatyvinio AI kintantis kraštovaizdis: atskleidžiant slepiamas realybes
Nykstant naujausių AI modelių aplinkai, atsiranda keletas svarbių klausimų, kurie atskleidžia posūkio į AI aplinką dinamiką.
Svarbūs klausimai:
1. Kokie veiksniai lėmė entuziazmo mažėjimą dėl generatyvinių AI technologijų?
2. Kokie pagrindiniai iššūkiai, su kuriais susiduria įmonės siekdamos įgyvendinti pažadėtąją genAI iniciatyvų vertę?
3. Kaip organizacijos orientuojasi kompleksinėje duomenų inžinerijos ir AI valdymo terpėje siekdamos pasiekti sėkmingus rezultatus?
4. Kokios yra pasekmės, prioritizavus investicijų grąžą prieš naujausių AI modelių, verslo ateities AI įsitraukimui į įmones?
Atsakymai ir intuicija:
1. Entuziazmo mažėjimas gali būti būdingas skirtumui tarp pradinių didelių lūkesčių, susijusių su genAI ir realių rezultatų, kurie buvo pristatyti šiais projektais. Be to, sunku įrodinėti palpabią investicijų grąžą natūraliai slopina šių technologijų potrauką.
2. Įmonės sunkiai dirba, siekdamos ištobulinti savo duomenų inžinerijos procesus, užtikrinant aukštesnės kokybės iėjimą generatyvinių AI modeliams. Be to, naviguoti per governavimo iššūkius, susijusius su atsakingu AI diegimu, kelia reikšmingą kliūtį.
3. Sėkmingi rezultatai priklauso nuo tvirtų duomenų gedimų, užtikrinant duomenų kokybę ir efektyvių AI valdymo struktūrų įdiegimo, kurios atitinka organizacinius tikslus ir etikos klausimus.
4. Investicijų grąžos pirmenybė atskleidžia pragmatišką posūkį link ištraukti palpabią verslo vertę iš AI investicijų, nukreipiant verslą nuo spekuliacinių siekių link praktinių taikymų su išmatuojamu poveikiu.
Privalumai ir trūkumai:
Nors nykstant entuziasmui dėl naujausių AI modelių galime spręsti apie AI pramonės brandą tiesioginių taikymų link, tai taip pat kelia rūpesčių dėl galimo rūšičotos inovacijų ir ribojant naujoviškų AI technologijų tyrinėjimą. Dėmesys investicijų grąžai išryškina pragmatišką požiūrį į AI diegimą, tačiau gali kelti riziką praleisti ilgalaikes transformacines galimybes, kurios galėtų skatinti ateities augimą ir konkurencingumą.
Norėdami išsamiau ištyrusi generatyvinį AI kintantį kraštovaizdį ir bendresnį šio posūkio poveikį, skaitytojai gali rasti šias nuorodas vertingas:
