به سختی روزی میگذرد که توسعههای تجاری جدید مرتبط با هوش مصنوعی مولد در رسانهها ظاهر نشود. این هیجان کاملاً شایسته است— تحقیق مککینزی تخمین میزند که هوش مصنوعی مولد میتواند سالانه ارزشی معادل ۲.۶ تریلیون دلار به ۴.۴ تریلیون دلار اضافه کند.1
CIOها و افسران ارشد فناوری (CTO) نقش مهمی در به دست آوردن این ارزش دارند، اما شایان ذکر است که قبلاً این فیلم را دیدهایم. فناوریهای جدیدی ظهور کردند – اینترنت، موبایل، رسانههای اجتماعی – که غوغای آزمایشها و آزمایشهای آزمایشی را به راه انداخت، اگرچه ارزش تجاری قابل توجهی اغلب دشوارتر بود. بسیاری از درسهای آموختهشده از این پیشرفتها هنوز هم کاربرد دارند، بهویژه وقتی صحبت از گذر از مرحله آزمایشی برای رسیدن به مقیاس باشد. برای CIO و CTO، رونق هوش مصنوعی مولد یک فرصت منحصر به فرد برای به کارگیری این درس ها برای هدایت C-suite در تبدیل وعده هوش مصنوعی مولد به ارزش پایدار برای تجارت است.
از طریق گفتگو با ده ها رهبر فناوری و تجزیه و تحلیل ابتکارات هوش مصنوعی مولد در بیش از 50 شرکت (از جمله شرکت خودمان)، ما 9 اقدام را شناسایی کرده ایم که همه رهبران فناوری می توانند برای ایجاد ارزش، سازماندهی فناوری و داده ها، مقیاس راه حل ها و مدیریت ریسک انجام دهند. برای هوش مصنوعی مولد (به نوار کناری، “یک آغازگر سریع در مورد اصطلاحات کلیدی” مراجعه کنید):
- برای تعیین وضعیت شرکت برای پذیرش هوش مصنوعی مولد ، و توسعه ارتباطات عملی و دسترسی مناسب برای کارکنان، به سرعت حرکت کنید.
- کسب و کار را دوباره تصور کنید و موارد استفاده ای را شناسایی کنید که از طریق بهبود بهره وری، رشد و مدل های کسب و کار جدید ارزش ایجاد می کند . قابلیت «هوش مصنوعی مالی» (FinAI) را توسعه دهید که بتواند هزینه ها و بازده واقعی هوش مصنوعی مولد را تخمین بزند.
- عملکرد فناوری را دوباره تصور کنید و روی ایجاد سریع قابلیتهای هوش مصنوعی در توسعه نرمافزار، تسریع کاهش بدهی فنی و کاهش چشمگیر تلاش دستی در عملیات فناوری اطلاعات تمرکز کنید.
- از خدمات موجود استفاده کنید یا مدلهای AI مولد منبع باز را برای توسعه قابلیتهای اختصاصی تطبیق دهید (ساخت و راهاندازی مدلهای هوش مصنوعی مولد شما میتواند دهها تا صدها میلیون دلار هزینه داشته باشد، حداقل در کوتاهمدت).
- معماری فناوری سازمانی خود را ارتقا دهید تا مدلهای هوش مصنوعی مولد را ادغام و مدیریت کنید و نحوه عملکرد آنها با یکدیگر و مدلها، برنامهها و منابع داده هوش مصنوعی و یادگیری ماشین (ML) موجود را هماهنگ کنید.
- یک معماری داده را توسعه دهید تا با پردازش منابع داده ساختاریافته و بدون ساختار، دسترسی به داده های با کیفیت را امکان پذیر کند .
- یک تیم پلتفرم هوش مصنوعی مولد متمرکز و متقابل برای ارائه مدل های تایید شده به تیم های محصول و برنامه در صورت تقاضا ایجاد کنید.
- در ارتقاء مهارتهای نقشهای کلیدی – توسعهدهندگان نرمافزار، مهندسان داده، مهندسان MLOps و کارشناسان امنیتی – و همچنین نیروی کار گستردهتر غیر فناوری سرمایهگذاری کنید. اما به دلیل تأثیر متفاوت هوش مصنوعی مولد، باید برنامه های آموزشی را بر اساس نقش ها و سطوح مهارت تنظیم کنید .
- چشم انداز خطر جدید را ارزیابی کنید و شیوه های کاهش مداوم را برای رسیدگی به مدل ها، داده ها و سیاست ها ایجاد کنید.
1. وضعیت شرکت را برای پذیرش هوش مصنوعی مولد تعیین کنید
همانطور که استفاده از هوش مصنوعی مولد به طور فزاینده ای گسترده می شود، شاهد هستیم که CIO ها و CTO ها با مسدود کردن دسترسی کارمندان به برنامه های کاربردی در دسترس عموم برای محدود کردن ریسک پاسخ می دهند. در انجام این کار، این شرکتها در معرض خطر از دست دادن فرصتهای نوآوری هستند، حتی برخی از کارمندان این حرکتها را بهعنوان محدودکننده تواناییشان در ایجاد مهارتهای جدید مهم میدانند.
در عوض، CIOها و CTOها باید با رهبران ریسک کار کنند تا نیاز واقعی به کاهش ریسک را با اهمیت ایجاد مهارتهای هوش مصنوعی در کسبوکار متعادل کنند. این امر مستلزم ایجاد موضع شرکت در مورد هوش مصنوعی مولد با ایجاد اجماع در مورد سطوح ریسکی است که کسب و کار با آن راحت است و اینکه چگونه هوش مصنوعی مولد در استراتژی کلی کسب و کار قرار می گیرد. این مرحله به کسب و کار اجازه می دهد تا به سرعت خط مشی ها و دستورالعمل های کل شرکت را تعیین کند.
هنگامی که خطمشیها به وضوح تعریف میشوند، رهبران باید آنها را با کسبوکار در میان بگذارند و CIO و CTO به سازمان دسترسی مناسب و دستورالعملهای کاربرپسند ارائه دهند. برخی از شرکتها ارتباطات گستردهای را در مورد هوش مصنوعی مولد ایجاد کردهاند، دسترسی گستردهای به هوش مصنوعی مولد برای گروههای کاربری خاص فراهم کردهاند، پنجرههای بازشو ایجاد کردهاند که هر زمان که دادههای داخلی را وارد مدل میکنند به کاربران هشدار میدهند، و یک صفحه دستورالعمل ساختهاند که هر بار که کاربران به آن دسترسی پیدا میکنند ظاهر میشود. یک سرویس هوش مصنوعی مولد در دسترس عموم.
2. موارد استفاده ای را که از طریق بهبود بهره وری، رشد و مدل های کسب و کار جدید ارزش ایجاد می کند، شناسایی کنید
CIOها و CTOها باید پادزهر دیوانگی “مرگ بر اثر استفاده” باشند که قبلاً در بسیاری از شرکت ها شاهد آن هستیم. آنها میتوانند با همکاری با مدیر عامل، مدیر مالی و سایر رهبران کسبوکار به این فکر کنند که چگونه هوش مصنوعی مولد مدلهای کسبوکار موجود را به چالش میکشد، درها را به روی مدلهای جدید باز میکند و منابع جدید ارزش خلق میکند. با درک عمیق از امکانات فنی، CIO و CTO باید ارزشمندترین فرصت ها و مسائلی را در سراسر شرکت شناسایی کنند که می توانند از هوش مصنوعی مولد بهره ببرند – و آنهایی که نمی توانند. در برخی موارد، هوش مصنوعی مولد بهترین گزینه نیست .
برای مثال، تحقیقات مککینزی نشان میدهد که هوش مصنوعی مولد میتواند بهرهوری را برای موارد استفاده بازاریابی خاص (مثلاً با تجزیه و تحلیل دادههای غیرساختارمند و انتزاعی برای ترجیح مشتری) تا حدود 10 درصد و پشتیبانی مشتری (مثلاً از طریق رباتهای هوشمند) را تا 40 افزایش دهد. درصد2CIO و CTO می توانند به ویژه در ایجاد دیدگاهی در مورد بهترین روش خوشه بندی موارد استفاده بر اساس دامنه (مانند سفر مشتری یا فرآیند کسب و کار) یا استفاده از نوع مورد (مانند ایجاد محتوای خلاقانه یا عوامل مجازی) مفید باشند تا هوش مصنوعی مولد بیشترین ارزش را دارند. شناسایی فرصتها استراتژیکترین کار نخواهد بود – موارد استفاده از هوش مصنوعی مولد زیادی وجود دارد – اما با توجه به محدودیتهای اولیه استعدادها و قابلیتها، CIO و CTO باید برآوردهای امکانسنجی و منابع را برای کمک به کسب و کار در توالی هوش مصنوعی مولد ارائه کنند. اولویت های.
ارائه این سطح از مشاوره مستلزم این است که رهبران فناوری با کسب و کار همکاری کنند تا قابلیت FinAI را برای برآورد هزینه های واقعی و بازده ابتکارات هوش مصنوعی مولد توسعه دهند. محاسبات هزینه میتواند بسیار پیچیده باشد، زیرا اقتصاد واحد باید هزینههای چند مدل و فروشنده، تعاملات مدل (جایی که یک پرس و جو ممکن است به ورودی از مدلهای متعدد نیاز داشته باشد)، هزینههای استفاده مداوم و هزینههای نظارت انسانی را در نظر بگیرد.
3. عملکرد فناوری را دوباره تصور کنید
هوش مصنوعی مولد این پتانسیل را دارد که به طور کامل نحوه عملکرد عملکرد فناوری را بازسازی کند. CIOها و CTOها باید یک بررسی جامع از تأثیر بالقوه هوش مصنوعی مولد بر همه حوزه های فناوری انجام دهند، اما مهم است که به سرعت برای ایجاد تجربه و تخصص اقدام کنید. سه حوزه وجود دارد که آنها می توانند انرژی اولیه خود را متمرکز کنند:
- توسعه نرمافزار: تحقیقات McKinsey نشان میدهد که پشتیبانی از کدنویسی مولد هوش مصنوعی میتواند به مهندسان نرمافزار کمک کند تا کد را 35 تا 45 درصد سریعتر، کد Refactor را 20 تا 30 درصد سریعتر، و مستندسازی کد را 45 تا 50 درصد سریعتر انجام دهند.3هوش مصنوعی مولد همچنین میتواند فرآیند آزمایش را خودکار کند و موارد لبه را شبیهسازی کند، به تیمها اجازه میدهد تا نرمافزار انعطافپذیرتری را قبل از انتشار توسعه دهند، و سرعت ورود توسعهدهندگان جدید را تسریع کنند (مثلاً با پرسیدن سؤالات هوش مصنوعی مولد در مورد یک پایه کد). گرفتن این مزایا مستلزم آموزش گسترده (بیشتر در عمل 8 را ببینید) و اتوماسیون خطوط لوله یکپارچه سازی و استقرار از طریق شیوه های DevSecOps برای مدیریت افزایش حجم کد نیاز دارد.
- بدهی فنی: بدهی فنی می تواند 20 تا 40 درصد بودجه فناوری را تشکیل دهد و سرعت توسعه را به طور قابل توجهی کاهش دهد.4CIOها و CTOها باید ترازنامه بدهی های فناوری خود را بررسی کنند تا مشخص کنند که چگونه قابلیت های هوش مصنوعی مولد مانند بازآفرینی کد، ترجمه کد و تولید خودکار نمونه آزمایشی می تواند کاهش بدهی فنی را تسریع کند.
- عملیات فناوری اطلاعات (ITOps): CIOها و CTOها باید تلاش های بهره وری ITOs خود را بررسی کنند تا تعیین کنند که چگونه هوش مصنوعی مولد می تواند فرآیندها را تسریع کند. قابلیتهای هوش مصنوعی مولد بهویژه در خودکارسازی کارهایی مانند بازنشانی رمز عبور، درخواستهای وضعیت یا تشخیصهای اولیه از طریق عوامل سلف سرویس مفید هستند. تسریع تریاژ و وضوح از طریق بهبود مسیریابی. نمایاندن زمینه مفید، مانند موضوع یا اولویت، و ایجاد پاسخ های پیشنهادی؛ بهبود قابلیت مشاهده از طریق تجزیه و تحلیل جریان های گسترده ای از سیاههها برای شناسایی رویدادهایی که واقعاً نیاز به توجه دارند. و توسعه اسناد، مانند روشهای عملیاتی استاندارد، پس از مرگ حادثه، یا گزارش عملکرد.
4. از خدمات موجود استفاده کنید یا مدل های AI مولد منبع باز را تطبیق دهید
وقتی صحبت از استراتژیهایی برای توسعه قابلیتهای هوش مصنوعی مولد به میان میآید، تغییری از تصمیم کلاسیک «اجاره، خرید یا ساخت» وجود دارد. قانون اساسی صادق است: یک شرکت باید روی یک قابلیت هوش مصنوعی مولد سرمایه گذاری کند که در آن بتواند مزیتی اختصاصی برای کسب و کار ایجاد کند و به خدمات موجود برای آنهایی که بیشتر شبیه کالا هستند دسترسی پیدا کند.
CIO و CTO می توانند به مفاهیم این گزینه ها به عنوان سه کهن الگو فکر کنند:
- Taker — از مدلهای در دسترس عموم از طریق یک رابط چت یا یک API، با سفارشیسازی کم یا بدون هیچ سفارشی استفاده میکند. نمونههای خوب شامل راهحلهای آماده برای تولید کد (مانند GitHub Copilot) یا کمک به طراحان در تولید و ویرایش تصویر (مانند Adobe Firefly) است. این ساده ترین کهن الگو از نظر نیازهای مهندسی و زیرساختی است و به طور کلی سریع ترین راه اندازی و اجرا است. این مدلها اساساً کالاهایی هستند که به دادهها در قالب پیامهایی به مدل عمومی متکی هستند.
- Shaper — مدل ها را با داده ها و سیستم های داخلی ادغام می کند تا نتایج سفارشی تری تولید کند. یک مثال مدلی است که از معاملات فروش با اتصال ابزارهای هوش مصنوعی مولد به مدیریت ارتباط با مشتری (CRM) و سیستم های مالی برای ترکیب سابقه فروش و تعامل قبلی مشتریان پشتیبانی می کند. دیگری تنظیم دقیق مدل با اسناد داخلی شرکت و سابقه چت است تا به عنوان دستیار یک نماینده پشتیبانی مشتری عمل کند. برای شرکتهایی که به دنبال مقیاسبندی قابلیتهای هوش مصنوعی مولد، توسعه قابلیتهای اختصاصیتر، یا برآوردن نیازهای امنیتی یا انطباق بالاتر هستند، کهن الگوی Shaper مناسب است.دو رویکرد رایج برای ادغام داده ها با مدل های هوش مصنوعی مولد در این کهن الگو وجود دارد. یکی این است که «مدل را به دادهها بیاوریم»، جایی که مدل در زیرساخت سازمان، چه در محل یا در محیط ابری میزبانی میشود. برای مثال، Cohere مدلهای پایه را بر روی زیرساختهای ابری مشتریان مستقر میکند و نیاز به انتقال داده را کاهش میدهد. رویکرد دیگر این است که «دادهها را به مدل بیاوریم»، جایی که یک سازمان میتواند دادههای خود را جمعآوری کند و یک کپی از مدل بزرگ را در زیرساخت ابری مستقر کند. هر دو رویکرد به هدف دسترسی به مدلهای پایه دست مییابند و انتخاب بین آنها به ردپای بار کاری سازمان بستگی دارد.
- Maker – یک مدل پایه برای رسیدگی به یک مورد تجاری مجزا می سازد. ساخت یک مدل پایه گران و پیچیده است و به حجم عظیمی از داده ها، تخصص عمیق و قدرت محاسباتی عظیم نیاز دارد. این گزینه برای ساخت مدل و آموزش آن به یک سرمایه گذاری قابل توجه – ده ها یا حتی صدها میلیون دلار – نیاز دارد. هزینه به عوامل مختلفی مانند زیرساخت آموزشی، انتخاب معماری مدل، تعداد پارامترهای مدل، اندازه داده ها و منابع متخصص بستگی دارد.
هر کهن الگو هزینه های خاص خود را دارد که رهبران فناوری باید در نظر بگیرند (شکل 1). در حالی که پیشرفتهای جدید، مانند رویکردهای آموزشی مدل کارآمد و هزینههای محاسبه واحد پردازش گرافیکی (GPU) کمتر در طول زمان، هزینهها را کاهش میدهند، پیچیدگی ذاتی کهن الگوی Maker به این معنی است که تعداد کمی از سازمانها آن را در کوتاه مدت اتخاذ خواهند کرد. در عوض، بیشتر به ترکیبی از Taker برای دسترسی سریع به یک سرویس کالا و Shaper برای ایجاد یک قابلیت اختصاصی بر روی مدل های پایه روی می آورند.
5. معماری فناوری سازمانی خود را برای ادغام و مدیریت مدل های هوش مصنوعی مولد ارتقا دهید
سازمان ها از بسیاری از مدل های هوش مصنوعی مولد با اندازه، پیچیدگی و قابلیت های مختلف استفاده خواهند کرد. برای تولید ارزش، این مدلها باید بتوانند هم با هم و هم با سیستمها یا برنامههای موجود کسبوکار کار کنند. به همین دلیل، ساخت یک پشته فناوری جداگانه برای هوش مصنوعی مولد، پیچیدگی های بیشتری را نسبت به حل آن ایجاد می کند. به عنوان مثال، میتوانیم به یک مشتری که خدمات مشتری را در یک شرکت مسافرتی پرس و جو میکند برای حل مشکل رزرو نگاه کنیم (شکل 2). در تعامل با مشتری، مدل هوش مصنوعی مولد نیاز به دسترسی به چندین برنامه کاربردی و منابع داده دارد.
برای کهن الگوی Taker، این سطح از هماهنگی ضروری نیست. اما برای شرکت هایی که به دنبال مقیاس گذاری مزایای هوش مصنوعی مولد به عنوان Shapers یا Makers هستند، CIO ها و CTO ها باید معماری فناوری خود را ارتقا دهند. هدف اصلی ادغام مدلهای هوش مصنوعی در سیستمهای داخلی و برنامههای کاربردی سازمانی و ایجاد خطوط لوله به منابع داده مختلف است. در نهایت، بلوغ معماری فناوری سازمانی کسبوکار است که به آن اجازه میدهد قابلیتهای هوش مصنوعی مولد خود را یکپارچه و مقیاسبندی کند.
پیشرفتهای اخیر در چارچوبهای یکپارچهسازی و ارکستراسیون، مانند LangChain و LlamaIndex، تلاش لازم برای اتصال مدلهای مختلف هوش مصنوعی مولد با سایر برنامهها و منابع داده را به میزان قابل توجهی کاهش داده است. چندین الگوی یکپارچه سازی نیز در حال ظهور هستند، از جمله آنهایی که مدل ها را قادر می سازند تا در هنگام پاسخ به پرس و جوی کاربر، API ها را فراخوانی کنند – برای مثال GPT-4 می تواند توابع را فراخوانی کند – و داده های متنی را از یک مجموعه داده خارجی به عنوان بخشی از یک پرس و جو کاربر ارائه می دهد. تکنیکی که به عنوان نسل افزوده بازیابی شناخته می شود. رهبران فناوری باید معماری های مرجع و الگوهای یکپارچه سازی استاندارد را برای سازمان خود تعریف کنند (مانند فرمت های استاندارد API و پارامترهایی که کاربر و مدلی را که API را فراخوانی می کند) شناسایی می کند.
پنج عنصر کلیدی وجود دارد که باید در معماری فناوری گنجانده شود تا هوش مصنوعی مولد به طور موثر یکپارچه شود (شکل 3):
- مدیریت متن و ذخیره سازی برای ارائه مدل هایی با اطلاعات مرتبط از منابع داده سازمانی. دسترسی به داده های مرتبط در زمان مناسب چیزی است که به مدل اجازه می دهد تا زمینه را درک کند و خروجی های قانع کننده ای تولید کند. ذخیره در حافظه پنهان منجر به سؤالات متداول می شود تا پاسخ های سریع تر و ارزان تر را فراهم کند.
- مدیریت خط مشی برای اطمینان از دسترسی مناسب به دارایی های داده سازمانی. این کنترل تضمین میکند که مدلهای هوش مصنوعی مولد منابع انسانی که شامل جزئیات پاداش کارکنان هستند، برای مثال، برای بقیه سازمان قابل دسترسی نیستند.
- مرکز مدل ، که شامل مدلهای آموزشدیده و تایید شده است که میتوان آنها را در صورت تقاضا تهیه کرد و بهعنوان یک مخزن برای نقاط بازرسی مدل، وزنها و پارامترها عمل میکند.
- کتابخانه سریع ، که حاوی دستورالعملهای بهینهسازی شده برای مدلهای هوش مصنوعی مولد، از جمله نسخهسازی سریع بهعنوان بهروزرسانی مدلها است.
- پلتفرم MLOps ، از جمله قابلیتهای ارتقا یافته MLOps، برای در نظر گرفتن پیچیدگی مدلهای هوش مصنوعی مولد. برای مثال، خطوط لوله MLOps باید شامل ابزار دقیق برای اندازهگیری عملکرد خاص کار باشد، مانند اندازهگیری توانایی مدل برای بازیابی دانش مناسب.
در تکامل معماری، CIOها و CTOها باید در یک اکوسیستم در حال رشد سریع از ارائه دهندگان و ابزارهای هوش مصنوعی مولد حرکت کنند. ارائهدهندگان ابر دسترسی گستردهای به سختافزارها و مدلهای پایه و همچنین مجموعهای از خدمات در حال گسترش را فراهم میکنند. در همین حال، MLOها و ارائهدهندگان مرکز مدل، ابزارها، فناوریها و شیوههایی را برای تطبیق یک مدل پایه و استقرار آن در تولید ارائه میکنند، در حالی که سایر شرکتها برنامههایی را ارائه میدهند که مستقیماً توسط کاربران ساخته شده بر روی مدلهای پایه برای انجام وظایف خاص قابل دسترسی هستند. CIOها و CTOها باید ارزیابی کنند که چگونه این قابلیت های مختلف مونتاژ و یکپارچه شده اند تا مدل های هوش مصنوعی مولد را استقرار و اجرا کنند.
6. یک معماری داده ایجاد کنید تا امکان دسترسی به داده های با کیفیت را فراهم کند
توانایی یک کسبوکار برای تولید و مقیاسبندی ارزش، از جمله کاهش هزینهها و بهبود حفاظت از دادهها و دانش، از مدلهای هوش مصنوعی مولد به میزان بهرهگیری از دادههای خود بستگی دارد. ایجاد این مزیت به معماری دادهای متکی است که مدلهای هوش مصنوعی مولد را به منابع داده داخلی متصل میکند، که زمینه را فراهم میکند یا به تنظیم دقیق مدلها برای ایجاد خروجیهای مرتبطتر کمک میکند.
در این زمینه، CIOها، CTOها و افسران ارشد داده باید برای انجام کارهای زیر با یکدیگر همکاری نزدیک داشته باشند:
- داده ها را دسته بندی و سازماندهی کنید تا بتوان از آنها توسط مدل های هوش مصنوعی مولد استفاده کرد. رهبران فناوری باید یک معماری داده جامع ایجاد کنند که منابع داده ساختاریافته و بدون ساختار را در بر گیرد. این امر مستلزم ایجاد استانداردها و دستورالعملهایی برای بهینهسازی دادهها برای استفاده مولد هوش مصنوعی است – برای مثال، با تقویت دادههای آموزشی با نمونههای مصنوعی برای بهبود تنوع و اندازه. تبدیل انواع رسانه به فرمت های داده استاندارد؛ افزودن ابرداده برای بهبود قابلیت ردیابی و کیفیت داده ها؛ و به روز رسانی داده ها
- اطمینان حاصل کنید که زیرساختهای موجود یا سرویسهای ابری میتوانند از ذخیرهسازی و مدیریت حجم وسیعی از دادههای مورد نیاز برای برنامههای کاربردی هوش مصنوعی پشتیبانی کنند.
- توسعه خطوط لوله داده را برای اتصال مدلهای هوش مصنوعی به منابع داده مرتبط که «درک متنی» را ارائه میدهند، اولویت دهید. رویکردهای نوظهور شامل استفاده از پایگاههای داده برداری برای ذخیره و بازیابی جاسازیها (دانش قالببندیشده ویژه) به عنوان ورودی برای مدلهای هوش مصنوعی و همچنین رویکردهای یادگیری درون زمینهای، مانند «تشویق چند عکس» است، که در آن مدلها با نمونههایی از پاسخهای خوب ارائه میشوند. .
7. یک تیم پلتفرم هوش مصنوعی مولد متمرکز و متقابل ایجاد کنید
بیشتر سازمانهای فناوری در حال سفر به سمت مدل عملیاتی محصول و پلتفرم هستند . CIOها و CTOها باید قابلیت های هوش مصنوعی مولد را در این مدل عملیاتی ادغام کنند تا بر زیرساخت های موجود بنا شده و به مقیاس سریع پذیرش هوش مصنوعی مولد کمک کنند. اولین گام، راه اندازی یک تیم پلتفرم هوش مصنوعی مولد است که تمرکز اصلی آن توسعه و حفظ یک سرویس پلتفرم است که در آن مدلهای مولد هوش مصنوعی میتوانند بر اساس تقاضا برای استفاده توسط تیمهای محصول و برنامه ارائه شوند. تیم پلتفرم همچنین پروتکلهایی را برای نحوه ادغام مدلهای هوش مصنوعی با سیستمهای داخلی، برنامههای کاربردی و ابزارهای سازمانی تعریف میکند، و همچنین رویکردهای استاندارد شده را برای مدیریت ریسک، مانند چارچوبهای هوش مصنوعی مسئول، توسعه و پیادهسازی میکند.
CIOها و CTOها باید اطمینان حاصل کنند که تیم پلتفرم از افرادی تشکیل شده است که مهارت های مناسبی دارند. این تیم به یک مدیر فنی ارشد نیاز دارد که به عنوان مدیر کل فعالیت کند. نقشهای کلیدی شامل مهندسان نرمافزار برای ادغام مدلهای هوش مصنوعی در سیستمها، برنامهها و ابزارهای موجود است. مهندسان داده برای ساخت خطوط لوله که مدل ها را به سیستم های مختلف رکورد و منابع داده متصل می کند. دانشمندان داده برای انتخاب مدل ها و درخواست های مهندس. مهندسین MLOps برای مدیریت استقرار و نظارت بر چندین مدل و نسخه مدل؛ مهندسان ML برای تنظیم دقیق مدل ها با منابع داده جدید؛ و کارشناسان ریسک برای مدیریت مسائل امنیتی مانند نشت داده ها، کنترل های دسترسی، دقت خروجی و سوگیری. ترکیب دقیق تیم پلتفرم به موارد استفاده ای که در سراسر شرکت ارائه می شود بستگی دارد. در برخی موارد،
به طور واقع بینانه، تیم پلتفرم ابتدا باید روی مجموعه محدودی از موارد استفاده با اولویت کار کند و به تدریج دامنه کار خود را با ایجاد قابلیتهای قابل استفاده مجدد و یادگیری آنچه که بهترین کار را انجام میدهد، گسترش دهد. رهبران فناوری باید از نزدیک با سرنخهای کسبوکار کار کنند تا ارزیابی کنند که کدام موارد کسبوکار باید بودجه و حمایت کنند.
8. برنامه های ارتقاء مهارت را بر اساس نقش ها و سطوح مهارت تنظیم کنید
هوش مصنوعی مولد این پتانسیل را دارد که بهره وری کارمندان را به طور گسترده ای بالا ببرد و قابلیت های آنها را افزایش دهد. اما مزایا بسته به نقشها و سطح مهارتها بهطور نابرابر توزیع میشوند و رهبران را ملزم میکند تا درباره چگونگی ایجاد مهارتهای واقعی مورد نیاز مردم تجدید نظر کنند.
برای مثال ، آخرین تحقیقات تجربی ما با استفاده از ابزار مولد هوش مصنوعی GitHub Copilot، به مهندسان نرم افزار کمک کرد تا کد را 35 تا 45 درصد سریعتر بنویسند.5با این حال، مزایای آن متفاوت بود. توسعه دهندگان ماهر بین 50 تا 80 درصد سود داشتند، در حالی که توسعه دهندگان جوان 7 تا 10 درصد کاهش سرعت را تجربه کردند. دلیل آن این است که خروجی ابزارهای مولد هوش مصنوعی نیازمند نقد، اعتبارسنجی و بهبود کد است که مهندسان نرمافزار بیتجربه برای انجام آن تلاش میکنند. برعکس، در نقشهای فنی کمتر، مانند خدمات مشتری، هوش مصنوعی مولد به طور قابل توجهی به کارگران کم مهارت کمک میکند، با افزایش بهرهوری 14 درصد و همچنین کاهش جابجایی کارکنان، طبق یک مطالعه.6
این نابرابری ها بر نیاز رهبران فناوری که با مدیر ارشد منابع انسانی (CHRO) کار می کنند، تاکید می کند تا در استراتژی مدیریت استعداد خود برای ایجاد نیروی کار آینده تجدید نظر کنند. استخدام یک مجموعه اصلی از استعدادهای برتر هوش مصنوعی مولد بسیار مهم خواهد بود، و با توجه به کمبود و اهمیت استراتژیک فزاینده این استعدادها، رهبران فناوری باید مکانیسمهای حفظ را ایجاد کنند، مانند حقوق رقابتی و فرصتهایی برای درگیر شدن در کارهای استراتژیک مهم برای کسب و کار.
رهبران فناوری، با این حال، نمی توانند در استخدام متوقف شوند. از آنجایی که تقریباً تمام نقشهای موجود تحت تأثیر هوش مصنوعی مولد قرار میگیرد، تمرکز مهم باید بر ارتقای مهارت افراد بر اساس دیدگاه روشنی از مهارتهای مورد نیاز نقش، سطح مهارت و اهداف تجاری باشد. بیایید به عنوان مثال به توسعه دهندگان نرم افزار نگاه کنیم. آموزش برای تازه کارها باید بر تسریع مسیر آنها برای تبدیل شدن به بهترین بازبین کد علاوه بر تولید کننده کد تأکید کند. مشابه تفاوت بین نوشتن و ویرایش، بررسی کد به مجموعه مهارت های متفاوتی نیاز دارد. مهندسان نرم افزار باید بفهمند کد خوب چگونه به نظر می رسد. کد ایجاد شده توسط هوش مصنوعی را از نظر عملکرد، پیچیدگی، کیفیت و خوانایی مرور کنید. و آسیبپذیریها را اسکن کنید و در عین حال مطمئن شوید که خودشان مسائل مربوط به کیفیت یا امنیت را در کد معرفی نمیکنند. علاوه بر این،وقتی صحبت از کدنویسی به میان می آید، با درک بهتر هدف کاربر، متفاوت فکر کنید تا آنها بتوانند اعلان ایجاد کنند و داده های متنی را تعریف کنند که به ابزارهای هوش مصنوعی مولد کمک می کند تا پاسخ های بهتری ارائه دهند.
علاوه بر آموزش استعدادهای فناوری، CIO و CTO میتوانند نقش مهمی در ایجاد مهارتهای هوش مصنوعی در میان استعدادهای غیرفناوری نیز ایفا کنند. علاوه بر درک نحوه استفاده از ابزارهای هوش مصنوعی مولد برای کارهای اساسی مانند تولید ایمیل و مدیریت وظایف، افراد در سراسر تجارت باید با استفاده از مجموعه ای از قابلیت ها برای بهبود عملکرد و خروجی ها راحت باشند. CIO و CTO می توانند به تطبیق مدل های آکادمی برای ارائه این آموزش و گواهینامه های مربوطه کمک کنند.
کاهش ارزش مهندسان بیتجربه باید دور شدن از هرم استعدادهای کلاسیک را که در آن بیشترین افراد در ردههای پایینتر هستند، به ساختاری شبیه الماس سرعت بخشد، جایی که بخش عمدهای از نیروی کار فنی را افراد با تجربه تشکیل میدهند. . از نظر عملی، این به معنای ایجاد مهارتهای کارمندان پایینتر در سریعترین زمان ممکن و کاهش نقشهای اختصاص داده شده به وظایف دستی کم پیچیدگی (مانند نوشتن تستهای واحد) است.
9. ارزیابی چشم انداز خطر جدید و ایجاد شیوه های کاهش مداوم
هوش مصنوعی مولد مجموعه جدیدی از سؤالات و خطرات اخلاقی، از جمله «توهمات» را ارائه میکند که به موجب آن مدل هوش مصنوعی مولد پاسخی نادرست بر اساس پاسخ با بیشترین احتمال ارائه میکند. انتشار تصادفی اطلاعات محرمانه و قابل شناسایی شخصی؛ سوگیری ذاتی در مجموعه داده های بزرگی که مدل ها استفاده می کنند. و درجات بالای عدم قطعیت مربوط به مالکیت معنوی (IP). CIOها و CTOها باید در مسائل اخلاقی، بشردوستانه و انطباق مسلط باشند تا نه تنها به متن قانون (که در کشور متفاوت است) بلکه به روح مدیریت مسئولانه شهرت کسب و کار خود پایبند باشند.
پرداختن به این چشمانداز جدید مستلزم بازنگری قابلتوجهی در شیوههای سایبری و بهروزرسانی فرآیند توسعه نرمافزار برای ارزیابی ریسک و شناسایی اقدامات کاهشی قبل از شروع توسعه مدل است، که هم مشکلات را کاهش میدهد و هم از کند شدن فرآیند اطمینان حاصل نمیکند. اقدامات اثبات شده کاهش خطر برای توهم می تواند شامل تنظیم سطح خلاقیت (معروف به “دما”) یک مدل در هنگام ایجاد پاسخ باشد. تقویت مدل با داده های داخلی مرتبط برای ارائه زمینه بیشتر. استفاده از کتابخانههایی که نردههایی را برای آنچه میتوان تولید کرد، تحمیل میکند. استفاده از مدلهای «اعتدال» برای بررسی خروجیها. و اضافه کردن سلب مسئولیت های واضح. موارد استفاده از هوش مصنوعی مولد اولیه باید بر روی مناطقی متمرکز شود که هزینه خطا در آنها کم است تا به سازمان اجازه دهد تا از طریق موانع اجتنابناپذیر کار کند و آموختهها را در خود بگنجاند.
برای محافظت از حریم خصوصی دادهها، ایجاد و اجرای پروتکلهای برچسبگذاری دادههای حساس، راهاندازی کنترلهای دسترسی به دادهها در حوزههای مختلف (مانند دادههای جبران منابع انسانی)، افزودن حفاظت اضافی در هنگام استفاده خارجی از دادهها، و گنجاندن پادمانهای حفاظت از حریم خصوصی ضروری است. به عنوان مثال، برای کاهش ریسک کنترل دسترسی، برخی از سازمانها یک لایه مدیریت خط مشی راهاندازی کردهاند که پس از ارائه درخواست به مدل، دسترسی بر اساس نقش را محدود میکند. برای کاهش خطر مالکیت معنوی، CIOها و CTOها باید اصرار داشته باشند که ارائه دهندگان مدل های بنیادی شفافیت را در مورد IP (منابع داده، مجوز، و حقوق مالکیت) مجموعه داده های مورد استفاده حفظ کنند.
هوش مصنوعی مولد یکی از سریعترین گروههای فناوری در حال رشد است که تا به حال دیدهایم. رهبران فناوری نمی توانند تاخیرهای غیرضروری در تعریف و شکل دادن به یک استراتژی هوش مصنوعی مولد را تحمل کنند. در حالی که فضا به سرعت به تکامل خود ادامه خواهد داد، این نه اقدام می تواند به CIO و CTO کمک کند تا به طور مسئولانه و موثری از قدرت هوش مصنوعی مولد در مقیاس استفاده کنند.