他の新しいテクノロジーと同様に、多くの人が仕事に役立つ生成 AI の使用に熱心です。アクセンチュア 研究 企業の 89% が、生成 AI を使用してサービスをより人間味のあるものにすることで、より多くの機会が開かれると考えていることがわかりました。これは変化を強いる – Accenture はまた、86% の企業が IT およびテクノロジー インフラストラクチャを最新化する必要があると考えていることも発見しました。
この問題は、エンタープライズ生成 AI プロジェクトの設計、テスト、構築、拡張に時間がかかることです。新しい生成 AI スタックが提供する本番環境への迅速な道筋であっても、人々が物事を自分の手に委ねてしまうリスクがあります。これは、シャドー AI と呼ばれる、帳簿外で IT の領域外にある生成型 AI の導入につながります。こうした不正なシャドウ AI の導入は、企業が早い段階で生成 AI に関する会話に参加せず、成功するために必要な摩擦の少ないツールをチームに提供しない場合に発生します。
例として、営業チームが電子メールでの見込み客レターの作成について支援を求めており、見込み客活動で生成 AI を使用したいと考えているとします。データを公開する 大規模な言語モデル (LLM) は、チームの生産性を高め、より多くの取引を獲得し、ビジネスの成長を実現するのに役立つ可能性があります。議論は、なぜ彼らが立ち止まって、他の企業が先を行く危険を冒さなければならないのかということになるだろう。
生成型 AI の需要を先取りする
企業は、生成 AI についてどのように考えているのか、何を改善したいのかについて各部門と話し合う必要があります。これにより、ビジネス チームと関わり、要望に耳を傾け、より完全な戦略の提供を計画する機会が得られます。また、何が可能なのかをチームにアドバイスし、メリットを詳しく説明し、誇大広告や誤解を暴く機会にもなり得ます。
これらの会話は、チーム メンバーに、同僚が直面しているビジネス上の問題についてさらに詳しく知り、それらのニーズに合う生成 AI サービスを設計および構築する方法を検討する機会を提供します。その重要な部分は、企業がチームがすでに持っているデータをどのように取得し、それを生成 AI と組み合わせて、それをさらに役立つものにするかということです。
営業チームの例では、生成 AI システムが応答の中で用語や正確なセールス ポイントを使用できるように、製品に関する情報をどのように準備すればよいでしょうか? LLM がトレーニングしたデータのみを使用するのではなく、データをミックスに追加することで生産性が向上し、潜在的な AI 幻覚を軽減し、効果的なパーソナライゼーションを実現できます。同時に、機密情報を第三者に渡すのではなく、自分の管理下に置くことができます。
データと生成 AI による差別化
生成 AI は、あなたの会社の事業を差別化するのに役立つはずです。ただし、パブリック LLM だけを使用してもこれは実現できず、他のユーザーと同じように聞こえることになります。企業は、検索拡張生成 (RAG) を使用して独自のデータをテーブルに提供することで、自社の生成 AI 戦略をより効果的にし、自社と従業員に合わせて調整することができます。
RAG は独自のデータを取得し、生成 AI で使用できるように準備し、従業員が応答を求めたときにこのデータをコンテキストとして LLM に渡します。 RAG は幻覚などの問題解決の一部であり、また、同じ種類の質問をしている他の企業と同様の結果が得られるのではなく、結果が組織や顧客にとってより関連性の高いものになります。これは、組織と顧客のために行う必要があることです。なぜなら、あなたが提供できるデータの深さや組み合わせを同じように持っている企業は他にないからです。
これを実装するには、ベクター データ ストアや AI 統合のさまざまなツールを組み合わせて、より簡単かつ迅速に開始できる RAG スタックを構築する必要があります。これを迅速に提供することで、チームが中央の IT 部門を待っている間に自分たちで実行しようとする可能性のある「台本にない」展開を防ぐことができます。 RAG のような技術を使用すると、企業データを LLM にトレーニングせずにコンテキストを改善するために活用できるため、データ漏洩のリスクも軽減されます。
時間の経過とともに、サービスの構築にローコードおよびノーコードのアプローチを採用することで、組織内のより多くのユーザーが生成 AI サービスを利用できるようにすることが必要になる場合があります。完全な実装を実行するのではなく、ガイダンスとサポートを提供できる「センター オブ エクセレンス」アプローチを採用すると、中央の IT によって速度が低下することなく、これらのテクノロジを誰でも利用できるようにすると同時に、その方法について適切なガードレールを整備できる可能性が高まります。これらのサービスは実際に使用されています。
時間をかけて生成 AI への成熟したアプローチを構築する
より広い視野で見ると、企業は独自の生成型 AI 成熟度モデルを考え出す必要があり、そこでは次のような問題と並行してテクノロジー要素を検討する必要があります。 データのプライバシーとコンプライアンス、社会的影響、チーム文化。これらの要素は単独で発生するものではないため、早めに検討することで、時間をかけて適切なアプローチを確実に講じることができるようになり、開発された関連ルールや規制への準拠が容易になります。
これに加えて、生成 AI とは何か、そして実際に実現できるものについての期待とレベル設定を和らげる必要があります。たとえば、生成型 AI では、スタッフの一部を AI に置き換えることはできません。代わりに、生成 AI は、生成 AI を持たない、または自由に使える標準的な LLM ツールを持っている他の企業と競争するために、仕事の中でツールを使用できる、より優れた生産性の高いスタッフを提供できます。 AI を活用したスタッフは、より高いレベルの品質でより多くの作業を完了し、以前は対処するための帯域幅がなかったバックログの項目に対処し始めることができます。これらのツールには大きな可能性があるため、シャドウ AI などの潜在的な落とし穴を先取りする必要があります。
『スパイダーマン』のピーター・パーカーがいつも言っているように、大きな力には大きな責任が伴います。生成型 AI の場合、この力を活用することはすべての組織にとって重要な課題となります。責任を持って生成 AI をその力を実際に活用できる人の手に迅速に渡すことによって、組織は差別化を図ることができ、シャドウ AI の落とし穴を回避することができます。
- SEO を活用したコンテンツと PR 配信。 今日増幅されます。
- PlatoData.Network 垂直生成 Ai。 自分自身に力を与えましょう。 こちらからアクセスしてください。
- プラトアイストリーム。 Web3 インテリジェンス。 知識増幅。 こちらからアクセスしてください。
- プラトンESG。 カーボン、 クリーンテック、 エネルギー、 環境、 太陽、 廃棄物管理。 こちらからアクセスしてください。
- プラトンヘルス。 バイオテクノロジーと臨床試験のインテリジェンス。 こちらからアクセスしてください。
- 情報源： https://www.dataversity.net/getting-ahead-of-shadow-generative-ai/
