최근에 의하면 맥킨지 연구, 생성적 AI(GenAI)가 생산성에 미치는 영향은 글로벌 경제에 수조 달러의 가치를 추가할 수 있으며 분석된 2.6개 사용 사례에 걸쳐 연간 4.4조 63천억~75조 XNUMX천억 달러에 해당하는 가치를 추가할 것으로 추정됩니다. GenAI 사용 사례가 제공할 수 있는 가치의 약 XNUMX%는 고객 운영, 마케팅 및 영업, 소프트웨어 엔지니어링, R&D 등 XNUMX개 영역에 걸쳐 있습니다. 또한 보고서는 현재 해당 사용 사례 이외의 다른 작업에 사용되는 소프트웨어에 생성 AI를 내장하는 경우의 영향을 포함하면 추정치가 대략 두 배로 늘어날 것이라고 밝혔습니다.

일부 조직은 이 새로운 기술을 수용할 수 있는 방법을 알아보기 위해 서둘러 나섰지만, 다른 조직은 "관찰하는 접근 방식"을 택하는 좀 더 보수적인 입장을 취했습니다. 어떤 자세를 취하든 기업은 내년에 다음과 같은 생성적 AI 동향을 볼 것으로 예상할 수 있습니다.

1. 생성적 AI 및 LLM(대형 언어 모델)에 대한 과대광고는 사라지기 시작할 것입니다.

의심의 여지 없이 GenAI는 큰 도약을 이루었습니다. 그러나 많은 사람들은 실제로 가능한 것이 무엇인지를 지나치게 과대평가해 왔습니다. 생성된 텍스트, 이미지 및 음성은 믿을 수 없을 정도로 진짜처럼 보일 수 있고 마치 인간과 마찬가지로 정확성에 대한 사려 깊은 열망과 동일한 욕구를 가지고 만들어진 것처럼 보일 수 있지만 실제로는 통계적으로 관련성이 높은 단어 또는 이미지의 모음일 뿐입니다(그러나 실제로는 완전히 부정확할 수도 있습니다). 좋은 소식은 최종 사용자가 AI의 모든 이점과 한계를 완전히 고려한다면 AI의 실제 결과가 매우 유용할 수 있다는 것입니다.  

결과적으로 2024년에는 조직의 실제 한계와 이점에 대한 현실 점검이 시작될 것입니다. GenAI 및 LLM 비즈니스에 도움이 될 수 있으며, 평가 결과에 따라 해당 기술의 전략과 채택이 재설정됩니다. 공급업체는 AI가 생성하는 모든 것에 대해 적절하게 회의적인 최종 사용자에게 이러한 이점과 제한 사항을 분명히 밝혀야 합니다. 정확성, 설명 가능성, 보안 및 총 비용과 같은 핵심 요소를 고려해야 합니다. 

내년에 GenAI 공간은 기업을 위한 새로운 패러다임으로 정착될 것입니다. 즉, 특정 사용 사례를 해결하기 위해 소수의 GenAI 기반 애플리케이션을 프로덕션에 배포하는 것입니다.

2. 자연어 인터페이스는 어디에나 존재하게 될 것입니다.

이런 시나리오를 상상해 보십시오. 오프라인 소매점에 들어갑니다. 점원에게 질문을 하면 말로 대답하는 대신 옵션 목록이 표시된 디스플레이를 가리키거나 화이트보드로 달려가 최소한의 텍스트가 포함된 그림을 스케치합니다. 이 조용한 대화에서 인간 수준의 풍부한 의사소통은 옵션 메뉴나 시각적 그룹으로 대체됩니다. 이상하지 않나요? 그러나 이는 지난 25년 동안 대부분의 웹사이트의 패러다임이었습니다.

GenAI와 대규모 언어 모델을 통해 "웹에서 규모에 맞는 친밀감"을 창출하려는 경쟁이 이미 진행 중입니다. 이는 달성하기가 복잡하며 이러한 개인화를 달성하기 위한 과제는 잘 이해되어 있습니다. 소수의 공급업체는 이러한 언어 모델과 정확하고 신뢰할 수 있는 상호 작용을 가능하게 하기 위해 프로덕션 환경에서 이러한 문제를 극복하는 방법을 연구했습니다.   

결과적으로, 2024년에는 이러한 긍정적인 경험이 배가되면서 더 많은 개인이 자연어 인터페이스를 활용하고 극대화하는 데 익숙해질 것입니다. 

3. 기업은 기존 도구에 GenAI를 추가해도 근본적인 약점이 해결되지 않는다는 것을 알게 될 것입니다. 

GenAI는 귀중한 지원을 제공할 수 있지만, 정보의 양과 해당 데이터를 통한 검색의 관련성과 관련된 근본적인 문제를 기적적으로 해결할 수는 없습니다. 기존 도구가 XNUMX개월 전에 관련 정보를 즉시 안정적으로 표시할 수 없었다면 GenAI를 이러한 서비스에 추가해도 더 나은 작동을 하지 못할 것입니다. 마찬가지로, 솔루션이 이전에 질문에 효과적으로 대답하지 못했다면 단순히 GenAI를 추가해도 성능이 바뀌지 않습니다. 간단히 말해서, GenAI의 경우 쓰레기가 들어오면 쓰레기가 나옵니다.

2024년에는 검색 증강 생성(RAG)의 몇 가지 구현이 환각을 성공적으로 제거할 수 있는 유일한 방법으로 등장할 것입니다. RAG는 ​​정확하고 신뢰할 수 있는 요약을 생성하기 위해 GenAI에 좁고 관련성 있는 입력 세트를 제공하려고 시도하는 AI 프레임워크입니다. 그러나 이 프레임워크를 성공적으로 실행하는 것은 쉬운 작업이 아니며 결과적으로 모든 RAG 인스턴스가 동일하게 생성되지는 않습니다. 예를 들어, RAG가 정확할 수도 있고 정확하지 않을 수도 있는 결과 페이지를 생성하고 정답을 해독하는 작업을 GenAI로 연기하는 경우 결과는 다시 한 번 수준 이하이고 비즈니스 용도로 적합하지 않게 됩니다. 

GenAI는 XNUMX페이지에 달하는 관련 데이터와 관련 없는 데이터를 요약하려고 할 때 인간이 겪는 것과 동일한 어려움에 직면합니다. 대조적으로, GenAI와 인간 모두 XNUMX개의 관련 문장을 합성하는 작업을 훨씬 더 잘 수행합니다. 더욱이 RAG만으로는 도메인별 컨텍스트가 포함된 질문에 답할 때 여전히 매우 정확한 답변을 제시하지 못할 수 있습니다. 결과의 관련성을 높이려면 LLM의 최종 단계 미세 조정이 필요합니다. 결합된 RAG + 미세 조정 접근 방식은 내년에 기업을 위한 GenAI 솔루션의 생산 수준 성능을 달성하는 데 도움이 될 것입니다.

4. 생성적 AI 이니셔티브는 IT가 아닌 LOB(Line of Business)에 의해 주도될 것입니다. 

경영진은 전통적으로 사용자가 이미 알고 있는 내용을 고수하기를 선호하더라도 조직이 새로운(그리고 더 나은) 비즈니스 관행을 구현하고 비용을 절감할 수 있는 새로운 도구를 채택하도록 요구합니다. IT는 구현 팀이 변경 관리 절차에 대해 토론하고 잠재적으로 꺼릴 수 있는 사용자를 위한 광범위한 교육을 실시하며 이전 도구의 지속적인 사용을 근절하는 동안 롤아웃을 지원합니다. 그러나 규정 준수를 보장하고 원하는 이점을 신속하게 달성하는 것은 쉬운 일이 아닙니다.  

2024년에는 GenAI가 그 반대가 될 것입니다. 많은 사람들이 이미 이러한 도구를 다양한 형태로 사용해 보았기 때문에 GenAI 지원 솔루션에 대한 사용자들의 열정은 뚜렷합니다. 자연어 인터페이스를 갖춘 GenAI의 사용자 친화적인 특성은 비기술적 이해관계자의 원활한 채택을 촉진합니다. 그러나 기술 팀은 환각, 설명 가능성 부족, 도메인별 지식 제한, 비용 문제 등 본질적인 문제로 어려움을 겪고 있습니다.

일부 조직에서는 기술 팀이 속도를 낼 때까지 GenAI 사용이 금지됩니다. 개인이 짧은 시간 동안 조용해졌다가 갑자기 생산성이 높아지는 섀도우 사용을 감지하면 구현 문제가 더욱 복잡해집니다. 내년에 조직은 사용 가능한 수많은 옵션을 평가하고 기업이 기업 환경에서 GenAI의 모든 과제를 해결할 수 있는 몇 가지 도구를 사용할 수 있도록 하는 프로세스를 마련할 것입니다.

5. GenAI는 신입사원 온보딩을 간소화할 것입니다.

조직은 인력이 제한된 환경에서 직원 이직 및 퇴직에 지속적으로 대처합니다. 결과적으로 그들은 새로운 직원을 채용하고 온보딩하기 위해 끊임없이 노력하고 있습니다. 문제는 이러한 신입 사원이 조직 전체에서 사용되는 복잡하고 혼란스러운 회사 프로세스, 정책 및 특정 언어를 탐색하는 데 종종 어려움을 겪는다는 것입니다. 기존 학습 시스템은 신입 사원의 질문에 답할 수 있는 올바른 정보를 제공하지 못하는 경우가 많습니다. 동시에 신입사원은 교육 자료에 숨겨진 답변을 검색할 때 필요한 정보를 얻기 위해 질문을 표현하는 올바른 방법을 알지 못할 가능성이 높습니다. 많은 경우, 도메인별 전문 용어는 직관적이지 않아 신규 사용자가 문의사항을 효과적으로 전달하기 어려울 수 있습니다. 이러한 장애물로 인해 학습 기간이 길어지고 조기에 생산성이 저하되는 경우가 많습니다.

답변 엔진과 결합된 GenAI는 이 프로세스를 크게 가속화하는 솔루션으로 떠오르고 있습니다. 2024년에는 조직에서 GenAI 및 응답 엔진을 활용하여 이 프로세스를 획기적으로 개선할 것입니다. 이러한 기술을 사용하면 직원은 자신의 말로 질문할 수 있으므로 키워드와 분야별 용어를 미리 숙지할 필요가 없습니다. 

또한 이러한 솔루션은 조직별 서비스 및 프로그램과 관련된 관련 정보를 제공하여 신입 직원이 자신의 업무를 유능하게 수행하는 데 필요한 지식을 갖도록 보장합니다. 또한 이러한 시스템에서 생성된 분석을 통해 트레이너는 콘텐츠를 맞춤화하고 특정 학습 요구 사항과 정보 격차를 해결할 수 있습니다. 답변 엔진을 온보딩 프로세스에 통합하면 개인이 훨씬 더 빠른 속도로 조직에 생산적인 기여자가 될 수 있습니다. AI의 힘을 활용하고 자연어 처리 학습 및 지식 검색을 촉진하기 위해 신입 직원은 향후 몇 년 동안 새로운 직위에서 즉시 영향력을 발휘할 수 있다는 점에 더욱 기뻐할 수 있습니다.

• SEO 기반 콘텐츠 및 PR 배포. 오늘 증폭하십시오.
• PlatoData.Network 수직 생성 Ai. 자신에게 권한을 부여하십시오. 여기에서 액세스하십시오.
• PlatoAiStream. 웹3 인텔리전스. 지식 증폭. 여기에서 액세스하십시오.
• 플라톤ESG. 탄소, 클린테크, 에너지, 환경, 태양광, 폐기물 관리. 여기에서 액세스하십시오.
• PlatoHealth. 생명 공학 및 임상 시험 인텔리전스. 여기에서 액세스하십시오.
• 출처: https://www.dataversity.net/benefitting-from-generative-ai-what-to-expect-in-2024/