På sistone har det blivit nästan omöjligt att gå en dag utan att stöta på rubriker om generativ AI eller ChatGPT. Plötsligt har AI blivit glödhet igen, och alla vill hoppa på tåget: Entreprenörer vill starta ett AI-företag, företagsledare vill anta AI för sin verksamhet, och investerare vill investera i AI.
Som en förespråkare för kraften i stora språkmodeller (LLM) tror jag att gen AI har en enorm potential. Dessa modeller har redan visat sitt praktiska värde för att öka den personliga produktiviteten. Till exempel har jag införlivat kod som genererats av LLMs i mitt arbete och till och med använt GPT-4 för att korrekturläsa den här artikeln.
Är generativ AI en magisk kula för företag?
Den angelägna frågan nu är: Hur kan företag, små som stora, som inte är involverade i skapandet av LLM:er, dra nytta av kraften hos gen AI för att förbättra sin resultat?
Tyvärr finns det en klyfta mellan att använda LLM för personlig produktivitetsvinst kontra för affärsvinst. Precis som att utveckla vilken affärslösning som helst, finns det mycket mer än vad man kan se. Bara genom att använda exemplet med att skapa en chatbot-lösning med GPT-4, kan det lätt ta månader och kostar miljoner dollar att skapa bara en enda chatbot!
Det här stycket kommer att beskriva utmaningarna och möjligheterna att utnyttja gen AI för affärsvinster, och avslöja hur AI-landet ligger för entreprenörer, företagsledare och investerare som vill låsa upp teknikens värde för verksamheten.
Affärsförväntningar på AI
Teknik är en integrerad del av verksamheten idag. När ett företag tar i bruk en ny teknik förväntar det sig att den ska förbättra sin operativa effektivitet och leda till bättre affärsresultat. Företag förväntar sig att AI gör detsamma, oavsett typ.
Å andra sidan beror ett företags framgång inte enbart på teknik. Ett välskött företag kommer att fortsätta blomstra, och ett dåligt skött kommer fortfarande att kämpa, oavsett uppkomsten av gen AI eller verktyg som ChatGPT.
Precis som att implementera vilken affärsmjukvarulösning som helst kräver en framgångsrik affärsadoption av AI två viktiga ingredienser: Tekniken måste prestera för att leverera konkret affärsvärde som förväntat och adoptionsorganisationen måste veta hur man hanterar AI, precis som att hantera alla andra affärsverksamheter för framgång .
Generativ AI-hypecykel och desillusion
Som all ny teknik kommer gen AI att gå igenom en Gartner Hype Cycle. Med populära applikationer som ChatGPT som utlöser medvetenheten om gen AI för massorna, har vi nästan nått toppen av uppblåsta förväntningar. Snart kommer "besvikelsens dal" att sätta in när intressen avtar, experiment misslyckas och investeringar utplånas.
Även om "besvikelsens dal" kan orsakas av flera orsaker, såsom teknisk omognad och olämpliga tillämpningar, nedan är två vanliga desillusioner av gen AI som kan krossa hjärtan hos många entreprenörer, företagsledare och investerare. Utan att erkänna dessa desillusioner kan man antingen underskatta de praktiska utmaningarna med att använda tekniken för företag eller missa möjligheterna att göra snabba och försiktiga AI-investeringar.
En vanlig desillusion: Generativ AI jämnar ut spelplanen
Eftersom miljontals interagerar med gen AI-verktyg för att utföra ett brett spektrum av uppgifter - från att komma åt information till att skriva kod - verkar det som om gen AI jämnar ut spelplanen för varje företag: vem som helst kan använda det, och engelska blir det nya programmeringsspråket.
Även om detta kan vara sant för vissa användningsfall för innehållsskapande (marketing copywriting), fokuserar gen AI trots allt på naturlig språkförståelse (NLU) och naturlig språkgenerering (NLG). Med tanke på teknikens natur har den svårt med uppgifter som kräver djup domänkunskap. Till exempel genererade ChatGPT en medicinsk artikel med "betydande felaktigheter" och misslyckades på ett CFA-prov.
Även om domänexperter har djupgående kunskaper kanske de inte är AI- eller IT-kunniga eller förstår gen AIs inre funktioner. Till exempel kanske de inte vet hur man uppmanar ChatGPT effektivt att få de önskade resultaten, för att inte tala om användningen av AI API för att programmera en lösning.
Den snabba utvecklingen och den intensiva konkurrensen inom AI-områdena gör också de grundläggande LLM:erna alltmer till en handelsvara. Konkurrensfördelen för alla LLM-aktiverade affärslösningar måste ligga någon annanstans, antingen i besittning av vissa högvärdiga egenutvecklade data eller behärskning av viss domänspecifik expertis.
Det är mer sannolikt att etablerade företag i företag redan har samlat på sig sådan domänspecifik kunskap och expertis. Samtidigt som de har en sådan fördel kan de också ha äldre processer på plats som hindrar ett snabbt antagande av gen AI. Uppkomlingarna har fördelarna av att börja från ett rent blad till att fullt ut utnyttja teknikens kraft, men de måste snabbt komma igång med affärer för att skaffa sig en kritisk repertoar av domänkunskap. Båda står inför i huvudsak samma grundläggande utmaning.
Den viktigaste utmaningen är att göra det möjligt för affärsdomänexperter att utbilda och övervaka AI utan att de behöver bli experter samtidigt som de drar fördel av deras domändata eller expertis. Se mina viktigaste överväganden nedan för att ta itu med en sådan utmaning.
Viktiga överväganden för framgångsrik användning av generativ AI
Även om gen AI har avancerad språkförståelse och generationsteknik avsevärt, kan den inte göra allt. Det är viktigt att dra nytta av tekniken men undvika dess brister. Jag lyfter fram flera viktiga tekniska överväganden för entreprenörer, företagsledare och investerare som överväger att investera i gen AI.
AI expertis: Gen AI är långt ifrån perfekt. Om du bestämmer dig för att bygga interna lösningar, se till att du har interna experter som verkligen förstår AIs inre funktioner och kan förbättra den när det behövs. Om du bestämmer dig för att samarbeta med externa företag för att skapa lösningar, se till att företagen har djup expertis som kan hjälpa dig att få ut det bästa av gen AI.
Expertis inom mjukvaruteknik: Att bygga gen AI-lösningar är precis som att bygga vilken annan mjukvarulösning som helst. Det kräver dedikerade ingenjörsinsatser. Om du bestämmer dig för att bygga egna lösningar, skulle du behöva sofistikerade programvarutekniktalanger för att bygga, underhålla och uppdatera dessa lösningar. Om du bestämmer dig för att arbeta med externa företag, se till att de kommer att göra det tunga arbetet åt dig (förser dig med en kodfri plattform så att du enkelt kan bygga, underhålla och uppdatera din lösning).
Domänexpertis: Att bygga gen AI-lösningar kräver ofta intag av domänkunskap och anpassning av tekniken med hjälp av sådan domänkunskap. Se till att du har domänexpertis som kan leverera såväl som vet hur man använder sådan kunskap i en lösning, oavsett om du bygger internt eller samarbetar med en extern partner. Det är avgörande för dig (eller din lösningsleverantör) att göra det möjligt för domänexperter som ofta inte är IT-experter att enkelt ta till sig, anpassa och underhålla gen AI-lösningar utan kodning eller ytterligare IT-stöd.
Länk: https://venturebeat.com/ai/how-chatgpt-can-help-your-business-make-more-money/?utm_source=pocket_saves
Källa: https://venturebeat.com
- SEO-drivet innehåll och PR-distribution. Bli förstärkt idag.
- PlatoData.Network Vertical Generative Ai. Styrka dig själv. Tillgång här.
- PlatoAiStream. Web3 Intelligence. Kunskap förstärkt. Tillgång här.
- Platoesg. Fordon / elbilar, Kol, CleanTech, Energi, Miljö, Sol, Avfallshantering. Tillgång här.
- BlockOffsets. Modernisera miljökompensation ägande. Tillgång här.
- Källa: https://www.fintechnews.org/how-chatgpt-can-help-your-business-make-more-money/
