Αν και φαινομενικά βρισκόμαστε καταμεσής μιας επανάστασης με την τεχνητή νοημοσύνη, τα δεδομένα τώρα μας δείχνουν ότι η αλήθεια είναι λίγο πιο περίπλοκη.
Πού σκοντάφτει το Generative AI;
Αν και οι πωλητές προωθούν τα πιθανά οφέλη, βρίσκονται εν τέλει αντιμέτωποι με την πολυπλοκότητα της υλοποίησης όλως αυτών των λύσεων καθώς απαιτεί τεχνικές γνώσεις και κατάλληλα εκπαιδευμένους ανθρώπους και αυτό εξακριβώνεται και από την πιο πρόσφατη μελέτη της Gartner που διαπίστωσε ότι τα δύο κορυφαία εμπόδια για την εφαρμογή λύσεων τεχνητής νοημοσύνης ήταν η εξεύρεση τρόπων εκτίμησης και επίδειξης της αξίας με ποσοστό 49% και η έλλειψη ταλέντων με ποσοστό 42%. Αυτά τα δύο στοιχεία θα μπορούσαν να αποδειχθούν βασικά εμπόδια για τις εταιρείες.
Newsroom
Σε άλλη έρευνα της Lucidworks αποφάνθηκε ότι μόλις ένας στους τέσσερις από τους ερωτηθέντες ανέφερε ότι εφάρμοσε με επιτυχία ένα έργο generative AI.
Ο Aamer Baig, ανώτερος συνεργάτης της McKinsey & Company, μιλώντας στο MIT Sloan CIO Symposium τον Μάιο, δήλωσε ότι η εταιρεία του διαπίστωσε επίσης σε πρόσφατη έρευνα ότι μόλις το 10% των εταιρειών εφαρμόζει έργα Gen AI σε ευρεία κλίμακα. Ανέφερε επίσης ότι μόλις το 15% βλέπουν θετικό αντίκτυπο στα κέρδη.
Σε τι οφείλεται η καθυστέρηση ανάπτυξης;
Ο Baig βλέπει την πολυπλοκότητα ως τον πρωταρχικό παράγοντα που επιβραδύνει τις εταιρείες, με ακόμη και ένα απλό έργο να απαιτεί 20 έως 30 τεχνολογικά στοιχεία, με το σωστό LLM να είναι μόνο το σημείο εκκίνησης. Χρειάζονται επίσης πράγματα όπως κατάλληλοι έλεγχοι δεδομένων και ασφάλειας και οι εργαζόμενοι μπορεί να πρέπει να μάθουν νέες δυνατότητες όπως η άμεση μηχανική και ο τρόπος εφαρμογής ελέγχων IP, μεταξύ άλλων.
Newsroom
Απαρχαιομένα tech stack μπορούν επίσης να κρατήσουν τις εταιρείες πίσω, υποστηρίζει με τον Mike Mason, επικεφαλής του τμήματος AI στην εταιρεία συμβούλων Thoughtworks να τονίζει ότι ξοδεύεται πολύς χρόνος για να προετοιμάσουν τις εταιρείες γύρω από το generative AI.
Τα καλά δεδομένα κάνουν τη σωστή εκκίνηση
Σημαντικός παράγοντας από αυτήν την έλλειψη ετοιμότητας είναι το κομμάτι των data, καθώς ένα 39% των ερωτηθέντων στην έρευνα της Gartner εκφράζει ανησυχίες σχετικά με την έλλειψη δεδομένων ως κορυφαίο εμπόδιο για την επιτυχή εφαρμογή του AI. "Τα δεδομένα είναι μια τεράστια και τρομακτική πρόκληση για πολλούς, πολλούς οργανισμούς", δήλωσε ο Baig. Συνιστά να επικεντρωθούμε σε ένα περιορισμένο σύνολο δεδομένων με στόχο την επαναχρησιμοποίηση.
"Ένα απλό μάθημα που έχουμε μάθει είναι να επικεντρωθούμε στην πραγματικότητα σε δεδομένα που σας βοηθούν με πολλαπλές περιπτώσεις χρήσης, και αυτό συνήθως καταλήγει να είναι τρεις ή τέσσερις τομείς στις περισσότερες εταιρείες, με τους οποίους μπορείτε πραγματικά να ξεκινήσετε και να τους εφαρμόσετε στις επιχειρηματικές προκλήσεις υψηλής προτεραιότητας με επιχειρηματικές αξίες και να παραδώσετε κάτι που πραγματικά θα φτάσει στην παραγωγή και στην κλίμακα", δήλωσε.
Newsroom
Ο Mason λέει ότι ένα μεγάλο μέρος της δυνατότητας επιτυχούς εκτέλεσης του generative AI σχετίζεται με την ετοιμότητα των δεδομένων, αλλά αυτό είναι μόνο ένα μέρος του θέματος ενώ οι εταιρείες θα πρέπει επίσης να σέβονται από πού προέρχονται τα δεδομένα και να ελέγχουν αν έχουν την άδεια να τα χρησιμοποιήσουν.
Σαφώς είναι δύσκολο να μην υπάρχει ενθουσιασμός για τις δυνατότητα που προσφέρει το GenAI αλλά θα πρέπει να εξισορροπηθεί με κατανόηση και προσεκτική εφαρμογή που θα οδηγεί πράγματι σε πρόοδο και να επιστρέφει ένα απτό ROI που επί του παρόντος είναι δύσκολο να μετρηθεί με αυτές τις τεχνολογίες.
