В то время как компании сталкиваются с проблемой перевода проектов генеративного искусственного интеллекта из экспериментальной стадии в производство, многие предприятия до сих пор застревают на этапе пилотных проектов. Как показывают недавние исследования, 92% организаций обеспокоены тем, что пилотные проекты GenAI ускоряются без предварительного решения фундаментальных проблем с данными. Ещё более показательно: 67% не смогли масштабировать даже половину своих пилотных проектов до производственных. Этот разрыв между пилотами и полноценным внедрением меньше связан с технологической зрелостью и больше — с готовностью базовых данных. Потенциал GenAI зависит от прочности основы, на которой он стоит. И сегодня для большинства организаций эта основа в лучшем случае нестабильна.
Почему GenAI застревает на стадии пилотного проекта
Несмотря на то, что решения GenAI, безусловно, мощные, они эффективны лишь настолько, насколько качественны данные, которыми их питают. Старая истина «мусор на входе — мусор на выходе» сегодня актуальна как никогда. Без надежных, полных, легитимных и объяснимых данных модели GenAI часто производят результаты, которые неточны, предвзяты или не соответствуют поставленным целям.
К сожалению, организации поспешили внедрить простые варианты использования, например, чат-боты с искусственным интеллектом, предлагающие индивидуальные ответы из различных внутренних документов. И хотя они действительно улучшают пользовательский опыт в определенной степени, они не требуют глубоких изменений в инфраструктуре данных компании. Но для стратегического масштабирования GenAI, будь то в здравоохранении, финансовых услугах или автоматизации цепочки поставок, требуется другой уровень зрелости данных.
Фактически, 56% директоров по данным называют надежность данных ключевым препятствием для внедрения ИИ. Другими проблемами являются неполные данные (53%), проблемы конфиденциальности (50%) и более широкие пробелы в управлении ИИ (36%).
Нет управления данными — нет GenAI
Чтобы вывести GenAI за пределы пилотной стадии, компании должны рассматривать управление данными как стратегический императив для своего бизнеса. Им необходимо убедиться, что данные соответствуют задаче питания моделей ИИ, и для этого необходимо ответить на следующие вопросы:
- Поступают ли данные, используемые для обучения модели, из правильных систем?
- Удалили ли мы персональную информацию и соблюдали ли все правила и нормы конфиденциальности данных?
- Обеспечиваем ли мы прозрачность и можем ли доказать происхождение данных, используемых моделью?
- Можем ли мы документировать наши процессы работы с данными и быть готовыми показать, что данные не содержат предвзятости?
Управление данными также должно быть внедрено в культуру организации. Для этого требуется развивать ИИ-грамотность во всех командах. Закон ЕС об ИИ формализует эту ответственность, требуя от поставщиков и пользователей систем ИИ прилагать все усилия для обеспечения достаточной ИИ-грамотности сотрудников, гарантируя, что они понимают, как работают эти системы и как их ответственно использовать.
Однако эффективное внедрение ИИ выходит за рамки технических ноу-хау. Оно также требует прочной основы в навыках работы с данными, от понимания управления данными до формулирования аналитических вопросов. Рассматривать грамотность в области ИИ изолированно от грамотности в области данных было бы недальновидно, учитывая, насколько тесно они взаимосвязаны.
Разработка ИИ, который должен быть подотчётным
В текущей нормативной среде уже недостаточно, чтобы ИИ «просто работал», он также должен быть подотчётным и объяснимым. Закон ЕС об ИИ и предложенный план действий Великобритании в области ИИ требуют прозрачности в случаях использования ИИ с высоким риском. Другие страны следуют их примеру, и в повестке дня 69 стран стоит более 1000 связанных законопроектов.
Это глобальное движение к подотчётности является прямым результатом растущих требований потребителей и заинтересованных сторон к справедливости в алгоритмах. Например, организации должны быть в состоянии объяснить причины, по которым клиенту было отказано в кредите или назначена повышенная страховая ставка. Чтобы иметь возможность сделать это, им нужно знать, как модель приняла это решение, а это, в свою очередь, зависит от наличия четкого, проверяемого следа данных, которые использовались для её обучения.
Без объяснимости бизнес рискует потерять доверие клиентов, а также столкнуться с финансовыми и правовыми последствиями. В результате отслеживаемость происхождения данных и обоснование результатов являются не «приятным дополнением», а требованием соответствия.
Шаги к созданию надежного ИИ
Итак, как выглядит хороший подход? Для ответственного масштабирования GenAI организациям следует стремиться к принятию единой стратегии данных, основанной на трех столпах:
- Адаптация ИИ для бизнеса: Каталогизируйте свои данные в соответствии с ключевыми бизнес-целями, обеспечивая их отражение уникального контекста, проблем и возможностей, специфичных для вашего бизнеса.
- Установление доверия к ИИ: Создайте политики, стандарты и процессы для соответствия и надзора за этическим и ответственным внедрением ИИ.
- Создание конвейеров данных, готовых к ИИ: Объедините разнообразные источники данных в устойчивую основу данных для надежного ИИ, включая предварительно созданную возможность подключения GenAI.
Когда организации делают это правильно, управление ускоряет ценность ИИ. Например, в финансовых услугах хедж-фонды используют генеративный ИИ для превосходства над человеческими аналитиками в прогнозировании цен на акции, значительно снижая при этом затраты. В производстве оптимизация цепочки поставок, управляемая ИИ, позволяет организациям реагировать в режиме реального времени на геополитические изменения и экологические проблемы.
И это не просто футуристические идеи, они реализуются уже сейчас, основываясь на надежных данных. С прочной основой данных компании снижают отклонения модели, ограничивают циклы переобучения и повышают скорость получения ценности. Вот почему управление — это не препятствие, а фактор, способствующий инновациям.
Что дальше?
После экспериментов организации переходят от чат-ботов к инвестированию в трансформационные возможности. От персонализации взаимодействия с клиентами до ускорения медицинских исследований, улучшения психического здоровья и упрощения нормативных процессов, GenAI начинает демонстрировать свой потенциал в различных отраслях.
Однако эти достижения полностью зависят от лежащих в их основе данных. GenAI начинается с создания прочной основы данных через сильное управление данными. И хотя GenAI и агентный ИИ будут продолжать развиваться, они не заменят человеческий надзор в ближайшее время. Вместо этого мы вступаем в фазу структурированного создания ценности, где ИИ становится надежным вторым пилотом. С правильными инвестициями в качество данных, управление и культуру бизнес может, наконец, превратить GenAI из многообещающего пилота в нечто, что полностью взлетит.