Rewired

Это еще только начало, и мы можем ожидать, что в ближайшие месяцы и годы эта область будет стремительно меняться. При оценке того, как лучше всего использовать модели GenAI, можно выделить три типа применения:

 

Генерация контента. Широкофункциональные модели, которые станут искусными в автоматизации, ускорении и улучшении существующей работы со знаниями (например, GPT-4, Google's Chinchilla, Meta's OPT). Например, маркетологи могут использовать модели GenAI для генерации контента, чтобы обеспечить целевой цифровой маркетинг в масштабе. Обслуживание клиентов может быть полностью автоматизировано или оптимизировано с помощью "помощника знаний", который будет следить за ходом разговора и подсказывать сотрудникам службы поддержки. GenAI может быстро разрабатывать и итерировать прототипы продуктов и строительные чертежи.

Новые открытия. Отраслевые модели, которые могут не только ускорить существующие процессы, но и разработать новые продукты, услуги и инновации. Например, в фармацевтике прикладные модели, использующие общие методы (например, OpenBIOML, BIO GPT), могут быть развернуты для обеспечения скорости и эффективности разработки лекарств или диагностики пациентов. Или модель GenAI может быть применена к массивной базе данных фармацевтических молекул, чтобы определить вероятные способы лечения рака. Потенциал воздействия и готовность к использованию генеративного ИИ будут существенно различаться в зависимости от отрасли и бизнес-сценария.

Кодинг (например, Copilot, Alphacode, Pitchfork). Эти модели обещают автоматизировать, ускорить и демократизировать процесс кодирования. Существующие модели уже способны грамотно писать код, документацию, автоматически генерировать или заполнять таблицы данных и тестировать проникновение кибербезопасности, хотя для этого требуется значительное и тщательное тестирование, необходимые для подтверждения результатов. По результатам недавнего исследования, проведенного нами в McKinsey, при использовании Copilot производительность труда разработчиков программного обеспечения повысилась более чем на 25 %.

В контексте цифровой трансформации важно учитывать несколько моментов, когда речь идет о GenAI. Во-первых, любое понимание ценности моделей GenAI должно основываться на четком понимании целей вашего бизнеса. Это может показаться очевидным, но по мере роста интереса к GenAI возникнет соблазн разработать сценарии использования, которые в итоге не принесут большой пользы бизнесу или будут отвлекать от усилий по цифровой трансформации.

 

Во-вторых, как и любая другая технология, извлечение масштабной пользы из GenAI требует сильных компетенций во всех возможностях, о которых рассказывается в этой книге. Это означает развитие целого ряда возможностей и навыков в области облачных вычислений, инженерии данных и MLOps, а также поиск специалистов по GenAI и обучение людей использованию этого нового поколения возможностей.

 

Учитывая эту необходимость, важно пересмотреть дорожную карту трансформации цифровых технологий и ИИ и проанализировать приоритетные цифровые решения, чтобы определить, как модели GenAI могут улучшить результаты (например, персонализация контента, чатботы-помощники для повышения конверсии сайта). Не поддавайтесь соблазну распространения пилотных проектов. Можно позволить людям экспериментировать, но реальные ресурсы должны быть направлены только на те области, которые имеют реальную связь с бизнес-ценностью. Потратьте время на то, чтобы понять потребности и последствия GenAI для возможностей, которые вы разрабатываете в рамках цифровой трансформации и ИИ, например, следующих:

 

Операционная модель: Для обеспечения ответственного подхода к разработке и использованию решений GenAI потребуются специализированные, ответственные agile-"капсулы", ориентированные на GenAI. Это, вероятно, будет означать более тесное сотрудничество с экспертами в области права, конфиденциальности и управления, а также с экспертами в области MLOps и тестирования для обучения и отслеживания моделей.

 

Архитектура и внедрение технологий: Архитектура системы должна быть адаптирована для включения мультимодальных возможностей GenAI в конечные рабочие процессы. Потребуется эволюция на нескольких уровнях технологического стека - уровень данных, уровень моделей, интерфейс UX - для обеспечения адекватной интеграции и отзывчивости цифровых решений.

 

Архитектура данных: Применение моделей GenAI к текущим данным потребует от вас переосмысления управления сетями и конвейерами данных, чтобы учесть не только объем данных, но и частоту изменений, которые можно ожидать по мере обучения и развития GenAI.