2025 год знаменует собой поворотный момент в развитии генеративного ИИ (Gen AI). То, что начиналось как увлекательная технологическая новинка, теперь превратилось в важнейший инструмент для предприятий в различных отраслях.
Генеративный ИИ: от поиска решения проблемы до мощного решения проблем
Первоначальный всплеск энтузиазма по поводу Gen AI был вызван сырой новизной взаимодействия с большими языковыми моделями (LLM), которые обучаются на огромных общедоступных наборах данных. Компании и частные лица были по праву очарованы возможностью вводить подсказки на естественном языке и получать подробные, связные ответы от общедоступных пограничных моделей. Качество результатов LLM, присущее человеку, заставило многие отрасли очертя голову ринуться в проекты с этой новой технологией, часто без четкой бизнес-проблемы для решения или каких-либо реальных KPI для измерения успеха. Хотя в первые дни Gen AI были некоторые большие ценные открытия, это четкий сигнал, что мы находимся в цикле инноваций (или ажиотажа), когда компании отказываются от практики сначала выявления проблемы, а затем поиска работоспособного технологического решения для ее решения.
В 2025 году мы ожидаем, что маятник качнется обратно. Организации будут искать в Gen AI ценность для бизнеса, сначала определив проблемы, которые может решить эта технология. Несомненно, будет еще много хорошо финансируемых научных проектов, и первая волна вариантов использования Gen AI для реферирования, чат-ботов, генерации контента и кода продолжит процветать, но руководители начнут требовать от проектов AI ответственности за рентабельность инвестиций в этом году. Технологический фокус также сместится с общедоступных моделей языка общего назначения, которые генерируют контент, на совокупность более узких моделей, которые можно контролировать и постоянно обучать на определенном языке бизнеса для решения реальных проблем, которые влияют на конечный результат измеримым образом.
2025 год станет годом, когда ИИ переместится в ядро предприятия. Корпоративные данные — это путь к раскрытию реальной ценности с помощью ИИ, но обучающие данные, необходимые для построения стратегии трансформации, отсутствуют в Википедии и никогда там не будут. Они находятся в контрактах, записях клиентов и пациентов, а также в беспорядочных неструктурированных взаимодействиях, которые часто проходят через бэк-офис или хранятся в коробках с бумагами. Получение этих данных сложно, и универсальные LLM — плохая технология для этого, несмотря на проблемы конфиденциальности, безопасности и управления данными. Предприятия будут все чаще внедрять архитектуры RAG и малые языковые модели (SLM) в частных облачных настройках, что позволит им использовать внутренние организационные наборы данных для создания собственных решений ИИ с портфелем обучаемых моделей. Целевые SLM могут понимать конкретный язык бизнеса и нюансы его данных, а также обеспечивать более высокую точность и прозрачность при меньших затратах — при этом оставаясь в соответствии с требованиями конфиденциальности и безопасности данных.
Критическая роль очистки данных при внедрении ИИ
По мере распространения инициатив ИИ организации должны уделять первостепенное внимание качеству данных. Первым и наиболее важным шагом при внедрении ИИ, будь то с использованием LLM или SLM, является обеспечение отсутствия ошибок и неточностей во внутренних данных. Этот процесс, известный как «очистка данных», необходим для курирования чистого массива данных, который является краеугольным камнем успеха проектов ИИ.
Многие организации по-прежнему полагаются на бумажные документы, которые необходимо оцифровывать и очищать для повседневных деловых операций. В идеале эти данные должны поступать в маркированные обучающие наборы для собственного ИИ организации, но мы еще слишком рано это видим. Фактически, в недавнем опросе, который мы провели совместно с Harris Poll, где мы опросили более 500 лиц, принимающих решения в сфере ИТ, в период с августа по сентябрь, было обнаружено, что 59% организаций даже не используют все свои данные. В том же отчете было обнаружено, что 63% организаций согласны с тем, что у них отсутствует понимание собственных данных, и это препятствует их способности максимально использовать потенциал GenAI и аналогичных технологий. Проблемы конфиденциальности, безопасности и управления, безусловно, являются препятствиями, но точные и чистые данные имеют решающее значение, даже незначительные ошибки обучения могут привести к усугублению проблем, которые будет сложно устранить, если модель ИИ ошибается. В 2025 году очистка данных и конвейеры для обеспечения качества данных станут важнейшей областью инвестиций, гарантируя, что новое поколение корпоративных систем ИИ сможет работать с надежной и точной информацией.
Растущее влияние роли технического директора
Роль технического директора (CTO) всегда была решающей, но к 2025 году ее влияние должно возрасти в десять раз. Проводя параллели с «эпохой CMO», когда клиентский опыт под руководством директора по маркетингу имел первостепенное значение, ближайшие годы станут «поколением технического директора».
Хотя основные обязанности технического директора остаются неизменными, влияние их решений будет более значительным, чем когда-либо. Успешным техническим директорам потребуется глубокое понимание того, как новые технологии могут изменить их организации. Они также должны понимать, как ИИ и связанные с ним современные технологии стимулируют трансформацию бизнеса, а не только эффективность в четырех стенах компании. Решения, принятые техническим директором в 2025 году, определят будущую траекторию их организаций, делая их роль более влиятельной, чем когда-либо.
Прогнозы на 2025 год подчеркивают преобразующий год для Gen AI, управления данными и роли CTO. Поскольку Gen AI переходит от решения в поиске проблемы к мощному центру решения проблем, важность очистки данных, ценность корпоративных данных и растущее влияние CTO будут определять будущее предприятий. Организации, которые примут эти изменения, будут иметь хорошие возможности для процветания в развивающемся технологическом ландшафте.