გენერაციული ხელოვნური ინტელექტი (Gen AI), დღესl, ალბათ ერთ-ერთი ყველაზე აქტუალური თემაა. ამას აქვს თავისი მიზეზი. მისი მეშვეობით, AI გადადის საზღვარს ინტელექტუალურ სამუშაოში, ქმნის კონტენტს, რომელიც ადრე მხოლოდ კრეატიული ადამიანების მიერ იქმნებოდა. ეს ხსნის გაცილებით მაღალი პროდუქტიულობისა და ეფექტურობის შესაძლებლობას, მაგრამ ამავდროულად წამოჭრის მრავალ საკითხს იმის შესახებ, თუ როგორ ვაქციოთ ასეთი სამუშაო პროდუქტიულად და ეფექტურად. ბევრს აინტერესებს, შექმნის თუ არა გენერაციული AI საკმარის ღირებულებას, რითაც გადააჭარბებს მის ხარჯებს. ეს შესაძლებელია, მაგრამ გენერაციული AI-დან ეკონომიკური დოვლათის მიღება მოითხოვს რამდენიმე სხვადასხვა ტიპის დისციპლინირებულ შესაძლებლობას. სამწუხაროდ, ბევრ ორგანიზაციას არ გააჩნია ასეთი დისციპლინა. ამ სტატიაში მოცემულია იმ დისციპლინათა ნაწილი, რაც უნდა ჰქონდეთ კომპანიებს, სანამ გენერაციულ AI-ში წარმატებას მიაღწევენ.
ქცევის ცვლილება
გენერაციული AI მოითხოვს ადამიანებისგან ქცევის შეცვლას. მათ უნდა ისწავლონ, გამოიყენონ თუ არა Gen AI ტექნოლოგია კონტენტის შექმნის პროცესის სხვადასხვა ეტაპზე, გამოიყენონ ის სწორ დროს და სწორი მიზნებისთვის. ორგანიზაციებმა უნდა განსაზღვრონ ადამიანისა და მანქანის ურთიერთქმედების შესაბამისი თანმიმდევრობა მომხმარებლებთან. ხოლო იურისტებმა უნდა გადაწყვიტონ, უნდა გამოიყენონ თუ არა ის იდეების გენერირებისთვის, სამართლებრივი დოკუმენტების ან კონტრაქტების პირველი ვერსიების შესაქმნელად, არსებული ვერსიების დასახვეწად, თუ რაიმე სხვა მიზნით.
ორგანიზაციებმა კარგად უნდა იფიქრონ თავიანთ სტანდარტულ პროცესებზეც. მართალია, არსებობს გარკვეული სახელმძღვანელო პრინციპები Gen AI-ის როლის შესახებ, თუმცა ზოგადად მაინც სპეციფიკურია სამუშაოსა და თანამშრომლისთვის. მაგალითად, კვლევებმა აჩვენა, რომ დამწყები თანამშრომლები უფრო მეტად სარგებლობენ Gen AI-ით, ვიდრე გამოცდილები. კომპანიებს შეიძლება დასჭირდეთ ახალი დავალებების, ბიზნეს პროცესებისა და კარიერული გზების შექმნა – რომელთაგან თითოეული ეფექტურად მოიცავს სამუშაოს დაგეგმვას როგორც ადამიანისთვის, ისე მანქანისთვის.
კონტროლირებადი ექსპერიმენტები
Gen AI დისციპლინის მნიშვნელოვანი ასპექტია იმის განსაზღვრა, არის თუ არა ღირებულება ტექნოლოგიის გამოყენებაში ნებისმიერ კონკრეტულ ბიზნეს სფეროში. ლიდერებმა არ უნდა მიიღონ როგორც თავისთავად ფაქტად, რომ Gen AI ინსტრუმენტები ყოველთვის გააუმჯობესებენ გამომავალი პროდუქტის ხარისხს ან გაზრდიან პროდუქტიულობას. ღირებულების დონის განსაზღვრის ერთადერთი საიმედო გზაა კონტროლირებადი ექსპერიმენტის შექმნა, სადაც ზოგიერთი ადამიანი იყენებს Gen AI ინსტრუმენტებს და ზოგიერთი – არა, და მათი პროდუქტიულობა ან ეფექტურობა იზომება. კომპანიებმა შეიძლება ჩაატარონ ექსპერიმენტები Gen AI-ის სხვადასხვა გზით გამოყენებით – მაგალითად, შეადარონ მისი, როგორც დამოუკიდებელი კონტენტ-გენერატორის გამოყენების შესაძლებლობა „კოპილოტის“ როლთან.
ბიზნეს-ღირებულების გაზომვა
ექსპერიმენტირებასთან დაკავშირებულია ბიზნეს-ღირებულების სხვადასხვა ფორმის გაზომვის დისციპლინა. ინდივიდუალური დონის პროდუქტიულობა ყველაზე ადვილად გასაზომი ღირებულების ფორმაა Gen AI-ის დანერგვისას და ზოგიერთი ანალიტიკოსის აზრით, ინვესტიციის ყველაზე სწრაფი უკუგება. თუმცა, ხშირად ეს მეტრიკაც კი არ იზომება მკაცრად, როგორც ექსპერიმენტში, ისე წარმოებაში დანერგვის შემდეგ. ასევე სავარაუდოა, რომ კონკურენტები სწრაფად დაეწევიან ამ მაჩვენებელს.
Gen AI-ის მიერ შესაძლებელი ახალი ინიციატივებიდან ან სტრატეგიებიდან ბიზნეს-ღირებულების გაზომვა ხშირად უფრო რთულია, რადგან ეს ცვლილებები მოიცავს მრავალ კომპონენტს, ახალი ტექნოლოგიის გარდა. ზოგიერთმა ორგანიზაციამ შექმნა ახალი პროდუქტები და სერვისები Gen AI-ის გამოყენებით, როგორიცაა იურიდიული ფირმები A&O Shearman და Wilson Sonsini, ასევე ფარმაცევტული კომპანია Sanofi, რომელიც იყენებს Gen AI-ს და სხვა AI ინსტრუმენტებს ახალი წამლების ბაზარზე გამოსვლის დროის დასაჩქარებლად. ეს სარგებელი ჩვეულებრივ შეიძლება გაიზომოს საბოლოოდ დამატებითი შემოსავლებისა და მოგების სახით.
თუ კომპანიებს სურთ გენერაციულ AI-ში წარმატების მიღწევა, მათ უნდა ჰქონდეთ მკაფიო პრაქტიკა, თუ როგორ და როდის ზომავენ ბიზნეს-ღირებულებას ყველა გამოყენების შემთხვევისთვის, და უნდა ჰქონდეთ ჩვევა, რომ თვალყური ადევნონ ამ მეტრიკებს დროთა განმავლობაში. გარკვეულ მომენტში შეიძლება შევძლოთ გენ AI-ს ღირებულების მიღება როგორც თავისთავად ცხადს, მაგრამ ჯერ არა.
მონაცემთა მართვა
მონაცემთა მართვაც დისციპლინაა. ორგანიზაციებს ჰქონდათ გამოწვევები მასთან დაკავშირებით მაშინაც კი, როდესაც საქმე ეხებოდა სტრუქტურირებულ, რიცხობრივ მონაცემებს, რომლებიც კვებავდა ანალიტიკას და ანალიტიკურ მანქანურ სწავლებას. თუმცა, Gen AI სწავლობს და ქმნის არასტრუქტურირებულ მონაცემებს, როგორიცაა ტექსტი და გამოსახულებები. ორგანიზაციების უმრავლესობას არ აქვს კარგად განსაზღვრული პროცესები ამ ტიპის კონტენტის შეგროვების, შენახვისა და კურირებისთვის. კომპანიებში, რომლებიც სერიოზულად ეკიდებიან გენერაციულ AI-ს, ზოგიერთ სამუშაო გარემოს და მომხმარებლის გამოცდილებას გაუმჯობესება დასჭირდება, ახალი მონაცემების შესაგროვებლად.
მონაცემთა კურირება ნიშნავს კონტენტის შეფასებას მისი მნიშვნელობის, უნიკალურობის, აქტუალურობისა და სხვა შესაბამისი ატრიბუტების შესაფასებლად. ამისთვის შეიძლება საჭირო გახდეს მესამე მხარეების მიერ კურირების ამოცანების შესრულება, მაგრამ იდეალურ შემთხვევაში კონტენტის მომწოდებლებს შეიძლება ასწავლონ ამის გაკეთება თავად.
წყარო: HBR
