Los ejecutivos que dudan del potencial de la IA generativa se están convirtiendo en una raza cada vez más rara. En una encuesta reciente realizada a directores ejecutivos de Fortune 500 en colaboración con Deloitte, el 75 % esperaba que la IA generativa mejorara la eficiencia operativa, mientras que más de la mitad creía que aumentaría el crecimiento. En nuestra propia encuesta de líderes de ciencia de datos y sus equipos, el 90 % creía que la exageración era mayor. que justificado. De hecho, ha habido una serie de informes que calculan que la IA genética tendrá un impacto enorme en la economía mundial. Por ejemplo, McKinsey estimó que añadiría entre 2,6 y 4,4 billones de dólares al año. La pregunta ya no es si la IA generativa será transformadora sino cómo lograremos esa transformación. En otras palabras, ¿cómo ganamos dinero con genAI? Para responder a esta pregunta, debemos analizar los desafíos que dificultan “ganar dinero” con genAI y cómo las empresas superan estos desafíos. La respuesta está en identificar los casos de uso de IA generativa correctos y desarrollar sus capacidades tanto para desarrollar como para poner en funcionamiento genAI. aplicaciones. ¿Por qué es difícil ganar dinero con la IA generativa? Hay dos desafíos clave que dificultan “ganar dinero”, es decir, aumentar la eficiencia operativa o el crecimiento de los ingresos, con la IA generativa. El desafío más grande y difícil es que requiere buscar nuevos casos de uso y desarrollar nuevos modelos de negocios que sean diferentes de los que hemos visto que funcionan para el aprendizaje automático tradicional. Esto se debe a que genAI se trata de desbloquear datos nuevos y no estructurados: analizar y generar texto, voz, imágenes, vídeo, etc., que las empresas han ignorado en gran medida. ¿Cómo se crea un chatbot que ayude a los empleados a descubrir y resumir documentos en su sistema de gestión de contenido empresarial (un caso de uso que muchas empresas están siguiendo con genAI)? Nadie sabe todavía cuál es la mejor manera de hacer esto ya que, antes de genAI, no era posible hacer algo similar sin inversiones extraordinariamente grandes de tiempo y dinero. El segundo desafío temporal es que los modelos genAI son mucho más costosos y difíciles de poner en práctica que los modelos tradicionales de aprendizaje automático. Esto se debe a que son órdenes de magnitud más grandes que los modelos de IA tradicionales y su tamaño ha crecido dramáticamente en los últimos años. Por ejemplo, se cree que GPT-4 tiene más de un billón de parámetros, lo que lo hace del orden de nueve mil veces más grande que el modelo BERT, una de las primeras IA generativas basada en la misma arquitectura. Lanzado en 2018, BERT, a su vez, era dramáticamente más grande que la mayoría de los modelos utilizados en ese momento. Debido a que estos modelos son mucho más grandes y se entrenan con muchos más datos, su entrenamiento y su uso en producción son mucho más costosos. Este segundo desafío es temporal por tres razones. En primer lugar, la infraestructura es cada vez más barata. En segundo lugar, existe una innovación constante en técnicas de optimización, que reducen la huella de infraestructura de estos modelos. En tercer lugar, y lo más importante, las empresas se están familiarizando más con el uso de genAI y se están alejando de los modelos ultragrandes de genAI hacia modelos más pequeños y más especializados que están ajustados para tareas y dominios particulares. Todas las empresas pueden ganar dinero con la IA generativa. Todas las empresas pueden ganar dinero con la IA generativa y varias ya lo están haciendo. Sin embargo, la mayoría de las empresas carecen del liderazgo especializado y la experiencia para identificar los casos de uso correctos a seguir con genAI, y carecen de las capacidades para desarrollar e implementar los modelos y aplicaciones genAI correspondientes. El primer componente crítico para ganar dinero con genAI es identificar casos de uso que brinden un valor comercial sustancial y que se encuentren en el punto óptimo de las fortalezas y al mismo tiempo eviten las debilidades de la tecnología. Identificar y priorizar estos casos de uso requiere científicos de datos y líderes en ciencia de datos capacitados que comprendan el contexto empresarial, los datos de la organización y, sobre todo, las fortalezas y debilidades de los modelos generativos de IA. Sin un historial de creación de equipos de ciencia de datos y entrega de proyectos tradicionales de IA y aprendizaje automático, una empresa carecerá del talento y la experiencia necesarios para identificar y perseguir los casos de uso más prometedores. El segundo componente requerido es la capacidad de desarrollar y poner en funcionamiento genAI. modelos y canalizaciones de una manera escalable, rentable y gobernada, los llamados LLMOps, para operaciones de modelos de lenguaje grandes. La mayoría de las empresas no podrán poner en funcionamiento sus aplicaciones genAI más importantes utilizando los gigantescos modelos genéricos de genAI que ofrecen los gigantes tecnológicos. Estos modelos tienen un rendimiento inferior porque son demasiado grandes, demasiado lentos y demasiado costosos, y porque a menudo no se pueden ajustar. Además, con frecuencia no satisfacen las necesidades empresariales de seguridad y control. No hay otra alternativa para las empresas que implementar sus propias capacidades LLMOps internas que les permitan incorporar modelos básicos, ajustarlos e implementarlos con una gobernanza integral. ¿Cuándo comenzarán las empresas a ganar dinero con la IA generativa? Los proveedores de tecnología se están esforzando por aumentar las características de sus productos con genAI, y es probable que varios hagan crecer sus negocios y ganen participación de mercado con la tecnología en los próximos años. De manera similar, ha habido una explosión de nuevas empresas de genAI, y es probable que un pequeño número tenga un éxito extraordinario durante el mismo período. Sin embargo, la mayoría de las empresas convencionales aún se encuentran en las primeras etapas de su madurez en IA gen y en general. Si bien hay historias de éxito en las que las empresas ya han ganado dinero con genAI (generalmente mejorando drásticamente la productividad de los empleados de alto valor), pasará tiempo antes de que todas las empresas, excepto las más avanzadas, vean un impacto considerable en sus resultados. Después de todo, ha pasado menos de un año desde que se lanzó ChatGPT, que es cuando la mayoría de los ejecutivos oyeron hablar de genAI por primera vez. La mayoría de las empresas todavía necesitan implementar capacidades LLMOps y aumentar su experiencia interna en genAI entre los líderes empresariales y sus equipos de ciencia de datos. Las empresas con equipos de ciencia de datos grandes y bien establecidos, un centro de excelencia en inteligencia artificial y un historial de éxito con el aprendizaje automático tradicional tienen una ventaja. Estas empresas podrían tener una pequeña cartera de proyectos exitosos de genAI en producción durante el próximo año. Es probable que las empresas que carecen de estas capacidades necesiten varios años antes de que puedan aprovechar significativamente los avances en genAI. ¿Qué podemos hacer para ganar dinero con genAI más rápido? La IA generativa, al igual que la IA tradicional y las tecnologías de aprendizaje automático, no genera dinero de forma automática. Pocos casos de uso, y los modelos genAI que los sustentan, pueden subcontratarse debido a los datos únicos y los requisitos únicos de sus casos de uso más diferenciados y valiosos, y los desafíos de poner en funcionamiento genAI. En cambio, se requerirá trabajo e inversión internos para Identifique y diseñe los casos de uso correctos y cree los equipos, procesos y plataformas necesarios para desarrollar y poner en funcionamiento las aplicaciones generativas de IA que transformarán su negocio. Las organizaciones que ya han invertido en sus capacidades de IA tienen la ventaja y están generando impacto con genAI mientras hablamos. Si esto no le parece propio de su organización, entonces es hora de ponerse al día. Kjell Carlsson es el jefe de estrategia de IA en Domino Data Lab, donde asesora a las organizaciones sobre cómo ampliar el impacto con la IA. Anteriormente, cubrió la IA como analista principal en Forrester Research, donde asesoró a líderes sobre temas que van desde visión por computadora, MLOps, AutoML e inteligencia de conversación hasta tecnologías de IA de próxima generación. Carlsson también es el presentador del podcast Data Science Leaders. Recibió su doctorado. de la Universidad de Harvard.—Generative AI Insights proporciona un lugar para que los líderes tecnológicos, incluidos proveedores y otros contribuyentes externos, exploren y discutan los desafíos y oportunidades de la inteligencia artificial generativa. La selección es amplia, desde análisis profundos de tecnología hasta estudios de casos y opiniones de expertos, pero también subjetiva, basada en nuestro juicio sobre qué temas y tratamientos servirán mejor a la audiencia técnicamente sofisticada de InfoWorld. InfoWorld no acepta garantías de marketing para su publicación y se reserva el derecho de editar todo el contenido aportado. Póngase en contacto con doug_dineley@foundryco.com. Copyright © 2024 IDG Communications, Inc.

Source link