ابتکارات مولد هوش مصنوعی در شرکت معمولاً با آزمایش‌ها، آزمایش‌ها و اثبات مفهوم آغاز می‌شود، اما اگر هدف حرکت از آزمایشی به تولید در مقیاس باشد، تعدادی پیش نیازها و وابستگی‌های استراتژیک، سازمانی و فنی وجود دارد که باید درست در نظر گرفته شوند. از ابتدا. این شامل:
شروع کنم یا صبر کنم؟
نسخه چاپگر پسندهوش مصنوعی مولد: برای دستیابی به مزیت رقابتی فراتر از هیاهو حرکت کنید
شماره 3 2023 انتخاب سردبیرزیرساخت فناوری اطلاعات، خدمات امنیتی و مدیریت ریسک
طبق آخرین چرخه هیپ هوش مصنوعی گارتنر، که قبل از آنلاین شدن ChatGPT منتشر شد، هوش مصنوعی مولد قبل از اوج انتظارات متورم نشسته است. با فرض اینکه اکنون به اوج رسیده ایم، به زودی می توانیم منتظر دوره ای از ناامیدی و تردید در مورد اینکه آیا هوش مصنوعی واقعاً انتظارات ما را برآورده می کند یا خیر. گارتنر پیش بینی می کند که فلات بهره وری ظرف دو تا پنج سال به دست خواهد آمد.
در عمل، این می تواند شامل استفاده از یک ربات چت کلاسیک برای بهبود خدمات به مشتریان، برای پاسخ به سؤالات حقوقی یا تحقیق و توسعه باشد. بخش یا برای تولید دستورالعمل های گام به گام برای عیب یابی دستگاه تولید معیوب.
• حاکمیت دیجیتال: به احتمال زیاد بازار مدل های زبان بزرگ تحت سلطه تعداد کمی از ارائه دهندگان در سراسر جهان است. این امر باعث می شود که گفتگوها در مورد حاکمیت دیجیتال مهم باشد – یعنی کاهش وابستگی ها و حفاظت از مالکیت معنوی.
به سوی هوش عمومی سازمانی
چت بات ها مدت هاست که به عنوان یکی از امیدوارکننده ترین کاربردهای هوش مصنوعی (AI) در نظر گرفته می شوند. با فعال کردن هوش مصنوعی در مقیاس، رباتی مانند ChatGPT می‌تواند به طور چشمگیری آموزش مدل‌های زبان بزرگ – شبکه‌های عصبی با چند صد میلیارد پارامتر – را برای ایجاد چیزی که امروزه هوش مصنوعی مولد نامیده می‌شود، تسریع بخشد.
هوش مصنوعی مولد: فقط نوک کوه یخ
• رویکرد پلتفرم ترکیبی: آموزش مدل و استنتاج می‌تواند بر روی ابررایانه‌های متمرکز هوش مصنوعی که توسط ارائه‌دهندگان مدل زبان بزرگ (مانند OpenAI، Aleph Alpha، Google) اداره می‌شوند، اجرا شود، اما دلایل مختلفی وجود دارد که در درازمدت، شرکت‌ها مجبور به ایجاد یک رویکرد پلت فرم ترکیبی یا لبه به ابر.
بسیاری از آزمایش‌های فعلی با هوش مصنوعی مولد، پتانسیل باورنکردنی این فناوری را برای بهینه‌سازی فرآیندهای تجاری شرکت‌ها، افزایش بهره‌وری و تقویت مزیت رقابتی آنها نشان می‌دهد.
• معماری و حاکمیت داده: اگر قرار است از یک ربات چت هوش مصنوعی برای موارد استفاده خاص شرکت استفاده شود، باید به طور مداوم با داده های شرکت شما آموزش داده شود. از این رو، بر در دسترس بودن این داده ها در کمیت و کیفیت کافی متکی است. وقتی نوبت به مقیاس‌بندی استقرار ربات چت می‌شود، معماری و حاکمیت داده‌ها در کل شرکت مورد نیاز است.
مایکل لانگولد
پس باید همین الان شروع کنی یا صبر کنی؟ این بستگی به استراتژی نوآوری شما دارد. شرکت‌هایی که می‌خواهند رقابت خود را از طریق نوآوری مستمر افزایش دهند، قطعاً باید از هم‌اکنون شروع کنند، اما تبلیغات نباید این واقعیت را پنهان کند که استفاده از چت ربات‌های هوش مصنوعی در سازمان – مانند هر استقرار هوش مصنوعی – بسیار پیچیده است. اگر بخواهد بهره وری پایدار را افزایش دهد و ارائه دهد، نیاز به برنامه ریزی، آمادگی، دانش، آموزش و توسعه مستمر دارد.
• یکپارچه سازی فرآیند: هنگام برنامه ریزی برنامه های کاربردی هوش مصنوعی، سازمان ها باید آنها را در فرآیندهای عملیاتی و فنی موجود ادغام کنند. فرآیندهای مربوطه شامل مدیریت برنامه و چرخه عمر داده ها، امنیت، فرآیندهای برنامه ریزی و کنترل عملیاتی، ایمنی عملیاتی و مدیریت ریسک است.
این تنها اولین قدم در سفر هوش مصنوعی است. در آینده، یک ربات چت هوش مصنوعی می تواند تقریباً به هر سؤالی مانند وضعیت فعلی عرضه محصول، تغییرات مربوطه در قانون مالیات یا پاسخ مناسب به رویدادهای ژئوپلیتیک پاسخ دهد.
• سطح بلوغ داده ها: یک ابتکار هوش مصنوعی مولد تنها زمانی زنده می ماند و مقیاس می پذیرد که یک شرکت به سطح بلوغ داده خاصی رسیده باشد – یعنی قابلیت های استراتژیک، سازمانی و فنی که آن را قادر می سازد با استفاده از هوش مصنوعی ارزشی از داده ها ایجاد کند.
مشکلات عملی، حقوقی و اخلاقی زیادی وجود دارد که باید مورد توجه قرار گیرد. این شامل کشف این است که این ماشین‌ها می‌توانند اشتباه کنند، می‌توانند با ظاهر پوکر دروغ بگویند و قضاوت‌هایشان مغرضانه باشد.
اطلاعات بیشتر را در www.hpe.com/AI
منبع: https://www.securitysa.com/18951R
مدل‌های کنونی نه تنها مکالمات را به زبان طبیعی امکان‌پذیر می‌کنند، بلکه می‌توانند همه کارها را از نوشتن مقالات علمی و دستورالعمل‌های هک گرفته تا یافتن اشکالات در کد و ایجاد تصاویر به سبک ونسان ون گوگ انجام دهند.