Dirbtinis intelektas (AI) keičia mokslinius tyrimus, plėtrą ir inovacijas (R&D ir I), leidžianti naujų galimybių išspręsti kai kuriuos aktualiausius pasaulio iššūkius, įskaitant tvarumą, sveikatos priežiūrą, klimato pokyčius ir maistą bei energetinį saugumą, taip pat padėti organizacijoms į organizacijas Naujoves geriau ir paleiskite proveržio produktus ir paslaugas.
AI R&D&I nėra nauja. Tačiau generatyvinių AI (genų) ir didelių kalbos modelių (LLMS) padidėjimas žymiai sustiprino savo galimybes, pagreitindamas proveržį ir bendrą naujovę.
Kaip organizacijos gali gauti naudos iš AI savo R&D IN pastangose, ir kokia yra geriausia praktika, norint priimti sėkmę? Norėdami sužinoti Arthur D. Little (ADL) „Blue Shift“ institutą, atliko išsamų tyrimą, kuriame interviu daugiau nei 40 AI teikėjų, ekspertų ir praktikų, taip pat apklausė daugiau nei 200 organizacijų visame viešajame ir privačiame sektoriuose. Gauta ataskaita, Eureka! Apie steroidus: AI pagrįsti tyrimai, plėtra ir naujovėssiūlo išsamią dabartinės AI kraštovaizdžio ir būsimos tyrimų ir naujovių trajektorijos analizę.
Mūsų analizė sutelkta į penkias pagrindines sritis:
AI teikia naudos iš R&D I – tačiau tai nepakeis žmonėms
Kiekvienas „R&D & I“ statyba gali būti naudinga AI, pradedant technologijomis ir rinkos žvalgyba, baigiant inovacijų strategija, idėjomis, portfeliu ir projektų valdymu bei IP valdymu. Kai tikėsime suprasti šiuos pranašumus, atsiranda trys pagrindiniai veiksniai:
- PG padidins tyrėjus, užuot juos pakeisdami, išlaisvindami savo laiką ir leis jiems būti produktyvesniems ir kūrybiškesniems
- PG padeda išspręsti neginčijamas problemas, kurių anksčiau nebuvo galima bandyti dėl technologijos greičio ir sugebėjimo mastelio ir mokytis, atverdami naujas naujovių galimybes
- AI užims „planuotojo mąstymo“ poziciją, peržengus turinio generavimą ir paiešką, kad apimtų sudėtingesnius vaidmenis, tokius kaip tapimas žinių vadybininku, hipotezės generatoriumi ir R&D ir I komandų padėjėju.
Nusprendžiant, ar naudoti AI norint išspręsti konkretų R&D ir aš naudoju atvejį, nėra jokio antklodžių modelio, kurį būtų galima diegti. Norėdami suprasti, kuris AI metodas duos geriausius rezultatus, organizacijas, o organizacijas reikės sutelkti dėmesį į du veiksnius – turimų duomenų tipą ir kiekį (nuo mažai iki daug) ir užduodamo klausimo pobūdį (nuo atvirų iki konkrečių). Tuo pačiu metu vienas PG metodas gali nepateikti optimalių rezultatų-dauguma moderniausių intelektualių sistemų, pagamintų per pastaruosius 15 metų, buvo sistemų sistemos. Tai yra nepriklausomos AI sistemos, modeliai ar algoritmai, skirti konkrečioms užduotims, kurios, sujungus, siūlo didesnę funkcionalumą ir našumą.
Sėkmei reikia aštuonių gerų praktikų
Remdamiesi interviu su tyrėjais, AI mokslininkais, įkūrėjais ir mokslinių tyrimų ir plėtros vadovais skaitmeniniame, gamybos, rinkodaros ir tyrimų ir plėtros komandose. Mes matome aštuonias gerą praktiką, kuriai grindžiamas sėkmingas AI diegimas. Organizacijos turi:
- Priimkite judrias metodikas, kad komandos galėtų greitai dirbti greitai besikeičiančioje AI aplinkoje
- Sukurkite tvirtus pagrindus, sutelkdami dėmesį į duomenų kokybę, bendradarbiavimą visoje organizacijoje ir panaudodami patentuotus duomenis
- Padarykite strateginį pasirinkimą tarp pastato, pirkimo ir tikslinimo modelių, o pastarasis požiūris dažnai yra veiksmingiausias
- Apsvarstykite analitinius kompromisus, kad užtikrintumėte pažangą koncepcijos įrodymo projektų metu, pavyzdžiui, apie duomenų įsigijimą ir sintezavimą, tikslumą ir atšaukimą ir nepakankamą, palyginti su perpildymu
- Būkite iniciatyvūs naudodamiesi turimais duomenų mokslo talentais, įskaitant partnerius už organizacijos ribų, kad įgytumėte reikiamų įgūdžių
- Susirašykite su juo, kad būtų subalansuotas saugumas ir atitiktis eksperimentavimo greičiui
- Greitai pademonstruokite naudą ir įsigykite vartotojo pirkimą, kad sukurtumėte pasitikėjimą ir atrakintumėte tolesnes investicijas
- Nuolat palaikykite ir stebėkite sistemos veikimą, ypač atsižvelgiant į modelio patobulinimus
3. Dabar yra technologijos komponentai
Kaip ir daugelyje AI naudojimo atvejų, R&D&I vertės grandinę sudaro trys sluoksniai – infrastruktūra, modelio kūrėjai ir programos.
Kalbant apie infrastruktūrą, pakankamos skaičiavimo galios įgyvendinimo ir palaikymo išlaidos yra didelės, tačiau prieglobos teikėjai vis dažniau siūlo išvadų, kaip paslaugų, modelius, pateikia išvadas ir užklausas debesyje, kad pašalintų vidaus infrastruktūros poreikį, mažinimą, mažinimą, mažinant namų infrastruktūrą, mažinant vidaus infrastruktūrą, mažinant vidaus infrastruktūrą, mažinant mažinimą, mažinant vidaus infrastruktūrą, mažinant mažinimą. Išankstinės išlaidos ir demokratizuojant prieigą prie AI.
R&D&I vertės vertės grandinė labai priklauso nuo pagrindinių žaidėjų, tokių kaip „Meta“, „Microsoft“ ir „Nvidia“, atvirojo kodo modeliai. Tačiau mažesni žaidėjai, tokie kaip „Mistral“ ir „Cohere“, taip pat yra pagrindinė ekosistemos dalis, kaip ir akademinės institucijos.
Taikant grandinės pabaigą, bendrosios ir specialistės R&D ir I programos jau buvo sukurtos siekiant patenkinti daugumą naudojimo atvejų, kurių dabar yra daugiau nei 500, apimantys visą R&D&I procesą.
Ateitis neaiški, tačiau scenarijaus planavimas padeda suprasti
Tai, kaip išsivysto R&D&I, priklausys nuo trijų pagrindinių veiksnių rezultatų – rezultatų, pasitikėjimo ir įperkamumo. Derinant šiuos veiksnius, atsiranda šeši tikėtini ateities scenarijai spektre tarp AI, keičiant kiekvieną R&D ir I aspektą į naudojimą tik selektyviais, mažos rizikos naudojimo atvejais. Maksimaliai nuo maksimalaus iki minimalaus poveikio šie scenarijai yra šie:
- „Blockbuster“: AI tampa aukščiausio lygio visame R&D cikle, pakeisdami organizacijas. Duomenys tampa nauja siena.
- Minios malonumas: PG yra patogi, prieinama ir priimama kasdienėms produktyvumo užduotims, tačiau nepatenka į mokslinę/kūrybinę vertę.
- Karūnos brangakmenis: AI teikia produktyvumą ir mokslinius proveržius, tačiau tik toms organizacijoms, kurios gali sau tai leisti-sukelia dviejų greičių pasaulį R&D I.
- Probleminis vaikas: Nepaisant kai kurių „Hallmark“ naudojimo atvejų ir prieinamų sprendimų, AI neįrodo savo vertės – R&D ir I organizacijos vis dar nerimauja dėl duomenų saugumo, deontologijos ir aiškinamumo stokos.
- Geriausia saugoma paslaptis: PG našumas pagerėja, tačiau dėl didelių išlaidų organizacijoms vengiama rizikos. Pradėtame mažo pasitikėjimo ir biurokratijos ribų priėmimo metu.
- Pigi ir nemaloni: PG yra plačiai naudojama mažų akcijų naudojimo atvejais, tačiau tik kaip prototipų kūrimo ar smegenų šturmo įrankis. Nepasitikimos sistemos yra griežtai tikrinamos, o išėjimai yra tikrinami, mažinantys produktyvumo padidėjimą.
Suprasti šiuos scenarijus yra svarbu R&D ir I organizacijoms, nes jos nustato kelią į savo AI priėmimą.
Laikas, skirtas R&D ir I organizacijoms veikti dabar
Kai kuriose situacijose AI jau įgalina dvi skaitmeniškus laikus, sąnaudas ir efektyvumą formuojant, produktų kūrimui, intelektui ir kitoms R&D ir I užduotims. Tai reiškia, kad nesvarbu, kuris scenarijus pasirodys, šeši „Regret“ judesiai padės R&D I&I organizacijoms sukurti atsparumą ir panaudos AI naudą. Jie turi:
- Tvarkykite ir įgalinkite talentą, užtikrindami, kad darbo jėga mokytų ir žinių, kad būtų galima panaudoti AI, prireikus subrangos diegimo išorės teikėjams vidutinės trukmės laikotarpiu
- Kontroliuokite AI sukurtą turinį, atnaujinkite rizikos valdymo procesus ir viešai dalijantis patvirtinimo metodika, kad būtų sukurtas pasitikėjimas
- Sukurkite dalijimąsi duomenimis ir bendradarbiaudami, bendradarbiaudami su platesniu viešojo ir privačiojo sektoriaus ekosistema, kad būtų galima sėkmingai priimti AI priėmimą
- Ilgainiui mokykite, mokykite kuo platesnius vartotojų populiaciją tiek AI pagrindų, tiek reikiamų įgūdžių, tiek galimos rizikos
- Peržiūrėkite organizaciją ir valdymą, perkeldami ją už jos ribų, kad būtų skiriamas vyresnio lygio dėmesys ir suskaido silosus, kad būtų sklandus bendradarbiavimas
- Mutukite skaičiavimo išteklius, bendradarbiaudami su partneriais ar dalijimasis ištekliais viduje, kad ekonomiškai atitiktų dabartinius ir būsimus infrastruktūros poreikius
Be šių nepagrįstų žingsnių, sėkmė atsiras sukuriant subalansuotą AI pagrįstų R&D ir I investicijų portfelį, suderintą su įmonių tikslais. Tai reiškia, kad reikia atsižvelgti į konkrečių AI naudojimo atvejų apimtį, sąnaudas ir naudą ir naudoti tai norint optimizuoti inovacijų projekto portfelio optimizavimą. Sprendimai turėtų būti grindžiami strateginiais tikslais, galimybėmis ir rinkos žvalgyba bei kontekstu, kuriame veikia organizacijos.
Kiekvienas tyrimų, plėtros ir inovacijų vertės grandinės etapas gali būti pertvarkytas per AI, padidinant žmonių tyrėjus, kad būtų galima pakeisti produktyvumą ir įgalinti proveržio naujoves. Šias galimybes reikia subalansuoti atsižvelgiant į įvairius iššūkius, susijusius su rezultatais, pasitikėjimu ir įperkamumu, tai reiškia, kad organizacijos turi sutelkti dėmesį dabar, norėdamos padėti savo R&D ir I AI pastangoms siekti sėkmės, kad ir kokia ateitis atneštų.
Šis straipsnis buvo parašytas padedant Albertui Meige, Zoe Huczokui, Arnaud Siraudin ir Arthur D. Little.
Source link
