Искусственный интеллект с размахом вышел на рынок, вызвав огромный ажиотаж и став популярным. Но сейчас темпы снижаются.
Руководители компаний все еще говорят о внедрении искусственного интеллекта, потому что хотят получить выгоду — по оценкам McKinsey, GenAI может сэкономить компаниям до 2,6 триллиона долларов на различных видах деятельности. Однако на деле это не так. По данным одного из опросов руководителей аналитических и ИТ-подразделений, только 20 % приложений GenAI в настоящее время находятся в производстве.
Почему такой большой разрыв между интересом и реальностью?
Ответ многогранен. Проблемы, связанные с безопасностью и конфиденциальностью данных, рисками несоблюдения нормативных требований и управлением данными, широко известны, но есть также опасения по поводу недостаточной прозрачности ИИ и беспокойства по поводу рентабельности инвестиций, затрат и нехватки специалистов. В этой статье мы рассмотрим препятствия на пути внедрения ИИ и поделимся некоторыми мерами, которые руководители компаний могут предпринять для их преодоления.
Разберитесь с данными
«Высококачественные данные — это основа для точных и надёжных моделей ИИ, которые, в свою очередь, способствуют более эффективному принятию решений и достижению результатов», — сказал Роб Джонсон, вице-президент и глобальный руководитель отдела разработки решений в SolarWinds, добавив: «Достоверные данные укрепляют доверие к ИИ среди ИТ-специалистов, ускоряя более широкое внедрение и интеграцию технологий ИИ».
Сегодня только 43% ИТ-специалистов уверены в своей способности удовлетворять потребности ИИ в данных. Учитывая, что данные так важны для успеха ИИ, неудивительно, что проблемы с данными часто называют причиной медленного внедрения ИИ.
Лучший способ преодолеть это препятствие — вернуться к основам работы с данными. Организациям необходимо с нуля разработать эффективную стратегию управления данными с жёстким контролем, обеспечивающим качество и целостность данных.
Серьезно относитесь к этике и управлению
В условиях растущего числа нормативных требований соблюдение требований уже стало головной болью для многих организаций. ИИ только добавляет новые области риска, увеличивает количество нормативных требований и усугубляет проблемы этического управления, о которых руководителям компаний приходится беспокоиться, поскольку риски, связанные с безопасностью и соблюдением требований, были наиболее часто упоминаемыми проблемами в отчёте Cloudera «Состояние корпоративного ИИ и современной архитектуры данных».
Хотя на первый взгляд ужесточение правил в сфере ИИ может показаться тревожным, руководителям следует воспользоваться поддержкой, которую предлагают эти системы, поскольку они могут предоставить организациям структуру, на основе которой можно выстроить собственный контроль рисков и этические ограничения.
Разработка политик соблюдения требований, назначение команд для управления ИИ и обеспечение того, чтобы люди сохраняли контроль над решениями, принимаемыми с помощью ИИ, — всё это важные шаги на пути к созданию комплексной системы этики и управления ИИ.
Усилить контроль над безопасностью и конфиденциальностью
Вопросы безопасности и конфиденциальности данных остро стоят перед каждым бизнесом, и на то есть веские причины. Исследование конфиденциальности данных, проведённое компанией Cisco в 2024 году, показало, что 48% сотрудников признаются, что вводят конфиденциальную информацию о компании в инструменты GenAI (а неизвестное количество сотрудников сделали это и не признаются в этом), что привело к тому, что 27% организаций запретили использование таких инструментов.
Лучший способ снизить риски — ограничить доступ к конфиденциальным данным. Это предполагает усиление контроля доступа и ограничение привилегий, а также хранение данных вдали от общедоступных LLM. Ави Перес, технический директор Pyramid Analytics, объяснил, что инфраструктура ИИ в его программном обеспечении для бизнес-аналитики была намеренно создана таким образом, чтобы хранить данные вдали от LLM, передавая только метаданные, описывающие проблему, и взаимодействуя с LLM как с лучшим способом для локальных механизмов проведения анализа. «Там есть множество проблем. Речь идет не только о конфиденциальности, но и о вводящих в заблуждение результатах. Таким образом, в этих рамках конфиденциальность данных и связанные с ней проблемы, на мой взгляд, огромны. Они потрясают”, — сказал Перес. Однако при настройке Pyramid “LLM генерирует рецепт, но делает это, даже не получая в свои руки данные и не выполняя математических операций. […] Это устраняет примерно 95% проблем с точки зрения рисков конфиденциальности данных ”.
Повысьте прозрачность и объяснимость
Ещё одним серьёзным препятствием для внедрения ИИ является отсутствие доверия к его результатам. Печально известная история о том, как инструмент найма Amazon на основе ИИ дискриминировал женщин, стала поучительной историей, которая отпугивает многих людей от ИИ. Лучший способ бороться с этим страхом — повысить объяснимость и прозрачность.
«Прозрачность ИИ заключается в чётком объяснении причин, лежащих в основе результатов, в том, чтобы сделать процесс принятия решений доступным и понятным, — сказал Аднан Масуд, главный архитектор ИИ в UST и региональный директор Microsoft. — В конечном счёте, речь идёт об устранении тайны «чёрного ящика» ИИ и предоставлении информации о том, как и почему ИИ принимает решения». К сожалению, многие руководители недооценивают важность прозрачности. Недавнее исследование IBM показало, что только 45% руководителей говорят, что они обеспечивают открытость. Сторонникам ИИ необходимо уделять первостепенное внимание разработке строгих правил управления ИИ, которые предотвращают появление «чёрных ящиков», и инвестировать в инструменты объяснимости, такие как SHapley Additive exPlanations (SHAP), наборы инструментов для обеспечения справедливости, такие как Google Fairness Indicators, и автоматизированные проверки соответствия требованиям, такие как система аудита ИИ Института внутренних аудиторов.
Определите четкую ценность бизнеса
Стоимость, как и всегда, входит в список препятствий для внедрения ИИ. Опрос Cloudera показал, что 26% респондентов считают инструменты ИИ слишком дорогими, а Gartner включил «неясную бизнес-ценность» в число факторов, приводящих к провалу проектов ИИ. Однако в том же отчёте Gartner отмечается, что GenAI обеспечил своим пользователям средний прирост выручки и экономию средств более чем на 15%, что доказывает, что ИИ может принести финансовую выгоду при правильной реализации.
Вот почему так важно подходить к ИИ так же, как к любому другому бизнес-проекту: определите области, в которых ИИ быстро окупится, сформулируйте преимущества, которые вы ожидаете увидеть, и установите конкретные ключевые показатели эффективности, чтобы доказать ценность ИИ. «Несмотря на то, что при разработке стратегии и дорожной карты ИИ нужно учитывать множество факторов, важнейшим первым шагом является определение наиболее ценных и преобразующих вариантов использования ИИ, на которых следует сосредоточиться», — сказал Майкл Робинсон, директор по маркетингу продуктов в UiPath.
Создание эффективных программ обучения
Недостаток навыков по-прежнему является серьёзным препятствием для внедрения ИИ, но, похоже, мало что делается для решения этой проблемы. Согласно отчёту Worklife, первоначальный бум внедрения ИИ пришёлся на первопроходцев. Теперь дело за отстающими, которые по своей природе настроены скептически и в целом менее уверены в ИИ — и в любых новых технологиях.
Это делает обучение критически важным. Однако, согласно исследованию Asana «Состояние ИИ на рабочем месте», 82% участников заявили, что в их организациях не проводится обучение использованию генеративного ИИ. Это не значит, что обучение не работает, скорее, оно происходит не так, как должно.
Очевидно, что нужно предлагать всестороннее обучение качественному подталкиванию к принятию решений и другим соответствующим навыкам. Отрадно, что то же исследование показывает, что даже использование ИИ без обучения повышает навыки и уверенность людей. Поэтому хорошей идеей будет начать с инструментов с низким уровнем программирования и без него, которые позволят сотрудникам, не имеющим опыта работы с ИИ, учиться на рабочем месте.
Барьеры на пути внедрения искусственного интеллекта не являются непреодолимыми
Хотя внедрение ИИ замедлилось, нет никаких признаков того, что ему грозит опасность в долгосрочной перспективе. Многие препятствия, сдерживающие компании от внедрения инструментов ИИ, можно преодолеть без особых проблем. Многие шаги, такие как повышение качества данных и этичного управления, следует предпринимать независимо от того, рассматривается ли искусственный интеллект, в то время как другие предпринятые шаги окупятся увеличением доходов и повышением производительности, которые может принести искусственный интеллект.