Pagal SAP, įmonės AI valdymas užtikrina pelno maržas, statistinius spėjimus pakeičiant deterministine kontrole.
Paprašykite vartotojui skirto modelio suskaičiuoti žodžius dokumente, ir jis dažnai praleis dešimt procentų. Manos Raptopoulos, SAP klientų sėkmės Europoje, APAC, Artimųjų Rytų ir Afrikos pasaulinis prezidentas, pastebi, kad atotrūkis tarp beveik tobulo ir tobulo yra absoliutus.
„Atstumas tarp 90% ir 100% tikslumo nėra laipsniškas. Mūsų pasaulyje jis yra egzistencinis”, – pažymi Raptopoulos.
Organizacijoms į gamybinę aplinką įvedant didelius kalbos modelius, Raptopoulos pabrėžia, kad vertinimo kriterijai formaliai pasikeitė į tikslumą, valdymą, mastelį ir apčiuopiamą poveikį verslui.
Neatidėliotinas iššūkis, su kuriuo susiduria įmonių valdybos, yra susijęs su evoliucija nuo pasyvių įrankių iki aktyvių skaitmeninių veikėjų, perėjimas, kurį Raptopoulos įvardija kaip pagrindinį valdymo momentą ir bus viena iš temų, kurioms SAP skirs dėmesio šių metų AI & Big Data Expo Šiaurės Amerikoje.
Agentinės AI sistemos dabar turi galimybę planuoti, samprotauti, derinti su kitais agentais ir savarankiškai vykdyti darbo eigas. Kadangi šios sistemos tiesiogiai sąveikauja su jautriais duomenimis ir daro įtaką priimamiems sprendimams dideliu mastu, Raptopoulos teigia, kad nesugebėjimas jų valdyti tiksliai taip, kaip valdoma žmonių darbo jėga, organizacijai kyla didelė veiklos rizika. Jis perspėja, kad agentų išplitimas atspindės šešėlines pastarojo dešimtmečio IT krizes, nors statymas yra kategoriškai didesnis.
Agento gyvavimo ciklo valdymo nustatymas, autonomijos ribų nustatymas, politikos vykdymas ir nuolatinės veiklos stebėjimo įvedimas yra privalomi reikalavimai, remiantis jo sistema.
Šiuolaikinių vektorinių duomenų bazių (kurios nustato įmonės kalbos semantinius ryšius) integravimas su senomis reliacinėmis architektūromis reikalauja didžiulio inžinerinio kapitalo. Komandos turi aktyviai apriboti agento išvadų kilpą, kad haliucinacijos nesugadintų finansinių ar tiekimo grandinės vykdymo takų. Šių griežtų parametrų nustatymas padidina skaičiavimo delsą ir hiperskalerio skaičiavimo išlaidas, pakeičia pradines P&L prognozes.
Kai autonominiam modeliui reikalinga nuolatinė, aukšto dažnio duomenų bazės užklausa, kad būtų palaikomi deterministiniai išėjimai, susijusių žetonų sąnaudos greitai padaugėja. Valdymas tampa griežtu inžineriniu suvaržymu, o ne atitikties kontroliniu sąrašu.
Raptopoulos teigia, kad prieš diegdamos agentų modelius įmonių valdybos turi išspręsti tris pagrindines problemas: nustatyti, kas atsakingas už agento klaidą, nustatyti mašinos sprendimų audito seką ir nustatyti tikslias žmogaus eskalavimo ribas. Geopolitinis susiskaidymas apsunkina atsakymą į šiuos klausimus.
Suvereni debesų infrastruktūra, dirbtinio intelekto modeliai ir duomenų lokalizavimo įpareigojimai yra reguliavimo realybė pagrindinėse rinkose, apimančiose Niujorką, Frankfurtą, Rijadą ir Singapūrą. Įmonės turi įterpti deterministinę kontrolę tiesiai į tikimybinę žvalgybą. Raptopoulos mano, kad šis reikalavimas yra C-suite įgaliojimas, o ne IT projektas.
Komercinių operacijų reliacinės žvalgybos struktūrizavimas
AI sistemos išlieka visiškai priklausomos nuo duomenų ir procesų, kuriais jos veikia, kokybės, o tai atspindi tai, ką Raptopoulos vadina duomenų pagrindo momentu.
Suskaidyti pagrindiniai duomenys, sujungtos verslo sistemos ir per daug pritaikyta ERP aplinka sukelia pavojingą nenuspėjamumą blogiausiu įmanomu momentu. Raptopoulos paaiškina, kad jei savarankiškas agentas remiasi suskaidytais pagrindais, kad pateiktų rekomendaciją, turinčią įtakos pinigų srautams, santykiams su klientais ar atitikties pozicijoms, atsirandanti veiklos žala iš karto padidėja.
Norint išgauti apčiuopiamą įmonės vertę, reikia tobulėti už bendrųjų didelių kalbų modelių, parengtų naudojant internetinį tekstą. Tikrasis įmonės intelektas, kaip nurodė Raptopoulos, turi būti pagrįstas patentuotais įmonės duomenimis, įskaitant užsakymus, sąskaitas faktūras, tiekimo grandinės įrašus ir finansinius įrašus, tiesiogiai įterptus į verslo procesus. Jis teigia, kad reliacinio pagrindo modeliai, optimizuoti specialiai struktūriniams verslo duomenims, nuolat pranoksta bendruosius modelius prognozuojant, aptinkant anomalijas ir optimizuojant veiklą.
Dėl per daug pritaikytos ERP aplinkos, suprantamos pagrindiniam modeliui, veikimo trintis sustabdo daugelį diegimų. Duomenų inžinierių komandos praleidžia daugybę ciklų, kad išvalytų fragmentuotus pagrindinius duomenis, kad tik sukurtų pradinį DI, kurį galėtų gauti.
Kai reliaciniam modeliui reikia tiksliai interpretuoti sudėtingus, patentuotus tiekimo grandinės įrašus kartu su neapdorotais sąskaitos faktūros duomenimis, pagrindiniai duomenų vamzdynai turi veikti su nuline delsa. Jei duomenų gavimas nepavyksta, modelio nuspėjimo galimybės akimirksniu susilpnėja, todėl agentas tampa funkciškai pavojingas verslui.
Norint integruoti senąją architektūrą su šiuolaikiniu reliaciniu AI, reikia pertvarkyti giliai įsišaknijusius duomenų srautus. Inžinierių komandos susiduria su dešimtmečių prastai klasifikuotų planavimo duomenų indeksavimu, kad įterpiant modelius būtų galima sukurti tikslius vektorinius vaizdus. Vadovaudamosi Raptopoulos logika, lentos turi įvertinti, ar jų dabartinis duomenų turtas yra tikrai parengtas, o ne tiesiog sluoksniuoti tikimybinę žvalgybą ant nesusijusių pamatų.
Tikslais pagrįstų sąsajų projektavimas
Įmonės taikomųjų programų sąveika pereina nuo statinių sąsajų prie generatyvios vartotojo patirties, o „Raptopoulos“ plėtra pažymima kaip darbuotojų sąveikos momentas.
Užuot rankiniu būdu naršę sudėtingose programinės įrangos ekosistemose, darbuotojai išreikš savo ketinimą sistemai. „Raptopoulos“ pateikia pavyzdį, kai vartotojas nurodo programinei įrangai parengti instruktažą didžiausią pajamas gaunančio kliento apsilankymui tą savaitę. Tada AI agentai organizuoja reikiamas darbo eigas, surenka aplinkinį kontekstą ir pateikia rekomenduojamus veiksmus.
Tačiau Raptopoulos pabrėžia, kad darbo jėgos priėmimas priklauso nuo pasitikėjimo. Darbuotojai priims šiuos skaitmeninius komandos draugus tik tada, kai bus įsitikinę, kad sistemos rezultatai atitinka nustatytas valdymo ribas, atspindi autentiškas verslo taisykles ir užtikrina akivaizdų našumo padidėjimą.
Norint sukurti šias sistemas, reikia specialių vaidmenų AI asmenų, pritaikytų tokioms pareigoms kaip CFO, CHRO arba tiekimo grandinės vadovas. Raptopoulosas pastebi, kad šios asmenybės turi būti sukurtos remiantis patikimais duomenimis ir įterptos į pažįstamas įmonės darbo eigas, kad būtų sėkmingai užpildyta priėmimo spraga.
Tokio integracijos lygio pasiekimas yra dizaino sprendimas, turintis sunkių pasekmių. Organizacijos, norinčios investuoti kapitalą į AI savąją architektūrą, pagreitina investicijų grąžą, o įmonės, bandančios pritaikyti tikimybinius modelius senoms sąsajoms, sunkiai kovoja dėl pasitikėjimo, naudojimo ir masto.
Technologijų lyderiai, bandantys priversti modernų AI orkestravimą naudoti monolitinėse programinės įrangos programose, dažnai susiduria su dideliais integracijos vėlavimais. Tikimybinių API iškvietimų nukreipimas naudojant pasenusią įmonės tarpinę programinę įrangą sukelia vartotojo sąsajų vėlavimą ir sunaikina tikslais pagrįstą darbo eigą. Norint sukurti konkrečias vaidmens asmenybes, reikia daugiau nei greitos inžinerijos; reikia susieti sudėtingus prieigos valdiklius, leidimus ir verslo logiką į aktyvią modelio atmintį.
Konkurencinės gynybos inžinerija
Finansinė DI grąža greičiausiai atsiranda bendraujant su klientais. Raptopoulos pažymi, kad mokymo modeliai, susiję su patentuotais įrašais, vidaus taisyklėmis ir istoriniais žurnalais, sukuria klientui būdingą žvalgybos sluoksnį, kurio konkurentai negali lengvai nukopijuoti. Ši sąranka geriausiai veikia atliekant ypač sudėtingas darbo eigas, tokias kaip ginčų sprendimas, pretenzijos, grąžinimai ir paslaugų nukreipimas.
Diegiant autonominius agentus, galinčius klasifikuoti atvejus, pateikti atitinkamus dokumentus ir rekomenduoti su politika suderintas rezoliucijas, šie brangūs procesai paverčiami ryškia konkurencine diferenciacija.
Šie modeliai prisitaiko pagal kiekvienos sąveikos rezultatus. Raptopoulos atkreipia dėmesį į tai, kad įmonių pirkėjai teikia pirmenybę patikimoms, aktualioms ir reaguojančioms paslaugoms, o ne technologinėms gudrybėms. Įmonės, diegiančios dirbtinį intelektą dideliems darbo krūviams tvarkyti, griežtai prižiūrėdamos galutinius rezultatus, sukuria kliūtis patekti į rinką, kurių neįveikia bendrieji įrankiai.
Norint diegti įmonės intelektą, reikia, kad „C-suite“ lygiagrečiai koordinuotų tris skirtingus sluoksnius, kuriuos Raptopoulos apibrėžia kaip strategijos momentą.
Pradinis sluoksnis apima įterptąsias funkcijas, kai asmeninis produktyvumo padidėjimas integruojamas tiesiai į pagrindines programas, kad būtų greitai grąžinama. Antram sluoksniui reikalingas agentinis orkestravimas, palengvinantis kelių agentų koordinavimą įvairiose sistemose. Paskutiniame lygmenyje dėmesys sutelkiamas į konkrečiai pramonės šakai būdingą intelektą, apimantį giliai specializuotas programas, bendrai sukurtas siekiant išspręsti didžiausią vertę turinčius iššūkius, būdingus konkrečiam sektoriui.
Spąstai laukia lyderių, kurie tampa klaidingos sekos aukomis. Susikoncentravus tik į įterptuosius įrankius, didžiulė finansinė vertė lieka nepastebėta, o agresyviai pereinant prie gilių pramonės programų, prieš tai nepasiekus tinkamo valdymo ir duomenų brandos, įmonės rizika padidėja.
Raptopoulos pataria, kad norint pakeisti šiuos modelius reikia suderinti įmonės ambicijas su faktiniu techniniu pasirengimu. Vadovaujančios komandos turi finansuoti švarias pagrindines architektūras, atnaujinti duomenų vamzdynus ir užtikrinti daugiafunkcinę nuosavybę, kad pereitų į bandomąjį etapą. Pelningiausi diegimai AI traktuojami kaip pagrindinis veiklos sluoksnis, kuriam reikalingas toks pat valdymas kaip ir personalas.
Finansinis atotrūkis tarp 90 procentų tikslumo ir visiško tikrumo lemia, kur gyvena tikroji įmonės vertė. Ateinančiais mėnesiais priimti valdymo sprendimai lems, ar konkretus AI diegimas taps galingu ilgalaikio pranašumo šaltiniu, ar brangia pamoka.
Taip pat žiūrėkite: DI agento valdymas sutelkiamas, nes reguliuotojai pažymi kontrolės spragas
Norite daugiau sužinoti apie AI ir didelius duomenis iš pramonės lyderių? Peržiūrėkite „AI & Big Data Expo“, vykstančią Amsterdame, Kalifornijoje ir Londone. Išsamus renginys yra „TechEx“ dalis ir vyksta kartu su kitais pagrindiniais technologijų renginiais, įskaitant „Cyber Security & Cloud Expo“. Norėdami gauti daugiau informacijos, spustelėkite čia.
AI naujienas teikia TechForge Media. Čia rasite kitus būsimus įmonių technologijų renginius ir internetinius seminarus.
