Но настоящий анализ данных — это нечто большее, чем просто создание правильной основы данных. Организации также пытаются решить, как преодолеть зависимость от высокотехнического персонала и создать системы конфиденциальности данных и организационного контроля при использовании генеративного ИИ. В частности, они стремятся дать всем сотрудникам возможность использовать естественный язык, чтобы извлекать полезную информацию из собственных данных компании; использовать эти данные в любом масштабе для обучения, построения, развертывания и настройки собственных безопасных моделей большого языка (LLM); и внедрять информацию о данных компании в каждый бизнес-процесс.
На этом следующем рубеже анализа данных организации будут максимизировать ценность за счет демократизации ИИ, одновременно дифференцируясь с помощью своих сотрудников, процессов и технологий в контексте своей отрасли. В этом отчете, основанном на глобальном межотраслевом опросе 600 технологических лидеров, а также на углубленных интервью с технологическими лидерами, рассматриваются основы, которые создаются и используются в различных отраслях для демократизации данных и искусственного интеллекта. Ниже приведены его основные выводы:
• Доступ к данным в режиме реального времени, потоковая передача и аналитика являются приоритетами в каждой отрасли. Из-за возможности принятия решений на основе данных и ее потенциала для инноваций, меняющих правила игры, ИТ-директорам необходим беспрепятственный доступ ко всем своим данным и возможность извлекать из них ценную информацию в режиме реального времени. Семьдесят два процента респондентов опроса говорят, что возможность потоковой передачи данных в реальном времени для анализа и действий «очень важна» для их общих технологических целей, а еще 20% считают, что это «в некоторой степени важно» — означает ли это возможность включения режима реального времени. рекомендации в розничной торговле или определение следующего наилучшего действия в критической ситуации медицинской сортировки.
• Все отрасли стремятся унифицировать модели управления данными и искусственным интеллектом. Стремление к единому подходу к управлению данными и активами ИИ сильно: 60% респондентов опроса говорят, что единый подход к встроенному управлению данными и ИИ «очень важен», а еще 38% говорят, что он «в некоторой степени важен». », что позволяет предположить, что многие организации сталкиваются с фрагментированной или разрозненной архитектурой данных. Каждая отрасль должна будет достичь такого унифицированного управления в контексте своих собственных уникальных систем учета, конвейеров данных и требований безопасности и соответствия требованиям.
• Экосистемы отраслевых данных и обмен ими между платформами создадут новую основу для роста, основанного на искусственном интеллекте. В каждой отрасли технологические лидеры видят перспективу в обмене технологически независимыми данными в рамках отраслевой экосистемы, в поддержке моделей искусственного интеллекта и основных операций, которые обеспечат более точные, актуальные и прибыльные результаты. Например, технологические команды страховщиков и розничных торговцев стремятся получать партнерские данные для принятия решений о ценообразовании и предложении продуктов в режиме реального времени на онлайн-рынках, в то время как производители рассматривают обмен данными как важную возможность для непрерывной оптимизации цепочки поставок. Шестьдесят четыре процента респондентов опроса говорят, что возможность обмениваться живыми данными между платформами «очень важна», а еще 31% говорят, что это «в некоторой степени важно». Кроме того, 84% считают, что управляемый центральный рынок наборов данных, моделей машинного обучения и блокнотов очень или несколько важен.
• Сохранение гибкости данных и искусственного интеллекта в облаках находит отклик во всех вертикалях. Шестьдесят три процента респондентов всех вертикалей считают, что возможность использовать несколько поставщиков облачных услуг, по крайней мере, в некоторой степени важна, в то время как 70% считают то же самое в отношении стандартов и технологий с открытым исходным кодом. Это согласуется с выводом о том, что 56% респондентов считают единую систему управления структурированными и неструктурированными данными в рамках бизнес-аналитики и искусственного интеллекта «очень важной», а еще 40% считают это «несколько важным». Руководители отдают приоритет доступу ко всем данным организации любого типа и из любого источника, безопасно и бескомпромиссно.
• Отраслевые требования будут определять приоритеты и темпы внедрения вариантов использования генеративного ИИ. Оптимизация цепочки поставок является наиболее ценным вариантом использования генеративного ИИ для респондентов опроса в сфере производства, в то время как для государственного сектора это анализ данных и аналитическая информация в реальном времени, персонализация и качество обслуживания клиентов для мониторинга и оценки, а также контроль качества для телекоммуникаций. Внедрение генеративного ИИ не будет универсальным; каждая отрасль применяет свою собственную стратегию и подход. Но в любом случае создание стоимости будет зависеть от доступа к данным и искусственному интеллекту, пронизывающему экосистему предприятия, а также от внедрения искусственного интеллекта в его продукты и услуги.
Максимизация ценности и масштабирование воздействия ИИ на людей, процессы и технологии — общая цель во всех отраслях. Но отраслевые различия заслуживают пристального внимания, поскольку они влияют на то, как интеллект внедряется в платформы данных и искусственного интеллекта. Будь то сотрудник розничной торговли, занимающийся омниканальными продажами, практикующий врач, собирающий реальные данные, актуарий, анализирующий риски и неопределенности, фабричный рабочий, диагностирующий оборудование, или полевой оператор связи, оценивающий состояние сети, язык и сценарии, которые будет использовать ИИ, будут Поддержка существенно различается при демократизации на передовых позициях каждой отрасли.
Этот контент был создан Insights, подразделением MIT Technology Review, специализирующимся на создании контента. Оно не было написано редакцией MIT Technology Review.