生成式 AI 的企業應用之路：新風潮、新挑戰與應對策略

撰文：Sanjay Srivastava

來源：福布斯

編譯：巴比特

圖片來源：由無界 AI工具生成

在一系列令人眼花繚亂的圍繞生成式 AI 的功能和新創業公司的發布和演示中，值得反思的是，我們今天在企業中看到了一些最廣泛的使用案例，以及我們在將其投入使用時獲得的早期經驗。

生成式 AI 的主流企業用例正在出現

我們看到，在整個業界的會議室里，在大量的對話和討論中，有三個企業用例正在成為主流：

首先，在客戶支持方面，生成式人工智能 — 包括 GPT3 + 和其他大型學習模型，正在將對話式聊天機器人的能力轉變為一種感覺自然、更加準確、能更好感知和應對語氣和情緒的能力。因此，產品支持聊天機器人中的對話式人工智能是我們在業界看到的第一批企業用例之一。這些聊天機器人可以搜索和查詢現有的內部信息，並以類似人類的方式進行交流，為客戶回答問題和解決常見問題。對於已經使用某種形式的對話式人工智能的公司來說，GPT 提高了響應質量和客戶滿意度。而對於希望將其人工呼叫中心轉換為反應更迅速、永遠在線且更有效的公司來說，GPT 成為了一個極具吸引力的選擇。

第二，圍繞商業洞察力，數據科學最大的挑戰之一是將商業用戶與數據科學家分開。前者最了解業務的細微差別和需要回答的問題，但只有後者才能真正用計算機語言編程來獲得這些問題的答案。生成式 AI 現在允許商業用戶用自然語言提出問題。AI 可以將這些問題轉換為 SQL 查詢，針對內部數據庫運行，並以結構化的敘述方式返回答案，所有這些都在幾分鐘之內。這裡的優勢不僅僅是效率，它是決策的速度和業務用戶更直接、更具交互性地詢問數據的能力。

第三，在編程自動化方面，大型語言模型在多種語言中具有很高的準確性 — 包括計算機語言。軟件開發人員編寫代碼和相關文檔的時間幾乎減少了 50%。例如，微軟的 Power Automate 程序 — 一種機器人流程自動化的工具 — 現在可以使用自然語言編程，以更直觀和用戶友好的方式實現任務和工作流程的自動化。 這不僅比讓大型的程序員和測試人員團隊參與進來更有效率，而且還減少了自動化啟動和運行的時間和迭代。

生成式 AI 給企業帶來的新挑戰

隨着生成式人工智能的發展勢頭，我們發現企業需要關注幾個挑戰，其中最重要的是：

像任何新興技術一樣，今天執行生成式人工智能的最大挑戰之一是其相對不成熟。雖然生成式 AI 非常適合在個人使用中試驗聊天機器人，但它在主流企業應用中仍處於早期。部署它的組織不得不自己做很多繁重的工作，比如通過實驗找到最佳的使用案例，在不斷增加的、令人困惑的可用選項列表中進行篩選（例如在 OpenAI 的 ChatGPT 服務與微軟 Azure 之間進行選擇），或者將其整合到他們的業務流程中（通過將其充分整合到許多應用工作流中）。結果是，隨着技術的成熟，這其中的大部分都會消失，應用供應商會競相將更多的技術以一種已經整合的方式納入到他們的核心產品中。

第二，生成式 AI 的主要缺陷之一是可能產出不正確但明顯令人信服的回答。由於 GPT 在自然語言處理方面取得了重大進展，因此存在一個相當大的風險，即它提供的答覆聽起來是正確的，但事實上是錯誤的。在準確性至關重要的行業，如醫療保健或金融服務，這是不允許發生的事情。企業必須仔細選擇正確的應用領域，然後建立治理和監督，以減輕這種風險。

第三，企業需要注意設置和管理企業準則：數據隱私以及維護受保護企業數據的機密性是企業成功的關鍵。因此，作為第一步，定義和設置適當的企業準則是至關重要的。除了機密或個人身份識別或其他受保護數據丟失的風險外，用專有數據訓練公開可用的語言模型的額外風險是，它可能導致知識產權的無意損失，特別是當基於訓練的結果被提供給其他競爭對手時。要有健全的政策和框架很難，因為它們必須一方面平衡創新的需要，另一方面平衡生成式人工智能的相關風險。

最後，在過度沉迷於被炒作的技術和專註於最高回報計劃之間找到適當的平衡可能具有挑戰性。組織需要確保他們為最緊迫的計劃分配適當的資本和資源。另一方面，那些坐等技術成熟太久的組織，可能會失去人工智能在行業主流化的機會，落後於可能對他們的業務產生重大影響的最新技術，並降低他們的持久競爭優勢。

當下和長期成功的最佳策略

當組織希望利用生成式人工智能來推動創新和增長時，以下這些策略可以確保當下和長期的成功：

通過所有即將出現的創新和組織對生成式人工智能的實驗，企業必須為組織定義和發布適當的使用規則和隱私/保密指南。明確的方法可以加速創新，同時保護更廣泛的企業利益，並提供一個更成熟和穩定的滑行曲線，使生成式人工智能模型進入企業的主流。

企業應該成立一個小型的重點小組，負責試驗生成式人工智能和重新設計核心業務流程。這個小組應該向企業的最高層報告，目標是弄清楚如何顛覆當前的流程和商業模式。因為它有可能顛覆現有的做事方式，所以它需要敏銳的關注和明確的支持，讓它成為某人的夜間工作或愛好的一部分並不總是能帶來明確的商業結果。

最後，必須不斷地評估生成式人工智能生態系統中的新興解決方案。今天已經有了許多不同的 LLMs，而且更多的 LLMs 正在路上 — 每一個都有相關的優勢和劣勢。隨着它們的商業化，新的模型將包括那些在特定行業中經過領域訓練的模型，或者提供更好的企業級安全，使它們成為優秀的選擇。 同樣，隨着企業應用將生成式人工智能整合到他們的核心中，需要圍繞整合的最佳方式進行深思熟慮。和以往一樣，接受新工作方式的變革管理對於實現任何技術變革的全部價值至關重要。