چگونه شرکت‌های SaaS سازمانی هوش مصنوعی می‌خرند (یا نه)

بازنشر افلاطون

دنبال: 0

در Saastr Annual، ما میزبان یک پانل سازمانی از رهبران هوش مصنوعی بودیم تا تجربیات و دانش خود را به اشتراک بگذارند تا به دیگران کمک کنیم درک کنند که شرکت‌های بزرگ چگونه درباره هوش مصنوعی فکر می‌کنند و از آن استفاده می‌کنند. مطمئناً - ظهور ChatGPT برای مصرف کنندگان و شرکت های کوچکتر به جریان اصلی تبدیل شده است، اما در مورد افراد بزرگ چطور؟ در حالی که اولین نسل از هوش مصنوعی Generative عالی است، اما کاملاً آماده حل مشکلات Enterprise نیست. بنابراین، ما اکنون در چرخه پذیرش برای دنیای Enterprise کجا هستیم؟

در این جلسه موارد زیر را گرد هم آوردیم:

Douwe Kiela، مدیر عامل ContextualAI
بنجامین مان، یکی از بنیانگذاران آنتروپیک
آرویند جین، مدیرعامل گلین
و سندیا هج، شریک عمومی در Unusual VC،

برای کمک به ما در نحوه فروش نرم افزار GenAI به برخی از بزرگترین سازمان های جهان.

[محتوای جاسازی شده]

شرکت ها بیشتر از استفاده از هوش مصنوعی برای چه چیزهایی هیجان زده هستند؟

از آنجایی که اعضای میزگرد ما همه با شرکت‌های Enterprise (مانند آمازون، گوگل، سیلفورس و غیره) کار کرده‌اند، همه آن‌ها سطحی از هیجان را دیده‌اند که قبلاً هرگز در مورد هوش مصنوعی شاهد آن نبوده‌اند. شرکت ها به دنبال دو موضوع بزرگ هستند.

آنها می خواهند از هوش مصنوعی برای بهبود محصولاتی که به مشتریان خود می فروشند استفاده کنند.
آنها می خواهند از هوش مصنوعی برای تغییر کسب و کار خود و نحوه کار خود و کارمندانشان استفاده کنند.

برخی از بزرگترین موارد استفاده از هوش مصنوعی در شرکت در پشتیبانی مشتری، فروش و بازاریابی، و مهندسی است - یعنی کمک به توسعه دهندگان برای تست کد و عیب یابی مشکلات. علاوه بر آن، این کارشناسان هوش مصنوعی تحت تاثیر قرار گرفتند که چگونه بزرگترین شرکت‌های جهان، نه فقط شرکت‌های نرم‌افزار، بلکه حتی شرکت‌های بزرگ‌تر مصرف‌کننده مانند بانک‌ها و خرده‌فروشان، با هوش مصنوعی روبه‌رو هستند.

بنجامین مان، یکی از بنیانگذاران آنتروپیک افزود:برای مثال، یکی از بانک‌های بزرگی که با آن صحبت می‌کردیم، نزد ما آمد و گفت: "ما با همه افراد شرکت خود صحبت کرده‌ایم و 500 مورد استفاده مختلف داریم که می‌خواهیم مدل‌های زبان بزرگ را در آنها اعمال کنیم." این واقعاً باورنکردنی است. و حتی نمی دانند از کجا شروع کنند. بنابراین با ما همکاری کنید تا بگوییم آنها امروز چه کاری می توانند انجام دهند؟ و سپس فراتر از آن، چگونه می‌توانند هوش مصنوعی را در محصول خود به یک متخصص تبدیل کنند تا مشتریانشان مجبور نباشند تمام اسنادشان را بخوانند، اما در عوض، فقط با یک هوش مصنوعی صحبت کنند که گویی یک معمار راه‌حل است یا یک راه‌حل مستقر شده است. مهندسی کنید و بتوانید بلافاصله از محصول استفاده کنید.

همه می دانند که هوش مصنوعی روش کار ما را تغییر داده است. در همان زمان، می‌توانید در بسیاری از شرکت‌ها ببینید که افراد زیادی از این تغییر هیجان‌زده هستند، اما هنوز مطمئن نیستند که دقیقاً چگونه به نظر می‌رسد. و این همان چیزی است که همه در تلاش برای کشف آن هستند - جایی که فناوری بیشترین اهمیت را دارد، کجا آماده است، و کجا به زودی آماده خواهد شد.

سطل های مورد استفاده سازمانی برای هوش مصنوعی

اگر در حال حاضر به چشم انداز موارد استفاده نگاه کنید، Douwe Kiela، مدیر عامل ContextualAI، توضیح داد که در آنجا اساساً سه سطل بزرگ هستند:

کشف اطلاعات و ترکیب اطلاعات - چگونه می توانم بینش عمیق تری داشته باشم و نه فقط داده ها؟
خلاصه سازی سلسله مراتبی - چگونه می توانم آن را به چیزی تبدیل کنم که بتوانم روی آن عمل کنم؟
پشتیبانی از چت ربات ها

95 درصد از تمام موارد استفاده معمولاً در یکی از این سطل ها قرار می گیرند و شرکت ها در درون آن سطل ها سعی می کنند بفهمند که چه کاری می خواهند انجام دهند.

Douwe اضافه کرد: "برای ما بهترین مورد استفاده این است که شما بتوانید تعریف کنید که موفقیت چگونه است. و ما به طور شگفت انگیزی تعداد کمی از این نوع موارد استفاده را در واقع می بینیم. این بیشتر «اوه، این فناوری عالی است. من می خواهم آن را در ربات چت خود امتحان کنم.' وقتی از مردم می پرسیم موفقیت را چگونه تعریف می کنید؟ چگونه می خواهید اندازه گیری کنید که این چیز در واقع به اندازه کافی برای استقرار تولید خوب است؟ خیلی اوقات، آنها پاسخ خوبی ندارند. این واقعاً یکی از چیزهایی است که ما ابتدا به دنبال آن هستیم. آیا واقعاً می‌دانی چه می‌خواهی؟»

بزرگترین موانع پذیرش در سازمان چیست؟

به طور خاص در Enterprise، اعضای پانل ما واقعاً چه چیزی را در مورد هوش مصنوعی مشاهده کرده‌اند که معاملات را متوقف کرده یا از دست داده‌اند؟

امنیت - داشتن داده های اختصاصی آنها از مدل خارج شده و به بازارهای آزاد می روند
ایمنی - حفظ یا نیاز به ایجاد نظارت مداوم بر داده ها
حاکمیت داده‌های داخلی – از دست دادن آن با ادغام در یک ابزار یا مدل هوش مصنوعی
توهم - مدل هایی که چیزها را می سازند
مشکلات انتساب - امکان ردیابی آن به داده های آموزشی
مسائل مربوط به انطباق - موارد را فراموش می کند یا نمی تواند به راحتی موارد را به روز کند
FOMO - اگر این مدل در عرض 2 هفته به خوبی مدل دیگری نباشد چه؟

بنجامین مان، یکی از بنیانگذاران آنتروپیک، افزود: «حساس ترین مشتریان چیزهایی مانند گواهی FedRAMP و چیزهایی را می خواهند که چندین سال طول می کشد و اجرای آن تلاش زیادی می کند. در حالی که آنها توانسته اند با همکاری با برنامه آمازون Bedrock در این مورد حرکت کنند، این برای همه کار نخواهد کرد.

و در نهایت، مانع دیگر برای پذیرش سازمانی، پهنای باند اضافی مورد نیاز برای اجرای موفقیت آمیز آن است.

بنجامین افزود: «فکر می‌کنم بسیاری از مردم به این فناوری جدید هوش مصنوعی فکر می‌کنند که از همان روز اول وارد عمل می‌شود و کار را دوست دارد. اما در واقع، معلوم می شود هنوز نرم افزار آن است. و با نرم افزار، شما باید کار تحقیق و تکرار کاربر را با تمام تیم های مختلف خود انجام دهید. در مورد ما، Notion یک مثال عالی است که در آن ما بسیار نزدیک با CTO آنها و همه افراد تا مهندسان آنها در خط مقدم کار کردیم تا عمیقاً هوش مصنوعی Anthropics را در تجربه محصول مفهومی ادغام کنیم، و فکر می کنیم بسیار خوب است. اما اینطور بود، برای تحقق آن به فداکاری زیادی نیاز بود.»

پذیرندگان اولیه هوش مصنوعی در سازمان چه کسانی هستند؟

پذیرندگان اولیه تا کنون در Enterprise، شاید جای تعجب نباشد که معمولاً شرکت‌های پیشرو فناوری هستند، بلکه بانک‌ها و خرده‌فروشان بزرگ نیز هستند. دیگر پذیرندگان اولیه ممکن است شرکت های نرم افزاری باشند که اکنون بزرگ هستند و با موانع ذکر شده در بالا روبرو هستند. CIOها اغلب مسئولیت را رهبری می کنند زیرا آنها خواسته های کل شرکت را نشان می دهند. فروشندگان، بازاریابی، منابع انسانی و مهندسی همگی خواهان فناوری هستند، بنابراین CIO به نقطه کانونی برای ارائه یک محصول تبدیل شده است.

Douwe Kiela، مدیر عامل ContextualAI آن را با گفتن به بهترین شکل خلاصه کرد؛ «من فکر می‌کنم که شما تمایل دارید شرکت‌های بسیار پیشرفته‌ای در زمینه فناوری داشته باشید که اساساً آماده فعالیت هستند، اما اغلب آنها فکر می‌کنند که می‌توانند این کار را در داخل انجام دهند. و بنابراین من فکر می کنم که این باور احتمالاً در چند سال آینده از بین خواهد رفت، زمانی که مردم متوجه شوند که این چیزها کمی دشوارتر از آن چیزی است که در ابتدا فکر می کردند. اما جدا از این، من فکر می‌کنم یکی از چیزهای جالبی که می‌بینیم این است که واقعاً حکمی از سوی مدیرعامل وجود دارد. در جایی که باید کاری انجام دهیم و همینطور برای من، این هیجان انگیز است زیرا یک فرصت تجاری است.»

مهم ترین سرمایه گذاری هایی که تضمین می کند 50 شرکت آینده می تواند اتخاذ کند کدامند؟

رعایت موارد مهم است. مسائل امنیتی و در ابتدا، از آنجایی که هوش مصنوعی داده های زیادی را مدیریت می کند - اعتماد اساسی است.

آرویند جین، مدیر عامل گلین توضیح داد:اولین چیز فقط کار بر روی تمام جنبه های امنیتی و انطباق است. بنابراین، گواهینامه SOC-2، انطباق با HIPAA، GDPR و FedRAMP را دریافت کنید. این یک جریان از الزامات سازمانی است که فقط به همه این موارد انطباق نیاز دارد. علاوه بر این، از نظر محصول، بسته به اینکه محصول شما چیست، شرکت‌ها خواسته‌های زیادی از شما خواهند داشت.»

شرکت‌ها قرار نیست فقط تمام داده‌های خود را در یک روز اول به اشتراک بگذارند – بنابراین می‌توانند هوش مصنوعی را در محیط داده‌های موجود خود لایه‌بندی کنند یا از چارچوب‌هایی استفاده کنند. آمازون و گوگل می توانند به رفع نیاز به خرید گسترده و ممیزی های امنیتی اضافی کمک کنند. آینده این مدل‌های زبانی بزرگ، حل موانع توهم زبانی و اسناد داده‌ها، قابل اعتماد بودن، و درک صدای برند شما و آنچه شرکت شما در مورد آن است، خواهد بود.

آیا تنظیم دقیق یک مزیت رقابتی ارائه می دهد؟

از آنجایی که پوشش رسانه ای هوش مصنوعی این روزها بسیار سنگین است، بسیاری از افراد با انتظارات زیادی به ContextualAI، Anthropic و Glean می آیند.

بسیاری نمی دانند که از تنظیم دقیق چه می خواهند. آنها فقط در مورد آن می شنوند و فکر می کنند که این راهی برای به دست آوردن یک مزیت رقابتی است. با این حال، اشکال بهتری از فناوری وجود دارد که ظاهر می شود و Douwe Kiela، مدیر عامل ContextualAI آن را به بهترین شکل بیان کرد:ما این را بسیار می بینیم در واقع جایی که مشتریان فقط می روند، ما می خواهیم مدل خود را به خوبی تنظیم کنیم، آیا می توانید در این مورد به ما کمک کنید؟ و بنابراین آنچه ما به آنها می گوییم این است احتمالا به شما دروغ گفته شده است شما مجبور نیستید مدل خود را دقیق تنظیم کنید.»

دوو اضافه کرد: ” واقعاً نباید به آن نیاز داشته باشید. احتمالاً می توانید آن مشکل را از طریق بازیابی نسل افزوده یا با داشتن یک پنجره زمینه بسیار طولانی حل کنید. تنها موردی که می‌توانید به آن نیاز داشته باشید این است که می‌خواهید از یک مورد استفاده پشتیبانی کند که در آن داده‌های زیادی دارید که هیچ کس دیگری ندارد و واقعاً مختص آن مورد است.»

دور پیش بینی ها در مورد هوش مصنوعی برای سال 2023

ساندیا جلسه را با پرسیدن این سوال به پایان رساند: «امیدوارید در سال 2030 چیزی واقعی و واقعی چیست؟»

برای آرویند در Glean، او امیدوار بود که همه ما یک دستیار شخصی واقعاً باهوش و آگاه داشته باشیم که تا سال 2030 بیشتر کارهای ما را برای ما انجام دهد. امروز، این تجمل به مدیران شرکت‌ها محدود شده است. در آینده برای همه ما خواهد بود.

برای بن در آنتروپیک، آینده روشن شامل مدل‌های زبانی است که ما را بهتر از ما درک می‌کنند. وقتی از او می‌خواهیم کارهایی را برای ما انجام دهد، آنچه را که ما می‌خواهیم انجام می‌دهد نه آنچه را که می‌گوییم. در حالت ایده آل، هوش مصنوعی از همه ما انسان های بهتری می سازد، روابطمان را بهبود می بخشد و به ما کمک می کند بهترین نسخه خود باشیم. در واقع چه خواهد بود؟ شاید 60 درصد از آن، که هنوز هم عالی خواهد بود.

برای Douwe در ContextualAI، او معتقد است که فناوری پتانسیل زیادی برای انجام کارهای خوب دارد. سال 2030 مکان متفاوتی خواهد بود، بنابراین او امیدوار است که تا آن زمان هوش مصنوعی همه "کارهای خسته کننده و پیش پا افتاده" را انجام دهد تا بتوانیم خلاق تر باشیم و کارهایی را که از آن لذت می بریم انجام دهیم.

[محتوای جاسازی شده]