しかし、これだけの興奮と誇大宣伝があるため、従業員が機密データを漏洩する AI ツールに時間を投資したり、管理者がセキュリティ、データ ガバナンス、その他のベンダーのコンプライアンスについて精査されていないシャドウ AI ツールを選択したりすることが簡単に起こります。より大きな課題は、現実的な戦略を立てて、不可能な夢想家たちに対応することです。ここでいう「不可能な夢想家」とは、「一歩で空へ行ける」ある種の地獄レベルの経営者である。
「CIOとCTOは今、創造性を発揮してより少ない労力でより多くのことを成し遂げるだけでなく、遅れをとっている競合他社を上回るパフォーマンスを発揮するために意図的な投資を行う必要がある」とSnapLogicの最高技術責任者ジェレミア・ストーンは述べた。 「変革プロジェクト。特に生成 AI によってもたらされる機会を考慮して、新たな収益源の創出、テクノロジーの導入の促進、または技術的負債の削減につながる変革的取り組みを優先します。」
CIO は、この規模の変革プログラムは、大規模な言語モデルの機能を評価し、実験を実施し、実行可能かつ十分に安全な顧客製品を見つける必要がある複数年にわたるプログラムであることを認識しているかもしれません。しかし、戦略をまったく策定しないと混乱が生じる可能性があり、IT リーダーが取締役会に出席する際に犯しやすい主な間違いの 1 つは、生成 AI などの世界を変える新興テクノロジーの計画を策定できないことです。
プライベート大規模言語モデル用にデータをクリーンアップして準備する
生成 AI は、学習管理システムに保存されている文書、ビデオ、コンテンツなどの企業の非構造化データの重要性と価値を高めます。企業が生成 AI を活用して業界やビジネスを変革する準備ができていなくても、プロアクティブな変革リーダーは、大規模な言語モデルで使用できるように非構造化データを一元化、クレンジング、準備するための措置を講じています。
ドミノ・ピザのデータ サイエンス戦略およびエバンジェリズム責任者であるケル・カールソン氏は次のように述べています。「組織全体のユーザーが、生成 AI モデルへの安全かつスケーラブルなアクセスの一部として生成 AI 機能を求める声が高まっており、データ サイエンス チームは大規模な開発と実装が可能になります」 - 組織のデータとユースケースに合わせて調整されたスケール言語モデル。」
大規模な言語モデルのカスタマイズと開発には、強力なビジネス ケース、技術的専門知識、および資金が必要です。 New Relic の最高設計および戦略責任者である Peter Pezaris 氏は、「大規模な言語モデルのトレーニングのコストは非常に高くなる可能性があり、出力結果はまだ完璧ではないため、リーダーは使用コストの監視に役立つソリューションへの投資を優先する必要があります」と述べています。クエリ結果の品質を向上させます。計画してください。」
カスタマーサポートを改善して効率を向上
マッキンゼーは、2020 年には人工知能が年間 1 兆米ドルの価値を生み出す可能性があり、顧客サポートが重要な機会になると予測しました。今日、生成 AI のおかげで、特に CIO が非構造化データを大規模な言語モデルに集約し、サービス エージェントが顧客の質問に答えられるようになったことで、その機会はさらに大きくなりました。
カスタマー サポートを改善することは、大規模な言語モデルと AI 検索機能を通じて短期的な ROI を実現するための近道です。大規模な言語モデルでは、CRM、ファイル システム、その他の SaaS ツールに埋め込まれたデータなど、企業の非構造化データを一元管理する必要があります。 IT 部門がこのデータを一元管理し、大規模な言語モデルを実装すると、見込み客の変換や人事オンボーディング プロセスなどの領域が改善される可能性もあります。
GetK3 の社長兼 CEO であるゴードン・アロット氏は、「企業は何十年もの間、SharePoint やその他のシステムにデータを詰め込んできましたが、そのデータをクリーンアップして大規模な言語モデルを使用することで、実際に価値のあるものになる可能性があります。」と述べています。
大規模な言語モデルに基づいてコミュニケーションすることでリスクを軽減する
生成 AI の分野には 100 を超えるツールがあり、テスト、画像、ビデオ、コード、音声などのカテゴリをカバーしています。では、従業員がツールを試したり、プロンプトに専有情報やその他の機密情報を貼り付けたりすることを妨げているのは何でしょうか?
「人間を AI の中心に置き、データの使用法とモデルの解釈可能性に関する強力なフレームワークを作成することは、これらのモデルの偏見を軽減し、すべての AI の出力がすべて倫理的で責任あるものになるようにするのに大いに役立ちます。現実には、AI モデルは人間に取って代わることはできません」重要な意思決定に関しては、完全に引き継がせるのではなく、補完されるべきです。」
CIO は、ガバナンスの定義、短期的な効率の特定、長期的な変革の機会の追求など、生成的な AI イニシアチブに優先順位を付けるバランスの取れたアプローチを模索する必要があります。
生成 AI はデジタル変革の優先事項にどのような影響を与えますか?
出典: ザ・ペーパー
デジタル変革は組織の中核となるコンピテンシーになる必要があり、これは CIO や IT リーダーにとって重要なアドバイスです。
戦略的優先事項は、2018 年の成長から、2020 年の新型コロナウイルス感染症と在宅勤務、そして 2022 年のハイブリッド ワーキング モデルと財務上の制約まで、2 年以内に大きく変化します。
ChatGPT やその他の大規模な言語モデルを含む生成 AI の影響は、2024 年に大きな変革の推進力となるでしょう。
CIO が 2024 年の予算とデジタル変革の優先事項に向けた準備を始める中、ビジネス モデルを改善する機会を特定し、短期的な運用への影響を確認し、従業員が実際に試してみるべきプロジェクトの優先順位を決定し、AI を開発するための戦略を策定する必要があります。関連するリスク軽減計画。
しかし、これだけの興奮と誇大宣伝があるため、従業員が機密データを漏洩する AI ツールに時間を投資したり、管理者がセキュリティ、データ ガバナンス、その他のベンダーのコンプライアンスについて精査されていないシャドウ AI ツールを選択したりすることが簡単に起こります。より大きな課題は、現実的な戦略を立てて、不可能な夢想家たちに対応することです。ここでいう「不可能な夢想家」とは、「一歩で空へ行ける」ある種の地獄レベルの経営者である。
Tata Consultancy Services の CIO、Abhijit Mazumder 氏は次のように述べています。「変革の優先順位は、ビジネスの優先順位や組織が達成したいことと根本的に結び付けられるべきです。ほとんどの企業では、リーダーシップは成長と業務効率にも焦点を当てていますが、それは決して忘れることではありません」回復力、サイバーセキュリティ、技術的負債の解消の取り組みを優先します。」
ここでは、CIO がデジタル トランスフォーメーションの優先順位を設定する際に考慮する必要がある生成 AI の推進要因をいくつか紹介します。
革新的な大規模言語モデル戦略を開発する
生成 AI と大規模言語はあらゆる業界にどのような影響を与えるでしょうか。たとえば、次のとおりです。
「CIOとCTOは今、創造性を発揮してより少ない労力でより多くのことを成し遂げるだけでなく、遅れをとっている競合他社を上回るパフォーマンスを発揮するために意図的な投資を行う必要がある」とSnapLogicの最高技術責任者ジェレミア・ストーンは述べた。 「変革プロジェクト。特に生成 AI によってもたらされる機会を考慮して、新たな収益源の創出、テクノロジーの導入の促進、または技術的負債の削減につながる変革的取り組みを優先します。」
CIO は、この規模の変革プログラムは、大規模な言語モデルの機能を評価し、実験を実施し、実行可能かつ十分に安全な顧客製品を見つける必要がある複数年にわたるプログラムであることを認識しているかもしれません。しかし、戦略をまったく策定しないと混乱が生じる可能性があり、IT リーダーが取締役会に出席する際に犯しやすい主な間違いの 1 つは、生成 AI などの世界を変える新興テクノロジーの計画を策定できないことです。
プライベート大規模言語モデル用にデータをクリーンアップして準備する
生成 AI は、学習管理システムに保存されている文書、ビデオ、コンテンツなどの企業の非構造化データの重要性と価値を高めます。企業が生成 AI を活用して業界やビジネスを変革する準備ができていなくても、プロアクティブな変革リーダーは、大規模な言語モデルで使用できるように非構造化データを一元化、クレンジング、準備するための措置を講じています。
ドミノ・ピザのデータ サイエンス戦略およびエバンジェリズム責任者であるケル・カールソン氏は次のように述べています。「組織全体のユーザーが、生成 AI モデルへの安全かつスケーラブルなアクセスの一部として生成 AI 機能を求める声が高まっており、データ サイエンス チームは大規模な開発と実装が可能になります」 - 組織のデータとユースケースに合わせて調整されたスケール言語モデル。」
現在、ChatGPT 以外に 14 の大規模言語モデルがあります。大規模なデータセットがある場合は、Databricks Dolly、Meta Llama、OpenAI などのプラットフォームを使用して、独自の大規模言語モデルをカスタマイズしたり、独自の大規模言語モデルを構築したりできます。ゼロからの言語モデル。
大規模な言語モデルのカスタマイズと開発には、強力なビジネス ケース、技術的専門知識、および資金が必要です。 New Relic の最高設計および戦略責任者である Peter Pezaris 氏は、「大規模な言語モデルのトレーニングのコストは非常に高くなる可能性があり、出力結果はまだ完璧ではないため、リーダーは使用コストの監視に役立つソリューションへの投資を優先する必要があります」と述べています。クエリ結果の品質を向上させます。計画してください。」
カスタマーサポートを改善して効率を向上
マッキンゼーは、2020 年には人工知能が年間 1 兆米ドルの価値を生み出す可能性があり、顧客サポートが重要な機会になると予測しました。今日、生成 AI のおかげで、特に CIO が非構造化データを大規模な言語モデルに集約し、サービス エージェントが顧客の質問に答えられるようになったことで、その機会はさらに大きくなりました。
「特にタスクの自動化や大量の非構造化データの分析において、GPT-4 や大規模な言語モデルを活用して顧客サポートなどの活動を最適化する機会を探してください」と SPR の上級副社長、ジャスティン ローデンボステルは述べています。
カスタマー サポートを改善することは、大規模な言語モデルと AI 検索機能を通じて短期的な ROI を実現するための近道です。大規模な言語モデルでは、CRM、ファイル システム、その他の SaaS ツールに埋め込まれたデータなど、企業の非構造化データを一元管理する必要があります。 IT 部門がこのデータを一元管理し、大規模な言語モデルを実装すると、見込み客の変換や人事オンボーディング プロセスなどの領域が改善される可能性もあります。
GetK3 の社長兼 CEO であるゴードン・アロット氏は、「企業は何十年もの間、SharePoint やその他のシステムにデータを詰め込んできましたが、そのデータをクリーンアップして大規模な言語モデルを使用することで、実際に価値のあるものになる可能性があります。」と述べています。
大規模な言語モデルに基づいてコミュニケーションすることでリスクを軽減する
生成 AI の分野には 100 を超えるツールがあり、テスト、画像、ビデオ、コード、音声などのカテゴリをカバーしています。では、従業員がツールを試したり、プロンプトに専有情報やその他の機密情報を貼り付けたりすることを妨げているのは何でしょうか?
ローデンボステル氏は次のようにアドバイスしています。「リーダーは、研究と許容可能な使用ポリシーを通じて、チームが承認された適切な方法でのみこれらのツールを使用することを保証する必要があります。」
3 つの部門があり、CIO は CHRO および CISO と協力してポリシーを伝達し、インテリジェントな実験をサポートするガバナンス モデルを作成する必要があります。まず、CIO は、ChatGPT やその他の生成 AI がコーディングやソフトウェア開発にどのような影響を与えるかを評価する必要があります。 IT 部門は模範を示し、どこでどのように実験するか、またいつツールや独自のデータセットを使用しないかを明確にする必要があります。
マーケティング部門は 2 番目の関心事であり、マーケティング担当者は ChatGPT やその他の生成型 AI をコンテンツ作成、見込み顧客発掘、電子メール マーケティング、および十数種類の一般的なマーケティング手法に使用できます。すでに 11,000 を超えるマーケティング テクノロジー ソリューションが利用可能であるため、新しい大規模言語モデル機能を備えた SaaS をテストする際には、実験を行ったり、意図しない間違いを犯したりする機会が十分にあります。
主要組織の CIO は、新しい生成 AI ユースケースを導入し、アプローチをレビューするプロセスを定義し、AI 実験の影響を一元管理するためのレジストリを作成しています。
意思決定プロセスと委任を再評価する
考慮すべきもう 1 つの重要な領域は、生成 AI が意思決定プロセスと仕事の将来にどのような影響を与えるかです。
過去 10 年間、多くの企業は、データ アクセスを民主化し、より多くのビジネス パーソンにデータ サイエンスを教育し、プロアクティブなデータ ガバナンス実践を浸透させることにより、データドリブンな組織になることを目指してきました。生成 AI は新しい機能を解放し、リーダーが質問を促し、迅速に答えを得ることができるようにしますが、適時性、正確性、偏見は多くの LL.M. にとって重要な懸念事項です。
「人間を AI の中心に置き、データの使用法とモデルの解釈可能性に関する強力なフレームワークを作成することは、これらのモデルの偏見を軽減し、すべての AI の出力がすべて倫理的で責任あるものになるようにするのに大いに役立ちます。現実には、AI モデルは人間に取って代わることはできません」重要な意思決定に関しては、完全に引き継がせるのではなく、補完されるべきです。」
CIO は、ガバナンスの定義、短期的な効率の特定、長期的な変革の機会の追求など、生成的な AI イニシアチブに優先順位を付けるバランスの取れたアプローチを模索する必要があります。