6 manieren waarop generatieve AI echt impact gaat krijgen

Dit artikel is geschreven door Bryan Harris, Executive Vice President en Chief Technology Officer bij SAS

Hieronder lees je zes voorspellingen over hoe we 2024 met Gen AI zullen werken:

1. Gen AI is geen oplossing op zichzelf, wel een feature binnen een bredere strategie

Generatieve AI-technologie biedt veel potentie, maar kan niet alles. Er zijn nog te veel organisaties die generatieve AI zien als een op zichzelf staande mogelijkheid, maar het moet onderdeel zijn van een uitgebreidere AI-strategie. Op die manier zijn bedrijven beter in staat om een AI-respons te onderbouwen met feiten en data, vooral als het antwoord niet voor de hand ligt.

Bepaalde sectoren hebben veel baat bij het toepassen van generatieve AI op hun bestaande analytics-platform:

• Organisaties in de gezondheidszorg kunnen generatieve AI-tools ontwikkelen voor medicijnen op maat, zoals het maken van patiëntspecifieke avatars – een digitale representatie van een patiënt – voor gebruik in klinische onderzoeken en persoonlijke behandelplannen.

• In de financiële dienstverlening kan generatieve AI simulaties maken van data voor stresstests en scenarioanalyses om banken te helpen toekomstige financiële risico’s te voorspellen en verliezen te voorkomen. En virtuele assistenten (zoals chatbots) kunnen 24/7 een menselijke klantenservice bieden.

• In de biowetenschappen kan generatieve AI klinische tests verbeteren en versnellen door snel grote hoeveelheden onderzoeksgegevens te synthetiseren, patiëntenpopulaties te simuleren en het ontwerp van protocollen te optimaliseren.

• In de maakindustrie kan generatieve AI het volledige productieproces simuleren om verborgen inzichten te vinden, modellen te valideren met synthetische data en de nauwkeurigheid van voorspellingen te verbeteren. Dit kan helpen bij het identificeren van verbeteringen in kwaliteit, betrouwbaarheid, onderhoud, energie-efficiëntie, en productie.

• In de energiesector kunnen nutsbedrijven en andere energie-gerelateerde organisaties gebruikmaken van een kleine set aan trainingsdata van afbeeldingen en algoritmes die duizenden nauwkeurige afbeeldingen genereren om computer vision modellen te trainen. Op deze manier kunnen operators storingen in netwerkapparatuur en reacties op extreme gebeurtenissen, zoals bosbranden, voorspellen en actief beheren.

2. Kennisbanken helpen bedrijven om meer waarde te halen uit Gen AI

Een belangrijk ingrediënt om meerwaarde te halen uit generatieve AI is ervoor zorgen dat organisaties een sterke kennismanagementstrategie hebben – te beginnen met het gebruik van bestaande gepatenteerde, industriespecifieke kennisbanken. Vooruitstrevende organisaties zullen bestaande grote taalmodellen (LLM’s) verfijnen door domeinkennis uit de industrie te integreren in generatieve AI-workflows. We zullen de integratie van industriekennis zien als een terugkerend patroon in de biowetenschappen, verzekeringssector, het bankwezen en de gezondheidszorg.

3. Bedrijven met sterk databeheer hebben een streepje voor

Generatieve AI vereist gedegen kennisbeheer en dat vraagt dan weer om een optimaal beheer van data. Als je de datakwaliteit in je bedrijf hebt verwaarloosd of geen goede datastrategie hebt gedefinieerd, zul je geen meerwaarde halen uit je data met behulp van generatieve AI.

Door generatieve AI zijn de drempels voor menselijke interactie met data en systemen verlaagd, maar generatieve AI is geen “vrijbriefje” voor slecht datamanagement en data governance. Degenen die een sterke aanpak voor datamanagement hebben geïmplementeerd, hebben een grote voorsprong bij het creëren van concurrentievoordeel met generatieve AI.

4. Gen AI frameworks voldoen aan de complexiteit van moderne bedrijven

De complexiteit van generatieve AI zal leiden tot de ontwikkeling van nieuwe softwarearchitecturen die informatie-uitwisseling tussen verschillende bedrijfssystemen en voorspellende modellen orkestreren en de spraakervaringen die LLM’s bieden, verbeteren.

Retrieval-augmented generation (RAG) is een AI-raamwerk voor het ophalen en gebruiken van actuele informatie door LLM’s. Dit is een goede eerste stap, maar deze architectuur zal beperkt zijn tot een bepaalde schaal en complexiteit van use cases in de organisatie. Agent-gebaseerde frameworks – zoals het baanbrekende werk van AutoGen van Microsoft – maken het makkelijker om netwerken te bouwen van rollen en functies die gebruikmaken van RAG’s, LLM’s en bedrijfsapplicaties om te voldoen aan de complexiteit van hedendaagse organisaties.

5. Analyses brengen kosten en waarde van Gen AI in kaart

Net zoals de kosten voor cloud-computing zijn de kosten van generatieve AI consumptie-gedreven. Bedrijven die aanzienlijke middelen investeren in generatieve AI doen er goed aan om een kosten-batenanalyse te maken en moeten projecten die geen of een minimaal rendement hebben snel stopzetten.

6. Gen AI maakt organisaties veerkrachtiger

Disruptie is overal, van klimaatverandering tot volatiele economische omstandigheden, en het wordt er niet makkelijker op. Als leidinggevende kun je geconfronteerd worden met vragen als:

• Wat als kritieke delen van mijn toeleveringsketen worden verstoord door klimaatverandering?

• Wat als de waarde van mijn commerciële vastgoedportefeuille met 48% daalt?

• Wat als de kernwaarde van mijn bedrijf op de proef wordt gesteld door een nieuwe generatieve AI-technologie?

• Wat als de productiviteit van werknemers wordt beïnvloed door een wereldwijde pandemie of een geopolitiek conflict?

AI biedt veel nieuwe mogelijkheden en maakt menselijke productiviteit en besluitvorming schaalbaar. Dit kan helpen deze complexe en kritieke vragen te beantwoorden om de veerkracht van bedrijven te garanderen. Aan leidinggevenden de taak om stil te staan bij hoe je die potentie kan benutten.

Dit artikel is geschreven door Bryan Harris, Executive Vice President en Chief Technology Officer bij SAS en valt buiten de verantwoordelijkheid van de redactie.