Следите за динамичным, но пугающим ландшафтом инноваций генеративного ИИ (GenAI)!
Мой комментарий: В последнее время несколько угас интерес к когда-то очень авторитетной в ИТ-мире консультационной фирме Гартнер (Gartner) и к выпускающимся ею аналитическим материалам, включая так называемые «Цикл ажиотажа» (Hype Cycle) для различных технологий и методов работы – см., подборку постов на блоге http://rusrim.blogspot.com/search/label/Gartner . Тем не менее, я продолжаю следить за её деятельностью – да и, к тому же, число аналитиков в ИТ-отрасли сейчас поубавилось …
Не обращайте внимания на шумиху вокруг технологий генеративного ИИ, и старайтесь смотреть в корень
К 2028 году более 95% организаций будут использовать API-интерфейсы или модели генеративного ИИ (GenAI), и/или развёрнут приложения на базе генеративного ИИ в своих средах эксплуатации. Тем временем ИТ-лидерам предстоит найти свой курс в море множества чрезмерно разрекламированных технологий и высоких ожиданий, чтобы обеспечить деловую отдачу и соответствие стратегии своей организации.
Инновации, появление которых сопровождалось амбициозными обещаниями, сталкиваются с трудностями, пытаясь оправдать завышенные ожидания и перейти от стадии проверки концепции к стадии промышленной эксплуатации. «Цикл ажиотажа для генеративного ИИ по состоянию на 2025 год» (2025 Hype Cycle for Generative AI) снимает покров таинственности с основных технологий, лежащие в основе трансформирующей тенденции внедрения генеративного ИИ, давая читателю возможность определить, какие инновации наилучшим образом соответствуют приемлемому уровню риска и стратегическим целям его организации, - одновременно максимизируя потенциальную полезную отдачу.
Цикл ажиотажа для генеративного ИИ – это разработанное компанией Gartner графическое представление уровня зрелости, показателей внедрения и воздействия на деловую деятельность технологий генеративного ИИ. Оно помогает ИТ-директорам и другим лидерам ИТ выявлять инновации в этой сфере, которые они могли бы использовать, в зависимости от своего риск-аппетита, в погоне за потенциальными выгодами.
Ключевые области инвестиций формируют цикл ажиотажа для генеративного ИИ
Чтобы помочь лидерам в сфере ИИ выявить конкретные технологии, достойные стратегических инвестиций, цикл ажиотажа для генеративного ИИ обращает основное внимание на четырёх ключевых технологических области.
Модели генеративного ИИ
Предварительно обученные на данных большие языковые модели (large language models LLM) остаются краеугольным камнем генеративного ИИ и наиболее зрелой технологией создания моделей в цикле ажиотажа. Эти универсальные базовые модели могут быть адаптированы для широкого спектра вариантов использования и обладают значительными возможностями, что и объясняет их популярность. Однако другие типы моделей, такие как LLM с открытым исходным кодом, предметно-ориентированные модели генеративного ИИ и большие модели рассуждений (large reasoning models), быстро эволюционируют в жизнеспособные решения для организаций.
Пример технологии: Мультимодальный генеративный ИИ (multimodal generative AI)
Инженерия ИИ
По мере подготовки организаций к масштабированию программ генеративного ИИ, критически важное значение приобретает способность создавать, осуществлять стратегическое управление и настраивать приложения на базе генеративного ИИ. Инженерия ИИ охватывает растущую экосистему инструментов и методов генеративного ИИ, позволяющую организациям обеспечить поддержку приложениями на основе генеративного ИИ более широкой стратегии их организации. Эти инструменты предлагают эффективные рамочные структуры оркестровки приложений, уменьшают галлюцинации, смягчают проблему дезинформации и обеспечивают соблюдение законодательно-нормативных требований.
Инженерия ИИ также включает в себя группу инструментов и методов, направленных на обеспечение безопасного и эффективного использования ИИ.
Пример технологии: AI TRiSM (от Artificial Intelligence Trust, Risk, and Security Management – «Управление доверием, рисками и безопасностью искусственного интеллекта», концепция, разработанная компанией Gartner для обеспечения надежности, этичности и безопасности моделей и приложений ИИ – Н.Х.).
Агенты, приложения и варианты использования ИИ
Виртуальные помощники на основе генеративного ИИ, - например, ChatGPT, -используют большие языковые модели для обеспечения функциональности, выходящей за рамки традиционной технологии диалогового ИИ (conversational AI), и представляют собой наиболее известные примеры используемых сегодня приложений генеративного ИИ.
В долгосрочной перспективе организации стремятся использовать агентов ИИ для автоматизации сложных многоэтапных процессов в больших масштабах, чтобы повысить производительность, снизить эксплуатационные расходы и улучшить качество обслуживания клиентов.
Агентный ИИ (agentic AI), интерес к которому стремительно растет, автономно или полуавтономно использует методы ИИ для восприятия, принятия решений, выполнения действий и достижения целей в цифровой и/или физической среде. Переход от пассивных чат-ботов ИИ к агентному ИИ знаменует собой фундаментальное изменение того, как организации взаимодействуют с системами ИИ и получают от них деловую отдачу.
Пример технологии: Воплощенный ИИ (embodied AI – ИИ, который обладает «телом» (физическим в случае робота или виртуальным в случае сложной симуляции). Такой ИИ сможет учиться, осваивая законы объемного мира с физическими предметами в нем. Взаимодействуя с окружающими объектами, он будет получать обратную связь от своих действий и познавать реальность на новом для подобных систем уровне – Н.Х.).
Инфраструктура и методы реализации возможностей
Ход эволюции генеративного ИИ определяется сочетанием новых методов и устоявшихся фундаментальных практик ИИ. Такие инновации, как обучение с самоконтролем (self-supervised learning), снижающее потребность в больших объёмах размеченных обучающих данных, предлагают решения для практических задач в области генеративного ИИ. В настоящее время обучение с самоконтролем используется в основном в таких областях применения, как автономное вождение и медицинская диагностика, но все большее число отраслей начинает экспериментировать с этой технологией.
Специализированная инфраструктура также привлекает внимание благодаря своей роли в обучении моделей и процессе получения выводов. Специализированные ИИ-чипы и инструменты могут помочь повысить эффективность и снизить сопутствующие затраты.
Пример технологии: суперкомпьютерные ИИ-вычисления
Арун Чандрасекаран (Arun Chandrasekaran)
Источник: сайт компании Gartner
https://www.gartner.com/en/articles/hype-cycle-for-genai
Комментариев нет:
Отправить комментарий