Kas ir mākslīgā intelekta uzņēmums?

Kas ir mākslīgā intelekta uzņēmums?

Īsa atbilde: Mākslīgā intelekta uzņēmums ir tāds, kura pamatprodukts, vērtība vai konkurences priekšrocības ir atkarīgas no mākslīgā intelekta — ja mākslīgais intelekts tiek noņemts, piedāvājums sabrūk vai ievērojami pasliktinās. Ja mākslīgais intelekts rīt neizdodas un jūs joprojām varat piegādāt produktus ar izklājlapām vai pamata programmatūru, jūs, visticamāk, esat mākslīgā intelekta iespējots, nevis mākslīgā intelekta dzimtā persona. Īsti mākslīgā intelekta uzņēmumi atšķiras ar datiem, novērtēšanu, ieviešanu un stingrām iterācijas cilpām.

Galvenie secinājumi:

Galvenā atkarība : ja mākslīgā intelekta noņemšana sabojā produktu, jūs meklējat mākslīgā intelekta uzņēmumu.

Vienkāršs tests : ja varat klibot bez mākslīgā intelekta, jūs, iespējams, esat iespējots ar mākslīgo intelektu.

Darbības signāli : komandas, kas apspriež novirzi, novērtēšanas kopas, latentumu un kļūmju režīmus, parasti veic smago darbu.

Aizsardzība pret ļaunprātīgu izmantošanu : izveidojiet aizsargbarjeras, uzraudzības un atcelšanas plānus gadījumiem, kad modeļi neizdodas.

Pircēja rūpība : Izvairieties no mākslīgā intelekta manipulācijām, pieprasot mehānismus, rādītājus un skaidru datu pārvaldību.

Kas ir mākslīgā intelekta uzņēmums? Infografika

“Mākslīgā intelekta uzņēmums” tiek tik brīvi mētāts apkārt, ka tas riskē nozīmēt visu un neko vienlaikus. Viens jaunuzņēmums apgalvo, ka tam ir mākslīgā intelekta statuss, jo tas ir pievienojis automātiskās pabeigšanas lodziņu. Cits uzņēmums apmāca modeļus, izgatavo instrumentus, piegādā produktus un izvieto tos ražošanas vidēs… un joprojām tiek iemests vienā un tajā pašā grupā.

Tāpēc etiķetei ir nepieciešamas asākas robežas. Atšķirība starp mākslīgā intelekta uzņēmumu un standarta uzņēmumu ar nelielu mašīnmācīšanās piejaukumu parādās ātri, tiklīdz zināt, ko meklēt.

Raksti, kurus jūs varētu vēlēties izlasīt pēc šī raksta:

🔗 Kā darbojas mākslīgā intelekta mērogošana
Uzziniet, kā modeļi pievieno detaļas, lai tīri palielinātu attēlus.

🔗 Kā izskatās mākslīgā intelekta kods
Skatiet ģenerētā koda piemērus un to, kā tas ir strukturēts.

🔗 Kas ir mākslīgā intelekta algoritms?
Izprotiet algoritmus, kas palīdz mākslīgajam intelektam mācīties, prognozēt un optimizēt.

🔗 Kas ir mākslīgā intelekta pirmapstrāde?
Atklājiet darbības, kas attīra, apzīmē un formatē datus apmācībai.

Kas ir mākslīgā intelekta uzņēmums: skaidra definīcija, kas ir aktuāla ✅

Praktiska definīcija:

Mākslīgā intelekta uzņēmums ir uzņēmums, kura pamatprodukts, vērtība vai konkurences priekšrocības ir atkarīgas no mākslīgā intelekta — tas nozīmē, ka, ja tiek noņemts mākslīgais intelekts, uzņēmuma “lieta” sabrūk vai ievērojami pasliktinās. ( ESAO , NIST AI RMF )

Nevis “mēs vienreiz izmantojām mākslīgo intelektu hakatonā”. Nevis “mēs pievienojām tērzēšanas robotu kontaktlapai”. Drīzāk:

  • Produkts ir mākslīgā intelekta sistēma (vai to darbina viens pilns savienojums) ( OECD )

  • Uzņēmuma priekšrocības sniedz modeļi, dati, novērtēšana un iterācija ( Google Cloud MLOps , NIST AI RMF Playbook - Measure ).

  • Mākslīgais intelekts nav funkcija — tas ir dzinējs 🧠⚙️

Lūk, vienkārša pašsajūtas pārbaude:

Iztēlojieties mākslīgā intelekta neveiksmi rītdien. Ja klienti joprojām jums maksātu, bet jūs varētu klibot ar izklājlapām vai pamata programmatūru, jūs, visticamāk, izmantojat mākslīgo intelektu, nevis esat mākslīgā intelekta iedzīvotājs.

Un jā, ir izplūdusi vidusdaļa. Kā fotogrāfija, kas uzņemta caur miglainu logu... ne pārāk laba metafora, bet domu jūs sapratāt 😄

Atšķirība starp “mākslīgā intelekta uzņēmumu” un “mākslīgā intelekta iespējotu uzņēmumu” (šī daļa ļauj izvairīties no strīdiem) 🥊

Lielākā daļa mūsdienu uzņēmumu izmanto kādu mākslīgā intelekta veidu. Tas vien nepadara tos par mākslīgā intelekta uzņēmumiem. ( OECD )

Parasti mākslīgā intelekta uzņēmums:

  • Pārdod mākslīgā intelekta iespējas tieši (modeļi, otrie piloti, intelektiskā automatizācija)

  • Veido patentētas mākslīgā intelekta sistēmas kā galveno produktu

  • Nopietna mākslīgā intelekta inženierija, novērtēšana un ieviešana kā pamatfunkcija ( Google Cloud MLOps )

  • Nepārtraukti mācās no datiem un uzlabo veiktspēju kā galveno rādītāju 📈 ( Google MLOps informatīvais dokuments )

Parasti uzņēmums, kas izmanto mākslīgo intelektu:

  • Izmanto iekšēji mākslīgo intelektu, lai samazinātu izmaksas, paātrinātu darbplūsmas vai uzlabotu mērķauditorijas atlasi

  • Joprojām pārdod kaut ko citu (mazumtirdzniecības preces, banku pakalpojumus, loģistiku, plašsaziņas līdzekļus utt.)

  • Varētu aizstāt mākslīgo intelektu ar tradicionālo programmatūru un joprojām būt “pats par sevi”

Piemēri (vispārīgi ar nolūku, jo zīmolu debates dažiem cilvēkiem ir hobijs):

  • Banka, kas izmanto mākslīgo intelektu krāpšanas atklāšanai — ar mākslīgā intelekta atbalstu

  • Mazumtirgotājs, kas izmanto mākslīgo intelektu krājumu prognozēšanai — ar mākslīgā intelekta atbalstu

  • Uzņēmums, kura produkts ir mākslīgā intelekta klientu atbalsta aģents — visticamāk, mākslīgā intelekta uzņēmums

  • Platforma, kas pārdod modeļu uzraudzības, novērtēšanas un izvietošanas rīkus — mākslīgā intelekta uzņēmums (infrastruktūra) ( Google Cloud MLOps )

Tātad, jā… jūsu zobārsts varētu izmantot mākslīgo intelektu atgādinājumu plānošanai. Tas nenozīmē, ka viņš ir mākslīgā intelekta uzņēmums 😬🦷

Kas veido labu mākslīgā intelekta uzņēmuma versiju 🏗️

Ne visi mākslīgā intelekta uzņēmumi ir veidoti vienādi, un daži patiesībā galvenokārt ir balstīti uz vibrācijām un riska kapitālu. Labai mākslīgā intelekta uzņēmuma versijai parasti ir dažas kopīgas iezīmes, kas parādās atkal un atkal:

  • Skaidra problēmas atbildība : tie risina konkrētu problēmu, nevis “mākslīgais intelekts visam”

  • Izmērāmi rezultāti : precizitāte, ietaupīts laiks, samazinātas izmaksas, mazāk kļūdu, augstāka konversija — izvēlieties kaut ko un izsekojiet to ( NIST AI RMF )

  • Datu disciplīna : datu kvalitāte, atļaujas, pārvaldība un atgriezeniskās saites cilpas nav izvēles ( NIST AI RMF )

  • Novērtēšanas kultūra : viņi testē modeļus tāpat kā pieaugušie — ar etaloniem, perifēriskiem gadījumiem un uzraudzību 🔍 ( Google Cloud MLOps , Datadog )

  • Izvietošanas realitāte : sistēma darbojas nekārtīgos ikdienas apstākļos, ne tikai demonstrācijās

  • Aizsargājama priekšrocība : domēna dati, izplatīšana, darbplūsmas integrācija vai patentēti rīki (ne tikai "mēs to saucam par API")

Pārsteidzoši zīmīga zīme:

  • Ja komanda runā par latentumu, nobīdi, novērtēšanas kopām, halucinācijām un kļūmju režīmiem , tā, iespējams, veic īstu mākslīgā intelekta darbu. ( IBM — modeļa nobīde , OpenAI — halucinācijas , Google Cloud MLOps )

  • Ja viņi galvenokārt runā par "sinerģijas revolucionizēšanu ar inteliģentām vibrācijām", tad... jūs jau zināt, kā tas ir 😅

Salīdzināšanas tabula: izplatītākie mākslīgā intelekta uzņēmumu “tipi” un ko tie pārdod 📊🤝

Zemāk ir sniegta ātra, nedaudz nepilnīga salīdzināšanas tabula (piemēram, ikdienas uzņēmuma cenas). Cenas ir “tipiski cenu noteikšanas stili”, nevis precīzi skaitļi, jo tās ievērojami atšķiras.

Opcija / “Tips” Labākā auditorija Cena (apmēram tipiska) Kāpēc tas darbojas
Pamatu modeļu veidotājs Izstrādātāji, uzņēmumi, visi… tā teikt Lietojumā balstīti, lieli līgumi Spēcīgi vispārīgie modeļi kļūst par platformu — “operētājsistēmas” slāni ( OpenAI API cenu noteikšana ).
Vertikālā mākslīgā intelekta lietotne (juridiskā, medicīniskā, finanšu u. c. jomā) Komandas ar specifiskām darbplūsmām Abonementa + sēdvietu cenas Domēna ierobežojumi samazina haosu; precizitāte var ievērojami palielināties (ja to dara pareizi)
Mākslīgā intelekta līdzpilots darbam ar zināšanām Pārdošana, atbalsts, analītiķi, operācijas Lietotājam mēnesī Ātri ietaupa laiku, integrējas ikdienas rīkos… lipīgs, kad tas ir labi ( Microsoft 365 Copilot cenas )
MLOps/Model Ops platforma Mākslīgā intelekta komandas ražošanā Uzņēmuma līgums (dažreiz sāpīgs) Uzraudzība, izvietošana, pārvaldība — nepievilcīgi, bet būtiski ( Google Cloud MLOps )
Datu + marķēšanas uzņēmums Modeļu veidotāji, uzņēmumi Pēc uzdevuma, pēc etiķetes, sajaukts Labāki dati pārsteidzoši bieži pārspēj “modernāku modeli” ( MIT Sloan / Andrew Ng par uz datiem orientētu mākslīgo intelektu )
Edge AI / ierīcē iebūvēts AI Aparatūra + lietu internets, organizācijas, kurām ir liela nozīme privātumā Licencēšana katrai ierīcei Zema latentuma pakāpe + privātums; darbojas arī bezsaistē (liels piedāvājums) ( NVIDIA , IBM )
Mākslīgā intelekta konsultācijas / integrators Organizācijas, kas nav balstītas uz mākslīgo intelektu Uz projektiem balstīti, pastāvīgie darbinieki Virzās ātrāk nekā iekšējā pieņemšana darbā, bet praksē ir atkarīgs no talanta
Novērtēšanas/drošības rīki Komandu piegādes modeļi Daudzpakāpju abonements Palīdz izvairīties no klusām neveiksmēm — un jā, tam ir liela nozīme ( NIST AI RMF , OpenAI — halucinācijas )

Ievērojiet kaut ko. “Mākslīgā intelekta uzņēmums” var nozīmēt ļoti dažādus uzņēmumus. Daži pārdod modeļus. Daži pārdod lāpstas modeļu būvētājiem. Daži pārdod gatavus produktus. Viens un tas pats zīmols, pilnīgi atšķirīga realitāte.

Galvenie mākslīgā intelekta uzņēmumu arhetipi (un kādas ir to kļūdas) 🧩

Iedziļināsimies nedaudz dziļāk, jo tieši šeit cilvēki paklūp.

1) Uzņēmumi, kas orientēti uz modeļiem 🧠

Šie modeļi tiek veidoti vai precīzi noregulēti. To stiprās puses parasti ir:

Bieži sastopama kļūme:

  • Viņi pieņem, ka “labāks modelis” automātiski nozīmē “labāku produktu”.
    Tas tā nav. Lietotāji nepērk modeļus, viņi pērk rezultātus.

2) Produktu orientēti mākslīgā intelekta uzņēmumi 🧰

Tie iestrādā mākslīgo intelektu darbplūsmā. Tie gūst panākumus, pateicoties:

  • izplatīšana

  • Lietotāja pieredze un integrācija

  • spēcīgas atgriezeniskās saites cilpas

  • uzticamība vairāk nekā neapstrādāts intelekts

Bieži sastopama kļūme:

  • Viņi nenovērtē modeļa uzvedību reālos apstākļos. Reāli lietotāji jūsu sistēmu sagraus jaunos un radošos veidos. Katru dienu.

3) Infrastruktūras mākslīgā intelekta uzņēmumi ⚙️

Apsveriet uzraudzību, izvietošanu, pārvaldību, novērtēšanu un organizēšanu. Viņi gūst panākumus, pateicoties:

Bieži sastopama kļūme:

  • Viņi veido progresīvām komandām un ignorē visus pārējos, un tad brīnās, kāpēc ieviešana notiek lēni.

4) Uz datiem orientēti mākslīgā intelekta uzņēmumi 🗂️

Tie koncentrējas uz datu cauruļvadiem, marķēšanu, sintētiskajiem datiem un datu pārvaldību. Tie gūst panākumus, pateicoties:

Bieži sastopama kļūme:

  • Viņi pārspīlē frāzi “dati atrisina visu”. Dati ir spēcīgi, taču joprojām ir nepieciešama laba modelēšana un spēcīga produktu domāšana.

Kas atrodas mākslīgā intelekta uzņēmuma iekšienē zem pārsega: aptuveni steks 🧱

Ja ieskatās aiz priekškara, lielākajai daļai īstu mākslīgā intelekta uzņēmumu ir līdzīga iekšējā struktūra. Ne vienmēr, bet bieži.

Datu slānis 📥

  • savākšana un norīšana

  • marķēšana vai vāja uzraudzība

  • privātums, atļaujas, saglabāšana

  • atgriezeniskās saites cilpas (lietotāja labojumi, rezultāti, cilvēka veikta pārskatīšana) ( NIST AI RMF )

Modeļa slānis 🧠

Produkta slānis 🧑💻

  • Lietotāja pieredze, kas apstrādā nenoteiktību (uzticības norādes, “pārskatīšanas” stāvokļi)

  • margas (politika, atteikums, droša pabeigšana) ( NIST AI RMF )

  • darbplūsmas integrācija (e-pasts, CRM, dokumentācija, biļešu pārdošana utt.)

Operāciju slānis 🛠️

Un tā daļa, ko neviens nereklamē:

  • cilvēciskie procesi — recenzenti, eskalācija, kvalitātes nodrošināšana un klientu atsauksmju plūsmas.
    Mākslīgais intelekts nav “iestati un aizmirsti”. Tas drīzāk ir kā dārzkopība. Vai kā jenota turēšana mājās. Tas var būt mīlīgi, bet tas pilnībā sabojās jūsu virtuvi, ja jūs neskatīsieties 😬🦝

Biznesa modeļi: kā mākslīgā intelekta uzņēmumi pelna naudu 💸

Mākslīgā intelekta uzņēmumiem ir raksturīgas dažas izplatītas monetizācijas formas:

  • Lietojumā balstīts (par pieprasījumu, par žetonu, par minūti, par attēlu, par uzdevumu) ( OpenAI API cenas , OpenAI žetoni )

  • Uz vietām balstīti abonementi (vienam lietotājam mēnesī) ( Microsoft 365 Copilot cenas )

  • Uz rezultātu balstīta cenu noteikšana (reta, bet efektīva — maksā par konversiju vai atrisinātu pieprasījumu)

  • Uzņēmuma līgumi (atbalsts, atbilstība, SLA, pielāgota izvietošana)

  • Licencēšana (ierīcē iebūvēta, iegulta, OEM stila) ( NVIDIA )

Spriedze, ar ko saskaras daudzi mākslīgā intelekta uzņēmumi:

  • Klienti vēlas paredzamus tēriņus 😌

  • Mākslīgā intelekta izmaksas var mainīties atkarībā no lietošanas un modeļa izvēles 😵

Tātad labi mākslīgā intelekta uzņēmumi kļūst ļoti labi šādās jomās:

  • novirzot uzdevumus uz lētākiem modeļiem, ja iespējams

  • kešatmiņas rezultāti

  • partijveida pieprasījumi

  • konteksta lieluma kontrole

  • tādu lietotāja pieredzes (UX) izstrāde, kas attur no “bezgalīgām uzvedņu spirālēm” (mēs visi to esam darījuši…)

Svarīgākais jautājums: kas padara mākslīgā intelekta uzņēmumu aizstāvamu 🏰

Šī ir pikantākā daļa. Daudzi cilvēki pieņem, ka grāvis nozīmē "mūsu modelis ir labāks". Dažreiz tā ir, bet bieži vien... nē.

Bieži sastopamas aizstāvamas priekšrocības:

  • Īpašumtiesību dati (īpaši konkrētai jomai)

  • Izplatīšana (iegulta darbplūsmā, kurā lietotāji jau dzīvo)

  • Pārslēgšanās izmaksas (integrācijas, procesu izmaiņas, komandas paradumi)

  • Zīmola uzticēšanās (īpaši attiecībā uz domēniem ar augstām likmēm)

  • Operacionālā izcilība (uzticama mākslīgā intelekta piegāde plašā mērogā ir sarežģīta) ( Google Cloud MLOps )

  • Cilvēka vadītas sistēmas (hibrīdrisinājumi var pārspēt tīru automatizāciju) ( NIST AI RMF , ES AI likums — cilvēka uzraudzība (14. pants) )

Nedaudz nepatīkama patiesība:
divi uzņēmumi var izmantot vienu un to pašu pamatmodeli un joprojām iegūt ļoti atšķirīgus rezultātus. Atšķirība parasti ir viss, kas saistīts ar modeli – produkta dizains, novērtējumi, datu cilpas un tas, kā viņi rīkojas kļūmju gadījumā.

Kā atpazīt mākslīgā intelekta radītu piesārņojumu (jeb “mēs pievienojām mirdzumu un nosaucām to par intelektu”) 🚩

Ja jūs vērtējat, kas ir mākslīgā intelekta uzņēmums reālajā dzīvē, pievērsiet uzmanību šiem brīdinājuma signāliem:

  • Nav skaidri aprakstītas mākslīgā intelekta iespējas : daudz mārketinga, nav mehānisma

  • Demonstrācijas maģija : iespaidīga demonstrācija, neviens nepiemin robežgadījumus

  • Nav novērtējuma stāsta : viņi nevar izskaidrot, kā viņi testē uzticamību ( Google Cloud MLOps )

  • Ar roku rakstītas datu atbildes : nav skaidrs, no kurienes nāk dati vai kā tie tiek pārvaldīti ( NIST AI RMF )

  • Nav plāna uzraudzībai : viņi rīkojas tā, it kā modeļi nemainītos ( IBM — Modeļa nobīde )

  • Viņi nevar izskaidrot kļūmju režīmus : viss ir “gandrīz perfekti” (nekas nav) ( OpenAI — halucinācijas )

Zaļie karogi (nomierinošs pretstats) ✅:

Ja veidojat tādu: praktisks kontrolsaraksts, lai kļūtu par mākslīgā intelekta uzņēmumu 🧠📝

Ja mēģināt pāriet no “mākslīgā intelekta iespējota” statusa uz “mākslīgā intelekta uzņēmuma” statusu, šeit ir pieejams risinājums:

  • Sāciet ar vienu darbplūsmu, kas cilvēkiem tik ļoti kaitē, ka viņi ir gatavi maksāt par tās labošanu

  • Instrumentu rezultāti agrīnā stadijā (pirms mērogošanas)

  • Izveidojiet novērtējumu kopu, izmantojot reālus lietotāju gadījumus ( Google Cloud MLOps )

  • Pievienojiet atgriezeniskās saites cilpas jau no pirmās dienas

  • Padariet aizsargbarjeras par daļu no dizaina, nevis par pēcdomu ( NIST AI RMF )

  • Nepārbūvējiet — izmantojiet šauru, uzticamu ķīli

  • Izvietošanu uztveriet kā produktu, nevis pēdējo soli ( Google Cloud MLOps )

Arī pretintuitīvi padomi, kas darbojas:

  • Veltiet vairāk laika tam, kas notiek, kad mākslīgais intelekts kļūdās, nekā tam, kad tam ir taisnība.
    Tieši tur tiek iegūta vai zaudēta uzticība. ( NIST AI RMF )

Noslēguma kopsavilkums 🧠✨

Tātad… tas, kas ir mākslīgā intelekta uzņēmums, ir vienkāršs pamatprincips:

Tas ir uzņēmums, kurā mākslīgais intelekts ir dzinējspēks , nevis dekorācija. Ja jūs noņemat mākslīgo intelektu un produkts vairs nav jēgpilns (vai zaudē savu priekšrocību), jūs, iespējams, meklējat īstu mākslīgā intelekta uzņēmumu. Ja mākslīgais intelekts ir tikai viens no daudziem rīkiem, precīzāk to būtu saukt par mākslīgā intelekta iespējotu.

Un abi ir labi. Pasaulei ir vajadzīgi abi. Bet etiķetei ir nozīme, kad ieguldāt, pieņemat darbā, pērkat programmatūru vai mēģināt saprast, vai jums pārdod robotu vai kartona izgriezumu ar kustīgām acīm 🤖👀

Bieži uzdotie jautājumi

Kas tiek uzskatīts par mākslīgā intelekta uzņēmumu salīdzinājumā ar mākslīgā intelekta iespējotu uzņēmumu?

Mākslīgā intelekta uzņēmums ir tāds, kurā pamatprodukts, vērtība vai konkurences priekšrocība ir atkarīga no mākslīgā intelekta — ja tiek noņemts mākslīgais intelekts, piedāvājums sabrūk vai ievērojami pasliktinās. Mākslīgā intelekta iespējots uzņēmums izmanto mākslīgo intelektu, lai stiprinātu darbības (piemēram, prognozēšanu vai krāpšanas atklāšanu), bet joprojām pārdod kaut ko principiāli ne-mākslīgo. Vienkāršs tests: ja mākslīgais intelekts rīt neizdodas un jūs joprojām varat darboties ar pamata programmatūru, jūs, visticamāk, esat mākslīgā intelekta iespējots.

Kā es varu ātri noteikt, vai uzņēmums patiešām ir mākslīgā intelekta uzņēmums?

Apsveriet, kas notiek, ja mākslīgais intelekts pārstāj darboties. Ja klienti joprojām maksātu un uzņēmums varētu klibot, izmantojot izklājlapas vai tradicionālo programmatūru, tā, iespējams, nav mākslīgā intelekta radīta. Patiesi mākslīgā intelekta uzņēmumi mēdz runāt arī konkrētos darbības terminos: novērtēšanas kopas, latentums, nobīde, halucinācijas, uzraudzība un kļūmju režīmi. Ja tas viss ir mārketings un nav mehānisma, tas ir brīdinājuma signāls.

Vai jums ir jāapmāca savs modelis, lai tas būtu mākslīgā intelekta uzņēmums?

Nē. Daudzi mākslīgā intelekta uzņēmumi veido spēcīgus produktus, balstoties uz esošajiem modeļiem, un joprojām kvalificējas kā mākslīgā intelekta produkti, ja mākslīgais intelekts ir produkta dzinējspēks. Svarīgi ir tas, vai modeļi, dati, novērtēšana un iterācijas cikli veicina veiktspēju un diferenciāciju. Patentēti dati, darbplūsmas integrācija un stingra novērtēšana var radīt patiesas priekšrocības pat bez apmācības no nulles.

Kādi ir galvenie mākslīgā intelekta uzņēmumu veidi un kā tie atšķiras?

Izplatītākie veidi ir pamatmodeļu veidotāji, vertikālās mākslīgā intelekta lietotnes (piemēram, juridiskie vai medicīniskie rīki), zināšanu apstrādes līdzpiloti, MLOps/model operāciju platformas, datu un marķēšanas uzņēmumi, perifērijas/ierīču mākslīgais intelekts, konsultāciju/integratoru uzņēmumi un novērtēšanas/drošības rīku nodrošinātāji. Tie visi var būt “mākslīgā intelekta uzņēmumi”, taču tie pārdod ļoti dažādas lietas: modeļus, gatavos produktus vai infrastruktūru, kas padara ražošanas mākslīgo intelektu uzticamu un pārvaldāmu.

Kā izskatās tipisks mākslīgā intelekta uzņēmuma steks zem pārsega?

Daudziem mākslīgā intelekta uzņēmumiem ir kopīgs aptuvens kopums: datu slānis (vākšana, marķēšana, pārvaldība, atgriezeniskās saites cilpas), modeļa slānis (bāzes modeļa atlase, precizēšana, RAG/vektoru meklēšana, novērtēšanas komplekti), produkta slānis (lietotāja pieredze nenoteiktības novēršanai, drošības barjeras, darbplūsmas integrācija) un darbību slānis (noviržu uzraudzība, incidentu reaģēšana, izmaksu kontrole, auditi). Cilvēciskie procesi — recenzenti, eskalācija, kvalitātes nodrošināšana — bieži vien ir nepievilcīgais mugurkauls.

Kādi rādītāji liecina, ka mākslīgā intelekta uzņēmums veic “reālu darbu”, ne tikai demonstrācijas?

Spēcīgāks signāls ir izmērāmi rezultāti, kas saistīti ar produktu: precizitāte, ietaupīts laiks, samazinātas izmaksas, mazāk kļūdu vai augstāka konversija – apvienojumā ar skaidru metodi šo rādītāju novērtēšanai un uzraudzībai. Īstas komandas veido etalonus, testē perifēros gadījumus un izseko veiktspēju pēc ieviešanas. Tās arī plāno, kad modelis ir nepareizs, ne tikai tad, kad tas ir pareizs, jo uzticēšanās ir atkarīga no kļūmju apstrādes.

Kā mākslīgā intelekta uzņēmumi parasti pelna naudu, un kādiem cenu slazdiem pircējiem vajadzētu pievērst uzmanību?

Izplatītākie modeļi ietver uz lietojumu balstītu cenu noteikšanu (par pieprasījumu/tokenu/uzdevumu), uz vietām balstītas abonēšanas, uz rezultātu balstītas cenu noteikšanas (retāk), uzņēmuma līgumus ar SLA un iegultā vai ierīcē iebūvētā mākslīgā intelekta licencēšanu. Galvenā spriedze ir paredzamība: klienti vēlas stabilus izdevumus, savukārt mākslīgā intelekta izmaksas var mainīties atkarībā no lietojuma un modeļa izvēles. Spēcīgi pārdevēji to risina, novirzot uz lētākiem modeļiem, kešatmiņā saglabājot, pakešveidojot un kontrolējot konteksta lielumu.

Kas padara mākslīgā intelekta uzņēmumu aizstāvamu, ja ikviens var izmantot līdzīgus modeļus?

Bieži vien priekšrocība nav tikai “labāks modelis”. Aizsargājamību var nodrošināt patentēti domēna dati, izplatīšana darbplūsmā, kurā lietotāji jau dzīvo, izmaksu pāreja no integrācijām un ieradumiem, zīmola uzticēšanās augstas likmes jomās un operacionālā izcilība uzticama mākslīgā intelekta nodrošināšanā. Arī cilvēka vadītas sistēmas var pārspēt tīru automatizāciju. Divas komandas var izmantot vienu un to pašu modeli un iegūt ļoti atšķirīgus rezultātus, pamatojoties uz visu apkārtējo.

Kā es varu pamanīt mākslīgā intelekta ļaunprātīgu izmantošanu, izvērtējot pārdevēju vai jaunuzņēmumu?

Pievērsiet uzmanību neskaidriem apgalvojumiem bez skaidrām mākslīgā intelekta iespējām, “demonstrācijas maģijai” bez perspektīviem piemēriem un nespējai izskaidrot novērtēšanu, datu pārvaldību, uzraudzību vai kļūmju režīmus. Pārāk pārliecināti apgalvojumi, piemēram, “gandrīz ideāls”, ir vēl viena brīdinājuma zīme. Zaļie karodziņi ietver caurspīdīgu mērīšanu, skaidrus ierobežojumus, novirzes uzraudzības plānus un precīzi definētus cilvēka veiktus pārskatīšanas vai eskalācijas ceļus. Uzņēmums, kas var teikt “mēs to nedarām”, bieži vien ir uzticamāks nekā tāds, kas sola visu.

Atsauces

  1. ESAO — oecd.ai

  2. ESAO — oecd.org

  3. Nacionālais standartu un tehnoloģiju institūts (NIST) — NIST AI RMF (AI 100-1) — nist.gov

  4. NIST mākslīgā intelekta riska pārvaldības ietvara (AI RMF) rokasgrāmata — pasākums — nist.gov

  5. Google Cloud — MLOps: nepārtrauktas piegādes un automatizācijas cauruļvadi mašīnmācībā — google.com

  6. Google — MLOps praktiķa ceļvedis (baltais dokuments) — google.com

  7. Google Cloud — Kas ir MLOps? — google.com

  8. Datadog — LLM novērtēšanas sistēmas labākā prakse — datadoghq.com

  9. IBM — Modeļa nobīde — ibm.com

  10. OpenAI — Kāpēc valodu modeļi halucinē — openai.com

  11. OpenAI — API cenas — openai.com

  12. OpenAI palīdzības centrs — Kas ir žetoni un kā tos saskaitīt — openai.com

  13. Microsoft — Microsoft 365 Copilot cenas — microsoft.com

  14. MIT Sloan vadības skola — Kāpēc ir pienācis laiks datu centrētam mākslīgajam intelektam — mit.edu

  15. NVIDIA — Kas ir perifērijas mākslīgais intelekts? — nvidia.com

  16. IBM — Edge vs. mākoņa mākslīgais intelekts — ibm.com

  17. Uber — Paceļot latiņu mašīnmācīšanās modeļu izvietošanas drošībā — uber.com

  18. Starptautiskā standartizācijas organizācija (ISO) — ISO/IEC 42001 pārskats — iso.org

  19. arXiv — izguves papildināta ģenerēšana zināšanu ietilpīgiem NLP uzdevumiem (Lewis et al., 2020) — arxiv.org

  20. Oracle — vektoru meklēšana — oracle.com

  21. Mākslīgā intelekta likums (ES) — cilvēka uzraudzība (14. pants) — artificialintelligenceact.eu

  22. Eiropas Komisija — Mākslīgā intelekta tiesiskais regulējums (Mākslīgā intelekta akta pārskats) — europa.eu

  23. YouTube — youtube.com

  24. AI palīgu veikals — Kā darbojas AI mērogošana — aiassistantstore.com

  25. AI palīga veikals — kā izskatās AI kods — aiassistantstore.com

  26. AI palīgu veikals — Kas ir AI algoritms — aiassistantstore.com

  27. AI palīgu veikals — Kas ir AI pirmapstrāde — aiassistantstore.com

Atrodiet jaunāko mākslīgo intelektu oficiālajā mākslīgā intelekta palīgu veikalā

Par mums

Atpakaļ uz emuāru