大型企业看好生成式AI的潜力，但在部署生成式AI方面依然缺乏多项资源支撑

　　近日，来自开源人工智能解决方案公司ClearML与AIIA合作进行了一项研究，该研究分析了财富1000强公司目前采用生成式人工智能的情况。

　　这项名为“Enterprise Generative AI Adoption: C-Level Key Considerations, Challenges, and Strategies for Unleashing AI at Scale”（企业级生成式人工智能采用：大规模释放人工智能的来自企业管理层的关键考虑因素、挑战和战略）研究展示了企业C-Level级高管在其组织内利用人工智能潜力所面临的经济影响和重大挑战。

　　根据这项研究，59%的企业高管缺乏必要的资源来满足企业领导层对生成式人工智能创新的期望。预算限制和有限的资源成为企业成功采用人工智能的关键障碍，阻碍了有形价值的创造。

　　该研究还发现，66%的受访者无法充分衡量其人工智能/机器学习项目的影响和投资回报率。这凸显了大型企业中在人工智能、机器学习和工程团队面临着资金不足、人员不足和管理不足等问题以及在有效量化实施结果方面的严重无能。

　　ClearML联合创始人兼首席执行官Moses Guttman向海外媒体表示，虽然大多数受访者表示他们需要扩展人工智能，但他们也表示缺乏预算、资源、人才、时间和技术来做到这一点。考虑到人工智能在收入、新产品创意和功能优化方面的力量倍增效应，我们认为现在需要对公司进行关键的资源分配并将这些资源投资于人工智能，以有效地改变他们自己的组织。

　　该研究还强调了人工智能和机器学习投资带来的收入预期飙升。超过一半的受访者（57%）表示，他们的董事会预计下一财年这些投资的收入将实现两位数的增长，而37%的受访者预计将实现个位数的增长。

　　ClearML的这项研究收集了1000名C-Level企业高管的反馈，包括首席数据官、首席信息官、首席数据官、人工智能和数字化转型副总裁以及首席技术官。根据ClearML公司的说法，这些高管在财富1000强和大型企业中在带头进行生成式人工智能的转型。

目前企业中生成式人工智能的应用现状

　　根据这项研究，大多数受访者认为，释放人工智能和机器学习用例来创造商业价值至关重要。81%的受访者将其列为首要任务或三大优先事项之一。

　　此外，78%的企业计划在2023财年采用xGPT、大语言模型、生成式人工智能作为其人工智能转型计划的一部分，另有9%的企业计划在2024年开始采用，总的比例达到了87%。

　　绝大多数（88%）的受访者表示，他们的组织计划实施针对跨企业业务部门采用和使用生成式人工智能的政策。

　　然而，尽管生成式人工智能和机器学习的采用是企业的关键收入和创造力引擎，但59%的C-Level企业负责人缺乏足够的资源来实现公司领导层对人工智能创新的期望。

　　具体来说，人员、流程和技术都是财富1000强公司和大型企业高管在构建、执行和管理人工智能和机器学习流程时发现的关键痛点：

• 42%的受访者表示，企业迫切需要人才，尤其是专业的人工智能和机器学习人才；
• 28%的受访者认为技术是主要障碍，这表明缺乏统一的软件平台来管理组织的人工智能/机器学习流程的各个方面；
• 22%的受访者认为时间是主要挑战，他们将过多的时间花在数据收集、数据准备和流程建设上；

　　此外，88%的受访者表示，他们的组织在寻求跨部门的单一人工智能/机器学习平台标准化，而不是为不同的团队使用不同的解决方案。

　　Moses Guttman表示，企业决策者今年准备增加对生成式人工智能和机器学习的投资，但根据我们的调查结果，他们正在寻求一个集中式的端到端平台，而不是将资金分散在多点解决方案上。随着人们对实现人工智能和机器学习投资的商业价值越来越感兴趣，我们预计对提高可见性、无缝集成和低代码的需求将推动生成式人工智能的采用。

阻碍生成人工智能采用的主要挑战

　　该研究显示，54%企业的首席信息官、首席执行官、首席信息官、人工智能主管和首席技术官认为，他们未能管理人工智能/机器学习应用程序，导致了企业的损失。

　　当被问及在组织和业务部门采用生成式人工智能/大语言模型/xGPT解决方案的主要挑战和障碍时，受访者确定了五大方面的挑战：

• 64%的受访者表达了对定制化和灵活性的担忧，尤其是使用其最新内部数据定制模型的能力；
• 63%的受访者将数据保存（data preservation）列为首要任务，专注于生成人工智能模型和保护公司内部知识，以在保护企业知识产权的同时保持竞争优势；
• 60%的受访者强调治理是一项重大挑战，强调了限制访问和管理组织内敏感数据的重要性；
• 56%的受访者表示，考虑到企业依赖公共API访问生成式人工智能模型和xGPT解决方案，这会使他们面临潜在的数据泄露和隐私问题，安全性和合规性是最重要的；
• 53%的受访者认为性能和成本是最大的挑战之一，主要与固定的GPT性能和相关成本有关；

　　根据Moses Guttman的说法，在此次研究中发现的缺乏可见性、可测量性和可预测性是成功采用新技术的一个重要障碍。上述所有这些因素都是最后取得成功的关键。

　　他表示，企业客户应该努力获得开箱即用的大语言模型性能，在他们组织的内部部署上安全地训练内部业务数据，从而降低云成本并提高投资回报率。

Powered by Froala Editor