GenAI 实施中遇到的问题

GenAI 实施问题被 BTW Media 分析，因为公开证据将其与互联网基础设施、治理、运营依赖性及市场可见性联系起来。

根据 Coleman Parkes Research 于 2024 年初进行、并获得数据分析公司 SAS 赞助的一项研究，组织对生成式 AI 提高员工和业务生产力的潜力感到兴奋，但由于缺乏人才和战略规划，它们无法充分发挥其潜力。

4 个关键领域的障碍

在使用数据的同时获得合规性信心。只有 10% 的组织建立了健全的系统来评估 LLM（大语言模型）中的偏见和隐私风险。此外，大多数美国企业面临不合规的风险，其中 93% 缺乏全面的 GenAI 治理框架。

将 GenAI 融入当前的流程和系统。组织承认，将 GenAI 与现有系统集成会带来兼容性问题。

能力与熟练度。内部 GenAI 能力不足。由于缺乏合格的候选人，组织高管担心其人力资源部门可能无法获得最大化 GenAI 投资所需的技能。

估算成本。领导者指出，使用 LLM 会带来高昂的直接和间接成本。模型创建者提供的代币成本估算现在被组织认为是高昂的。然而，准备私有知识、培训和管理 ModelOps 带来的成本漫长而复杂。

2024 年初，Coleman Parkes Research 在数据分析公司 SAS 的资助下，对 300 名美国 GenAI 战略或数据分析决策者进行了调查。调查的目的是确定关键投资领域和组织面临的挑战。

SAS 战略 AI 顾问 Marinela Profi 表示：“组织正在认识到，仅靠大语言模型 (LLM) 并不能解决业务挑战。”

与其被视为能帮助组织实现所有业务愿望的新奇玩具，不如将 GenAI 视为超级自动化和加速当前流程与系统的理想贡献者。在贸然投身并“被锁定”之前，所有组织都应投资于提供 LLM 集成、治理和可解释性的技术，并花必要时间制定渐进式策略。