هوش مصنوعی (AI) در حال تغییر تحقیقات ، توسعه و نوآوری (R&D&I) ، باز کردن امکانات جدید برای پرداختن به برخی از چالش های مهم جهان ، از جمله پایداری ، مراقبت های بهداشتی ، تغییرات آب و هوا و امنیت غذا و انرژی و همچنین کمک به سازمان ها برای نوآوری بهتر و راه اندازی محصولات و خدمات دستیابی به موفقیت.
هوش مصنوعی در R&D & I جدید نیست. با این حال ، ظهور هوش مصنوعی (Genai) و مدل های بزرگ زبان (LLMS) قابلیت های خود را به طور قابل توجهی تقویت کرده و پیشرفت های موفقیت و نوآوری کلی را تسریع می کند.
چگونه سازمانها می توانند از هوش مصنوعی در تلاش های تحقیق و توسعه خود بهره مند شوند و بهترین شیوه های اتخاذ برای موفقیت در موفقیت چیست؟ برای پیدا کردن مؤسسه Arthur D. Little (ADL) Blue Shift یک مطالعه جامع با مصاحبه با بیش از 40 ارائه دهنده ، متخصصان و متخصصان AI و همچنین بررسی بیش از 200 سازمان در بخش های دولتی و خصوصی انجام داد. گزارش حاصل ، یورکا در مورد استروئیدها: تحقیقات ، توسعه و نوآوری محور AI، تجزیه و تحلیل عمیق از چشم انداز فعلی و مسیر آینده هوش مصنوعی در تحقیق و نوآوری ارائه می دهد.
تجزیه و تحلیل ما در پنج حوزه کلیدی متمرکز است:
هوش مصنوعی مزایایی را در R&D و I ارائه می دهد – اما جایگزین انسان نخواهد شد
هر بلوک ساختمانی R&D و I می تواند از هوش مصنوعی ، از فناوری و هوش بازار گرفته تا استراتژی نوآوری ، ایده ، نمونه کارها و مدیریت پروژه و مدیریت IP بهره مند شود. وقتی ما به دنبال درک این مزایا هستیم ، سه عامل اصلی پدیدار می شوند:
- هوش مصنوعی محققان را به جای جایگزینی آنها ، آزاد کردن وقت خود ، تقویت می کند و آنها را قادر می سازد تا تولید و خلاق تر باشند
- هوش مصنوعی به حل مشکلات غیرقابل تحمل کمک می کند که به دلیل سرعت و توانایی فناوری در مقیاس و یادگیری ، باز کردن راه های جدید نوآوری ، پیش از این قابل تلاش نیست.
- هوش مصنوعی یک موقعیت “برنامه ریز” را به عهده می گیرد ، فراتر از تولید محتوا و جستجوی نقش های پیچیده تر مانند تبدیل شدن به یک مدیر دانش ، ژنراتور فرضیه و دستیار تیم های R&D&I خواهد بود.
هنگام تصمیم گیری در مورد استفاده از AI برای حل یک مورد R&D خاص استفاده ، هیچ مدل پتو برای استقرار وجود ندارد. برای درک اینکه کدام رویکرد هوش مصنوعی بهترین نتیجه را به سازمانها می دهد که باید روی دو عامل تمرکز کنند – نوع و میزان داده های موجود (از کمی تا زیاد) و ماهیت سؤال مورد نظر (از باز به خاص). در عین حال ، یک رویکرد هوش مصنوعی واحد ممکن است نتایج بهینه را ارائه ندهد-بیشتر سیستم های هوشمند پیشرفته تولید شده در 15 سال گذشته سیستم های سیستم بوده اند. اینها سیستم ها ، مدل ها یا الگوریتم های مستقل AI هستند که برای کارهای خاص طراحی شده اند ، که در صورت ترکیب ، عملکرد و عملکرد بیشتری را ارائه می دهند.
موفقیت به هشت روش خوب نیاز دارد
براساس مصاحبه با محققان ، دانشمندان هوش مصنوعی ، بنیانگذاران و روسای تحقیق و توسعه در تیم های دیجیتال ، تولید ، بازاریابی و تحقیق و توسعه ، هشت روش خوب را می بینیم که زیربنای استقرار موفقیت آمیز هوش مصنوعی است. سازمان ها باید:
- روشهای چابک را اتخاذ کنید تا تیم ها بتوانند به سرعت در یک محیط هوش مصنوعی در حال تغییر کار کنند
- با تمرکز بر کیفیت داده ها ، همکاری در سراسر سازمان و استفاده از داده های اختصاصی ، پایه های قوی ایجاد کنید
- بین مدل های ساختمان ، خرید و تنظیم دقیق ، یک انتخاب استراتژیک انجام دهید ، با رویکرد دوم که اغلب موثرترین است
- معاملات تحلیلی را در نظر بگیرید تا از پیشرفت در پروژه های اثبات مفهوم اطمینان حاصل کنید ، مانند پیرامون دستیابی به داده ها در مقابل سنتز داده ها ، دقت در مقابل فراخوان ، و در مقابل بیش از حد بیش از حد
- در استفاده از استعدادهای علوم داده موجود ، از جمله مشارکت در خارج از سازمان برای به دست آوردن مهارت های لازم ، فعال باشید
- با آن تراز کنید تا امنیت و انطباق با سرعت آزمایش تعادل برقرار کنید
- مزایا را به سرعت نشان دهید و برای ایجاد اعتماد و باز کردن سرمایه گذاری بیشتر ، خرید کاربر را دریافت کنید
- حفظ و نظارت بر عملکرد سیستم به طور مداوم ، به ویژه در مورد پیشرفت های مدل
3. مؤلفه های فناوری اکنون در دست هستند
مانند اکثر موارد استفاده هوش مصنوعی ، زنجیره ارزش R&D & I شامل سه لایه است – زیرساخت ها ، توسعه دهندگان مدل و برنامه ها.
از نظر زیرساخت ها ، هزینه اجرای و حفظ قدرت محاسبات کافی زیاد است ، اما ارائه دهندگان میزبان به طور فزاینده ای مدل های استنباط به عنوان یک سرویس ، استنباط ها و نمایش داده ها را در ابر ارائه می دهند تا نیاز به زیرساخت های داخلی را برطرف کند ، کاهش می یابد. هزینه های پیش رو و دسترسی به دموکراتیک کردن به هوش مصنوعی.
زنجیره ارزش AI در R&D & I به شدت به مدلهای اصلی منبع باز از بازیکنانی مانند متا ، مایکروسافت و NVIDIA متکی است. با این حال ، بازیکنان کوچکتر ، مانند Mistral و Cohere ، مانند مؤسسات دانشگاهی ، بخش اصلی اکوسیستم را نیز تشکیل می دهند.
در انتهای برنامه زنجیره ، برنامه های عمومی و متخصص R&D در حال حاضر برای دیدار با اکثر موارد استفاده ایجاد شده اند که بیش از 500 نفر در حال حاضر در دسترس هستند و کل فرآیند R&D&I را پوشش می دهند.
آینده نامشخص است – اما برنامه ریزی سناریو به درک کمک می کند
چگونه هوش مصنوعی در R&D & I Evolve بستگی به نتایج سه عامل اصلی – عملکرد ، اعتماد و قیمت مناسب دارد. ترکیب این عوامل منجر به شش سناریوی آینده قابل قبول در طیف بین هوش مصنوعی می شود که هر جنبه ای از R&D&I را به استفاده می کند و فقط در موارد انتخابی و کم مصرف مورد استفاده قرار می گیرد. در مقیاس از حداکثر تا حداقل تأثیر ، این سناریوها عبارتند از:
- بلاکچین: هوش مصنوعی در طول چرخه تحقیق و توسعه ، سازمانهای تغییر شکل در طول مسیر به ذهنش می رسد. داده ها به مرز جدید تبدیل می شوند.
- جمعیت-خوشایند: هوش مصنوعی مناسب ، مقرون به صرفه است و برای کارهای روزانه بهره وری اتخاذ شده است اما از ارائه ارزش علمی/خلاقانه کوتاهی نمی کند.
- جواهرات تاج: هوش مصنوعی بهره وری و پیشرفت های علمی را ارائه می دهد ، اما فقط به سازمان هایی که می توانند آن را تحمل کنند-منجر به دنیای دو سرعته در R&D & I.
- کودک مشکل: علیرغم برخی از موارد استفاده از ویژگی ها و راه حل های مقرون به صرفه ، هوش مصنوعی نتوانسته است ارزش خود را نشان دهد – سازمان های تحقیق و توسعه و I همچنان نگران امنیت داده ها ، دونفولوژی و عدم تفسیر هستند.
- بهترین راز نگهدارنده: عملکرد هوش مصنوعی بهبود می یابد ، اما هزینه های بالا باعث می شود سازمان ها ریسک بیشتری داشته باشند. پذیرش کم اعتماد و نوار قرمز با چند آزمایش جدید جسورانه راه اندازی شده است.
- ارزان و تند و زننده: هوش مصنوعی به طور گسترده ای در موارد استفاده از سهام کم استفاده می شود ، اما فقط به عنوان یک ابزار نمونه سازی یا طوفان مغزی. سیستم های غیرقابل اعتماد کاملاً مورد بررسی قرار می گیرند و خروجی ها تأیید می شوند و سودهای بهره وری را محدود می کنند.
درک این سناریوها برای سازمان های تحقیق و توسعه و I از اهمیت زیادی برخوردار است زیرا آنها راهی را برای تصویب هوش مصنوعی خود ترسیم می کنند.
زمان عمل سازمان های تحقیق و توسعه و I در حال حاضر است
در برخی مواقع ، هوش مصنوعی در حال حاضر بهبود دو رقمی در زمان ، هزینه و کارآیی در فرمولاسیون ، توسعه محصول ، هوش و سایر کارهای تحقیق و توسعه و D&I را فراهم می کند. این بدان معناست که مهم نیست که کدام سناریو بازی می کند ، شش حرکت بدون تنظیم به سازمان های تحقیق و توسعه کمک می کند تا تاب آوری ایجاد کنند و از مزایای هوش مصنوعی استفاده کنند. آنها باید:
- مدیریت و توانمند سازی استعداد ، اطمینان از نیروی کار ، در صورت لزوم اجرای قراردادهای فرعی برای ارائه دهندگان خارجی در میان مدت ، آموزش و تخصص را برای مهار هوش مصنوعی داشته باشد
- کنترل محتوای تولید شده توسط AI ، به روزرسانی فرآیندهای مدیریت ریسک و به اشتراک گذاری روشهای اعتبار سنجی به صورت عمومی برای ایجاد اعتماد
- به اشتراک گذاری و همکاری داده ها ، همکاری با اکوسیستم گسترده تر بخش دولتی و خصوصی برای هدایت موفقیت آمیز AI
- آموزش را برای طولانی مدت ، آموزش وسیع ترین جمعیت ممکن کاربر در هر دو اصول هوش مصنوعی ، مهارت های مورد نیاز و خطرات احتمالی
- تجدید نظر در سازمان و حاکمیت ، حرکت فراتر از آن برای تمرکز سطح ارشد و شکستن سیلوها برای هموار کردن همکاری
- منابع محاسبه متقابل ، همکاری با شرکا یا به اشتراک گذاری منابع داخلی برای تأمین هزینه های مقرون به صرفه نیازهای زیرساختی فعلی و آینده
فراتر از این حرکات بدون تنظیم ، موفقیت ناشی از ایجاد یک سبد متعادل از سرمایه گذاری های R&D مبتنی بر هوش مصنوعی است که با اهداف شرکت هماهنگ است. این به معنای در نظر گرفتن دامنه ، هزینه ها و مزایای موارد خاص استفاده از هوش مصنوعی و استفاده از این برای بهینه سازی نمونه کارها پروژه نوآوری است. تصمیمات باید مبتنی بر اهداف استراتژیک ، توانایی ها و هوش بازار و زمینه ای باشد که سازمانها در آن فعالیت می کنند.
هر مرحله از زنجیره ارزش تحقیق ، توسعه و نوآوری به طور بالقوه می تواند از طریق هوش مصنوعی دگرگون شود و محققان انسانی را برای تغییر بهره وری و فعال کردن نوآوری دستیابی به موفقیت انجام دهد. این فرصت ها باید در برابر طیف وسیعی از چالش های پیرامون عملکرد ، اعتماد و مقرون به صرفه بودن متعادل شوند ، به این معنی که سازمانها باید اکنون متمرکز شوند تا تلاش های تحقیق و توسعه خود را برای دستیابی به موفقیت ، هرچه آینده به ارمغان بیاورد ، موقعیت خود را انجام دهند.
این مقاله با کمک آلبرت میگ ، زو هوچک ، آرنود سیررودین و آرتور دی کوچک نوشته شده است.
