跳转到主要内容

标签(标签)

资源精选(342) Go开发(108) Go语言(103) Go(99) LLM(84) angular(83) 大语言模型(67) 人工智能(56) 前端开发(50) LangChain(43) golang(43) 机器学习(39) Go工程师(38) Go程序员(38) Go开发者(36) React(34) Go基础(29) Python(24) Vue(23) Web开发(20) 深度学习(20) Web技术(19) 精选资源(19) Java(19) ChatGTP(17) Cookie(16) android(16) 前端框架(13) JavaScript(13) Next.js(12) LLMOps(11) 聊天机器人(11) 安卓(11) ChatGPT(10) typescript(10) 资料精选(10) mlops(10) NLP(10) 第三方Cookie(9) Redwoodjs(9) RAG(9) Go语言中级开发(9) 自然语言处理(9) PostgreSQL(9) 区块链(9) 安全(9) 全栈开发(8) OpenAI(8) Linux(8) AI(8) GraphQL(8) iOS(8) 智能体(7) 软件架构(7) Go语言高级开发(7) AWS(7) C++(7) 数据科学(7) whisper(6) Prisma(6) 隐私保护(6) 提示工程(6) JSON(6) DevOps(6) 数据可视化(6) wasm(6) 计算机视觉(6) 算法(6) Rust(6) 微服务(6) 隐私沙盒(5) FedCM(5) 语音识别(5) Angular开发(5) 快速应用开发(5) 生成式AI(5) Agent(5) LLaMA(5) 低代码开发(5) Go测试(5) gorm(5) REST API(5) kafka(5) 推荐系统(5) WebAssembly(5) GameDev(5) CMS(5) CSS(5) machine-learning(5) 机器人(5) 游戏开发(5) Blockchain(5) Web安全(5) nextjs(5) Kotlin(5) 低代码平台(5) 机器学习资源(5) Go资源(5) Nodejs(5) PHP(5) Swift(5) RAG架构(4) devin(4) Blitz(4) javascript框架(4) Redwood(4) GDPR(4) 生成式人工智能(4) Angular16(4) Alpaca(4) 编程语言(4) SAML(4) JWT(4) JSON处理(4) Go并发(4) 移动开发(4) 移动应用(4) security(4) 隐私(4) spring-boot(4) 物联网(4) 网络安全(4) API(4) Ruby(4) 信息安全(4) flutter(4) 专家智能体(3) Chrome(3) CHIPS(3) 3PC(3) SSE(3) 人工智能软件工程师(3) LLM Agent(3) Remix(3) Ubuntu(3) GPT4All(3) 模型评估(3) 软件开发(3) 问答系统(3) 开发工具(3) 最佳实践(3) RxJS(3) SSR(3) Node.js(3) Dolly(3) 移动应用开发(3) 低代码(3) IAM(3) Web框架(3) CORS(3) 基准测试(3) Go语言数据库开发(3) Oauth2(3) 并发(3) 主题(3) Theme(3) earth(3) nginx(3) 软件工程(3) azure(3) keycloak(3) 生产力工具(3) 数据分析(3) gpt3(3) 工作流(3) C(3) jupyter(3) 认证(3) prometheus(3) GAN(3) Spring(3) 逆向工程(3) 应用安全(3) Docker(3) Django(3) R(3) .NET(3) 大数据(3) Hacking(3) 渗透测试(3) C++资源(3) Mac(3) 微信小程序(3) Python资源(3) JHipster(3) JDK(2) SQL(2) Apache(2) Hashicorp Vault(2) Spring Cloud Vault(2) Go语言Web开发(2) Go测试工程师(2) WebSocket(2) 容器化(2) AES(2) 加密(2) 输入验证(2) ORM(2) Fiber(2) Postgres(2) Gorilla Mux(2) Go数据库开发(2) 模块(2) 泛型(2) 指针(2) HTTP(2) PostgreSQL开发(2) Vault(2) K8s(2) Spring boot(2) R语言(2) 深度学习资源(2) 半监督学习(2) semi-supervised-learning(2) architecture(2) 普罗米修斯(2) 嵌入模型(2) productivity(2) 编码(2) Qt(2) 前端(2) Rust语言(2) NeRF(2) 神经辐射场(2) 元宇宙(2) CPP(2) spark(2) 流处理(2) Ionic(2) 人体姿势估计(2) human-pose-estimation(2) 视频处理(2) deep-learning(2) kotlin语言(2) kotlin开发(2) burp(2) Chatbot(2) npm(2) quantum(2) OCR(2) 游戏(2) game(2) 内容管理系统(2) MySQL(2) python-books(2) pentest(2) opengl(2) IDE(2) 漏洞赏金(2) Web(2) 知识图谱(2) PyTorch(2) 数据库(2) reverse-engineering(2) 数据工程(2) swift开发(2) rest(2) robotics(2) ios-animation(2) 知识蒸馏(2) 安卓开发(2) nestjs(2) solidity(2) 爬虫(2) 面试(2) 容器(2) C++精选(2) 人工智能资源(2) Machine Learning(2) 备忘单(2) 编程书籍(2) angular资源(2) 速查表(2) cheatsheets(2) SecOps(2) mlops资源(2) R资源(2) DDD(2) 架构设计模式(2) 量化(2) Hacking资源(2) 强化学习(2) flask(2) 设计(2) 性能(2) Sysadmin(2) 系统管理员(2) Java资源(2) 机器学习精选(2) android资源(2) android-UI(2) Mac资源(2) iOS资源(2) Vue资源(2) flutter资源(2) JavaScript精选(2) JavaScript资源(2) Rust开发(2) deeplearning(2) RAD(2)

category

新的GenAI基础模型每两天半发布一次,但几乎一半的CIO表示,AI未能达到预期的投资回报率(ROI)。

通过确定组织的AI进展速度并采取正确的下一步行动来应对这一矛盾
 

扩展人工智能需要对组织进行盘点


人工智能已经取得了长足的进步,每两天半就会发布一次新的GenAI基础模型。尽管创新速度很快,但近一半的首席信息官表示,人工智能没有达到投资回报率的预期。这种二分法给组织带来了一个独特的挑战:在人工智能的炒作和潜力与实现切实成果的现实之间取得平衡。74%的首席执行官认为人工智能将在2024年对其行业产生重大影响,高于2023年的59%,这一事实突显了这种紧迫性。不用说,理解和实施人工智能战略比以往任何时候都更加重要。
本文来源于Gartner IT Symposium/Xpo 2024的主题演讲,强调了人工智能领域的双重性质。随着人工智能技术的快速发展,对扩展人工智能感兴趣的组织必须根据自己的速度和野心决定是采用人工智能稳定还是人工智能加速的方法。

为了扩大AI规模并推动AI的采用,首先要明确你的AI目标。


尽管你的组织可能只是在进行其中的第二场比赛,但了解这两者都非常重要。

技术供应商竞赛:这场比赛由技术供应商的不懈创新驱动,新的AI模型几乎每几天就会发布一次。

AI成果竞赛:这场比赛是关于在组织内安全地、规模化地交付AI成果。这里的重点是从AI投资中实现真正的商业价值。

为AI采用之旅设定节奏
假设你正在进行AI成果竞赛,首先要确定你的组织是否属于“AI稳定”或“AI加速”类别。

AI稳定节奏

对于那些AI目标较为适中,或还没有被AI深刻影响的行业,AI稳定节奏是合适的。这种方式允许更加谨慎地采用AI技术。

  • 关注员工生产力:通过AI提高生产力可能会具有挑战性,员工必须有效地将AI工具融入到他们的日常工作流程中。
  • 了解AI成本:AI投资可能会迅速增加,很容易超支。组织必须了解AI费用,并密切监控成本,就像管理云计算费用一样。
  • 构建技术“三明治”:技术三明治方法适应了两层结构:底层由IT通常管理的集中式数据和AI,顶部是来自各方的数据和AI(如业务部门、企业软件供应商、数据科学和工程团队等)。
  • 加强治理与信任:建立一个负责任的AI团队、中央委员会和一些实践社区,以确保AI治理和安全。这些机制对有效管理AI项目至关重要。
  • 调整变革管理:注意并包括应对员工对AI反应的各种策略。

AI加速节奏

对于那些有雄心壮志的AI目标或受到AI转型影响的行业,AI加速节奏是必要的。这种方式要求更积极地采用AI技术。

  • 超越生产力:寻求诸如流程改善、商业模式创新和新收入来源等好处。
  • 实施实时成本监控:利用实时监控来有效管理AI开支。对于在没有意外成本的情况下扩大AI项目来说,这一点至关重要。
  • 构建定制化技术三明治:设计一个定制的技术三明治,适应来自不同来源的AI和数据。这包括内部开发AI、利用嵌入式AI并管理去中心化数据。
  • 使用TRiSM技术:信任、风险与安全管理(TRiSM)技术对于确保安全地扩展AI至关重要。这些技术可以在程序化和实时的基础上执行AI政策,超越人工治理的能力。
  • 考虑对员工的行为影响:这包括管理嫉妒和焦虑等情绪,并确保员工能够适应AI驱动的变化。

扩展AI以实现AI成果

无论采用哪种节奏,达成AI成果都涉及关注三个关键领域:

  1. 业务成果:AI应当为业务带来切实的好处,例如提高生产力、改善流程和创新商业模式。
  2. 技术成果:通过有效管理结构化和非结构化数据,为AI做好技术环境准备。确保正确设置数据访问权限,以避免安全问题。
  3. 行为成果:处理AI对员工情感和行为的影响。让员工参与AI之旅,管理他们的体验,以确保AI的成功采用。
文章链接