Раньше инвестиции в технологии обесценивались примерно за 10 лет. Для сегодняшних решений ИИ это скорее год или два.
Поскольку организации спешат в полной мере воспользоваться преимуществами технологии искусственного интеллекта , многие из них поддаются соблазну создавать специальные приложения для удовлетворения уникальных бизнес-требований и в процессе создавать свой собственный «секретный соус».
Для крупных компаний с хорошими ИТ-бюджетами и первоклассными кадрами это не кажется чем-то из ряда вон выходящим. Но присутствуют существенные риски, некоторые из которых уникальны для области ИИ.
Как и в случае с большинством ИТ-проектов, создание приложений ИИ сложнее, чем может показаться на первый взгляд. Однако в этом случае некоторые из самых больших рисков не будут очевидны до довольно позднего этапа процесса, когда компания уже вложит значительные средства в масштабную и дорогую инициативу ИИ. Даже для крупных, хорошо финансируемых организаций покупка решений ИИ, как правило, является гораздо лучшим вариантом, чем их разработка собственными силами.
Вот почему.
Недостаточные данные
Первым существенным препятствием для создания эффективных моделей ИИ внутри компании является отсутствие достаточных данных. Это касается даже большинства крупных, устоявшихся организаций.
Например, страховая компания из первой десятки может обладать большим объемом информации по определенным типам претензий или судебных разбирательств, но при этом у нее может отсутствовать информация по определенным категориям травм или по определенным географическим регионам.
Модели ИИ нуждаются в таком уровне детализации для правильного обучения. У большинства компаний просто нет достаточного количества данных для разработки моделей, которые могут дать значимые результаты.
Более того, поддержание точных моделей требует постоянного обновления данных. Подумайте, как социальная инфляция повлияла на вердикты по всем Соединенным Штатам. Завышенные иски являются широко распространенной проблемой, но присяжные в некоторых областях с большей вероятностью присуждают непомерные суммы денег. Модели машинного обучения не могут делать точные выводы с разрозненными или устаревшими данными. Если ваши данные и фрагментированы, и устарели, ваши результаты будут еще больше искажены.
Покупка сторонних данных — это вариант, но он невероятно дорогой. Сами данные стоят очень дорого; затем требуется небольшая армия людей, чтобы очистить, гармонизировать и обновить эти данные. Общие затраты при использовании этого подхода значительно превысят затраты на всеобъемлющую коммерческую платформу ИИ.
Создание решений ИИ с нуля требует больших ресурсов и значительных финансовых затрат. Первоначальные инвестиции в сочетании с расходами на поддержание, обновление и защиту моделей обычно делают внутренний подход непомерно дорогим.
Масштабируемость, предвзятость и безопасность
Когда речь заходит об ИИ, есть еще несколько факторов, которые часто упускаются из виду: масштабируемость, защита моделей ИИ от предвзятости и защита данных.
ИИ чрезвычайно интенсивен в вычислительном плане. Хотя облачные вычисления предлагают существенные преимущества в этом отношении, все еще существует широкая тенденция недооценивать проблемы эффективного масштабирования моделей ИИ.
Обеспечение того, чтобы модели оставались свободными от предвзятости, также является сложной и постоянной задачей. Правовая и нормативная среда, регулирующая предвзятость в ИИ, все еще развивается, но эта тема, несомненно, будет привлекать больше внимания по мере появления реальных примеров. Мы уже видели несколько примеров в заголовках, включая дело о гендерной предвзятости, в котором Apple и Goldman Sachs были обоснованно обвинены в предоставлении женщинам более низких кредитных лимитов из-за ошибочного подхода к ИИ.
Наконец, компании должны защищать данные, которые они используют для управления своими моделями ИИ. Это включает в себя тщательную проверку и постоянный мониторинг любых сторонних поставщиков, которые предоставляют компоненты для вашего собственного решения ИИ. Это означает постоянные расходы, а также новые риски для любой организации, которая решит сделать это самостоятельно. Устоявшиеся поставщики услуг ИИ оснащены для более эффективного управления безопасностью, масштабируемостью и предвзятостью.
Траектория экспоненциального роста ИИ
Это подводит нас к третьей категории проблем для компаний, которые выбирают подход DIY к ИИ. К тому времени, как они реализуют свой проект, он уже устареет.
Технология ИИ развивается беспрецедентными темпами. Достижения в области больших языковых моделей (LLM) и других технологий ИИ происходят так быстро, что создание внутреннего решения фактически отстает от кривой инноваций. В прошлом технологические инвестиции имели период амортизации около 10 лет. Для сегодняшних решений ИИ этот срок сократился до одного или двух лет.
Такой быстрый темп инноваций делает практически невозможным для компаний поддерживать передовые модели ИИ внутри компании. Возобновление этих первоначальных инвестиций каждые два года является непомерно затратным, чрезвычайно разрушительным и вносит постоянный проектный риск в компонент ИТ, который вскоре станет критически важным для поддержания конкурентного паритета.
Эволюция рынка: поставщики услуг ИИ
Даже сами компании ИИ не строят все с нуля. Они используют технологии с открытым исходным кодом и вспомогательные базы данных, чтобы оставаться впереди. Для страховых компаний и других предприятий партнерство с поставщиками услуг ИИ, имеющими доступ к обширным наборам данных и передовым технологиям, гарантирует лучшие результаты.
Ищите поставщика, который имеет в 10 раз или больше доступа к данным, чем тот, который вы в настоящее время поддерживаете внутри. Если компания ИИ относительно новая и не очень хорошо зарекомендовала себя на рынке, вполне вероятно, что ее наборы данных не будут соответствовать требованиям. Это не обязательно будет очевидно с самого начала, но это имеет значительные последствия для общей эффективности вашей инициативы ИИ.
Как быстро вам это нужно?
ИИ уже здесь, и для большинства организаций есть ощущение срочности двигаться вперед. Сегодня ИИ дает возможность опередить конкурентов, внедряя более совершенные технологии, но это окно возможностей в конечном итоге закроется. Для страховщиков ИИ обеспечивает более точную оценку рисков и более эффективное управление претензиями.
Вы хотите этого сегодня или это может подождать два года?
Что касается конкурентоспособности, решение «создать или купить» имеет существенные последствия, особенно в течение следующих трех-пяти лет. Компании, которые решают подождать или которым требуется от 12 до 24 месяцев для создания собственного решения, обязательно отложат эти преимущества.
Спор о том, что лучше построить или купить, не нов, но когда дело доходит до ИИ, расчеты изменились. Уникальные характеристики ИИ делают это принципиально иным решением. Потребность в комплексных наборах данных, риски, связанные с предвзятостью и безопасностью данных, а также молниеносный темп инноваций делают разработку решений ИИ внутри компании сложной и часто непрактичной задачей. Работа с устоявшимися поставщиками услуг ИИ, как правило, является превосходным выбором. Партнерство не только обеспечивает доступ к передовым технологиям и обширным наборам данных, но и предоставляет масштабируемые, безопасные и непредвзятые решения.
Автор: Чад Лэнгфорд, вице-президент по науке о данных в CLARA Analytics
Перевод с англ. подготовлен порталом Allinsurance.kz