Företags AI bör lösa problem, inte jaga hajp

Företag bör välja AI-verktyg utifrån konkreta behov i stället för att införa kraftfullare modeller eller agenter bara för att de finns tillgängliga, skriver TechRadar-medarbetaren Alberto Ocampo. Artikeln hävdar att framgång handlar om att lösa verkliga affärsproblem och motivera kostnaden och komplexiteten.

Traditionell maskininlärning har länge använts för rekommendationer, prognoser, bedrägeridetektion och uppskattningar som kundens livstidsvärde. För enkla prognoser kan mer avancerade modeller kosta mer och tillföra onödig variation. För processer som följer kända regler och kräver konsekventa resultat kan traditionell automatisering vara tillförlitlig, snabb och billig.

Ocampo skriver att generativ AI är användbar för uppgifter som kräver kreativitet eller tolkning, till exempel att förstå språk eller bilder. Agenter kan använda den förståelsen för att interagera med system och vidta åtgärder. Han räknar med att företag kommer att kombinera traditionell automatisering, traditionell maskininlärning, generativ AI och agenter i stället för att använda en enda metod till allt.

Övergången från experiment till produktion medför driftskostnader, säkerhetsfrågor, övervakning och utmaningar med att kontrollera autonoma system. Ocampo jämför utvecklingen av agenter med att beskära ett träd: oväntade beteenden kan uppstå i verklig användning, vilket gör utvärdering och skyddsåtgärder viktiga. Han säger att kontrollen bör omfatta systemets beteende, dataåtkomst, tillåtna åtgärder, information som sparas och möjligheter till mänskliga ingripanden.

Han hävdar också att AI kommer att förändra ingenjörsarbetet utan att göra ingenjörer överflödiga. Erfarna medarbetare kan arbeta snabbare och juniora ingenjörer kan bli produktiva tidigare, men organisationer behöver fortfarande personer med djup teknisk kunskap för att bygga, kontrollera och reparera systemen.