Παρόλο που η τεχνητή νοημοσύνη είναι μαζί μας την τελευταία δεκαετία με τη μορφή της Diagnostic ή Predictive τεχνητής νοημοσύνης, η διάθεση του ChatGPT από την OpenAI έφερε την τεχνητή νοημοσύνη στην κορυφή του hype cycle όπου και παραμένει.

Αυτός ο εκδημοκρατισμός της χρήσης έφερε παγκόσμιο ενθουσιασμό αλλά και προβληματισμό, υπεραπλουστεύοντας τις συζητήσεις, που κινούνται μεταξύ παγκόσμιας ευδαιμονίας και σεναρίων Αποκάλυψης. Σχεδόν όλες οι συζητήσεις μονοπωλούνται από το στοιχείο της Τεχνητής Νοημοσύνης και πολλοί συνωστίζονται στο να παρουσιάσουν τις προόδους που έχουν κάνει στην περιοχή του GenAI, συχνά οδηγούμενοι από τον φόβο του Fear Of Missing Out (FOMO) και χωρίς να υπάρχει στην πλειονότητα των περιπτώσεων πραγματική προστιθέμενη αξία.

Για να μη μπει, λοιπόν, το κάρο πριν από άλογο, ένας οργανισμός που θέλει να επενδύσει στη τεχνητή νοημοσύνη θα πρέπει να βάλει στη σειρά τα ακόλουθα θεμελιώδη μεγέθη.

Governance: Θα πρέπει να είναι καθαρό ποιοι είναι υπεύθυνοι για την εκπόνηση της στρατηγικής, την ανάπτυξη και την παρακολούθηση των δράσεων τεχνητής νοημοσύνης και τον τρόπο μέτρησης των αποτελεσμάτων της υιοθέτησης της. Κάθε δράση θα πρέπει να έχει σημαντικό αντίκτυπο ή στο κόστος, ή στην παραγωγικότητα ή στην εμπειρία του χρήστη. Αλλά ταυτόχρονα κάθε δράση πρέπει να είναι επαρκώς κοστολογημένη, γιατί τα budgets μπορούν να εκτοξευθούν εκθετικά.

Ταλέντο: Ο εκδημοκρατισμός της χρήσης της GenAI έχει δημιουργήσει σε πολλές περιπτώσεις στρεβλές εντυπώσεις για την υποκείμενη πολυπλοκότητα που στηρίζει και εκτελεί όλο το οικοδόμημα της τεχνητής νοημοσύνης. Η πραγματικότητα είναι ότι χρειάζονται αρκετά και ιδιαιτέρως εξειδικευμένα στελέχη (LLM experts, data scientists, cloud engineers κλπ.), τα οποία είναι δυσεύρετα όχι μόνο στην Ελλάδα αλλά και σε διεθνές επίπεδο. Ο αγώνας κάθε επιχείρησης εστιάζεται στη δημιουργία μιας κρίσιμης μάζας δεξιοτήτων.

Ποιότητα δεδομένων: Δεν υπάρχει μοντέλο τεχνητής νοημοσύνης που να μην στηρίζεται σε μια δεξαμενή, ορθών, καθαρών και εξειδικευμένων ανάλογα με την περίπτωση δεδομένων. Έχοντας υπόψη ότι η τροφοδοσία αυτής της δεξαμενής δεν είναι καθόλου εύκολη περίπτωση, αφού οι μεγάλοι οργανισμοί αντιμετωπίζουν σημαντικές προκλήσεις σε επίπεδο data quality, πρέπει να γίνει κατανοητό ότι απαιτείται συνεχής προσπάθεια, έτσι ώστε τα μοντέλα να δίνουν συνεπείς και συναφείς απαντήσεις με όσο το δυνατό λιγότερα λάθη, (hallucinations)