进入生成的AI繁荣十八个月，有些人可能想知道光泽是否耗尽。4月，Axios称AI为“解决问题的解决方案”。一个月后，美国，英国和德国的Gartner调查发现，尽管生成的解决方案是部署的第一形式，但大约一半的受访者表达了评估AI＆Rsquo的组织价值的困难。同时，据报道，Apple和meta在合规问题上扣留了欧洲的关键AI功能。

　　在监管挂钩和ROI问题之间，人们想知道生成的AI是否可能是技术行业的最新bauble＆ndash;如果可以的话，NFT比Netflix更多。但是问题不是技术。这是心态。我们需要的是另一种方法。

　　并非所有的人工智能都是一样的。我们遇到了潮流问题，因为公司跳上AI火车，尤其是对于生成用例。从业者只会解锁AI＆ndash的真正潜力；包括生成应用＆ndash;当他们优先考虑工程优先的思维方式并培养专业知识以增加领域知识。然后，只有这样，我们才能为混凝土，长期价值构建路线图。

　　你可能喜欢

　　AI的悖论：问题与网络创新的机会

　　为成功采用Genai的基础奠定基础

　　决策者的剧本：整合生成AI以获得最佳结果

　　Jayajyoti Senguptasocial links导航

　　首席销售官Virtusa。

　　并非所有的人工智能都是一样的

　　从广义上讲，Enterprise AI分类为生成和分析应用。由于其不可思议的能力，可以根据用户提示来创建书面内容，计算机代码，逼真的图像，甚至视频，从而引起了所有最近的关注。同时，用于分析的AI已商业化了更长的时间。这是企业用来帮助运行操作，绘制趋势并根据大量数据库来告知决策的AI。

　　当然，分析和生成的AI可以重叠。在给定的堆栈中，您可能会发现各种集成的用法＆ndash;例如，前端的生成解决方案，例如，传统＆rsquo;AI驱动的分析可为答案提供数据可视化。尽管如此，双方基本上还是不同的。分析AI可以帮助您操作。它的反应性。生成的AI可以帮助您创建。它的积极主动。

　　太多的利益相关者掩盖了这种分叉，但这在最重要的价值对话中很重要。AI驱动的分析长期以来证明了他们的投资回报率。它们可以理解我们如何组装数据，并且输出＆ndash;从客户细分到预测维护到供应链优化＆ndash;推动良好的价值。

　　生成的AI？那是一个不同的球。我们看到了许多实验和资本支出，但不一定是相称的。例如，通过使用生成的AI工具编写代码，公司的工程师可能会提高30％的效果，但是如果这不是较短的产品到市场周期或更高的净启动器分数，那么它就难以量化实际值。领导者需要将价值链分解为其模块化组件，并提出难题以将生成用例映射到实际价值。

　　你是专业人士吗？订阅我们的新闻通讯

　　注册techradar Pro新闻通讯，以获取您的业务成功所需的所有首选，意见，功能和指导！取得成功！请与我联系我们的其他未来品牌的新闻，并代表我们值得信赖的合作伙伴或Sponsorsby提交您的信息，您同意您同意的条款和隐私政策，并年龄在16岁或超过16岁之间。

　　潮流问题

　　AI代的ROI问题同样是一个潮流问题，许多利益相关者开始寻找AI解决方案，仅考虑了生成性实现。商业领袖正试图强迫AI＆ndash;尤其是生成解决方案＆ndash;在问题上，他们没有。他们“重新发明了用例，只是为了进入游戏，通常是在董事会的敦促下，因为他们不想被抛在后面。

　　是时候退后一步了。领导者需要记住两件事。

　　首先，将用例分开很重要。这是全部还是部分分析方法最好地提供生成解决方案？通常，组织只需要纯游戏Ai＆ndash;用于欺诈检测或风险管理，例如＆ndash;而不是将其变成最新提示向导的GPT。

　　其次，仅在有意义的地方整合AI同样重要。它应该解决企业可以通过解决价值实现价值的急性问题。否则，它代表没有问题的解决方案。您给了乐团鼓，以进行没有打击乐的安排。

　　为什么领域知识是关键

　　欣赏AI细微差别的潮流怀疑论者可以采用务实的方法，通过采取工程优先的观点来赋予诚实的价值。AI的最大问题，无论是生成的还是分析性的，都缺乏对从业者正在工作的上下文或业务领域的了解。

　　您可以生成一个代码块，但是如果不了解该代码适合的位置，则可以解决任何挑战。考虑一个类比：企业可能会让AI模型进入街道，但工程师知道该社区。该公司需要投入大量资源来培训其最新居民。毕竟，它在那里解决一个急剧问题，而不是只敲门。

　　正确地完成，生成模型可以提供实质性的长期价值。AI可以根据大量要求和上下文生成代码；作为对领域知识的更广泛投资的一部分而建造的护栏；工程师具有调整和调试输出的上下文。它可以提高生产力，成为从业者。工作更容易，如果明确映射到价值链，请驱动可量化的ROI。

　　这就是为什么从一开始就拥有对该领域知识进行投资的学科至关重要的原因。如果领导者需要有用的长期结果，则需要将其建立到任何AI投资计划中。牺牲速度的深度可以驱动斑点解决方案，最终没有帮助，或者只能在短时间内有帮助。那些希望长期以来的AI需要投入努力以从自下而上来建立背景的人。

　　纪律的路线图

　　对于企业领导者，对价值驱动的AI的路线图首先提出正确的问题：我的企业中有什么问题我真的需要AI来解决？纪律严明的从业人员带来了一种工程思维方式，该思维方式从一开始就提出了正确的问题，考虑了更深层的问题并寻求有针对性的解决方案。做对了，分析或生成性AI可以通过删除平凡的，无聊的角色来加速团队的有效性。但是，生成情报必须具有适当的准则和特定于行业的培训，以免从车道上进行实施。

　　这样一来，AI将赢得了荟萃分析的方式。它的原始起点可以从表面用例到实际价值成熟，因为企业投资了资源来建立背景。如果没有，失败的成本已经变得明确。公司将堆积额外的计算，存储和网络成本，只是发现他们尚未提供任何可确定的成本节省或收入收益。

　　但是，对于那些采用工程思维方式和不采取捷径的人来说，这种替代方法确实可以提供。AI的务实方法开始于提出正确的问题并承诺对领域知识进行投资。它以提供可量化的长期价值的目标解决方案结束。

　　我们列出了用于编码的最佳大型语言模型（LLMS）。

　　本文是Techradarpro的专家见解频道的一部分，在该频道中，我们以当今技术行业的最佳和最聪明的头脑为特色。这里表达的观点是作者的观点，不一定是Techradarpro或Future Plc的观点。如果您有兴趣在此处了解更多信息：https：//www.techradar.com/news/submit-your-story-story-totor-to-to-techradar-pro