Paikallisesti käytettävä generatiivinen tekoäly kasvattaa suosiotaan

”Paikallisesti käytettävästä generatiivisesta tekoälystä on yhtäkkiä tullut iso juttu”, Marcus Schneider, Fujitsun Deputy Head of Global Portfolio Management sanoo. Organisaatiot hyödyntävät mielellään nykyaikaisia tekoälyratkaisuja mutta ovat huolissaan julkisiin pilvipalveluihin liittyvistä riskeistä.

Yritysjohtajat ymmärsivät nopeasti ChatGPT:n julkaisun jälkeen, että generatiivinen tekoäly vaikuttaa suuresti heidän organisaatioidensa tulevaisuuteen. Jos tekoälyltä osaa kysyä oikeat kysymykset, niin se voi johdattaa uuden äärelle. Tietenkin tekoälyä voi hyödyntää myös oikeiden kysymysten löytämisessä.

Pian ChatGPT:n julkaisun jälkeen kävi selväksi myös se, että suuriin kielimalleihin (LLM) perustuvien tekoälysovellusten, kuten ChatGPT:n, Bingin, Clauden ja Bardin, käyttö julkisilla pilvialustoilla sisältää riskejä.

Tekoälysovellusten käyttö julkisessa pilvessä on suosittua monipuolisten ominaisuuksien ja innovaation nopeuden ansiosta. Silti organisaatiot ovat syystäkin huolissaan sovellusten tarkkuudesta, puolueellisuudesta, immateriaalioikeuksien vuotamisesta, tietosuojasta, uusista säännöksistä ja vaatimustenmukaisuudesta sekä tuntemattomista oikeudellisista riskeistä ja kasvavista kustannuksista. Ne kaikki ovat omiaan rajaamaan julkisen pilven käyttöä yrityksissä.

Huolenaiheiden luettelo on pitkä, joten se on omiaan syventämään tekoälyyn kohdistuvaa epäluottamusta entisestään.

Epäluottamuksen seurauksena monet yritykset tutkivat parhaillaan tai ovat jo ottamassa käyttöön paikallisesti käytettävää eli generatiivista on-premises-tekoälyä. Tuoreen selvityksen mukaan noin puolet käyttäjistä aikoo hyödyntää generatiivista tekoälyä julkisessa pilvessä ja puolet on paikallisissa ympäristöissä.

Trendi on vahva. Fujitsussa tartuimme siihen yhdessä asiakkaidemme ja kumppaneidemme kanssa hyvissä ajoin. Yhteistyömme tuloksena syntyi paikallisesti käytettävä generatiivinen tekoälyratkaisu, joka on nyt saatavilla Fujitsun AI Test Drivessa eli testiympäristössä, jossa eri kokoiset ja eri toimialoja edustavat eurooppalaiset yritykset testaavat parhaillaan konseptejaan.

Ongelman juurisyy

Suuret kielimallit (LLM) perustuvat massiivisiin mutta rajallisiin koulutustietoihin. Se lisää tarkkuuteen liittyviä riskejä, esimerkiksi yleistämisestä spesifisyyden sijaan, todentamisen puutteesta ja luotettavien lähteiden puuttumisesta. Toinen huolenaihe on ennakkoluulojen ylläpito tai jopa niiden vahvistaminen. Koulutustietojen sisältämät ennakkoasenteet voivat siirtyä mallin luomaan sisältöön.

Julkisen generatiivisen tekoälyn käyttö on riskialtista, mutta myös julkiset pilvialustat voivat aiheuttaa turvallisuusriskejä, kuten tietosuojaloukkauksia, tietovuotoja ja operatiivisia riskejä.

Paikallinen tekoäly on täsmällisempää

Tekoälymallin tuominen organisaation omaan ympäristöön kannattaa, sillä se helpottaa turvallisuuden, yksityisyyden ja toipumissuunnitelman yksityiskohtaista määrittämistä. Ja kun yrityksen tiedossa on mallin sisältö, myös ennakkoluuloisen, väärän tai vanhentuneen tiedon riski pienenee.

Organisaatioiden kannattaa mukauttaa tekoälymallejaan tiettyihin käyttötapauksiin ja varmistaa, että tekoäly on koulutettu korkealaatuisella, monipuolisella ja kattavalla tiedolla. Mallin tarkkuutta voi parantaa jatkuvilla päivityksillä, luotettavilla lähteillä ja käyttäjiä kouluttamalla.

Organisaation omassa ympäristössä olevaa tekoälymallia voi kouluttaa kohdennetuilla tietolähteillä tai vaikkapa tietopooleilla, jotka eivät ole julkisen tekoälyn ulottuvilla –esimerkkinä Teamsissä tai yrityksen intra- tai ekstranetissä olevat tiedot. Tuotteita ja palveluja koskevaa tietoa voidaan poistaa tai päivittää. Yritykset voivat jopa luoda malleja, jotka on rajattu tiettyjen liiketoimintayksiköiden tai osastojen tarpeisiin. Esimerkiksi yrityksen lakitiimit saattavat hyötyä tekoälyn antamista neuvoista tilanteissa, joissa sääntely menee markkinointitoimenpiteiden edelle.

Käytännössä käyttäjien on mahdollista esittää kysymyksiä, kuten: "Viimeisimmän myyntiesityksemme ja markkinointistrategiaamme perusteella, minkälaisia viestejä meidän tulisi lähettää kymmenelle suurimmalle asiakkaallemme nopeimmin kasvavissa segementeissä tämän vuoden toisella kvartaalilla?"

Yksityinen ja suojattu tekoäly tarjoaa joustavuutta ja läpinäkyvyyttä, jota pilvipohjaisista vaihtoehdoista ei välttämättä löydy.  

Kestävämpi lähestymistapa

Lähitulevaisuudessa keskustelunaiheeksi nousee varmasti myös tekoälyn ympäristövaikutukset. Tekoälyä tukevien parametrien valtava kasvu aiheuttaa energia- ja jäähdytyskustannuksia, jotka saattavat osoittautua kestämättömiksi.

Useimmat tekoälyn käyttötapaukset eivät kuitenkaan vaadi massiivisia malleja. On-premises-hallinnointi mahdollistaa mallin koon, suorituskyvyn ja kustannusten mitoittamisen organisaation tarpeiden mukaan. Huolellisesti räätälöityjä paikallisia ratkaisuja voidaan muokata tarpeiden mukaan toisin kuin monoliittisia, one-size-fits-all-pilviratkaisuja.

Siinä missä generatiivisen tekoälyn energia- ja jäähdytystarpeet aiheuttavat huolta, paikalliset ratkaisut tarjoavat kestävämmän vaihtoehdon.

Alkuun pääsee entistä helpompaa

Kaikki paikalliset tekoälyn hyvät puolet huomioon ottaen ei ole ihme, että se herättää niin paljon kiinnostusta.

Kaiken lisäksi kyytiin pääseminen on entistä helpompaa. Fujitsu tarjoaa referenssiarkkitehtuureja infrastruktuurin konfiguroinnin ja koon optimoimiseksi. Teemme myös toteutuksia yhteistyössä kumppaneidemme kanssa.

Fujitsun DX-innovaatioalustan testiympäristö tarjoaa huippuluokan infrastruktuurin ja konsultointitukea, joka auttaa monimutkaisten ​​vaatimusten ymmärtämisessä, liiketoimintaasi tukevien käyttötapausten tiedon validoimisessa ja arvioimisessa ja oikean infrastruktuurin valitsemisessa. Voit samalla testata myös Fujitsun yksityistä GPT-ratkaisua.

Juttu englanniksi: A raft of risks is pointing customers toward on-premises generative AI