生成式人工智能：将概念验证实现生产 云企业战略博客

生成式AI：将概念验证推向生产

关键要点

当面临像生成式AI这样的颠覆性技术时，实验是了解其潜力和应用的一个好方法。我们在AWS观察到很多企业确实在进行相关尝试，使得它们变得更为成熟，并能够提出更为明智的问题，以了解技术的未来和它们可能带来的影响。然而，我们也看到许多企业仍然停留在概念验证阶段，尽管它们的概念验证似乎是成功的，却始终没有迈向生产应用。

这可能是因为企业感受到风险。媒体上充斥着关于AI幻觉、有毒言论、偏见和不准确性的报道，部署新技术往往伴随着风险；领导者必须将这些风险管理到一个可接受的水平。即使是雇佣和部署一个人也会有类似的风险他们可能同样展示出偏见或提供不准确的信息。对于企业而言，部署生成式AI应用程序也不过是一个将风险降低至收益超过的新能力的过程。现在已经有方法来管理AI风险，未来肯定会有更多。

有些领导者也担心未来的成本，即当其生成式AI应用程序被大规模使用时的费用。但是概念验证的目标之一应该是对可能的成本进行评估。随着基础模型的发展、供应商竞争加剧以及企业获得不同价格/性能特征模型的选择，这些成本可能会逐渐降低。

但我在想，这是否真正是风险的问题。或许真正的问题在于，许多企业并没有真正致力于将概念验证应用程序推向生产。无论我们多么纠结于术语例如实验、概念验证、试点等，重要的是，其目的是降低风险并了解企业打算部署的应用。企业通常会确定业务目标，计划利用技术实现目标，注意其中的风险或挑战，然后设计概念验证以减轻风险和挑战，然后再做出全面投资的决策。成功的界定非常明确：降低你所恐惧的风险、了解实施将涉及什么，或者完成概念验证所希望达成的其他目标。概念验证是朝着满足有价值的商业目标部署技术的一步。确实，如果概念验证显示出不可实现或风险过高，部署可能会被取消。但这一过程始于使用该技术的意图，因为这个商业目标被认为是值得解决的。

与当前的许多生成式AI实验相对比。一家企业确定了100个潜在的用例，尝试使用基础模型来探讨其如何满足每一个用例。这种方式在初始阶段对于学习技术和激发创意是相当好的。企业应该进行实验，但这并不总是通向生产的最佳路径。

首先，这种方法仅测试基础模型的当前状态及其提示和集成。它并未测试商业案例。其次，没有明确的成功界定；由于企业没有以部署为目的进行开始，也没有明确需要减轻的特定风险，因此概念验证的结果只能是：“太有趣了！”第三，概念验证并没有系统性地减轻在部署时可能引发的关注的风险。最后，获取资源的基础并未到位：后期必须制定商业案例来获取资源。最好的情况下，原型表明了一项应用能够在某个用例中做出相关的事情；但这远远不够证明商业案例的合理性。

现在，随着我们都有机会玩转生成式AI并进行实验以获取更多的了解，是时候将重点放在获取其价值上。与我们过去部署的其他技术类似，这关乎于找到可以借助生成式AI实现的重要商业目标，概述商业案例，管理风险，确保资源到位，然后进入生产。这并不是单纯地实验用例，而是设计解决一个重要商业问题的方案，并朝着解决该问题前进。这种思维模式自然会引导你走向生产。

在这个过程中，您将会意识到，生产级的生成式AI应用需要具备生产级的安全性、隐私保护、合规性、敏捷性、成本管理、运维支持和韧性。大多数生成式AI应用需要与其他企业应用集成，连接到企业数据源，并受到企业规范的控制。

真正的概念验证与单纯的学习实验相对包括一个部署路径，并满足所有企业功能。您希望在概念验证的基础上进行扩展、在实际应用场景中进行测试、应用企业安全模型，并执行我们在企业IT中一贯的其他操作。

这与AWS在生成式AI以及传统机器学习和未来技术方面的愿景是一致的。关键在于这项技术如何帮助AWS客户实现商业、任务或社会目标而不是技术本身。我们从零开始设计和构建我们的AI工具，以满足我们对安全性和可靠性的严格标准，并适应现有的企业合规性、规范、可操作性和数据管理框架。这些工具是为了敏捷性而设计的：例如，Amazon Bedrock通过单一API提供对多种基础模型的访问，使得随着新模型的发展，企业可以轻松利用这些技术。Anthropic的Claude 3，根据行业基准最成功的模型，也通过该API提供，另外还有其他提供不同价格、速度和准确性权衡的模型。AWS一直设想着将生成式AI纳入企业的更广泛技术生态中。

如果您严肃看待利用生成式AI满足已知的重要商业目标，请将其视作在通向生产与价值创造的路径上的功能。概念验证是管理风险和验证商业案例的重要手段不仅是对技术本身的验证，而是针对您借助其创造的商业功能。

您永远无法将风险降至零，因为部署新事物始终伴随着风险即使如前所述，雇佣人类员工也是如此。但您可以努力降低这些风险至可接受的水平，并在负责任AI的规范框架内运作。AWS已经做好了很大程度的准备，以帮助您降低风险：它的架构旨在成为全球最安全和可靠的基础设施。您为其他IT系统使用的风险管理框架可以延续到您所部署的新生成式AI应用程序中。通向生产的道路已然开启。

标签： AI、 商业价值、 机器学习

Mark Schwartz

Mark Schwartz是亚马逊网络服务的企业战略家，也是《商业价值之艺术》和《在敏捷时代的IT领导力：坐上桌子》的作者。加入AWS之前，他曾是美国公民和移民服务局隶属于国土安全部的首席信息官，还曾担任Intrax的首席信息官和Auctiva的首席执行官。他拥有沃顿商学院的MBA、耶鲁大学的计算机科学学士学位和耶鲁大学的哲学硕士学位。