Merck и Mastercard видят реальные результаты применения искусственного интеллекта. Обе компании утверждают, что сначала была разработана инфраструктура.
Тарин Пламб
Компания Merck использует агентов на основе искусственного интеллекта, чтобы сократить циклы разработки лекарств на треть и ускорить выпуск соответствующих требованиям маркетинговых материалов до 80% — но вице-президент по цифровым платформам Шон Финнерти говорит, что это работает только потому, что они сначала создали необходимую инфраструктуру.
Фармацевтическая компания демонстрирует многообещающие первые результаты: ИИ генерирует маркетинговые материалы, которые на 99% соответствуют требованиям, сокращая циклы проверки с месяцев до дней и ускоряя доставку на 70-80%. В ходе медицинских исследований компании один цикл разработки с использованием ИИ сократился на 33%.
Тем не менее, как отметил Финнерти на недавнем мероприятии AI Impact Series, агентный ИИ работает только в том случае, если компании сначала создадут необходимую «инфраструктуру» для цифровых платформ и сервисов.
«Если мы будем ограничиваться разовыми проектами, в итоге у нас накопится тысячи и тысячи вещей, которые в конечном счете превратятся в долги, с которыми нам придется разбираться позже», — сказал он. «И это будет тормозить любые дальнейшие инновации».
Начнём с сантехники.
Стратегия Merck, ориентированная в первую очередь на водопроводные сети, основана на уроках, усвоенных на заре облачных технологий в 2010-х годах, «когда никто понятия не имел, что происходит», — сказал Финнерти.
Чтобы правильно организовать облачные технологии, потребовалось создавать их с нуля; в компании Merck эта инфраструктура теперь поддерживает 2500 учетных записей AWS, многочисленные подписки Microsoft Azure и новые интеграции с Google Cloud Platform (GCP).
«Искусственный интеллект будет точно таким же», — сказал Финнерти. «У нас будут тысячи и тысячи агентов». Затем возникают многочисленные вопросы: как их зарегистрировать? Как обеспечить их безопасность? Как гарантировать, что они подключены к нужным инструментам, имеют доступ к нужным данным и контексту?
Передача контекста также имеет решающее значение; Merck сотрудничает с тремя крупными облачными компаниями, имеет сорок семь периферийных узлов и сотни баз данных. «Многие, многие петабайты» структурированных и неструктурированных данных хранятся в базах данных Oracle, базах данных SQL, электронных таблицах Excel, стенограммах телефонных разговоров и других хранилищах, — сказал Финнерти.
Он объяснил, что его команда создает основу для предоставления осмысленного контекста в различных ситуациях. Данные необходимо организовывать и загружать на различные платформы, потому что «нет единого решения для всех проблем». Иногда это Databricks, иногда Amazon Redshift, «плюс еще четыре вещи».
Цель такова: «Давайте сделаем это простым и удобным для пользователей, обеспечим безопасность и хорошую интеграцию с MCP [протоколом контекста модели], A2A [Agent2Agent] и вычислительными ресурсами», — сказал Финнерти. «Если вы хотите запускать приложения на GCP или на AWS, у нас есть все необходимое, чтобы вы могли запускать смежные рабочие нагрузки где угодно».
Как компания Merck использует свои препараты
В процессе наращивания технической инфраструктуры компания Merck экспериментирует с различными лекарственными препаратами в рамках регулируемых корпоративных операций, рабочих процессов научных исследований и модернизации приложений.
Примечательно, что искусственный интеллект ускоряет разработку лекарств. Финнерти объяснил, что ученые изучают молекулярные структуры и состояния заболеваний, чтобы определить, можно ли лечить данное заболевание с помощью лекарств. Но даже если состояние заболевания известно, разработка лекарства, нацеленного на него, может занять годы.
Теперь, благодаря ИИ, команды начинают видеть «очень многообещающие результаты», например, сокращение одного конкретного цикла исследований на треть. «Это на год сокращает срок разработки препарата», — сказал Финнерти. «А это значит, теоретически, что мы можем доставить лекарство пациенту, нуждающемуся в этой терапии, на год быстрее».
После разработки и утверждения эти продукты подлежат регулированию, и маркетинговые материалы, посвященные им, должны быть четко и ясно сформулированы. «Способ донесения этой информации на каждом рынке, в каждой стране, в каждом штате, в каждом регионе — все это очень тщательно регулируется», — сказал Финнерти. Кроме того, это варьируется: рекламная кампания вакцины в штате Джорджия выглядит совсем иначе, чем кампания, запущенная в Канаде.
Исторически сложилось так, что должную осмотрительность компании, чтобы убедиться в ее соответствии различным законам, брали на себя люди. Черновые версии материалов проходят итерации проверки; когда обнаруживается ошибка, их «возвращают к началу, они проходят проверку заново, и это занимает еще несколько недель и месяцев», — сказал Финнерти.
Но теперь ИИ может делать это «гораздо, гораздо эффективнее», и процесс все больше эволюционирует от участия человека в процессе к, по сути, «человеку-управляющему». Под контролем человека ИИ может за день или неделю подготовить первый черновик, готовый на 99%, что позволяет командам выпускать материалы до 80% быстрее.
Между тем, когда речь идет о модернизации приложений, ИИ может обнаруживать архитектуру, документировать взаимодействие данных, API, сетевые пути, а также выполнять проверки аутентификации и авторизации; он также может писать код для Terraform для развертывания и рефакторизировать JavaScript в Python.
По словам Финнерти, если раньше на обновление одного приложения компании уходили недели, месяцы и сотни тысяч долларов, то теперь агенты выполняют эту работу с помощью подсказок.
Столкновение с «чудаминой»
Это не значит, что нет существенных трудностей; Финнерти отметил, что его команда столкнулась с некоторыми «странностями», например, при автоматизированном тестировании кода и сценариев. Искусственный интеллект откровенно выдумывал сценарии, будь то из-за неверного контекста, инфраструктуры или «просто проявляя изобретательность, заявляя: „Вам следует протестировать три функции, которых даже нет в коде, который вы пытаетесь протестировать“».
«Это меня немного удивило, потому что я думал, что мы уже давно преодолели некоторые проблемы, связанные с галлюцинациями, в этих более поздних моделях», — сказал он.
Чтобы решить эту проблему, его команда разработала механизмы контроля, позволяющие свести галлюцинации к минимуму, по сути, используя ИИ для управления ИИ и применяя оценки достоверности. Таким образом, если Клод создал первый результат, они дадут указание Microsoft Copilot оценить его.
«Таким образом, если вы зададите вопрос один раз, дадите его проверить ИИ, а затем зададите вопрос в третий раз, уверенность будет возрастать с каждым разом, и это сведет к минимуму количество ошибок, возникающих на начальных этапах», — сказал Финнерти.
Примеры применения агентного ИИ в сфере финансовых услуг
Тем временем в Mastercard главный директор по данным Эндрю Рейскинд и его команда сосредоточили эксперименты по внедрению агентских методов на тщательно скоординированных процессах обработки транзакций и разрешения споров. Как он отметил, возврат платежа или спор о мошенничестве — это не единичный случай.
Когда потребитель оспаривает платеж (обычно онлайн), это «запускает целый другой процесс на стороне сервера, который, как правило, очень трудоемкий», — сказал Рейскинд.
Mastercard должна собрать подробную информацию о фактическом споре; затем продавец проводит собственное расследование (была ли карта заявлена как утерянная или украденная? Часто ли потребитель оспаривает платежи?). Кроме того, у сети, находящейся между ними, есть свои правила относительно сроков и предоставления информации.
«В каждом из этих этапов есть свои неструктурированные данные, но также присутствуют и структурированные элементы данных», — сказал Рейскинд. Информация о потере или краже карты обычно структурирована, но жалоба потребителя касается «неструктурированных данных сомнительной достоверности».
«Таким образом, вы сидите за компьютером и принимаете решения, которые являются детерминированными, но также и вероятностными», — сказал он.
Эту проблему можно ускорить и потенциально решить с помощью агентов ИИ, но это может быть сложным процессом: какие задачи вы передаете агентам? Когда они передают задачи обратно людям? Сколько агентов вы в конечном итоге используете? Каковы финансовые последствия?
Затем возникают вопросы репутации и связанные с этим издержки: назвали ли вы потребителя потенциальным лжецом, когда он не лгал?
«Это именно та проблема, когда банк хочет сохранить доверие своих клиентов, — сказал Рейскинд. — Но при этом он хочет сделать этот процесс эффективным и снизить издержки в системе».
Ошибка «бутерброд с арахисовым маслом и джемом против индейки»: определите, какие риски приемлемы.
Риск, связанный с ИИ, всегда будет присутствовать, и предприятиям следует оценивать его с самого начала проектирования продукта, сказал Рейскинд. Также возникает вопрос о приемлемом уровне риска.
Например: вы подали клиенту бутерброд с арахисовым маслом и джемом вместо бутерброда с индейкой (незначительное неудобство)? Или вы подали блюдо с глютеном человеку, страдающему целиакией?
«Приемлемо ли, чтобы ошибка совершалась в одном проценте случаев? Если да, то перейдем к следующему этапу — как снизить этот риск», — сказал Рейскинд.
Руководители должны проводить анализ затрат и выгод, разбивать проблемы на «составляющие» и рассчитывать стоимость каждой из них. Но это лишь приблизительные оценки; спрогнозировать реальное использование практически невозможно, сказал Рейскинд. «Рассчитать стоимость — непростой процесс, — сказал он. — Но это выполнимо».
Подпишитесь, чтобы получать самые свежие новости!
Подробные аналитические данные для руководителей предприятий в области искусственного интеллекта, данных и безопасности.
Отправляя свой адрес электронной почты, вы соглашаетесь с нашими Условиями использования и Политикой конфиденциальности.
Получайте обновления ! Вы подписаны! Наши последние новости скоро поступят на вашу электронную почту.
Источник: venturebeat.com
Добавить комментарий
Для отправки комментария вам необходимо авторизоваться.