Innovationsvägen: Generativ AI

I vårt första ämne tittar vi på generativ artificiell intelligens (AI). Om det för närvarande finns några AI-relaterade modeord måste det vara ChatGPT eller dess motsvarighet inom avbildning, till exempel Stable Diffusion, Dall-E eller MidJourney.

Vem kan inte minnas gripandet av Donald Trump eller påven i Balenciaga Drip vinterjacka.

Generativ AI är en teknik som lär sig av befintliga exempel för att skapa nytt, realistiskt innehåll i stor skala. Den kan skapa saker som bilder, videor, musik, tal, text, programkod och produktdesign som är originella men inspirerade av det den lärt sig.

Den här tekniken använder avancerade tekniker som ständigt blir bättre. En viktig metod innebär att träna stora AI-modeller på massor av data utan etiketter, och sedan finjustera dem för specifika uppgifter. Att skapa dessa modeller kräver komplicerad matematik och mycket datorkraft, men de förutspår i princip vad som händer härnäst.

Just nu skapar generativ AI ofta saker när man frågar efter dem på ett vanligt språk – ingen kodning behövs. Men företag kan använda den till många saker, som att uppfinna nya läkemedel, designa datorchips och utveckla nya material.

Sammantaget, även om generativ AI har enorm potential för innovation och kreativitet, härrör dess negativa rykte från legitima farhågor om dess etiska, sociala och juridiska konsekvenser. Att ta itu med dessa farhågor kräver ett samarbete mellan forskare, beslutsfattare, branschintressenter och civilsamhället för att utveckla robusta skyddsåtgärder, främja ansvarsfulla metoder och minska riskerna med AI-teknik. Redan 2016 skrev Cathy O'Neil en starkt rekommenderad bok med titeln Weapons of Math Destruction .

”Weapons of Math Destruction” utforskar de negativa effekterna av algoritmiska beslutssystem, som hon kallar ”matematiska modeller som är ogenomskinliga, oreglerade och destruktiva”. Det finns flera likheter mellan de frågor som tas upp i O'Neils bok och den negativa uppmärksamhet som kring Generativ AI.

Opacitet och brist på transparens

Både algoritmiska system och generativa AI-modeller kan fungera på ogenomskinliga och icke-transparenta sätt, vilket gör det svårt för användare att förstå hur beslut fattas eller innehåll genereras. Denna brist på transparens kan leda till oro kring ansvarsskyldighet, rättvisa och partiskhet i båda fallen.

Förstärkning av partiskhet och ojämlikhet

O'Neil belyser hur algoritmiska modeller kan vidmakthålla och förstärka fördomar i de data som används för att träna dem, vilket leder till orättvisa eller diskriminerande resultat, särskilt för marginaliserade grupper. På liknande sätt kan generativa AI-modeller ärva och sprida fördomar i träningsdata, vilket resulterar i partisk eller olämpligt innehållsgenerering.

Påverkan på individer och samhälle

Både ”Weapons of Math Destruction” och oro kring generativ AI betonar de potentiellt negativa effekterna på individer och samhället. O'Neil diskuterar hur algoritmiska system kan skada individer genom att neka dem möjligheter eller förstärka samhälleliga ojämlikheter. På liknande sätt kan generativa AI-modeller producera skadligt innehåll, såsom deepfake-videor eller felinformation, vilket kan få allvarliga konsekvenser för individer och samhället i stort.

Brist på reglering och tillsyn

O'Neil belyser bristen på reglering och tillsyn kring algoritmiska beslutssystem, vilket gör att skadliga metoder kan förbli okontrollerade. På samma sätt har den snabba utvecklingen och implementeringen av generativa AI-modeller överträffat regelverk och etiska riktlinjer, vilket har lett till oro kring ansvarsfull användning och potentiellt missbruk av tekniken.

Behov av etiska överväganden

Båda diskussionerna kring algoritmiska system och generativ AI betonar vikten av etiska överväganden och ansvarsfulla metoder. O'Neil förespråkar större transparens, ansvarsskyldighet och rättvisa i algoritmiskt beslutsfattande, medan förespråkare för generativ AI betonar vikten av etisk design, biasreducering och efterlevnad av etiska riktlinjer vid innehållsgenerering.

Sammanfattningsvis har de farhågor som tas upp i ”Weapons of Math Destruction” likheter med den negativa uppmärksamhet som kringgår generativ AI, särskilt när det gäller frågor om opacitet, partiskhet, samhällspåverkan, tillsyn och etiska överväganden. Båda belyser behovet av större medvetenhet, ansvarsskyldighet och etiskt ansvarstagande vid utveckling och implementering av algoritmiska system och AI-tekniker.

Så, med all denna negativa uppmärksamhet kring den här tekniken, vad finns det för saker att göra och inte göra för ditt företag? I det här inlägget tittar vi på ett sätt att göra och ett sätt att inte göra.

• Förstå vad ditt företag behöver.
• Underskatta inte vikten av datasekretess.

Förstå dina affärsbehov och hur generativ AI kan möta dem.

Sammantaget har generativ AI potential att revolutionera olika aspekter av tillverkningsverksamhet genom att göra det möjligt för företag att förnya sig, optimera och anpassa sig till förändrad marknadsdynamik mer effektivt. Genom att utnyttja generativ AI:s kapacitet kan företag få en konkurrensfördel och driva hållbar tillväxt i dagens snabbt föränderliga affärslandskap.

Patrick Strauss tar upp de generativa AI-möjligheterna för att skapa digitala tvillingar. En digital tvilling är den digitala representationen av en fysisk tillgång. Den använder verkliga data (både realtid och historiska data) i kombination med ingenjörs-, simulerings- eller maskininlärningsmodeller (ML) för att förbättra driften och stödja mänskligt beslutsfattande.

Generativ AI kommer att revolutionera digitala miljöer och digitala tvillingar genom att omvandla dem till "intelligenta miljöer" och "intelligenta tvillingar". Denna integration kommer att möjliggöras genom en utökning av den mänskliga arbetskraften genom generativ AI, som till och med kan möjliggöra "självstyrda" digitala tvillingar och miljöer.

Några exempel på områden där generativ AI kan vara fördelaktig är:

• Produktdesign och prototypframtagning
• Optimering av tillverkningsprocessen
• Optimering av leveranskedjan.

Produktdesign och prototypframtagning

Generativ design syftar till att skapa nya former, inklusive former du kanske aldrig har tänkt på, former som erbjuder en viktfördel jämfört med traditionella former, genom att effektivt placera material där det behövs och ta bort det där det inte behövs. VW Microbus drog en ständig ström av besökare efter att ha marknadsförts från huvudscenen.

Generativa AI-algoritmer kan hjälpa till att designa och prototypa nya produkter genom att generera olika och innovativa designkoncept baserade på specificerade parametrar och begränsningar. Företag kan använda generativ AI för att snabbt och effektivt utforska ett brett spektrum av designmöjligheter, vilket möjliggör snabb iteration och optimering av produktdesigner.

Optimerade tillverkningsprocesser

Generativ AI kan analysera produktionsdata och identifiera möjligheter att optimera tillverkningsprocesser, såsom att förbättra produktionseffektiviteten, minska avfall och minimera driftstopp. Generativ AI kan hjälpa till att optimera materialanvändning och resursallokering i tillverkningsprocessen.

Genom att analysera materialegenskaper och produktionsbegränsningar kan generativa AI-algoritmer föreslå designmodifieringar och materialsubstitutioner för att minimera avfall, minska produktionskostnader och förbättra hållbarheten. Genom att utnyttja generativa AI-algoritmer kan tillverkningsföretag upptäcka optimala processparametrar och konfigurationer som maximerar produktiviteten och minimerar kostnader.

Optimering av leveranskedjan

Generativ AI kan hjälpa till att optimera leveranskedjans verksamhet genom att prognostisera efterfrågan, identifiera potentiella flaskhalsar och optimera lagernivåer. Genom att analysera historisk data och realtidsinformation kan generativa AI-algoritmer ge värdefulla insikter i leveranskedjans dynamik, vilket gör det möjligt för företag att fatta välgrundade beslut och förbättra den totala effektiviteten.

Underskatta inte vikten av dataskydd och etiska överväganden med generativ AI

Er personal experimenterar förmodligen redan med ChatGPT som hjälp med sina arbetsuppgifter. Istället för att helt förbjuda dess användning föreslår Gartner att man skapar en tydlig policy för att förhindra dold användning och säkerställa efterlevnad.

Gör policyn enkel. Den kan vara så enkel som tre saker att inte göra och två saker att göra, särskilt om du använder verktyg som ChatGPT eller liknande standardmodeller:

• Ange ingen personlig information.
• Ange inte några känsliga uppgifter.
• Ange inte några företagshemligheter eller immateriella rättigheter.
• Kom ihåg att inaktivera historik om du använder externa verktyg (som ChatGPT) som erbjuder det alternativet.
• Håll noga koll på resultaten. Ibland kan de innehålla subtila misstag, felaktigheter eller partiska påståenden.

Allt börjar med medvetenhet.

För att förhindra att personlig information anges i plattformar som ChatGPT eller liknande generativa AI-modeller, utbilda användarna om vikten av att skydda personlig information och de potentiella riskerna som är förknippade med att ange känslig information i AI-drivna plattformar. Ge tydliga riktlinjer och exempel på vilka typer av information som inte bör delas. Beskriv tydligt vilka typer av information som anses vara konfidentiell eller känslig och inte bör anges i plattformen.

Uppmuntra användare att anonymisera eller generalisera datainmatning när de interagerar med generativa AI-plattformar. Istället för att använda riktiga namn, adresser eller andra personliga identifierare, uppmuntra användare att använda generiska platsmarkörer eller fiktiva exempel.

Förutom den tidigare nämnda utbildningen kan vissa åtkomstkontroller och behörigheter implementeras för att begränsa vem som kan interagera med ChatGPT inom din organisation. Om verktyg som ChatGPT nås via en proxytjänst kan till exempel Infor OS ION API- gateway tillhandahållas.

Regelbundna granskningar och analyser av interaktioner och resultat som genereras av din personal kan genomföras. Leta efter eventuella mönster eller avvikelser som kan tyda på missbruk eller efterlevnadsproblem.

Charles Korthout

Lösningsarkitekt på Partners 2 Innovate

Följ oss på LinkedIn för en plats i första raden av innovation, där idéer tar fart och kontakter skapar storhet!