生成式 AI 是解決之道：問題是什麼？

Tom Godden (00:10)：
因此，我們經常說生成式 AI 是解決之道。問題是什麼？ 生成式 AI 確實是一項令人興奮的新技術。這是一項變革性的技術。事實上，我們相信該技術可能與印刷機、電力、個人運算、網際網路甚至雲端等技術變革相當。

Phil Le-Brun：
您說這是全新的技術；在某些方面來說，生成式 AI 是 60 年技術發展的頂峰，期間雲端實現低成本運算，然後統計技術等方面不斷進步，以及目前將轉變器模型用於生成式 AI，所有這一切都照進現實。因此，我們的技術積累到新的突破點，這使我們目前可以在組織中開展一些令人難以置信的工作。

Miriam McLemore：
我想補充的是資料的發展， 我們都對資料感到擔憂。我們深陷資料的處理。生成式 AI 提供了實際使用這些資料的途徑，有效地將其用於剛才描述的某些任務，無論是改進的聊天機器人、客服中心還是內容建立。我們剛剛在 HealthScribe 上發布了一條新的公告──您坐在醫生辦公室，看著醫生在電腦上輸入內容。讓醫生和患者一起回到病房。有一些出色的新功能，但都涉及利用資料。

Tom Godden：
我們對於涉及所有基礎模型、大型語言模型的生成式 AI 深感興奮。大家都希望堅持到底並開始使用生成式 AI。但是，您的資料將形成差異。如果您沒有強大的資料基礎，您真的難以使用生成式 AI 做出除了逗樂之外的任何事情。 作為一家企業，您確實需要獲得這種可預測性和情境資訊，並且您的資料將成為其中的關鍵差異因素。

Miriam McLemore：
我欣賞的一點是，資料監管已被視為一項繁重的任務而轉移到後台，目前執行領導團隊需要全心投入該資料策略。

Phil Le-Brun：
作為一家公司，我們目前正處於機器學習和人工智慧大眾化的發展旅程中，但這種進展通常是面向掌握技術方面的人員。現在，此競爭環境變得更加公平。如果您查看 McKinsey 的一些資料，其中表明生成式 AI 的 75% 優點將來自四個領域：客戶營運 (例如呼叫中心)、銷售和營銷、研究與開發以及軟體開發。例如，您談到聊天機器人。客戶可以透過聊天機器人與品牌進行溝通得到需要的資訊，而從公司的角度來看，他們將節省資金，並消除客戶旅程中產生的摩擦：這將形成一種競爭優勢。

► 聆聽播客：使用 AI 變革客戶服務

Miriam McLemore (03:20)：
我剛剛會見了一位客戶，他們努力想跟上日常業務的發展速度，但是沒有展望未來，也未思考大局。作為領導者，我們如何打破這種不良模式？ 由外而內看待問題，並且期待變革。我們必須成為不同的領導者，這確實可以解決阻礙您前進的官僚主義。

Tom Godden：
沒錯，這確實是一項技術變革，就像雲端運算和數位轉型一樣。我認為許多早期實務在此可發揮作用。必須培養正確的企業文化，必須建立正確的組織架構。必須仔細研究程序或機制 (我們喜歡如此稱呼)，並將它們放在正確的位置。否則，即使您購買超快的賽車，但維修站工作人員和車手卻沒有經過培訓，未能準備好妥善使用賽車。而且，您無法駕駛賽車前往任何目的地。您可能會獲得一些優勢，但我們正在談論變革，因為這就是問題所在。競爭永無止境。 您的競爭對手不會停滯不前。他們在很多方面都有一些先發優勢。因此，要開展變革，甚至是在您的產業內進行顛覆性的變革，這將需要所有這些實務。

Phil Le-Brun：
教授 Scott Galloway 談到如何不必擔心人工智慧對公司產生的影響。相反，應該擔心了解如何使用 AI 轉型公司的人員帶來的影響。Miriam，您曾經說過「從大處著眼，從小處著手，並且快速擴展」。 我認為這就是我們需要開展的工作。您不應大肆宣傳變革，但思想狹隘終究不利於己。 您應真正思考如何變革自己的公司，但從現在開始，您要克服不思進取的態度並學習如何使用此技術。以最快的方式了解在您組織中行之有效的方法。

Tom Godden (05:27)：
讓我們回到生成式 AI 是解決之道。不過問題是什麼？ 生成式 AI 可帶來附加價值。它是正確的變革工具。我們通常會看到「單純的」資料分析，或者令人貽笑大方的「一般」人工智慧、「一般」機器學習，這些技術在六個月前似乎是如此高階。有時，它們更適用於需要解決的問題。您不需要處理生成式 AI 的所有複雜面即可完成這些任務。依照價值推動。不要盲目跟隨。

Miriam McLemore：
但是應投入其中。

Tom Godden：
請開始行動。保持急切心態。形成先發的優勢。這是變革性的技術。同樣，這與我們見過的其他一些重要變革技術相當，您必須繼續前進。您務必涉足其中。

Phil Le-Brun：
目前沒有什麼障礙阻止您繼續前進。您現在可以透過 AWS SageMaker JumpStart 使用大型語言模型。該工具包含所有需要的功能。其採用按用量付費模式，因此請開啟此工具試用。如果該工具未能發揮作用，不妨就關掉吧。

Miriam McLemore：
您可以立即建置資料策略。您應該之前就完成此任務。

Tom Godden：
無論您是否採用生成式 AI，它都將帶來優勢。讓您的雲端環境井井有條。如果貴組織不夠強大且成熟，請採用雲端卓越中心，並建立追求達成這些目標的團隊。這樣做不僅因為這是合適的想法，而且也因為該工具是必備要素。這是生成式 AI 的關鍵所在和基礎要素。

Phil Le-Brun：
不要將這件事交給資訊長。這並非對資訊長不尊重，而在於這是一項業務挑戰。我的意思是，作為業務主管，我們必須了解財務狀況和人員管理。我認為，業務主管目前需要深入研究技術和資料，並弄清楚他們需要掌握的資訊。就 Tom 的觀點而言，這並非魔術。這將是技術、業務程序變革和人員變更的結合。如何將這些方面整合在一起？ 不能直接將任務交給 IT 團隊。

Tom Godden (07:26)：
作為其中一個環節，我們必須全面研究負責任 AI。如果您已經採用 AI 和 ML，則應該有負責任的 AI 計劃。但由於其生成性質，生成式 AI 將迫使您真正加倍努力，了解如何減少對事物形成的偏見，以及如何防止系統內部發生幻覺，甚至是有毒害的結果，除非您有合適的結構則另當別論。我們對此方面進行了很多討論，引用 Galloway 的話，大家了解如何使用生成式 AI，但人為的監督將變得至關重要。我們還沒有準備好完全將人類排除在此項工作之外。 也許您目前在生產中使用生成式 AI，但已經在人工監督下反覆測試它的運作方式，並且它是不斷更新的技術。因此，與我們以前編寫的許多軟體不同，其中您可以測試軟體以確保其有效，將其投入生產，然後會說：「很好，我們將繼續前進。我們稍後會回來測試。也許有一天會再次測試。」 但對於此技術，您需要定期執行使用案例和測試。我的意思是每天 (甚至可能每小時) 執行測試，以確保掌控其執行。

Miriam McLemore：
我喜歡 Phil 的觀點，您經常表示必須小心沉迷於預測，因為可以使用此技術來表述和重新確認自己相信的事物。您必須保持謹慎並聆聽資料，利用這些資訊開啟新途徑並考慮新的方法。

Phil Le-Brun：
我認為這又回到我們談論資料的很多方面：在我們觀察到的資料問題中，75% 以上涉及人員、組織和文化。首先是領導力。作為領導者，您是否以身作則？ 您會質疑資料嗎？ 您會提出合理的問題嗎？ 您只是想確認已經做出的決定嗎？ 但我認為，如果您目前是業務主管，那麼這會是非常有趣、令人興奮的時刻，期間您可能獲得晉升，但也有義務推進負責任的 AI。這甚至並非僅是道德和偏見的問題，還有您所從事工作帶來的影響。我認為我們在 Amazon Bedrock 開展了正確的工作，即將模型帶入安全的環境中。使用您的資料訓練該模型，而不是將資料放入公有模型中。而且我們也深知，任何單一的基礎模型都不可能解決所有的問題。

Tom Godden：
這就是 Bedrock 的真正優勢所在。能夠透過 API 存取這些語言模型，並且可在必要時轉換和移動模型，或者能夠針對新的使用案例存取新的語言模型，但是可以快速完成此任務，就像所有其他 AWS 服務一樣。在需要時啟動，不需要時即可關閉。

► 收聽播客：技術領導者如何為生成式 AI 做好準備

Phil Le-Brun (10:28)：
如果您想建置自己的模型，請勿倉促做出決定。 靜心思考。深思熟慮。不要立刻做決定。我的意思是，您可能會花費 10 億美元，但如果有真正的商業案例可借鑒，不妨先了解您需要採用自有的技術完成哪些任務。然後，您就可以在雲端中建置基礎設施。您可以使用 AWS Trainium 和 Inferentia 等工具來推動降低推論和訓練的成本。因此，無論未來的目標如何，您都要設定資料策略，並且應待在雲端環境中。您不會希望在家中試用資料策略。

Tom Godden：
接下來花點時間討論圍繞基礎模型的虛榮指標。最新的統計資料顯示，最大規模的基礎模型擁有超過 5000 億個參數。聽起來很酷。真不錯。我想要五個這樣的模型。為什麼我不能擁有 8000 億個參數？ 但我認為，我們也看到有時並不需要如此大規模的模型。實際上，該模型可能形成更多虛假的結果和答案。擁有專門打造的模型，甚至是公開、開放原始碼的模型，但是是專為您嘗試執行的使用案例而設計，並且可依據您的情境業務資訊而調整，則很可能比這些令人驚歎的虛榮指標帶來更理想的結果和效用。5000 億個參數聽起來絕對令人驚嘆，但可能不是解決問題所需的條件。

Miriam McLemore：
是的，正確的資料用於正確的問題。如您所說，首先關注問題。從可以推動的商業價值開始反向工作，投入其中，並且選擇合適的起點。這是令人興奮的時刻，但需一些時間找出合適的節奏以及方法中的哪些方面能締造價值。我對那些已經開始投入其中的客戶感到驚訝，他們創造了一些不可思議的正確途徑，而我們都將效仿。我認為在 AWS 會議中最有效的工作之一就是深入研究其他客戶的使用案例，向試用過相關技術的客戶學習。您不必親自完成所有工作。

Tom Godden：
我們討論了 Code Whisperer。我看到很多人也對聯絡中心非常感興趣。這是包含豐富目標的環境。您與客戶直接建立關係，因此必須保持謹慎，但是嘗試在醫療保健產業中提出全新療法的風險也較低。請如此行事，我們需要這種進步。但目前我們面臨非常高的風險；並且問題非常複雜。我也了解到有些人查看他們的內部網路，而如果您的內部網路和我一樣，各種資訊在其中失去價值。您擁有出色的搜尋引擎，但本身幾乎沒有找到任何有用的資訊，而目前您有不錯的機會來取得並探索組織內所有的這些資訊，也有適當的方法來開始實現這些資訊的價值，讓大家看到它的潛力並以低風險的方式達成目標。這就帶來了很多價值。請開始行動。保持急切心態。

Miriam McLemore (13:35)：
這是我們培訓發佈的重大公告之一，對嗎？ 您學會如何達成此目標？ 請行動起來，讓您的團隊和高管接受培訓。我們提供多種產品，幫助我們的客戶培訓其組織了解從何處開始以及可以使用哪些工具，以便自行決定適合您公司的正確方法。

Phil Le-Brun：
努力學習，保持好奇心。我的意思是，我們提供培訓與認證的高管課程。課程內容非常直觀，即什麼是生成式 AI？ 我們現在還提供 Coursera 課程，這是非常有用的課程。如果您確實想要深入了解正在討論的一些事情，即關於資料量和參數之間的平衡，以及運算並尋求正確的平衡。該課程提供所有相關資訊。其中很多資訊都是公開提供。現在就行動。立即開始學習。永遠不會太早。

Tom Godden：
這項培訓將幫助您帶領他人前進，因為老實說，這是一項變革性的技術，但它也可能會造成破壞性。 有些人對此問題很關心，這意味著什麼？ 不只是為了工作。我要繳納租金和貸款，還要送子女上大學。在這個令人興奮、變革的全新世界中，我還有用武之地嗎？ 它會對社會產生什麼影響？ 我認為與我們所經歷的其他大演變相比，幫助這些人了解自己可擔任的角色並透過培訓從中支援將變得更重要。

Phil Le-Brun：
是的，打破您的孤島。我指的是 Tom 談論的偏見問題。減少偏見的最佳方法是建立能夠代表客戶群的團隊。此外，我們知道機器學習以及生成式 AI 絕對將會在整個組織範圍內擴展。無論組織結構如何，生成式 AI 都將發揮作用。因此，請擺脫官僚主義。我想您可以使用生成式 AI 來擺脫一些官僚主義，但是這就回到了……

Tom Godden：
建置全新的組織圖？

Phil Le-Brun：
是的，自動化 PowerPoint。

Miriam McLemore：
告訴我誰應該負責此任務。

Phil Le-Brun：
這就是某些偏見形成的領域。就是如此。但是，請使用它來真正了解您的競爭優勢。您可以審視像 Autodesk 這樣使用生成式 AI 的公司，目前他們正在將部分設計的權重降低至 40%。這是重要的永續發展優勢。但他們已經確定：「我們可以在何處使用該技術來為組織帶來競爭優勢？」

Tom Godden：
這樣做是因為它會帶來附加價值。不要盲目跟隨。

Phil Le-Brun (16:11)：
我覺得有趣的觀點是，人們很難在「我是否因為形勢艱難而節省資金」或「我是否創新？」之間做出抉擇，並且認為再也沒有其他選擇。您需要同時開展這兩項工作。 現實是組織中浪費了太多資金。在一項研究中，94% 的 CXO 表明，他們自身的組織結構正在阻止其創新。所有這些都是官僚主義。您需要多長時間才能做出決定？ 我們半開玩笑地稱之為「官僚質量指數」(BMI)。 您實際上利用多少時間從事有意義的工作，而不是一直等待決定？ 您如何推動形成這些決定？ 我不認為這是「創新還是節省資金？」 我認為您要同時開展這兩項工作。消除無差別工作的成本，將其用於創新，這就會成為良好的循環。甚至使用機器學習、生成式 AI 來實際消除組織中的一些成本和官僚主義作風。

Miriam McLemore：
我們了解並向客戶表達的是，與一切都觸手可及的情況相比，約束實際上能更深入地推動創新。進退兩難會讓您對「我如何擺脫困難？」產生創意想法 您可以利用經濟困難時期以不同的方式思考。您沒有其他選擇。 我還認為，對於生成式 AI 來說，其最大的價值之一就是提高生產力並避免一些無差別的繁重工作。我在可口可樂公司任職多年，為消費者和客戶產生內容、新網站、新體驗、新形象和銷售點素材，這將變革行銷技術的遊戲規則。

Tom Godden：
我們已經在其他轉型中看到這種情況。真正的變革並非始終僅在技術領域，而是您願意以全新的方式運用技術。我們看到電力變革轉變了我們佈局和營運工廠的方式。我們能夠每天 24 小時更安全地營運工廠。再次聲明，技術是最初的推動因素，但真正的轉變發生在我們重新思考此過程時。因此，當我們審視這一點並尋求新的平衡時，必須回頭了解自身的流程並思考：我為什麼要這樣做？ 生成式 AI 是否可讓我考慮以完全不同的方式來達成目標？ 不要僅是利用生成式 AI 自動化過去的工作。以該技術為契機重新思考這些工作並以完全不同的方式行動。