数据分析
随着全渠道商务的发展，广告分析的格局即将发生巨变。线上和线下消费者互动之间的传统竖井正在瓦解，为真正的全渠道消费者铺平了道路。虽然实体/数字墙在消费者的旅程中正在倒塌，但消费者隐私仍使分析变得复杂，这种全渠道消费者的增长将要求重新调整营销衡量模型。传统的数字最后一次点击归因将让位于一种更微妙的方法，认识到客户旅程中多个接触点的影响，这一转变将更准确地反映每个渠道在创造和转化消费者需求方面所做出的贡献。隐私问题将日益突出，需要在数据驱动的个性化和尊重用户隐私之间取得微妙的平衡。要想在保持消费者信任的同时充分发挥全渠道分析的潜力，实现平衡至关重要。在全渠道电子商务时代，广告分析的未来将以数据融合、属性重新定义以及与隐私的微妙舞蹈为特征，这不仅仅是一场变革，它是我们如何理解、解释和利用消费者数据用于广告艺术和科学的一场革命。
AI
AI不会取代低码，但会对其进行增强以改善结果：多年来，低码使公民开发人员能够在没有编码经验的情况下创建应用程序。现在，ChatGPT已经为编写代码带来了大幅提高生产力的承诺。然而，简单地使用ChatGPT来编写开发人员本来会编写的代码并不能以适当的规模解决生产率问题。重复使用和维护的问题仍然没有得到解决。开发人员花费了数月的时间来吸收上游团队的升级、执行技术堆栈升级、实施重新设计以将其应用程序升级到现代UI/UX模式等。因此，AI不会取代低代码，而是与低代码一起使用以提高生产率。明年，我们将看到企业软件供应商使用计算机视觉或经过训练的模型的组合来理解模式，然后在他们的低代码平台中触发生成代码。
所有权将成为公司AI倡议是否真的在2024年起飞的关键决定因素：企业渴望在2023年开始采用GenAI，特别是在他们看到它对内部生产率产生的直接影响的情况下。但在新的一年里，我们将开始看到，虽然公司很容易玩弄AI，但实际上推动商业影响需要的远不止这些。在没有明确问题或专注团队的情况下委托AI探索的公司往往会步履蹒跚，导致无效的结果。所有权将成为公司AI倡议是否真的在2024年及以后起飞的关键决定因素。当企业主对数字创新产生既得利益，确定了一个特定的挑战，并组建了一个团队进行试验和行动时，成功的可能性就会激增。所有权将是决定谁将成功利用AI的变革潜力，谁不会成功的关键驱动因素。
从企业AI到零信任AI：2024年，我们将看到企业对待AI的方式发生重大转变，从注重绩效转向强调问责。随着AI越来越多地融入关键决策过程，各组织将优先确保AI输出的准确性和可靠性。这种转变将导致“零信任AI”的发展，在这种情况下，数据源的验证和AI引发的修改的透明度变得至关重要。目标将是创建AI系统，其操作和决策不仅有效，而且所有利益攸关方都可以理解和审查，从而培养围绕AI使用的信任和责任文化。
AI将继续蓬勃发展，我们将在生活的几乎每个领域看到适应。虽然它无疑会在许多方面让我们的生活变得更轻松，但我们将看到错误率的上升，因为这项技术的智能程度取决于它所训练的语言。AI将不可避免地取代更多的人和工作岗位，但好消息是，它也将创造更多的就业机会。几年后，我们将看到许多物联网设备产生海量的高基数数据。有了AI，可能性几乎是无穷无尽的，我们现在才刚刚开始探索它们。
AI在2023年度过了相当不错的一年，占据了新闻头条，主要分析公司预测，AI在未来几年将产生重大影响。但为了在2024年及以后取得成功，AI将被迫依赖许多人担心这项技术将取代的资源：人和数据。零售数据是高度复杂和动态的，孤立的信息不断变化，无论是消费者的购买行为、延迟发货、产品短缺还是劳动力需求。配备零售订单和库存数据管理系统的团队明年将发挥重要作用，帮助生产和维护企业充分利用AI所需的干净、准确和可访问的数据。
组织将任命一名首席AI官来监督安全和负责任的AI使用：2024年，组织将越来越多地任命高级管理人员进入其领导团队，以确保为AI的安全、合规和治理影响做好准备。随着员工越来越习惯于在个人生活中使用AI，通过接触ChatGPT等工具，他们将越来越多地寻求使用AI来提高工作效率。组织已经意识到，如果他们不授权员工正式使用AI工具，他们将在未经同意的情况下这样做。因此，组织将任命一名首席AI官(CAIO)来监督他们对这些技术的使用，就像许多组织的领导团队中有一名安全主管或CISO一样。CAIO将专注于制定政策，教育和增强员工安全使用AI的能力，以保护组织免受意外违规、知识产权泄露或安全威胁。这些做法将为AI在组织中的广泛采用铺平道路。随着这一趋势的发展，AI将成为一种商品，就像手机一样。
2024年将是AI和数据C-Suite领导者的一年：如果说2023年是企业AI突然出现的一年，那么2024年将是整合之年，因为企业希望了解如何利用它来获得竞争优势，并遵守不可避免的未来法规。对于面向未来的AI部署，组织将越来越多地寻求在C-Suite级别建立一个角色，以监督AI创新和合规，但这不一定是首席AI官的形式。相反，AI可能会创造新一代首席数据官，让现有的数据领导者开发新的技能集。正如我们已经看到首席数据和分析官的崛起一样，我们可能即将看到新一代首席数据和AI官的开始，他们专注于确保AI模型的数据基础符合新的立法，并具有足够高的质量，以获得业务的竞争优势。可以肯定的是，AI治理委员会的崛起，在确保安全高效的企业AI方面发挥着跨职能的作用，并以与数据官员在过去几年相同的方式与法律、道德、安全和隐私部门合作。
AI丑陋的一面被进一步揭示：2024年的总统选举是来年将如何揭示更多AI邪恶能力的一个例子。预计将看到旨在影响选举的深度虚假和其他AI生成的虚假信息以惊人的速度出现。如果被精明的威胁行为者利用，这些图像可能会成为令人信服的宣传，为选民创造一个名副其实的镜子荒野，他们将很难区分现实和精心制作的虚假信息。随着两位候选人的竞选活动进入高潮，这将成为一个越来越受关注的领域。也许没有比AI生成的滥用图像更好地展示这项技术丑陋一面的例子了，近几个月来，这种图像一直在增加。我们将在2024年看到更多的注意力集中在防止这种情况上，发布了一系列新的解决方案来解决这个问题。当然，我们也可以预计黑客将越来越多地利用AI来开展他们的谋生活动-攻击组织和员工以泄露敏感数据。想想威胁参与者利用这项技术来改进他们的恶意软件代码，或者依赖GenAI来制作更多合法的钓鱼电子邮件。随着这种情况的发生，组织将需要调整他们的培训-例如，糟糕的语法，曾经是钓鱼活动的标志，将不再成为危险信号，这要归功于GenAI。
AI的巅峰炒作将会消退。然而，最具创新力和竞争力的公司将接受AI数字颠覆的真正挑战——它的员工。公司寻求的最高技能将是“良好的判断”，将其从一项软技能提升为关键的人在回路中的必需品。公司将意识到，他们采用AI的挑战不是获得技术，而是找到拥有技能和带宽的人来支持这些项目。
AI法规：我们将在2024年开始看到AI法规：例如，围绕监控消耗大量GPU计算的前沿模型开发展开了讨论。考虑到2024年的总统选举，还需要在互联网上设置针对DeepFake的护栏。我们认为，这些努力将使AI更安全，类似于FDA监管制药业的方式。
2024年，我们将看到AI将超越炒作周期，将IT效率推到超速状态：像任何其他新技术一样，AI仍在经历炒作周期。人们开始更好地理解AI是什么样子，在2024年，我们将超越炒作，转向更有效的用例。这样做的一个结果是，CIO需要证明他们不是为了AI而使用AI。随着我们看到IT专业人员采用AI来自动化工作流并提高效率，CIO需要专注于为其团队配备AI工具，以改善他们的业务并优化整个团队的IT工作流。
AI采用的未来和障碍：AI的采用将加速，并将蔓延。我们将继续看到模型能力的巨大进步，我们对它们工作原理的理解将会增加，这本身就会带来新的进步。我们将看到更多的模型针对特定的用例进行调整，从代码到DNA，再到CAD，再到化学结构，再到图像分析。我们还将在应用程序和工作流中看到更好的集成和用户体验设计，而不仅仅是在文本框中输入散文。让模型“自然”使用实际上可能成为最具影响力的发展，就像调整GPT-3并将其打包成聊天应用程序使其可供数百万用户使用一样。明年，即使在金融体系的状况下，对构建GenAI技术的公司的投资和融资也不会放缓。然而，可能会减缓GenAI发展的是没有足够的硬件来满足需求。在这种情况下，只有最大的公司，或者那些已经拥有大量硬件的公司，才能继续大规模开发新的方法。
肤浅的AI解决方案将被曝光：过于复杂的SaaS插件和功能，声称可以自动化，但实际上只是在顶部有一个AI贴纸，在减损生产工作时间后将被曝光。在AI方面，用户变得越来越聪明，最近的一项调查显示，大多数IT专业人士(71%)正在使用AI来支持自己的工作负载。坚持不懈的应用合理化和审查至关重要，特别是在新的AI时代。
AI盈利能力的斗争将继续下去——这没什么：构建大规模AI应用的公司短期内不会盈利，这意味着真正能够运营这些应用的人只有谷歌和微软等现金充裕的公司。但这些公司将在2024年继续奋力度过这一难关，并在很长一段时间内亏损，直到规模经济将芯片和加工的价格拉低。随着这些公司的发展，需要考虑的问题是开源如何适应这一切。这些较大的公司面临的风险是，他们可能会在自己的模型上进行大量投资——然后真正获胜的模型是开源模型。因此，对于他们来说，思考如何在他们的模型中创造超越开源社区所能处理的差异化将是至关重要的。
道德框架和监管对AI是必要的，而不仅仅是组织在追求利润时的分心。我们无法避免AI，因为这是我们在不对称的网络战场上扩大我们行动的唯一途径。道德框架和监管治理将变得至关重要，以帮助AI高效和公平地运作。每一款新的软件或服务都会有AI或ML元素。由于AI技术的发展速度如此之快，建立AI伦理方面的最佳实践是一项挑战，但几个公共和私营部门组织已经自行部署了框架和信息中心来解决伦理问题。所有这些活动可能会在主要经济体和贸易集团引发越来越多的监管，这可能会在一段时间内导致监管格局越来越零散，至少目前是这样。可以肯定的是，目前AI和ML的“狂野西部”时代将迅速消退，当组织想要利用这项技术时，他们将面临相当大的合规负担。
随着董事会和高管加强对AI的关注，聚光灯将放大解决潜在数据问题的紧迫性：2024年，更多的首席执行官和董事会将越来越意识到数据是AI成功的关键。我见证了高管心态的巨大转变;多年来，首席执行官们第一次积极寻求增加技术支出，特别是在AI方面，因为他们看到了巨大的前景。首席执行官们不仅对AI的潜力感兴趣，他们还被GenAI重新定义我们开展业务的方式的承诺所吸引-从革命性的客户体验到优化供应链和加强风险管理。AI的吸引力是不可否认的;它掌握着打开新市场、节省数百万人以及将公司一举打造成自己的联盟的关键。然而，每个CIO都明白的一个发人深省的事实是，AI并不是即插即用的奇迹。阿喀琉斯的致命弱点在于我们的数据——由于其支离破碎的性质，数据是最有价值但表现不佳的资产。如果不统一和管理我们的数据以确保数据的清洁、连接和可信，对AI的投资是徒劳的。通向AI承诺的道路是通过数据统一铺平的。它是关于将数据转换成一种单一的、可互操作的产品，能够真正催化数字转型并利用AI的变革力量。
2024年将是AI工具的适应性和可用性年：2023年是AI工具谨慎试验的一年，但在2024年，组织将把重点转向负责任的部署。虽然公司对AI及其相关风险仍有许多不完全了解的地方，但仍有许多机会可以利用在商业和生活中向前发展。在AI采用竞赛中落后可能会给组织带来重大挑战。然而，没有一种适用于所有组织的模式可供遵循。技术领导者将需要评估哪些用例受益于新的AI工具的集成，以及哪些工具最好保持不变。他们还需要确保以安全和负责任的方式使用GenAI工具，并由组织治理流程进行治理和控制。这一战略方法确保AI的采用与组织的独特目标和需求保持一致。
AI是经济衰退和通胀的防御性因素：尽管经济逆风或顺风，但无论经济转向哪个方向，人们对AI的兴趣在2024年都将保持强劲。AI在驱动创新和竞争优势方面的潜力是必备的，在预算中有自己的项目。衡量AI的投资回报率将是至关重要的，实际用例将被置于显微镜下。例如，证明AI如何使数据分析等日常任务变得更便宜，并更广泛地为商业用户提供，这将是关键。同样，投资者将对AI公司更加警惕。
在一个不可信的世界中确保AI的完整性：随着深度假冒和自动内容生成等AI技术的激增，对验证AI的机制的需求越来越大。Web3技术通过为透明、可验证的AI操作提供框架，为这一挑战提供了解决方案。对于越来越依赖AI的行业来说，这一转变将是至关重要的，确保AI仍然是一个值得信赖的工具，尽管其运作具有去中心化和往往不透明的性质。
2024年将是小企业转向AI的一年：在过去的一年里，我们看到许多大公司利用了AI“淘金热”，而大多数小企业还没有拥抱它。AI是一种快速发展的工具，可以提高运营效率和生产率，其好处是不可否认的。到2024年，更多的小企业主可能会开始将这些工具直接应用到他们的公司中，他们所依赖的更多应用程序将使用AI来增强现有功能。通过利用AI自动化许多传统上耗时的任务，如发票、数据输入和调度，小企业主可以在管理工作上花费更少的时间，而将更多的时间集中在发展业务和提供卓越的客户体验上。
60%的员工将使用他们自己的AI来执行他们的工作和任务。企业正争先恐后地利用AI的机会，但他们的创新速度还不够快，无法超过员工普遍使用的消费者AI服务-也被称为自带AI(BYOAI)。企业现在应该专注于建立管理和保护BYOAI的战略，同时开发正式的公司批准的AI资源。
访问、规模和信任：2024年，AI公司将面临的三大挑战是获取AI工具、特定行业内的可扩展性以及用户对流行AI工具的信任。我们已经看到信任问题在2023年出现，当我们看到AI法案的影响时，这个问题将在2024年变得更加严重。
2023年是AI承诺年-2024年将是AI行动年。我们将开始看到公司一直在实施的举措的切实成果，并发现它们对客户的影响。那些选择投资于资源并为AI与人类智能协作(而不是取代它)寻找机会的人，将是那些准备好占领市场的人。
2024年，我们有望看到建筑工地数据收集过程自动化的进展。如今，团队肩负着按时、在预算内完成项目的重任——同时仍要牢记安全和质量要求。有了AI，无论是计算机视觉还是GenAI，公司都将能够在项目的整个生命周期内组织和标准化他们的数据。无论是在设计过程中使用建筑信息建模(BIM)和图纸、输入信用卡购买材料，还是验证保险信息以保护工人和项目，建筑业都需要处理大量数据。我们已经开始看到总承包商以独特的方式利用数据来改善他们的业务，但许多数据是非结构化的，没有充分利用其潜力。据报道，一个典型项目近20%的时间都花在了搜索数据和信息上。AI将能够通过自动数据收集解决这个问题，允许个人花费更多的时间和资源从他们的数据中提取见解，以降低风险并改善业务。
数字化转型通过AI进行了改头换面：AI将通过更快、更好地回答问题、在第一次接触时解决问题、清晰地沟通，并让客户感到满意，来帮助工程师为成功做出贡献。这将导致以AI为中心的新数字化转型战略，以设计、执行和衡量新的或重新想象的客户服务体验。根据弗雷斯特的说法，2024年S许多改进的关键将是幕后GenAI，它增强了客户服务代理的能力。
公司将在2024年对AI的采用进行自上而下的授权：许多团队负责人将从假期回来，从他们的首席执行官和首席财务官那里找到授权，并提出AI采用应该实现的明确目标。运营支出减少20%，CSAT/NRR提高10%，以及通过基于AI的产品和体验产生10%的背线收入等预期将位居前列。为了实现这些目标，一些高管团队将任命一名AI领导角色，模仿过去十年数字转型获胜者的成功。我们预计，随着组织努力解决如何将这项新技术快速整合到遗留运营中，首席AI官或类似头衔的角色将变得常见。这一新角色将在某种程度上引起争议，因为CIO的角色越来越零碎。CIO们能否部署足够的自动化，以便将重点放在AI上，或者最终将这一领域让给这位首席执行官中的新人，这是一个值得密切关注的问题。
在过去的几年里，首席技术官的角色已经成为精通技术的人和精通商业的人之间的桥梁，负责使正确的解决方案创造最佳的整体业务成果。随之而来的是沟通方面的挑战，因为CTO需要导航如何将技术转化为组织董事会和高管的ROI。2024年，随着AI(AI)技术变得司空见惯，培训C级同事的能力将变得更加重要。首席技术官不仅需要能够与业务的技术方面合作，以确保AI领域的现实可能性，而且还需要在业务层面上沟通其潜力-从员工生产力和产品角度。
AI将弥合经理和他们的直接下属之间的差距。2024年，AI将填补管理者无意中造成的缺失空白。无论是精心设计更深思熟虑的绩效评估，还是为他们的直接下属确定内部增长机会，AI都将为经理们缺乏经验或过于疲惫而无法处理的任务提供亟需的支持。这些AI能力将帮助他们成为更强大的经理，进而使他们能够更好地授权他们的直接下属。
AI将需要自我解释：用户将要求对他们的AI之旅有一个更透明的理解，并要求一种方式来表明所有步骤都符合治理和合规法规。白宫最近发布的关于AI的行政命令将给各组织带来更大压力，要求它们证明自己遵守了有关网络安全、消费者数据隐私、偏见和歧视的新标准。
2024年，AI将经历一次品牌重塑。虽然AI传言者预测将会迎来“AI冬天”——或者人们对这项技术的兴趣将会放缓，部分原因是这项技术在某些方面的过度曝光——但值得注意的是，目前的很多注意力都集中在AI的负面方面。埃隆·马斯克最近谈到了AI将如何“结束所有工作”，而最近在布莱奇利公园举行的“AI安全峰会”本身就暗示了一种风险缓解的因素。事实是，恐惧是有销路的，在某种程度上，它会让人们更有可能关注。但是，随着越来越多的人习惯于使用AI工具，随着像ChatGPT这样的东西进一步提高人们的意识，明年应该会有更多的人睁开眼睛，看看AI应该如何被使用——在许多方面，已经是这样——作为一种他们从未欣赏过的生活中的善的力量。当然，他们需要在不忽视技术的风险或局限性的情况下做到这一点，并通过寻找实用、实用的方法将这些风险降至最低。随着AI变得更加主流和时尚，我们可以看到更多面向消费者的品牌通过差异化和吸引客户的方式，更清楚地阐述他们使用AI的方式。
AI将迫使我们把数据整理得井然有序：AI的好坏取决于它提供的数据。随着我们将AI应用到我们生活的更多部分，由劣质数据源和优质数据源提供信息的领域将变得越来越明显。明年，产品负责人、数据科学家和首席架构师将需要更紧密地合作，以确保支持他们产品的数据是最新的，而不是孤立的，作为单一的真理来源，并且版本适当。
AI对2024年总统选举的影响：AI承诺塑造2024年的竞选方法和辩论;然而，有趣的是，到目前为止，即使是具有科技背景的候选人也避免了AI的细节。我们看到人们对AI和机器学习产生了极大的兴趣，因为它们改变了世界的工作方式、做生意和使用数据的方式。作为一个全球社会，我们需要意识到并仔细考虑AI的潜在缺点，例如意外的偏见、错误的基线数据和/或伦理考虑。即使这个话题没有在辩论中涉及，AI的挑战和机遇也是下一届政府必须努力应对的。
AI回应了帮助管理数据过剩的呼声：今天的数据专业人士指尖上有大量的信息，但许多人可能缺乏他们需要的可操作的洞察力。而且，随着跨分布式来源分类的数据不断增加(每天3.2877亿TB)，组织正在努力应对数据管理方面的挑战。数据是企业拥有的最有价值的资产之一，但除非它能够被有效地利用、理解和应用，否则它从根本上是无用的。随着我们接近2024年，数据管理正在迅速演变为一个由AI主导的未来。AI是IT团队在当今日益复杂的分布式和混合数字环境中导航的答案。由于这些技术处理的信息比任何人都多，因此它们通过确保应用程序和服务在不需要人工干预的情况下正常运行来支持资源受限的IT团队。尤其是AI支持的可观察性和ITSM解决方案，通过使IT团队能够自动执行任务、检测安全威胁和性能异常、优化性能并基于数据分析做出更好的决策，可以提升IT团队的水平。然而，我们在2024年的前进道路需要深思熟虑的规划，并敏锐地理解AI如何以及以什么方式帮助我们。今年在几个大型IT会议的展厅漫步时，我惊讶地发现，几乎每个供应商的展位上都挂着AI的说明。这些夸张的标题不会把一个差劲或平庸的产品变成好产品。而那些通过匆忙实施最新的闪亮新技术而不进行分析来开始AI之旅的组织，最不可能看到长期和可持续的成功。相反，仔细规划你的AI战略，你将在未来很长一段时间内收获回报。
公司将提高非技术团队在数据和分析方面的技能，为AI主导的未来做准备：AI具有巨大的潜力来转变许多知识工作者的角色，但存在一个问题：理解数据和分析的员工太少，无法有效地使用它们。生成性模型实际上是为生成数据而设计的。我们比以往任何时候都更需要人们在业务上下文或原始出站的调整中解释输出和层，以确保它是适当的。
网络运营的AIOps：网络优化可以支持更好的AI性能，但AI也可以支持更好的网络性能。虽然AIOps(面向IT运营的AI)还为时尚早，但它已经开始显示出潜力。虽然AIOps覆盖了IT运营的所有领域，但现在正在成为一个重要组件的领域是网络运营的AIOps。网络工程师正面临日益复杂的网络环境，将分散的劳动力、大量设备和云基础设施等结合在一起。AIOps通过基于大数据和机器学习的自动化、预测性分析和根本原因分析来简化网络运营管理。AIOPS可以为客户加快故障排除和解决问题的速度，同时降低成本，因为宝贵的NOC员工可以从事更关键的任务，这些任务是当今AI无法解决的。2023年末，一项调查发现，虽然只有4%的受访者已经在组织范围内集成了某种AIOPS，但另有15%的受访者实施了AIOPS作为概念证明，29%的受访者确定了未来实施的用例。预计未来四年市场规模将增加两倍，到2028年将达到近650亿美元。
优化AI的使用将决定未来供应链的赢家：AI和预测分析将在未来十年区分制造业和零售业的赢家和输家。利用大数据优化库存、预测需求、控制成本和个性化建议的领导者将主宰分析能力较差的同行。未能采用的公司将看到成本螺旋式上升，效率直线下降。
预计AI会遭到反弹，因为组织会浪费更多的时间和金钱来试图“把它做对”：“随着组织更深入地研究AI，实验肯定会成为2024年上半年的一个关键主题。那些负责AI实施的人必须以“快速尝试，快速失败”的心态来领导，但太多时候，这些角色需要了解他们所瞄准的变量，没有明确的预期结果，并且难以提出正确的AI问题。最成功的组织会很快失败，并很快从吸取的教训中恢复过来。企业应该预料到在AI实验上花费额外的时间和金钱，因为这些做法中的大多数都不是植根于科学方法。今年年底，如果得出正确的结论，AI将出现明显的赢家。失败也带来了围绕数据的更多质疑，这些数据助长了AI的潜力。例如，数据分析师和首席执行官都会提出这样的问题：我们正在使用的数据有多干净?我们对这些数据的合法权利是什么，特别是如果在任何新型号中使用的话?那我们客户的合法权益呢?任何新技术都会带来更多的质疑，反过来，整个企业也会有更多的参与。
组织将(最终)管理围绕AI的炒作：随着围绕GenAI的震耳欲聋的噪音达到高潮，组织将被迫缓和炒作，并培养一种现实和负责任的方法来应对这项颠覆性技术。无论是关于GPU短缺的AI危机，培训大型语言模型(LLM)的气候影响，还是对隐私、伦理、偏见和/或治理的担忧，这些挑战在好转之前将会恶化，导致许多人怀疑一开始应用GenAI是否值得。虽然企业压力可能会促使组织在AI方面做一些事情，但数据驱动必须是第一位的，并且仍然是首要任务。毕竟，确保数据是有组织的、可共享的和相互关联的，就像询问GenAI模型是否可信、可靠、确定、可解释、合乎道德和没有偏见一样重要。在将GenAI解决方案部署到生产中之前，组织必须确保保护其知识产权并计划潜在的责任问题。这是因为，虽然GenAI在某些情况下可以取代人，但LLM没有专业责任保险。这意味着，涉及GenAI的业务流程仍需要广泛的“人在回路”参与，这可能会抵消任何效率收益。2024年，预计将看到供应商通过添加专注于满足GenAI市场趋势的新界面来加快其产品提供的增强。然而，组织需要意识到，这些可能只不过是固定的创可贴。应对数据质量等挑战，并确保统一、语义一致地访问准确、值得信赖的数据，将需要制定明确的数据战略，并采取现实的业务驱动方法。如果没有这一点，组织将继续支付不良数据税，因为AI/ML模型将难以通过概念验证，最终无法实现炒作。
对AI的看法：与任何炒作周期一样，许多人会因为糟糕的计划或知识或能力不足而跳到这一步，他们将产生糟糕的、甚至危险的代码和应用程序。在AI上大举投资然后失败的组织可能会陷入困境。其他接受这些有问题的AI应用程序和流程的组织可能会遭受数据泄露、糟糕或错误的决策，以及对糟糕代码的依赖。
推动更大的AI可解释性：在过去的两年里，商界见证了AI的重大进步。然而，包括神经网络在内的复杂AI系统的一个决定性特征是，它们的行为并不总是像我们可能预期的那样。事实上，AI系统选择到达目的地的路径可能与人类专家应对相同挑战的方式有很大不同。随着AI系统变得越来越复杂，研究这些选择并构建AI可解释性工具将变得越来越重要。组织必须有能力分析AI系统的决策，以制定足够的保障措施。此外，AI系统提供的用于解释他们思维的输出将对随着时间的推移做出进一步改进至关重要。
平衡AI内容和禁令的行为-可见性与控制：出版商考虑AI禁令源于对其内容保持控制的愿望。然而，这种方法可能会导致搜索结果的可见性降低，因为搜索引擎越来越依赖AI来管理内容。整合与排除：虽然一些品牌可能会将AI禁令视为保护其内容的一种方式，但他们可能会错过AI，特别是LLM在内容匹配和查询理解方面提供的优势。反对AI禁令的理由是，LLMS可以利用替代手段访问内容，这使得完全排除具有挑战性。平衡法案：品牌将需要在保护其内容和利用AI来提高其在搜索结果中的可见度和相关性之间找到平衡。这可能涉及制定微妙的政策，在不完全排除的情况下规范AI与内容的交互。
AI当然可以帮助清理“杂乱的数据”，但它也有点循环，因为AI的使用应该建立在强有力的数据治理的基础上，因为数据保护法要求公司了解哪些个人数据被用于AI用例。因此，在2024年，我们将看到更多的关注数据库存和分类，作为希望依靠AI力量的公司的必要基础。
在我看来，营销界正准备从广泛的营销独白转向互动的、AI驱动的客户对话。这一变化将要求重新评估营销技术堆栈，以优先考虑实时、有意义的互动。与此同时，个性化将从感知到的侵扰性过渡到通过响应性对话建立信任。我相信这将逐步淘汰传统的导航，如下拉菜单，取而代之的是搜索和聊天界面。在这种不断发展的格局中，公司将认识到他们的AI战略与他们的数据战略内在地联系在一起。要有效、合规地利用新的接口和工具，确保数据质量和相关性处于这些技术进步的前沿，强调精益数据变得至关重要。
优化AI的使用将决定未来供应链的赢家：AI和预测分析将在未来十年区分制造业和零售业的赢家和输家。利用大数据优化库存、预测需求、控制成本和个性化建议的领导者将主宰分析能力较差的同行。未能采用的公司将看到成本螺旋式上升，效率直线下降。
对于开发人员来说，AI已经被证明是一个极其强大的工具，尽管许多人对其能力的程度表示怀疑，并担心它有可能扰乱传统的工作场所做法、工作和流程。在我看来，AI将增强开发人员的日常工作流程，而不是取代它。越来越多的开发人员将使用AI来自动化简单的任务，如扫描性能问题、发现工作流中的模式和编写测试用例。它实际上将把开发人员解放出来，把更多的时间花在有影响力的、创新的工作上，而不是“AI顶升”。
随着每个行业的领导者开始接受这项技术，AI将使团队更紧密地联系在一起：在未来一年内，AI将成为开发生命周期的主要驱动力-不仅是作为IT助理，而且作为协作工具。开发人员和工程团队的工作主要局限于后端，但我预计，随着AI在企业总体目标中变得更加根深蒂固，IT领导者将成为关键顾问。随着组织寻求利用AI进行自动化、原型制作、测试和质量保证，以大幅减少开发新项目所需的时间，技术人员和非技术人员都需要协调他们的AI战略。这将使技术人员能够更频繁地创新，而非技术人员可以参与构建解决方案，而不仅仅是提供需求。
关于采用/投资AI：投资AI工具可以成为帮助一些开发人员提高生产率的杠杆。提示方面的培训越多，您就越有可能从开发人员那里获得更高的生产力。缺点是，AI通常并不真正了解问题空间，并且可能使用低于平均水平的代码。互联网上的许多培训代码不适合您的应用程序。其中一些并不适合任何应用程序，所以指望AI让开发人员变得更好是不太可能的。AI是一种工具或杠杆，而不是训练和技能的替代品。
推动AI进步的数字容量竞赛：AI是一项渴望数据的技术，未来几年对移动和处理这些数据的带宽需求将飙升。AI应用程序的发展速度远远超过了基础设施建设的速度，导致了容量短缺的风险。网络基础设施必须迅速发展，以满足连接需求并避免紧缩。这将需要在新技术和基础设施方面进行投资，并在网络运营商、超大规模巨头和其他利益相关者之间采取更具协作性的方法。AI是一个价值万亿美元的机会，它将推动前所未有的带宽需求，使其与5G和物联网等其他炒作周期有很大不同，这些周期的货币化尚不清楚。严重依赖数据和计算的行业——如医疗保健、金融和制造业——将首先受益于AI。超大规模巨头将在数字基础设施上投入巨资，为这一激增做好准备，在我们展望未来时，规模较小的参与者必须效仿，否则就会被甩在后面。
公司将优先关注数据基础和AI创新之间的差距。没有数据战略就没有AI战略，公司将需要优先填补数据战略中的差距;具体地说，就是更高效、更安全地访问更准确数据的基本要素。
总体而言，理解和利用AI的全部价值的门槛仍然很低，但这不会持续很长时间，因为市场压力继续加速AI的采用。企业AI的未来将集中在已在使用的产品和服务中内置AI。但随着AI创新的发展，我们将看到企业学会建立自己的内部AI数据平台，并将部分工作流转移到自己的基础设施中。对于想要走在前列的企业来说，现在就开始投资建立他们的内部专业知识是至关重要的。与分散在公司各处的单个AI项目相比，建立一个AI和数据科学的中央“卓越中心”将更有利。
实时AI监控：数据驱动的未来：2024年将见证实时AI监控系统的崛起，能够即时检测和解决数据异常。这项变革性的技术将确保数据的可靠性和可访问性，特别是对于不断增长的非结构化数据。
在繁荣之后，许多AI公司将会灭亡，这是对数据隐私、安全和安全加强审查的直接结果。因此，2024年将是安全、安全的AI公司之年，AI投资和创新的爆炸式增长将巩固和加速。所有领域的赢家都将开始涌现。AI将成为主流，不再是试验性生产的支持性工具，而是一项重要的战略商业资产。它将以极快的速度运行，并在2024年底之前推动重大商业决策。在提供更高计算能力的同时降低能耗和总拥有成本的AI模型和芯片将成为趋势。换句话说，ESG(环境、社会和治理)将很快成为新的北极星。
AGI将在未来一年取得进展：通用人工智能距离成为现实非常遥远，但它比以往任何时候都更近。我们今天在LLMS中拥有的是人类智能的模糊副本。它相当不错，它可以做一些令人惊叹的事情来改善你的业务。但LLM能否发明一种有效的经济学理论或疫苗来抗击大流行?人类可以!我相信我们在过去的几年里取得了巨大的飞跃，但我相信我们中的任何一个人都不知道我们距离真正的创意天才还有多长时间。
AI将简化软件开发流程：“开发人员目前所做的许多耗时的任务将很快实现自动化，使流程和任务更加流畅，同时创造出我们以前从未见过的速度和效率水平。此外，对于开发人员来说，了解AI最终将成为一项必备技能。至关重要的是，行业继续接受这项技术，并了解它的好处，以便提高创新的速度，并允许开发人员在消除乏味、重复的任务的同时，精益求精地专注于他们的专业。
非结构化数据集缺少与成功的AI数据管道的链接：组织将使用分布式非结构化数据集来加强其AI战略和AI数据管道，同时实现传统企业解决方案所不具备的性能和可扩展性。组织面临的最大挑战之一是让分布式非结构化数据集在其AI战略中发挥作用，同时提供传统企业解决方案所没有的性能和规模。至关重要的是，数据管道设计为使用所有可用的计算能力，并可以使数据可用于云模型，如Databricks和Snowflake中的云模型。2024年，在全球数据环境中，对全球实时协调的数据的高性能本地读/写访问将变得不可或缺和无处不在。
大数据
投资于数字转型将是2024年CIO议程上的优先事项，特别是在通胀上升的情况下，因为这将允许更好的风险管理、降低成本和改善客户体验。此外，按照我们今年看到的趋势，GenAI也将得到持续的投资。在评估我们最初的业务需求和目标时，同样至关重要的是我们致力于建立优先考虑负责任使用的指导方针。最后，作为一个行业，我认为我们需要接受数据孤岛。我们不能忽略竖井，因此我们需要更好地启用它们，并使它们能够提取所需的经过审查的数据。
大数据的固有特征-数量、速度、价值、多样性和准确性-每年都保持不变，而每年涌现的不断发展的技术帮助我们使用领域知识来了解数据并获得更多洞察力，从而加速业务转型。
大数据洞察将不再只是数据科学家的专利：从大数据中提取有意义的商业洞察的能力在很大程度上一直是高度专业化的数据科学家的领域。但是，就像在网络安全领域一样，这些专家相当稀少，越来越多的团队对这种有限的资源提出了要求。在接下来的一年里，我们将看到这种变化呈指数级增长。数据交换矩阵平台和数据科学与机器语言(DSML)平台正在改变游戏规则，统一并简化对企业数据的访问。这些平台更友好的用户界面使更多团队中的更多人能够看到企业面临的威胁或其他挑战并采取行动。数据的民主化来得并不是太快，因为AI的进步正在使不良行为者更容易渗透。随着更多的人关注并能够采取保护行动，企业真正有机会保持领先于威胁。
首席数据官(或任何数据领导者)首先需要成为变革管理专家，其次是数据专家，才能在2024年取得成功。创造一种数据文化与梦想之地“建立它，他们就会来”的方法完全相反;CDO们发现自己太多地独自呆在一个领域，只有自己的梦想。你必须将“数据梦想”带到组织的所有领域，才能使数据驱动的文化成为现实;创生式AI是CDO必须做到这一点的最有形和最相关的容器。
在接下来的一年里，我们预测对演进数据湖的需求将不断增长，以及genAI如何帮助组织更容易访问大数据。企业领导者将寻求的不仅仅是一个有组织的存储空间;他们将寻找一个智能和交互的平台，促进与数据的有意义的对话，并将其转化为可操作的见解。GenAI中的大型语言模型(LLM)为弥合大数据和决策之间的差距带来了新的机会。在LLMS的支持下，智能代理将具有理解和响应自然语言查询的创造性能力，为企业开辟了新的天地，因为它将允许他们的用户以对话的方式与数据打交道。这种转变推动组织走向组织良好的数据存储库，使用户能够对其数据有有用的理解。
2024年是我们停止移动数据并开始使用数据的一年：20多年来，数据增长速度超过了连接速度，导致了一个指数级的问题。指数级的问题可能会突然变得不堪重负，就像一个装满沙粒的罐子，每天都会翻一番。前一天它还是半满的，第二天它就满了。数据传输速率无法满足我们的需求，这促使了像亚马逊的AWS Snowmobile这样的解决方案，这是一个45英尺长的航运集装箱，由一辆卡车拉着，旨在传输艾字节级的数据。我们已经到了无法将所有数据转移到需要分析或使用的地方的地步——我们已经从数据中心转移到了数据中心。每天在边缘(例如，工厂、医院、自动驾驶汽车)产生数以亿计的数据，为新的AI模型提供动力。然而，我们的AI生态系统主要驻留在云中，将这些海量数据从边缘转移到云中是不可行的。2024年，我们预见到工具的兴起，这些工具允许我们在不移动数据的情况下就地处理数据。这些工具将使云应用程序能够像访问本地数据一样访问边缘数据，或使数据中心应用程序能够像访问本地数据一样访问云数据。欢迎来到数据无处不在的时代。
云计算
云和操作系统无关的高可用性成为大多数应用程序的预期要求：IT团队将寻找跨操作系统和云一致的应用程序高可用性解决方案，以降低复杂性并提高成本效益。随着对HA需求的增加，在本地和云环境中运行应用程序的公司以及在Windows和Linux环境中运行应用程序的公司将寻求使用HA解决方案来简化其应用程序环境，该解决方案可在其所有环境中提供一致的用户界面，并与HA供应商提供的云和操作系统技术支持和服务相匹配。
组织将继续寻找公共云DBaaS替代方案：我们从用户、客户和整个市场听到的是，他们希望使用公共云DBaaS替代方案。原因有很多，例如，他们可能想要更独立于供应商，他们可能想要优化成本，或者在数据库配置方面获得更大的灵活性。目前，对于那些愿意做出改变的人来说，市场提供的选择有限。开源私有数据库平台使组织和IT团队能够更好地控制与基于云的数据库相关的数据访问、配置灵活性和成本，而不是考虑来自特定提供商的DBaaS。Kubernetes和Kubernetes运营商的发展使这种方法的实现变得更容易，但围绕这一方法仍然存在多个空白，使其在生产中部署和运行变得更加困难。缩小这些差距并提供完全开源的DBaaS选项将在2024年取得成果。
构建从提示开始，托管从云开始：在不久的将来，AI驱动的语言模型(LLM)将继续变革基于服务器的(虚拟化)计算，其中使用自动化工具的快速部署将推动这一变化。它从一个简单的提示开始，指导你创建一个网站。添加额外的方向，以指导您正在建设的网站类型。云托管将是当务之急，能够随着在线业务的增长进行扩展、负载平衡、保护和处理大量流量。出于可靠性、安全性和灵活性的考虑，越来越多的用户可能希望切换到多云方法，从而避免被单一提供商锁定。无需管理基础设施、配置服务器或升级硬件即可按需运行代码的无服务器功能将更成为开发人员的首选架构。它简化了部署过程，允许更高效的资源分配，并将大大节省工作和时间。随着量子计算的进步，即使进展缓慢，它也将扰乱传统的加密方法。云托管提供商必须通过提供抗量子安全解决方案来保护敏感数据来进行适应。不断上涨的能源价格将推动云托管采用更可持续的做法。更多的供应商将致力于使用可再生能源、重复利用废水、减少碳足迹，并推广环保的云服务。
数据库/数据仓库/数据湖/数据管理
数据模型将实现从高度结构化的传统数据库的结构性转变。随着越来越多的公司集成AI能力以获得竞争优势并改变业务的实时步伐，传统的数据管理方法将被搁置，需要一种新的数据模式取而代之。
一种新的数据仓库将会出现：Snowflake、BigQuery和RedShift将企业数据带到云端。2024年，我们将看到新一代数据库从这些单一的数据仓库中窃取工作负载。这些实时数据仓库将通过更快、更高效地处理实时数据驱动的应用程序来实现这一点，这些应用程序在可观察性和分析方面为产品提供动力。
SQL将继续存在：结构化查询语言或SQL每隔几年就会被宣布过于过时，在2024年，使用LLMAI工具生成数据库查询的提议将得到大量关注。但SQL是20世纪70年代以来唯一一种至今仍在广泛使用的编程语言，其原因之一是它在查询数据方面的能力。您可能不喜欢它的语法。你可能会发现它的规则有些武断。你可能对学习这样一门古老的语言有怨言。但几十年来，SQL一次又一次地证明自己是操纵数据的首要工具。它不会很快过时的。
比以往任何时候都更需要灵活的全球架构
对全球数据库的需求将来自对数据驻留的合规要求的增加，以及向全球分布的用户群提供低延迟数据的需要。随着越来越多的国家实施数据驻留法规，全球企业将需要评估其数据库，以确保它们可以部署在灵活的全球架构中。
《一般数据保护条例》(GDPR)(2018年5月25日颁布)是世界上最严厉的数据保护政策。它对企业提出了严格的要求，以保护欧盟公民的个人数据和隐私。如果一家企业不符合GDPR，他们将被处以最高1000万欧元的罚款，或上一财年全球总营业额的2%。这些严厉的处罚(加上媒体报道造成的声誉损失)使得企业无论总部设在哪里，满足和遵守全球法规变得越来越重要。拥有灵活的全球架构有助于企业避免与这些法规发生冲突。对全球数据库的需求可能是日益严格的合规要求的结果，但拥有灵活的全球架构也可以改善组织的隐私卫生。拥有灵活的全球架构使企业能够适应不断变化的市场和客户需求，并以低延迟将数据提供给全球分布的用户数据库。
数据湖的兴起和数据湖供应商的衰落：虽然一些公司可能会选择收集更少的数据，但不断增加的监管要求意味着大多数团队别无选择，只能用更少的钱做更多的事情。随着它们努力寻找具有成本效益的方式来存储不可预测的数据，企业正越来越多地重新考虑数据湖。一旦被认为是非结构化数据的最终落脚点，我预计2024年将加速向数据湖迁移，原因是存储成本增加，以及跨数据湖和对象存储的查询功能的进步，以及数据可以相对轻松地路由到它们。有了快速、经济高效地搜索大型数据存储的能力，公司将开始将数据湖作为数据的第一站，而不是最终目的地。这将导致数据量从分析平台和热存储转移到数据湖。与这种增长形成对比的是，我们预计，随着市场从理论和部署到现实和使用的成熟，不是同类中最好的数据湖供应商明年可能会看到增长和整合放缓。对于那些经历了过快增长导致经济低迷的细分行业来说，这种痛苦将更加尖锐，数据湖供应商肯定在名单上。
英语将取代SQL成为业务分析师的通用语言：我们可以预见，在成功地解决了语言到SQL技术的准确性、性能和安全问题之后，语言到SQL技术将被广泛采用。此外，用于语言到SQL的LLM将在使用这些LLM时移入数据库以保护敏感数据，从而解决围绕数据隐私和安全的主要问题之一。语言到SQL技术的成熟将向更广泛的受众打开大门，使数据和数据库管理工具的访问民主化，并进一步将自然语言处理集成到与日常数据相关的任务中。
开放格式将对数据仓库模式造成最后的打击。尽管许多人预计数据仓库模式将取代仓库，但真正的颠覆者是开放格式和数据堆栈。它们将公司从供应商锁定中解放出来，这一限制同时影响了湖边和仓库的建筑。
数据优先架构意味着和数据管理策略：我们即将看到人们保存的数据的又一次爆炸。到2025年，全球数据创建预计将增长到180 ZB以上。数据对组织来说变得越来越有价值，即使他们不知道自己将如何使用或长期需要它。数据爆炸将继续推动对高可用性和可扩展解决方案的需求。为了利用这种突发，组织将需要跨部门的数据民主化，以实现数据优先的方法，这样所有事情都将真正使组织的各个方面受益。
2024年是事务型分布式数据库进入主流应用的一年。直到最近，还有一种看法认为，分布式数据库只对小众用例有用。然而，随着AI和云采用的增长，以及企业跨多个时区和地点扩展运营，越来越多的应用程序将需要可扩展性、弹性、高可用性和数据地理分布。经过行业领先企业验证的云本地分布式数据库将成为其中许多组织的明显选择。对数据驻留立法征税和合规的需要将进一步推动采用。我们预计，AWS、Google Cloud和Microsoft Azure等主要参与者将在未来一年宣布更多分布式关系数据库功能，以利用这一趋势。
数据工程
AI技术不会取代开发人员：AI正在走向软件开发的前沿，IT领导者使用AI来加快上市时间，缓解开发人员短缺。虽然基于AI的生成性工具可以加快许多常见的开发人员任务的速度，但复杂的任务目前仍然属于开发人员的领域。AI技术将用于增强开发人员，而不是取代他们，因为一些任务仍然需要熟练的开发人员专业知识。
AI生成的代码将产生对数字免疫系统的需求：在2024年，更多的组织将经历由于低质量和监管不足的软件代码而导致的重大数字服务中断。开发人员将越来越多地使用GenAI支持的自主代理来为他们编写代码，这将使他们的组织面临更大的意外问题风险，这些问题会影响客户和用户体验。这是因为维护自主代理生成的代码的挑战类似于保留由离开组织的开发人员创建的代码。剩下的团队成员都不能完全理解代码。因此，当代码中出现问题时，没有人可以快速解决这些问题。此外，那些试图使用生成式AI来审查和解决由自主代理创建的代码中的问题的人将发现自己面临着一个递归问题，因为他们仍然缺乏有效管理它所需的基本知识和理解。这些挑战将推动组织开发数字免疫系统，将软件设计、开发、运营和分析的实践和技术结合起来，通过确保默认情况下的代码弹性来保护其软件免受内部影响。为了实现这一点，组织将利用预测性AI在代码或应用程序中出现问题之前自动预测问题，并触发即时、自动响应，以保障用户体验。例如，开发团队可以设计具有自我修复功能的应用程序。如果新版本引入错误或自动配置额外的云资源以支持计算能力需求的增加，这些功能可以自动回滚到代码库的最新稳定版本。
数据治理和监管
40%的企业将主动投资于AI治理以实现合规。随着欧盟即将通过新的欧盟AI法案，美国监管机构匆忙生产AI和GenAI抵押品，以及中国最近出台的genAI监管规定，一些公司将进一步推动AI合规。如果做不到这一点，就意味着错过了合规截止日期，并不得不改造AI治理，这增加了复杂性、成本和时间。为了满足当前和未来的合规要求，企业将投资于获取新技术、填补人才缺口并获得所需的第三方支持。
数据治理将演变为数据智能：在数据治理的早期，数据丢失预防和保护策略占据主导地位。尽管这些工具仍然有助于满足政府的要求，但可能会阻碍对数据的有效利用。当数据被严密锁定时，管理人员无法了解如何使用、移动或访问他们的数据，因此他们无法有效地改进他们的数据存储和实施实践。但我预计变化很快就会到来。是的，数据治理仍将是维护合规性的关键。然而，现在已经出现了进化的数据智能能力，使从业者不仅可以控制数据，还可以理解数据-这些能力在现代商业世界中是必不可少的。挖掘元数据以了解其生命周期将使团队能够更有效地支持其业务需求。这些开明的治理策略将帮助组织实现数据合规性的共同目标，同时发现细粒度的数据洞察。
AI将被拖过一个混乱的监管迷宫。监管将从世界各地如雨点般落在AI身上，创造一个复杂的监管迷宫，企业将难以驾驭。具体地说，在美国国内，AI的监管可能而且很可能会在各州甚至城市的基础上有所不同，类似于目前税法因司法管辖区而异的方式。2024年，当各组织努力解决监管AI框架的拼凑问题时，他们必须问自己：‘这里应该启用AI吗?如果应该，如何启用?’
美国不太可能在2024年制定与AI相关的法律：如果历史可以借鉴的话，立法者需要很长时间才能形成关于AI的实用知识，了解他们的选择，并形成足够的共识来制定法律。预测任何复杂政治进程的结果都很困难，尤其是在总统选举即将到来的情况下。然而，鉴于GenAI在2023年占据了公众的想象力，人们有一种紧迫感，这可能是拜登总统关于安全、可靠和可信赖的AI的行政命令(EO)的动力。EO将取代指导低成本管理和AI使用和发展的联邦法律，通过利用国土安全部、国防、能源、商务等行政部门的权力和资源，帮助进一步促进AI的安全和安保。政府通过其广泛的购买力对市场的影响力也将被利用，以推动安全和安保控制的开发和采用。
可信数据将成为世界上最关键的资产：可信数据在AI系统中的关键作用正在成为技术未来的基石。确保来自AI系统的信息和数据是值得信任的，这同样至关重要。在一个越来越接近通用人工智能(AGI)的世界里，知道应该相信什么和相信谁将对我们学习的一切和我们认为知道的一切都至关重要。Forrester强调了这一转变，他预测，注入大型语言模型(LLM)的特定领域的数字同事很快将帮助十分之一的运营任务。当针对特定的业务需求量身定做时，这些LLM承诺获得可观的投资回报。这一趋势导致组织更多地关注寻找、理解和管理高质量、可靠的数据，这对于培训根据特定业务需求定制的AI模型至关重要。其结果是，AI治理将很快变得重要起来。它涉及的不仅仅是管理数据;它还涉及理解信息和模型的整个生命周期。在GenAI和幻觉带来的挑战的时代，将数据类比为新石油现在似乎是不够的。在当今的商业环境中，仅仅收集和分析大型数据集已经不够用了。在2024年及以后，可信数据以及与建立对数据的信任相关的所有工具将成为组织的头号商品。
由于监管障碍，GenAI的采用将放缓，将重点转向企业数据可用性：在2023年成为聚光灯下后，GenAI将在新的一年面临监管逆风，导致企业在进入2024年时更加谨慎。迫在眉睫的法规和日益加剧的安全担忧促使各组织对大规模收养踩下了刹车。虽然试点项目将很多，但许多项目可能达不到预期的结果，降低了企业的热情。随着AI评估的加强，供应商将面临更严格的审查。然而，这种审查可能会为更以数据为中心、用户友好的应用程序环境铺平道路。
数据集成、数据质量
大大小小的企业都会优先考虑清洁数据集：随着公司意识到AI驱动的数据分析的力量，他们会想要加入这一潮流-但如果没有整合的、清洁的数据集，他们不会走得太远，因为AI算法的有效性在很大程度上依赖于数据的质量和清洁度。干净的数据集将成为成功实施AI的基础，使企业能够获得有价值的见解并保持竞争力。
数据网状、数据交换矩阵
随着公司寻求在分布式环境中共享数据，数据交换矩阵和数据网格将继续成为热门话题。实施数据网状体系结构。让每个业务部门设计自己的数据解决方案，然后只将其连接到他们需要的更大规模的组件。
数据可观测性
数据可观察性：数据可观察性成为一种重要趋势，可主动确保数据质量并解决整个数据管道中的异常情况。数据可观察性的5个关键支柱是世系、质量、新鲜度、数量和架构漂移。对云设置中的这些支柱进行主动监控可以显著节省成本，有可能降低30%-40%的成本。其意义在于，高质量的数据对于明智的决策是必不可少的。确保整个环境中的适当可观察性使用户能够访问值得信赖和精心策划的数据资产，以获得有价值的见解。
深度学习
深度假货危险：2024年将带来一系列消费者应该警惕的深度假货危险——特别是在虚拟客服环境中。身份和验证(ID&V)是大多数行业的标准做法，在这些行业中，客户身份和交易权是确立的。然而，如果客户生成一张虚假图像，暗示一家公司的产品被用于犯罪，那么深度伪造有可能克服生物特征验证和认证方法——使身份盗窃变得容易得多。而这仅仅是个开始。深度假冒技术还处于初级阶段，只会变得更好、更狡猾。幸运的是，更具预测性的信号可以用来检测可能发生的欺诈，因为被盗的身份可能意味着在某些情况下坏人可以通过ID&V。技术正在不断发展，以解决这些问题，我们无疑将在这一年看到硬币两边的重大技术创新。
GenAI
GenAI将转向现代数据管理。从历史上看，数据管理有点像一个黑匣子，需要高度的技术技能来制定战略并高效地管理数据。在LLMS的帮助下，现代数据管理将改变其框架，允许用户以完全受治理和合规的方式参与整个数据堆栈。
2023年，随着ChatGPT的发布，我们见证了人们过高的期望和数十亿美元的资金涌入AI初创公司。2024年，我们将开始看到GenAI法案2.0，公司不仅构建基础模型，而且构建重新想象工作流程的整体产品解决方案。我们将看到市场从“每个人都可以做任何事情”的喧嚣过渡到少数几家赢得GenAI的公司提供真正的价值。
从以基础设施为基础的GenAI将迅速转变为本地GenAI，因为目前，这是不可能的。一般的初创公司没有几千美元可以投给云提供商，事实将证明，自己运营几乎是不可能的，但随着围绕本地GenAI的创新，这种情况正在迅速改变。随着它的本地化，您将拥有一个完整的RAG堆栈，并在您的访问控制下进行控制。这样，您就不必以任何方式公开您的专有数据。当我们从集中式的、基于API的LLM转变为本地LLM时，这将很快发生。能够奏效的方案将会像野火一样被采纳。只需注意其不利之处，因为去中心化的LLM在循环中引入了不良行为者的概念。
大型语言模型将在2024年商品化：今天的公司将展开一场巨大的竞赛，要构建自己独特的大型语言模型(LLM)，比如OpenAI的GPT-4或Meta的骆驼。然而，我预测这些模型将在2024年商品化。这种区别将归结为哪些数据正在被输入LLM，以及它的目的是什么。这类似于有线电视和流媒体领域的情况，一个月的有线电视账单变成了许多完全不同的流媒体订阅。随着许多新公司的成立，每个公司都有自己的差异化模式，我们看到了类似的AI模式的“拆分”。在未来，这些AI模型可能会聚合回一项单一技术，数据是唯一的差异化因素。
在2024年，GenAI将产生的一个重要影响是，让人们能够毫无畏惧或尴尬地讨论他们的财务担忧或困难。对于一些人来说，在寻求有关金融事务的建议时，与聊天机器人交谈比与活人交谈更容易。通过提供一种保密和非评判的方式来获得财务建议和支持，AI将创造一个更具财务包容性的未来，每个人都可以获得他们需要的财务建议和支持，无论他们的背景或情况如何。
随着GenAI变得更加主流，潜在的生产力收益将使这些组织显著受益。我们将看到科技领导者在培训、创新中心的建立和采用新的开发平台方面投入更多资金，以最大限度地发挥科技团队的价值。科技领导者将需要采取双管齐下的方法，在应用AI服务加速成果的同时，为数据实验创造条件。所有这些都将被要求管理创新创造，并缓解与公共AI模型相关的风险。
在ChatGPT引发的AI革命进入一年后，我们是否很快就会被戏剧性的GenAI成功故事包围，或者我们将看到迄今为止最快的崩溃，陷入一项技术的幻灭低谷?两个都是!精通AI的企业已经在增加他们最有价值的员工，偶尔还会将他们自动化，随着清晰、可重复的GenAI用例成熟以及对MLOP和LLMOP的投资取得成果，这一趋势将获得势头。与此同时，大多数POC-被民主化的、外包的GenAI海市蜃楼弄得眼花缭乱——首先陷入了生产级GenAI应用程序的运营现实，导致了广泛的幻想破灭。事实证明，人类关于AI的智慧是GenAI成功的最重要因素，而对于特定的用例和垂直领域来说，专门针对特定用例和垂直市场的“通用预先训练的变形金刚模型”更有价值。
LLMS将帮助GenAI进行更多的推理，减少幻觉：AI正在超越ChatGPT的大型语言模型(LLM)文本世界，以及向大型多模式模型(LMM)过渡的过程，这些系统可以跨不同的媒体类型进行推理。这正在开辟新类型的应用和可能性，例如基于图像的库存或面向小企业的虚拟产品支持助理，并可能有助于未来的AI系统基于更多真实世界的例子，以减轻幻觉的可能性。我们预计在接下来的12个月里会有更多的应用，随着GenAI用声音、视觉和其他感官学习，在不久的将来可能会带来能够区分现实和虚构的AI系统。
分析的商品化：自然语言处理(NLP)有助于增加用户对分析的采用。现在，NLP和大型语言模型(LLM)的正确组合将有助于进一步将分析商品化。LLM在帮助用户在分析软件中执行复杂计算方面一直很有帮助。分析供应商将在不依赖LLM的情况下将这些功能整合到分析软件中，以填补LLMS带来的空白并缓解LLMS带来的隐私问题。
2024年，重点将放在车型转型上，针对特定市场需求的专业化程度将提高。像ChatGPT这样的大型语言模型将演变成新一代，变得更加专门用于特定的用例。在改进的GenAI模型的推动下，广告和新闻等视觉应用的AI内容使用量将大幅上升。此外，目前AI中的种族偏见可能会减少。现在，如果你向AI模特要一张男性的照片，90%的照片都是白人男性。AI模特必须变得更能反映世界，才能继续跟上。
到2025年，ChatGPT将不再是企业的主流技术：与大多数技术先行者一样，随着时间的推移，ChatGPT将变得越来越不重要。像Llama2这样的本地LLM(以及接下来的任何事情)将成为企业AI的引擎。这有很多原因，但数据安全和通过使用特定于行业的内容增强本地LLM来影响结果的能力可能是推动这一变化的两个因素。
新一代AI将发展销售代表的角色：随着B2B公司专注于增加每个销售代表的收入，他们将寻求通过AI为每个销售代表配备一个虚拟助理。为了高效增长，他们需要在销售和推向市场的技术堆栈中严重依赖GenAI能力。根据Forrester Research的数据，通过自动化围绕潜在客户调查和接洽渠道的某些任务，普通销售代表将能够多花50%的时间用于创造性的问题解决和富有成效的行动。
AI冷水澡：根据CCS Insight的最新数据显示，2024年将是GenAI面临一场‘冷水澡’的唤醒之年。围绕AI的过度炒作吸引了企业制定充满希望的长期目标，以提高生产率和实现转型。在这些盲目的情况下，许多人忽视了采用和部署新一代AI所涉及的成本、风险和复杂性的负担。而且情况只会变得更糟——现在我们被告知，到2027年，AI可能需要与整个国家一样多的电力。AI的前景是巨大的，但资源是一个问题。并不是每个组织或政府都能负担得起，也不是每个人都有资源将其嵌入其现有的系统和流程。世界仍处于制定AI法规的早期阶段，缺乏设定的边界和安全网可能会将许多行业置于风险之中。在AI方面，我们已经看到了一段时间的碎片化。事实是，AI的发展速度比许多人准备的要快，这项技术需要不同的资源才能运行。为了防止明年陷入冷水澡，组织必须战略性地投资于他们将如何为未来的AI提供动力(投资于光子学和数字双胞胎等东西，以解决资源不平等的根本问题)。利用尖端技术的力量可以帮助建立一个更智能的世界，在这个世界中，人们和社会使用所有类型的可访问、互联和有凝聚力的信息进行优化。
数据中毒：对GenAI的最新威胁：也许没有什么比ChatGPT更能说明机器学习和AI的快速主流。但随着算法成为日常生活的一部分，它们也代表着一个新的攻击面。这种类型的攻击被称为数据中毒，随着坏人获得更大的计算能力和新工具，这种攻击正变得更加猖獗。展望2024年，考虑到新的机器学习和AI工具的普及和普及，公司可以预计会看到数据中毒攻击的增加，其中包括可用性攻击、后门攻击、定向攻击和子群攻击。不幸的现实是，数据中毒很难补救。唯一的解决办法是彻底重新训练这个模型。但这并不简单，也不便宜。随着组织将AI和机器学习用于更广泛的用例，了解和预防此类漏洞至关重要。虽然GenAI有一长串有希望的用例，但只有在我们将对手挡在门外并保护模型的情况下，它的全部潜力才能实现。
GenAI将改变程序员的工作性质和未来程序员的学习方式。编写源代码将变得更容易、更快，但编程与其说是磨代码行，不如说是解决问题。GenAI将允许程序员花更多的时间了解他们需要解决的问题，管理复杂性，并测试结果，从而产生更好的软件：更可靠、更容易使用的软件。
最终将确定在企业中采用LLM的主要价值用例。虽然2023年是关于梦想GenAI的可能性，但2024年将是该企业将其付诸实施的一年。经过一年的猜测，企业最终将具体应用低成本管理来简化他们的工作流程。到今年年底，将有几个命名的基于场景的价值领域为人们所理解，让我们超越“假设”，并揭示清晰的用例。
GenAI将继续面临组织审查：随着2023年GenAI工具的快速增长，组织将在新的一年加强对AI工具对员工和系统影响的审查。一个挑战是围绕AI工具合法性的错误信息和问题的持续存在，包括被曝光的源代码和确定员工收到的结果的合法性的能力。领导者将需要建立方法来验证和验证信息，同时定义明确的参数来确定员工如何在其组织内使用AI工具。
将GenAI从试点转向生产：GenAI正在影响组织的投资决策。虽然早期的GenAI试点显示出了希望，但由于实践经验有限和快速发展，大多数组织仍然对全面生产部署持谨慎态度。2023年，大多数组织都在进行小规模、有针对性的试验，以仔细评估收益和风险。随着GenAI技术的成熟，并通过预先培训的模型、云计算和开源工具变得更加民主化，2024年预算分配将更多地转向GenAI。
GenAI将释放隐藏在非结构化企业数据中的价值和风险：非结构化数据-主要是内部文档存储库-将成为企业IT和数据治理团队的紧迫重点。到目前为止，这些内容存储库几乎没有在操作系统和传统预测模型中使用，因此它们一直不在数据和治理团队的雷达上。基于GenAI的聊天机器人和微调的基础模型将解锁这些数据的一系列新应用，但也将使治理变得至关重要。在没有实施管理数据和GenAI模型的必要流程和平台的情况下，匆忙开发GenAI用例的公司将发现自己的项目陷入了PoC炼狱，甚至更糟。这些新要求将产生管理非结构化数据源的专门工具和技术。
OpenAI戏剧将继续充斥着2024年：山姆·奥特曼被赶下台并重新加入OpenAI创造了充斥着八卦和热门镜头的新闻周期，我怀疑OpenAI故事将继续占据整个明年的头条新闻。潜在的催化剂-独特的非营利性/营利性混合结构、巨大的成本、风险和AI的承诺-没有改变，随着该领域的发展速度，这些力量明年有足够的机会一次又一次达到顶点。
随着“GenAI时代”进入第二个年头，我们将开始在企业中看到AI应用的更多目的和秩序：在OpenAI和谷歌等公司随后推出的创新的推动下，关于如何使用GenAI所能做的事情，“哇”效应连续第二年保持突出，世界各地的组织都将开始弄清楚如何利用AI能力来实现他们的目的，而不仅仅是对“可能的艺术”感到惊讶。各种企业产品中的第一代AI能力，专注于低悬、不复杂的场景，如各类副驾驶，将不再轻易让每一个第一次看到它们的人惊叹和眼花缭乱。其结果将是要求AI支持的能力专注于使用价值，并被利用来解决真正的问题。
更多地采用GenAI将推动对干净数据的需求。GenAI的基础是数据。也就是说，为了发挥预期的作用，数据是这项新技术的基础。然而，这些数据也需要是干净的。无论您从哪里提取数据——无论您使用的是建模还是您选择的仓库——高质量的数据都是必不可少的。糟糕的数据可能会导致糟糕的建议、不准确、偏见等。随着越来越多的组织寻求在其组织中利用GenAI的力量，拥有强大的数据治理战略将变得更加重要。确保您的数据管理员能够访问和控制这些数据也将是关键。
60%的企业员工将接受及时的工程培训。随着AI成为所有员工未来企业工作场所生产力的中心，团队将需要继续投资于数据/AI素养计划，以缩小学习如何设计成功提示的技能差距。不要将这项重要的培训留给L&D-IT需要为员工制定BYOAI指南和企业培训计划，以帮助他们一致而安全地最好地利用GenAI。
更多的组织将加入AI操作系统的潮流：GenAI操作系统将在未来一年得到更多关注和投资。AI操作系统是AI与其他一切事物之间的接口，从利用GenAI工具的工程师和设计师，到由GenAI训练的机器人系统，以模仿人类在物理世界中的行为和行动。由于广泛采用AI的高风险得到了很好的证明，随着更多的公司和公共部门组织大规模采用先进的AI技术，组织将更加强调构建操作系统的重要性，这些操作系统可以充当AI和其他一切之间的中介。
从搜索引擎到智能助手：检索增强生成(RAG)如何在2024年改善大型语言模型响应：随着日历翻到2024年，一个鲜为人知的术语将吸引科技界的注意力。尽管到目前为止还没有得到广泛的认可，但提取增强生成(RAG)作为一种技术人员的变革性框架已经开始引起轰动。RAG通过从外部来源(如外部知识库)捕获信息来增强大型语言模型(LLM)的功能，并通过包括LLM新的数据来提高搜索响应的质量和准确性。可以将RAG看作是根据您的需求个性化LLM，提供相同的LLM智能洞察，但来自您的数据。这就像从常规的互联网搜索升级到拥有一个私人研究助理，他能准确地找到你需要的东西。财务决策者已经看到了GenAI为其组织中的其他利益相关者带来的好处。首席投资官们渴望应用GenAI，以缩小“洞察时间”差距，同时过滤更多信息，以产生更准确的结果。多亏了改进RAG的创新，确保适当访问查询的复杂圈护已经成为现实。在短期内，我相信RAG将继续克服与低成本管理的知识差距，提高准确性，并作为包括投资管理在内的多个行业的知识密集型活动的解决方案。此外，RAG可以限制LLM使用哪些数据来处理，从而确保响应仅来自RAG数据，而不是来自一般的LLM数据。RAG还可以提供数据来源的引用，这样用户就可以对回答有信心。增强安全性，您可以拥有多个RAG数据源并锁定对某些数据源的访问。这样，只有这些数据源的授权用户才能使用LLM来回答有关该敏感数据的问题。展望2024年，高度监管的行业预计将推动GenAI的采用，RAG能够为其利益相关者捕获更好的信息。
私有LLM将腾飞：对数据隐私和安全的担忧将促使组织在2024年投资于根据其特定需求和数据集定制的私有LLM。这些私人LLM将进行微调，以确保更好地遵守监管标准和数据保护要求。这种向以隐私为中心的LLMS的转变将使企业能够更好地控制其AI应用程序，培养用户之间的信任，并为从医疗保健到金融等行业的创新和安全的AI解决方案打开大门。
创造性的AI计划将由业务线而不是IT驱动：高管传统上要求组织采用新工具来支持新的(更好的)业务实践并节省资金，即使用户更愿意坚持他们已经知道的。它支持在实施团队讨论变更管理程序、对可能不情愿的用户进行广泛培训并杜绝任何继续使用旧工具的情况下推出这些工具。然而，确保合规并迅速实现预期的好处并不是一件容易的事情。到2024年，GenAI将是相反的。用户对支持GenAI的解决方案的热情是显而易见的，因为许多人已经以各种形式尝试过这些工具。GenAI的用户友好特性及其自然语言界面，促进了非技术利益相关者的无缝采用。然而，技术团队仍在努力应对固有的挑战，包括幻觉、缺乏可解释性、特定领域的知识限制和成本问题。在一些组织中，在他们的技术团队跟上速度之前，禁止使用GenAI。检测“影子”使用情况，即个人在短暂的安静之后突然变得高度高效，这给实施挑战增加了额外的复杂性。明年，各组织将制定一个流程来评估众多可用选项，并允许企业使用能够应对GenAI在企业环境中的所有挑战的少数工具。
GenAI成熟度如表中所示：GenAI能力的广泛民主化永远重塑了知识工作和全球劳动力市场的动态，已经被大流行和复苏时间表撼动。整个行业的广泛共识是，尽管接受GenAI在今天似乎是可选的，但很快就会面临要么拥抱它，要么灭亡的选择。预计GenAI将增强业务、技术和安全决策，导致对AI治理和道德要求的更多关注。这种努力的一个例子是最近发布的白宫行政命令，呼吁AI供应商在国家安全和公共安全的背景下确保AI平台的信任、安全和保障。随着这一领域的创新重新定义我们与数字生态系统的关系，对AI技能的需求将继续增长。
释放GenAI的潜力将需要卓越的数据：数据是释放GenAI潜力的货币。没有准确、可靠的数据，组织将无法交付关键结果。在接下来的一年里，CIO将需要优先考虑数据质量，以便试验和测试GenAI如何最好地为整个组织提供服务并推动其发展。
AI的下一个阶段是从Gen.AI到AGI：GenAI及其方向有了明显的转变。人们的注意力越来越集中在通用人工智能(AGI)和智能代理的崛起上。对于代理来说，在AlOps和MLOPS世界中有两个部分将是至关重要的。一个纯粹是关于学习控制和基础设施管理，代理确保自动配置管理和漂移保护。学习代理需要了解如何进行改进、执行、提供反馈并确定应该如何修改绩效。这种做法适用于AI基础设施管理，确保由代理构建和测试部署任务。展望近期的议程，工作场所内的趋势，尤其是大公司，将与AI联系在一起，组织将需要控制代理。如果没有适当的基础设施，组织不能让AI变得自主。要使AI的下一阶段从GenAI延伸到AGI，首先需要建立基础设施，而嵌入平台工程将对加快应用程序的交付至关重要。无论学习系统位于何处(混合云或私有云)，组织都需要配置才能正常工作。
定制企业基础模型(FM)的兴起：随着我们进入2024年，围绕开源与封闭源代码的争论只会变得更加激烈。像Meta的Llama这样的开源LLM正在追赶像GPT-4这样的闭源LLM。这两种模式都在性能和隐私方面进行了权衡。企业会希望在两条战线上都能做到。最近的更新，如OpenAI Enterprise，允许企业构建适合其解决方案的定制模型。同样，开源模型允许企业构建考虑隐私的轻量级定制模型。这一趋势将继续下去，我们将看到定制的微型语言模型占据中心舞台。
“我也是”AI供应商沉没，GenAI陷入幻灭的低谷：目前，GenAI正处于其炒作周期的顶峰。明年，当一些组织的AI投资无法提供他们预期的完全转型时，他们的幻想将开始破灭。客户将对那些在AI竞赛中姗姗来迟的供应商变得谨慎，他们增加了几乎没有商业价值或令人信服的功能的AI功能。但是，权衡自己的期望并正确使用GenAI的组织-支持经过验证的用例-可以避免这种幻想破灭，并从AI中看到预期的价值。
2024年将是企业级开源AI采用年。到目前为止，在企业中采用基于生产的有意义的LLM的例子还不多。例如，围绕企业级弹性、安全性、正常运行时间或可预测性构建的产品并不多。在接下来的一年里，一些公司将通过利用开放源码语言模型并使其更适合生产来扭转局面。这将产生更多用于企业级场景的无服务器、开放源码语言模型，允许企业以一种更交钥匙的方式采用这项技术。
多亏了检索增强生成(RAG)，GenAI将变得更加现实：这项技术将允许工程师将干净的业务数据输入LLMS模型，以减少幻觉和基于事实信息的地面输出。这些干净的业务数据将由在组织范围内处理数据提取、清理、标准化和丰富的传统数据管道生成。RAG现在开始出现，并将在明年看到越来越多的人采用，因为企业寻求确保从GenAI获得更准确的结果。
走向AGI-记忆、输入和学习：AGI的追求将集中在三个关键领域：增强LLMS的长期记忆，实现持续输入和内部状态，以及推进强化学习。克劳德2和GPT-4 Turbo中增加的上下文长度以及旨在更好地记忆和持续学习的体系结构等发展就是这种趋势的例证。关于OpenAI的Q*算法的传言也表明在这个方向上取得了重大进展。这些对2024年的预测不仅反映了AI和大数据的快速发展，还突显了行业格局的转变，效率、多模式和更深层次的AI能力将推动创新和竞争。
GenAI可能会扼杀创新：当你拥有第一部iPhone时，你很快就会忘记别人的电话号码。当你开始使用谷歌地图或Waze时，你的导航能力也会发生同样的变化。同样，在接下来的几年里，我们将看到人们失去了创新技能，因为他们变得更加依赖GenAI来帮助生成代码。我们将不得不开始思考如何在2024年保存知识和鼓励创新。
多模式LLM和数据库将使各行业的AI应用程序进入一个新的前沿：2024年最令人兴奋的趋势之一将是多模式LLM的兴起。随着这种情况的出现，对能够存储、管理和允许跨不同数据类型进行高效查询的多模式数据库的需求也在增长。然而，多模式数据集的大小和复杂性对传统数据库构成了挑战，这些数据库通常被设计为存储和查询单一类型的数据，如文本或图像。另一方面，多模式数据库的用途和功能要强大得多。它们代表了LLMS发展的自然进程，包括使用文本、图像、音频和视频等多种形式处理和理解信息的不同方面。将有许多用例和行业直接受益于多模式方法，包括医疗保健、机器人、电子商务、教育、零售和游戏。2024年及以后，多模式数据库将出现显著增长和投资，因此企业可以继续推动AI支持的应用程序。
GenAI将很快从夸大期望的巅峰走向幻想破灭的低谷。说得委婉些，现在有很多关于GenAI的炒作。然而，所有这些炒作都意味着，对于一些组织来说，采用这项技术更多的是为了“与琼斯并驾齐驱”，而不是因为它确实是他们试图解决的特定问题的最佳解决方案。因此，我们很可能会看到大量资金投资于失败的GenAI项目——因此，失败进入了幻想破灭的低谷。这是一个闪亮的新物体，许多CIO和其他高级领导人可能会感到压力，不得不说他们已经有了一个富有创造力的AI项目。限制这些失败项目的关键在于真正确保您的组织理解使用GenAI的具体原因，它与定义的业务结果捆绑在一起，并且有一种衡量投资成功的方法。
创新型AI将导致高管之间的冲突，因为他们正在争夺企业内部对其议程的控制权：近一半的高管报告称，他们的AI投资明年将增加，以加入创新型AI的潮流，而70%的高管已经处于创新型AI探索模式。现在，组织正在加快企业对AI的采用，每个高管都希望成为带领他们的公司踏上AI之旅的人。2024年，随着更多参与者进入聊天以获得控制权，从首席技术官到CIO再到数据分析高管，AI议程将变得更加复杂。首席执行官将需要确定他们在AI方面的机会在哪里，以及他们必须与不同部门进行什么对话，以决定谁应该是带头人。与此同时，CIO们正面临着来自首席执行官的压力，要求他们扩大对GenAI的使用。2024年，随着战斗的继续，我们将看到CIO们继续推进他们的探索性AI实验和项目。
一支由较小的、专业的大型语言模型组成的大军将战胜巨大的通用模型。正如我们在“大数据”时代所看到的——越大越好。模型的“赢家”不是基于它们拥有多少参数，而是基于它们在特定领域任务上的有效性和效率。公司将拥有自己的专注型机型组合，而不是由一两个巨型机型来统领一切，每个机型都针对特定的任务进行了微调，并将规模降至最小，以降低计算成本和提高性能。
GenAI将其重点转向结构化的企业数据：企业将接受使用GenAI从结构化数字数据中提取见解，从而增强GenAI在从图像、视频、文本和音频生成原创内容方面的传统应用。生成式AI将坚持自动化数据分析，简化模式、异常和趋势的快速识别，特别是在传感器和机器数据用例中。这种自动化将支持预测性分析，使企业能够主动响应不断变化的条件、优化运营并改善客户体验。
AI支持的人类质量翻译将使生产率提高10倍或更多：在2023年初，每个人都认为仅靠LLMS就能产生人类质量的翻译。在过去的一年里，我们发现了LLM翻译中的多个差距，从幻觉到英语以外的语言表现不佳。与云存储或服务一样，AI支持的人类质量翻译正日益朝着这样一种成本发展：翻译几乎所有内容的ROI都变得有吸引力，为那些使用它进入全球市场的公司创造了竞争优势。与2024年语言服务行业将萎缩的共同信念相反，随着更多内容的本地化，该行业将会增长，但成本更低。2024年将是翻译成本直线下降的一年。由语言AI和AI支持的语言质量保证支持的翻译人员将其工作效率提高10倍或更多。
虽然2023年人们对似乎潜力无限的AI(AI)的出现大肆炒作，但在医疗保健领域，我们已经开始看到基于大型语言模型(LLM)的说明性解决方案在提供临床建议和见解方面的局限性。2024年，我们预计，在AI方面日益成熟的临床医生将想方设法降低接受基于LLM的解决方案的处方建议的潜在风险，转而选择提供基于证据和可解释的建议的负责任的AI解决方案。随着重点转向负责任的AI，寻求将创新的AI技术纳入其组织的临床工作流的医疗领导者将需要意识到这些工具是如何工作的。依赖许可的LLM的解决方案不能为个别患者的护理提供量身定制的建议，因为这些解决方案基于数百万个数据点，而没有特别强调个人。这些解决方案的“黑箱”性质缺乏个性化的焦点和“可解释性”，这将强调临床医生在他们的决策中拥有最终决定权的必要性。因此，我们预计2024年将出现自然分裂：现有的提供临床建议的解决方案将越来越多地基于特定数据，并为AI生成的见解提供证据。相比之下，旨在支持临床医生编写文档和访问摘要的解决方案严重依赖自然语言生成，将从使用通用LLM中受益。
在AI和低成本管理不断增加人气的同时，潜在的危险也会增加：随着2023年AI和低成本管理的快速崛起，以创新和效率为标志的商业格局已经发生了深刻的变化。但这种快速增长也引发了人们对敏感数据的利用和保护的担忧。不幸的是，初步迹象显示，数据安全问题明年只会加剧。在有效的提示下，LLM擅长从训练数据中提取有价值的见解，但这带来了一系列独特的挑战，需要现代技术解决方案。随着AI和低成本管理的使用在2024年继续增长，至关重要的是在潜在好处与降低风险和确保负责任使用的需要之间取得平衡。如果对AI可以访问的数据没有严格的数据保护，数据泄露的风险就会增加，这可能会导致财务损失、监管罚款和组织声誉严重受损。 组织内部也存在内部威胁的危险风险，可信人员可以利用AI和LLM工具进行未经授权的数据共享，无论是否恶意操作，都可能导致知识产权盗窃、企业间谍活动和组织声誉受损。 在未来一年，组织将通过实施全面的数据治理框架来应对这些挑战，包括数据分类、访问控制、匿名化、频繁的审计和监控、监管合规性、。和持续的员工培训。此外，基于SaaS的数据治理和数据安全解决方案将在保护数据方面发挥关键作用，因为它使组织能够将其融入其现有框架，而不会遇到障碍。
GenAI和大型语言模型(LLM)的炒作将开始消退：毫无疑问，GenAI是一次重大飞跃;然而，许多人严重高估了实际可能发生的事情。尽管生成的文本、图像和声音可能看起来非常真实，看起来就像是经过深思熟虑和对准确性的渴望创造出来的，但它们实际上只是统计上相关的词或图像的集合，它们很好地结合在一起(但在现实中，可能完全不准确)。好消息是，如果最终用户充分考虑到AI的所有好处和限制，那么AI的实际输出可能会非常有用。
因此，2024年将对组织进行现实检查，了解GenAI和LLMS可以为其业务带来的真正限制和好处，评估的结果将重置这些技术的战略和采用。供应商需要让那些对AI创造的任何东西都持适当怀疑态度的最终用户清楚地看到这些好处和限制。必须考虑准确性、可解释性、安全性和总成本等关键要素。在接下来的一年里，GenAI领域将适应企业的一种新范式，在这种范式中，他们只在生产中部署少数几个由GenAI支持的应用程序，以解决特定的用例。
向量城镇的单程票：随着AI从头开始构建新的应用程序，以及随着LLMS集成到现有应用程序中，向量数据库将在技术堆栈中扮演越来越重要的角色，就像过去的应用程序数据库一样。团队将需要可扩展、易于使用和操作简单的矢量数据存储，因为他们寻求创建具有新的LLM支持功能的支持AI的产品。
LLM提供商之间的竞争：大型语言模型(LLM)的格局正在升温。OpenAI凭借其GPT-4 Turbo一直处于领先地位，但其他公司，如Anthropic的Claude，谷歌的Gemini和Meta的Llama紧随其后。OpenAI最近的管理层动荡，尤其是涉及Sam Altman的动荡，为这些竞争对手打开了前进的机会，并有可能在某些领域超越OpenAI。
随着组织机构意识到没有灵丹妙药，GenAI将达到幻灭的低谷。毫无疑问，GenAI的使用将在2024年继续爆炸式增长。然而，许多组织可能会对GenAI的性能感到失望，如果他们对其好处多快就能实现的期望是不切实际的，或者如果他们没有专业知识来有效地实施和使用它。在2024年，我们可以预期看到对GenAI的幻想破灭。这并不是说GenAI是一种失败。这只是意味着，GenAI解决方案需要更多时间才能达到预期结果，才能与炒作相匹配。
人们对矢量数据库的兴趣将会激增，但它不会持久：矢量数据库将成为许多人讨论的热门新领域，但最终将在几年后被关系数据库所吸收。每隔十年左右，就会有一种新的数据库技术被宣布为关系数据库的终结，开发人员跳上了这股潮流，结果却发现关系模型非常灵活，关系数据库供应商可以很容易地将新技术适应到他们的产品中。以PostgreSQL的pgVector为例，说明关系数据库如何处理今天的矢量数据，以及为什么您将能够忽略有关专用矢量数据库的炒作。围绕pgVector和PostgreSQL的社区能够快速支持这一围绕矢量数据的用例-该项目始于2021年，但今年发展迅速，所有人都对GenAI和矢量数据感兴趣。对于那些考虑这一领域并考虑在他们的项目中实现开放源码组件的人来说，pgVector使PostgreSQL成为一个显而易见的选择。
公司正在加快投资，以保护员工的GenAI，以及它们的整体AI投资：对技术的投资正在增加，甚至超过了对办公空间的投资。AI带来的增长潜力可能是当今所有类别中最大的，但也是一些最大的风险。公司将投资于抓住AI优势，同时积极缓解和解决其风险因素。随着GenAI在工作场所发挥作用，雇主们正在投资于指导方针、风险缓解技术和参数，特别是在保护公司信息不受“未知”风险因素影响方面。麦肯锡2023年的一份报告称，报告采用AI的公司中有60%正在使用GenAI。Walkme相信，这一数字将继续增长，沿着类似于云和互联网采用的道路。同一份报告发现，GenAI最大的两个风险是不准确和网络安全。我们预计这些问题将会升级，随着技术状况的改善，企业面对风险的能力将会提高。
越来越多的组织正在尝试GenAI，并在更广泛的范围内增加对机器学习的投资。对于想要促进在云平台上运行ML作业的平台团队来说，有如此多的操作挑战。MLOPS目前是一个热门话题，但仍处于采用的早期阶段——随着越来越多的组织成熟其ML基础设施，我们将看到那里的进步。
LLM过渡到更小的模型以实现更好的可访问性：尽管LLM的通用性令人印象深刻，但它们需要大量的计算和存储来开发、调优和使用，因此可能会使绝大多数组织望而却步。只有资源极其丰富的公司才有办法获取这些资源。由于需要有一条使它们在经济上更可行的前进道路，我们应该期待看到分散使用它们并使其民主化的解决方案。我们应该期待更多、更专注、更小、功耗更低的机型更容易为更广泛的用户所用。这些聚焦的模型也应该不太容易受到LLM经常遭受的幻觉影响的影响。
数据所有权的讨论将会升温：随着大型语言模型(LLM)变得更加强大和复杂，关于数据所有权的辩论将会越来越激烈。与我们看到的开源代码类似，关于大公司如何使用他们不拥有的数据来训练他们的模型的讨论正在进行中，这可能导致权力集中在少数几家大公司手中。为了解决这个问题，我们将看到新的数据许可框架。这些框架应确保数据所有者因使用其数据而得到公平补偿，并确保用户能够以负责任和合乎道德的方式访问和使用数据。
投资AI聊天机器人，还是不投资：我们知道，Z世代通常会寻找数字交流形式，而不是必须通过电话与某人交谈，这在客户服务请求方面尤其如此。需要注意的是，这一群体希望他们的媒体和技术以一种支持连接、参与和实用的共生关系工作;他们在看到时知道良好的客户体验，并会避免任何提供低于平均水平的体验的东西。组织正在投资于GenAI功能，以吸引人们更长时间地使用他们的应用程序，并在Z世代用户中推动更多的活动。这是正确的举措，如果操作得当，可能会产生巨大的影响。组织不会仅仅通过创造更好的聊天机器人来获得成功，因为Z世代渴望真实的联系和实用，这是很难复制的。如果聊天机器人能够为用户提供新的体验、推荐和其他有用的服务，那么它可能会增加特定应用程序或品牌网站的活跃度。话虽如此，用户可能会对genAI机器人持怀疑和谨慎态度，组织将需要展示渐进式的胜利，以加强聊天机器人的安全性和价值。
虽然2023年是GenAI的突破之年，但由于数据障碍，供应链行业的采用一直滞后-只有3%的组织报告使用GenAI进行供应链管理。手工、基于纸面的流程仍然主导着全球贸易，因此许多供应链公司难以统一来自不同来源的海量非结构化数据。然而，解决了这一数据问题的公司将使2024年成为GenAI供应链突破的一年。随着多产AI模型被培训为供应链专家，全球供应链将变得更加自主、自我修复和自我优化。例如，生成式AI可以告诉发货人异常(其发货因极端天气而延迟)，如何处理(重新路由到更可靠的位置)，最终甚至执行解决方案。通过告诉公司需要将精力集中在哪里，这些AI创新将使全球品牌能够提供更好的客户体验，并以最低的成本和对环境的影响发展业务。
GenAI主导了今年的讨论，这是有充分理由的-它将在2024年显著成熟并扩大规模。GenAI有大量的应用程序，目前正处于实验阶段，并准备发展。真正的价值在于它能够帮助人们理解各种内部用例中的非结构化信息——解析大量的文档，生成更简洁、更具信息性的摘要，并促进与这些文档的问答交互，从而确保跨多个领域的一致性。最重要的是，LLM界面和基于文本的界面将成为几乎所有软件产品不可或缺的组件。这些界面将用于一切，从控制应用程序到为用户关于应用程序本身的询问提供答案。我们开始在拥有面向消费者元素的企业网站上看到这一点。此外，在接下来的一年里，我们预计将看到向更小、更专业的LLM转变，从而减少他们培训所需的数据量。这一转变与更广泛地推动开放源码解决方案相一致，特别是可以证明信息源谱系的模型。
GenAI和AI编码助手将从一些人所说的代码接受率为25%-30%的初级开发人员级别，通过嵌入的上下文状态转变为CTO状态。添加更多上下文的能力，包括运行时上下文，将指数级增加价值，并大幅提高AI生成代码的接受率(70%或更高)。目前，深度调试、多文件更改、使用大文件作为输入等活动超出了大多数编码助手的范围。
GenAI将转型：2024年，GenAI将驱动各个领域的转型，使其更具紧迫性和变革性。在定制的GenAI代理的帮助下，阅读、组织和清理非结构化数据等任务可以“AI优先”完成，从而减少了大量的手动工作。GenAI可以从任何地方访问数据，但治理、数据管道和流程仍将是管理质量、支持结果、评估价值、确定权利和实现合规性所必需的。GenAI与云相结合，可以加快与数据相关的转型计划。此外，GenAI可以使组织超越竞争对手，加速转型，处理财务、税务、法律、IT、合规和其他部门的复杂任务和流程。利用GenAI作为转型的催化剂可能会在竞争对手之间造成分歧，而未能利用GenAI的组织可能难以与那些利用GenAI的组织竞争。
我们如何将GenAI用于我们的业务?我们是构建还是购买自己的AI解决方案?我们如何提高员工的技能，以跟上AI的步伐?这些问题围绕着所有行业——不仅仅是科技行业——并指向一个共同的主题：2024年是产生型AI将显著影响工作未来的一年。新技术的引入往往伴随着来自企业领导人的巨大压力，要求他们迅速部署这些新解决方案。在2024年，我们将看到组织意识到他们不能再等待和观望。他们需要找到在AI上全力以赴的方法。在接下来的6-12个月里，我们将看到一场重大变革，更多的组织将投资于AI战略，并找到使用该技术重新想象其工作流程并提高效率的方法。
2023年，公司正在探索AI的基础知识，但我们预计2024年对定制AI模型的需求将激增。尽管像GPT-4这样的LLM知识渊博，但将它们应用于新的领域会带来挑战。为了解决这一知识鸿沟，我们预计会出现“知识注入”，即LLM与领域特定的数据集成，以获得更专门的、上下文感知的AI解决方案。例如，将通用LLM与患者记录合并可以增强医疗保健部门的整体患者-提供者体验。在商业上，将AI与客户互动联系起来，可以提供模式销售领域的专业知识，并使收入团队受益。随着我们接近2024年，像知识注入这样的趋势为企业提供了利用具有特定数据库的LLM来促进创新和增长的机会。
