AI kaštai. Kokia yra AI įgyvendinimo kaina įmonėje? | AI versle #93

AI kaštai. Nuo ko jie priklauso?

Kaštai, susiję su dirbtinio intelekto (DI) įgyvendinimu, yra įvairūs ir priklauso nuo daugelio veiksnių. Norėdami suprasti, kurie elementai turi didžiausią įtaką galutinei kainai, parengėme svarbiausiųjų sąrašą:

• įgyvendinimo apimtis – organizacijos, kurios skiria bent 20% savo pelno prieš palūkanas ir mokesčius (EBIT) DI diegimui, laikomos DI naudojimo lyderėmis. Pagal McKinsey Global Survey on AI ataskaitą, jos dažnai investuoja daugiau į šias technologijas. Taigi, didelis DI indėlis į įmonės pelną gali padidinti įgyvendinimo kaštus.
• prieiga prie specialistų – specializuotų pozicijų, tokių kaip duomenų inžinieriai, mašininio mokymosi specialistai ar duomenų mokslininkai, poreikis gali reikšmingai paveikti DI įgyvendinimo kaštus. Šių specialistų prieinamumas ir kaina darbo rinkoje yra pagrindiniai veiksniai, lemiantys DI kaštus įmonei.
• leidžiami veiklos kaštai – pasirinkimas tarp individualių DI sprendimų ir standartinės programinės įrangos turi įtakos kaštams. Individualūs sprendimai gali kainuoti nuo 6 000 iki daugiau nei 300 000 dolerių. Tuo tarpu standartinė programinė įranga kainuoja iki 40 000 dolerių per metus.
• DI diegimo platus ir gylis – įmonės, kurios naudoja DI keliuose departamentuose, gali patirti didesnius kaštus nei tos, kurios apsiriboja vienkartinėmis programomis.
• ateities investicijų planai – įmonės, planuojančios didinti investicijas į DI artimiausiais metais, turi numatyti didesnes išlaidas šios technologijos įgyvendinimui ir plėtrai. Tačiau ši investicija greičiausiai bus būtina įmonių augimui. Net du trečdaliai respondentų McKinsey Global Survey on AI tikisi, kad DI investicijos per artimiausius trejus metus padidės.

Šis sąrašas pabrėžia, kad DI kaštai yra sudėtingi ir reikalauja individualaus analizės. Pavyzdžiui, įmonė, pasirinkusi duomenų analizės sistemos įgyvendinimą, turi apsvarstyti tiek programinės įrangos pirkimo, tiek specialistų, galinčių ja naudotis, kaštus.

DI modelio mokymo kaštai

Vienas iš dažniausiai pasitaikančių kaštų, susijusių su dirbtinio intelekto įgyvendinimu, kuris atbaido žmones nuo investicijų, yra DI modelio mokymo kaštai. Tai procesas, kuris reikalauja tiek ekspertizės, tiek finansinių išteklių. Visų pirma, norint apmokyti DI modelį, reikia surinkti pakankamai duomenų ir atlikti duomenų analizę.

Tai kada modelio mokymas turi prasmę? Tik tada, kai įmonė gali tikėtis reikšmingų efektyvumo patobulinimų arba padidėjusių pelnų naudojant DI. Modelio mokymo kaštai yra vienas iš aspektų, kurį labai sunku įvertinti. Tai priklauso nuo jo sudėtingumo, modelio taikymo ir įmonės reikalavimų.

Pavyzdys gali būti DI sistemos įgyvendinimas, skirtas internetinės parduotuvės pasiūlymo personalizavimui, kur tiksliai apmokytas modelis gali reikšmingai padidinti pardavimus, pritaikydamas produktus individualiems klientų pageidavimams. Tokiu atveju modelio mokymo kaštai yra investicija, kuri duoda apčiuopiamų naudų.

Dar viena DI įgyvendinimo sritis, reikalaujanti modelio mokymo, yra logistikos procesų optimizavimas. Teisingai apmokytas modelis sumažins transportavimo kaštus, kas laikui bėgant padidins konkurencingumą ir pagerins pristatymo laiką.

Kainodaros planai

Prenumerata yra populiari galimybė verslams, siekiantiems pasinaudoti pažangiomis technologijomis, nesukuriant didelių išankstinių investicijų. Štai keletas pavyzdinių prenumeratos kaštų:

• DI pokalbių robotai – jie dažniausiai naudojami automatizuojant kai kurias klientų aptarnavimo užduotis; verta apsvarstyti tokias sprendimus kaip Drift (mėnesio kaina nuo 400 iki 1500 dolerių), TARS (nuo 99 iki 499 dolerių per mėnesį) arba Intercom Fin (nuo 39 iki 139 dolerių per mėnesį).
• DI turinio analizės sistemos SEO – jos gali kainuoti apie 150 dolerių per mėnesį, pavyzdžiui, Contadu (nuo 79 iki 297 dolerių per mėnesį).
• DI kodavimo asistentai – populiariausio įrankio Github Copilot, kuris remiasi GPT-4 modeliu, kainos prasideda nuo 10/40 zl per mėnesį.
• ChatGPT Plus arba Perplexity – tai kainuoja apie 20 dolerių per mėnesį vienam vartotojui, nemokama alternatyva yra Google Bard arba Microsoft Bing/Copilot.

Prieš nusprendžiant dėl DI įrankio, verslininkai turėtų atidžiai analizuoti savo poreikius ir galimybes. Pavyzdžiui, konsultacijų įmonė gali pasirinkti prenumeratą duomenų analizės įrankiui, kad efektyviau teiktų vertingas įžvalgas klientams.

DI kaštai naudojant populiarius API

Programų sąsaja, arba API DI, yra įrankiai, leidžiantys integruoti DI funkcijas su esamomis sistemomis, programomis ir paslaugomis. Populiarių API naudojimo kaštai paprastai skaičiuojami pagal naudojamų tokenų skaičių ir pasirinktą modelį.

Populiariausių modelių OpenAI API mokesčiai:

• GPT-4 Turbo kainuoja 0,01 dolerio už 1K tokenų įvesties ir 0,03 dolerio už 1K tokenų išvesties,
• GPT-3.5 Turbo – ankstesnio modelio kaina, pakankama daugumai verslo programų, yra apie 0,0005 dolerio už 1K tokenų įvesties ir 0,0015 dolerio už 1K tokenų išvesties.

Šaltinis: Martian (https://leaderboard.withmartian.com/)

Įmonės taip pat gali naudoti atvirą prieigą turinčius modelius, tokius kaip mixtral-8x7b arba llama2-70b. Veiklos kaštai yra daug mažesni, o API teikia, be kita ko:

• deepinfra (https://deepinfra.com/),
• Abacus (https://abacus.ai/llmapi), ir
• Perplexity (https://www.perplexity.ai/).

Bet kaip naudoti API, kad įgyvendintumėte DI savo versle? Puikus pavyzdys būtų API integravimas, skirtas generuoti produktų aprašymus internetinėje parduotuvėje, kas gali pagreitinti naujų prekių pridėjimo procesą ir pagerinti pateikiamos informacijos kokybę. Arba sukurti įrankį, kuris gali automatiškai generuoti personalizuotus atsakymus į klientų el. laiškus.

Išlaikyti DI komandą ar bendradarbiauti su išoriniais DI specialistais?

Kas turėtų rūpintis dirbtinio intelekto įgyvendinimu jūsų įmonėje? Jei neturite specialistų ar entuziastų – piliečių kūrėjų, jums tenka sprendimas tarp vidinės DI komandos išlaikymo ir bendradarbiavimo su išoriniais specialistais. Šis sprendimas gali turėti lemiamos įtakos DI projektų kaštams ir efektyvumui.

Išlaikyti DI komandą reiškia samdyti brangius ir patyrusius specialistus, įskaitant programuotojus ir duomenų mokslininkus.

Bendradarbiavimas su išoriniais DI specialistais gali būti pigesnis ir suteikti prieigą prie specializuotų įgūdžių. Tačiau tai gali padaryti mūsų sprendimą vėliau žymiai brangesnį, nes kiekvienas pakeitimas reikalauja specialistų pagalbos.

Pasirinkimas tarp vidinės komandos ir išorinių specialistų turėtų būti grindžiamas ne tik kaštais, bet ir įmonės strateginiais tikslais. Pavyzdžiui, maža įmonė gali pasirinkti dirbti su išoriniais specialistais, kad greitai įgyvendintų DI sprendimus, nesukurdama vidinės komandos. O vėliau pasinaudoti vienu iš mažiau specializuotų darbuotojų, kad palaikytų ją.

Ne tik pinigai – aplinkosaugos DI kaštai

Aplinkosaugos DI kaštai yra klausimas, kurio negalima ignoruoti ilgalaikėje įmonės strategijoje. Laimei, dauguma verslo lyderių, atsakiusių į McKinsey Global Survey on AI, yra sąmoningi apie daugelį rizikų, susijusių su generatyviu DI, įskaitant:

• socialines rizikas,
• humanitarines rizikas, ir
• grėsmes tvariam vystymuisi, kurios gali reikšti aplinkosaugos kaštus, susijusius su DI.

Organizacijos turėtų galvoti apie būdus, kaip valdyti aplinkosaugos rizikas, susijusias su DI, kai jį įgyvendina. Pavyzdžiui, įmonė, naudojanti DI didelių duomenų rinkiniams analizuoti, turėtų apsvarstyti savo veiklos poveikį energijos suvartojimui ir ieškoti būdų, kaip jį optimizuoti.

Santrauka – kiek kainuoja DI įmonėje?

Apibendrinant, DI kaštai įmonėje priklauso nuo daugelio kintamųjų, tokių kaip įgyvendinimo apimtis, prieiga prie specialistų ir plėtros planai. Įmonės, kurios daug investuoja į DI, gali patirti didesnius kaštus, tačiau taip pat gali gauti didesnę naudą.

Sprendimas įgyvendinti DI turėtų būti išankstinis išsamiam analizei ir pritaikytas individualiems įmonės poreikiams. Dinamiškai besikeičiančioje rinkoje DI gali būti raktas, leidžiantis išlaikyti konkurencingumą ir įmonės augimą.

Jei jums patinka mūsų turinys, prisijunkite prie mūsų užimtų bičių bendruomenės Facebook, Twitter, LinkedIn, Instagram, YouTube, Pinterest, TikTok.