Ģeneratīvais mākslīgais intelekts (“GenAI”) ir kļuvis par būtisku uzņēmējdarbības instrumentu, palīdzot uzņēmumiem optimizēt procesus, uzlabot efektivitāti un mazināt izmaksas. Tomēr, lai pilnībā izprastu GenAI ietekmi uz finansēm, ir svarīgi apskatīt šī instrumenta izmaksas no dažādiem aspektiem.
Katru reizi, kad GenAI modelis saņem vaicājumu (prompt), tas darbina lielos valodas modeļus, skaitļošanai izmantojot grafiskās procesoru vienības. Process, kurā ievadītos datus apstrādā, ir pazīstams kā dabiskās valodas apstrāde, un datus mēra žetonos (tokens). Katrs žetons atbilst apmēram četrām angļu valodas rakstzīmēm, un ar 1000 žetoniem var apstrādāt aptuveni 750 vārdus. Teksta ģenerēšanai GPT-4 modelim 1000 žetoni teksta ievadei izmaksā ap 0,03 USD un 1000 žetoni teksta izvadei izmaksā ap 0,06 USD. Piemēram, ja uzņēmumā ir 1000 darbinieku un katrs no tiem dienā veic desmit vaicājumus, katru 300 vārdu apmērā, ģenerējot 100 vārdu rezultātu, tad teksta ģenerēšanas izmaksas dienā būtu 198 USD – gadā ap 45 000 USD.
Izmaksu lielāko daļu rada GenAI modeļa pielāgošana (fine-tuning) konkrētajam uzdevumam vai domēnam, lai modelis ģenerētu vēlamo rezultātu. Piemēram, GenAI modelis, kas apmācīts veikt finanšu analīzi no gada pārskata datiem, ir jāpielāgo nodokļu piemērošanas izmaiņu dēļ. Modeļa pielāgošana ietver gan modeļa parametru pielāgošanu, gan jaunas datu kopas izmantošanu, lai padarītu modeļa izvades precīzākas attiecīgās valsts nodokļu kontekstā. Piemēram, OpenAI izmanto formulu, lai aprēķinātu kopējās modeļa pielāgošanas izmaksas.
Kopējās pielāgošanas izmaksas ir vienādas ar pamatmaksu par 1000 žetoniem reiz žetonu skaits ievades failā reiz modeļa pielāgošanai nepieciešamo iterāciju skaits. AI terminoloģijā iterācijas definē kā epohas (epochs). Piemēram, ja jāveic desmit iterācijas ar 50 000 žetoniem katrā un 1000 žetonu cena ir 0,008 USD (gpt-3.5-turbo modeļa apmācīšanas maksa), tad kopējās pielāgošanas izmaksas būtu:
10 * 50 000 / 1000 * 0,008 = 400 USD.
Lielo valodas modeļu infrastruktūras izbūve prasa ievērojamus ieguldījumus, tāpēc vairums uzņēmumu izvēlas izmantot mākoņpakalpojumus, lai uz tiem darbinātu GenAI modeļus. Mākoņpakalpojumu izmaksas iedalās vairākās pozīcijās: maksa par izmantošanas laiku, krātuves maksa, vispārējas nozīmes instances maksa, optimizētas skaitļošanas instances maksa, cena par gada abonēšanu. Lielākie publisko mākoņpakalpojumu sniedzēji šobrīd ir Amazon Web Services, Azure, Google Cloud Platform un Oracle, un katram no tiem cenas konkrētajā izmaksu pozīcijā atšķiras.
Izvēloties mākoņpakalpojumu arhitektūru GenAI modelim, galvenais apsvērums ir, vai tas tiks darbināts uz publiskā mākoņa, privātā mākoņa vai daudzmākoņu risinājumiem. Piemēram, medicīnas iestādēm ir svarīgi nodrošināt pacientu datu aizsardzību, tāpēc šķietami piemērotākas būtu privātās mākoņu krātuves, kas sākumā var izskatīties izdevīgākas par publiskajām, taču ilgtermiņā var novest pie papildu izmaksām to uzturēšanai un modeļu atjaunošanai.
Kopējās GenAI izmantošanas un pielāgošanas izmaksas var atšķirties atkarībā no vairākiem faktoriem, tostarp izmantotajiem pakalpojumiem un modeļa specifikācijām. Būtiski uzsvērt, ka viens no galvenajiem faktoriem GenAI modeļu veidošanā ir datu kvalitāte, jo bez augstas kvalitātes datiem GenAI modelis var prasīt vairākkārtēju pielāgošanu, tādējādi palielinot izmaksas un resursu patēriņu. Lai padarītu aprēķinus precīzākus, jāņem vērā arī darbaspēka apmācīšana GenAI lietošanā, datu drošības pasākumi un ētikas apsvērumi. Protams, svarīgi ir vienmēr konsultēties ar nozares ekspertiem, lai izsvērtu efektīvu un uzņēmumam izdevīgu GenAI izmantošanu.
Lai uzzinātu vairāk par GenAI tehnoloģiju, šā gada 23. maijā aicinām apmeklēt PwC’s Academy bezmaksas vebināru “Mākslīgā intelekta (GenAI) izmantošana praksē”.
Ja Jums ir kāds komentārs par šo rakstu, lūdzu, iesūtiet to šeit lv_mindlink@pwc.com
Uzdot jautājumuPwC 2023. gadā veiktajā aptaujā “Global Digital Trust Insights” vairāk nekā 70% no 3522 aptaujātajiem uzņēmējdarbības un informācijas tehnoloģiju vadītājiem apgalvoja, ka kopš 2020. gada ir veikuši būtiskus uzlabojumus kiberdrošībā. Vadītāji ir rīkojušies pareizi: pārvērtēti kiberriski, pārstrādāta drošības dokumentācija, uzlabota spēja aizsargāties pret izspiedējvīrusiem, vairota lietotāju apziņa par informācijas drošību. Tomēr gan 2022., gan 2023. kara gads ir izmainījis kibernoziegumu raksturu. 2021. gadā reti kāds sūdzējās par politiski un ideoloģiski motivētiem uzbrukumiem, taču kopš kara sākuma 2022. gadā šādu uzbrukumu īpatsvars ir kļuvis būtisks. Aktoru jeb kiberuzbrucēju, kuri savas zināšanas izmanto politisku vai ideoloģisku motīvu vadīti, aktivitāte ir nemainīgi augsta un salīdzināma ar izspiedējvīrusu un citu komerciāli motivētu uzbrucēju aktivitāti.
Pastāvīgi mainīgajā finanšu pārvaldības vidē varētu uzskatīt, ka tradicionālajiem rīkiem, piemēram, Excel, būtu pakāpeniski jānoveco un jātiek aizstātiem ar progresīvākiem programmatūras risinājumiem, kas racionalizē procesus un paaugstina efektivitāti. Tomēr, neskatoties uz plaši pieejamo finanšu tehnoloģiju klāstu un optimālu izmantošanu, uzņēmumi joprojām ikdienā plaši izmanto arī Excel.
Daudzi uzņēmēji ir sākuši apsvērt iespēju par savu preci vai pakalpojumu norēķināties ar virtuālo valūtu jeb kriptovalūtu vai saņemt maksājumus šajā formā. Daži pat apsver domu iegādāties virtuālo valūtu kā finanšu instrumentu. Kas īsti ir virtuālā valūta un kā to pareizi uzskaitīt? Šajā rakstā atradīsiet detalizētu izklāstu par virtuālās valūtas būtību un uzskaiti.
Mēs izmantojam sīkdatnes vietnes funkcionalitātes nodrošināšanai un satura kvalitātes uzlabošanai. Sīkdatnes bez kurām vietne nespēj funkcionēt ir vienmēr ieslēgtas, pārējās var brīvi ieslēgt/izslēgt izmantojot šo konfigurācijas paneli. PwC nepārdod Tavus datus trešajām personām.
Noklikšķinot uz “Apstiprināt visas sīkdatnes”, Tu piekrīti visu sīkdatņu veidu izmantošanai.
Plašāka informācija par sīkdatnēm pieejama sīkdatņu izmantošanas politikā..
Šīs sīkdatnes ir nepieciešamas lietotāju autentifikācijas nodrošināšanai. Tās var bloķēt izmantojot pārlūka uzstādījumus, taču šādā gadījumā nebūs iespējams autentificēties.
Šīs sīkdatnes ļauj mums analizēt tīmekļa vietnes apmeklējumu, datu plūsmu avotus un mērtīt vietnes veiktspēju. Šīs sīkdatnes neuzglabā personiski identificējamu informāciju.
Sīs sīkdatnes palīdz mums pielāgot vietnes saturu Jūsu interesēm un uzlabo reklāmu kvalitāti (neļauj tām nepārtraukti atkārtoties, utt).