قادة الفكر
المؤسسة الذكية: جعل الذكاء الاصطناعي التوليدي جاهزًا للشركات
دعونا نبدأ من هنا: نعم، الفرص للذكاء الاصطناعي التوليدي (GenAI) هائلة. نعم، إنه يغير العالم كما نعرفه (وسريع hơn مما توقع معظمنا). ونعم، التكنولوجيا تصبح أكثر ذكاءً. ومع ذلك، فإن الآثار على الشركات والأعمال مختلفة تمامًا عن تأثيرها على الجمهور العام – بعد كل شيء، معظم الشركات لا تكتب أشعارًا أو قصصًا (التي تحظى بشعبية بين مستخدمي ChatGPT)، بل تقدم خدمات لعملائها.
لدي العديد من الشركات خبرة في معالجة اللغة الطبيعية (NLP) وبرامج الدردشة منخفضة المستوى، ولكن GenAI يسرع من كيفية دمج البيانات وفهمها وتحويلها إلى نتائج تجارية. لذلك، يتعين عليها تحديد بسرعة الحالات التي يمكن أن تحل تحدياتها التجارية الأكثر إلحاحًا وتحفز النمو. لفهم كيف يمكن للشركات جعل GenAI جاهزًا للشركات مع بياناتها، من المهم مراجعة كيف وصلنا إلى هذه النقطة.
الرحلة من NLP إلى نموذج اللغة الكبير (LLM)
حاولت التكنولوجيا لفترة طويلة فهم اللغات الطبيعية. في حين أن اللغة البشرية نفسها هي شكل متطور من التعبير البشري، فإن حقيقة أن البشر تطورت إلى العديد من اللهجات حول العالم – من الرموز والصوت إلى السلاسل والصوتيات واللغات – تركت التكنولوجيا تعتمد على أساليب الاتصال الرقمية البسيطة بالبتات والبايتات، إلخ، حتى فترة最近.
بدأت العمل على برامج NLP قبل حوالي عقد من الزمن. في ذلك الوقت، كان كل شيء يتعلق بالتصنيف اللغوي والتنظيم، واستخراج الكيانات، وشكل بدائي من قاعدة بيانات الرسوم (في الغالب في XML) لمحاولة الحفاظ على العلاقات المعقدة والسياق بين الكيانات المختلفة، وفهم استفسارات البحث، وتوليد سحابة كلمات، وتقديم نتائج. لم يكن هناك شيء رياضي حولها. كان هناك الكثير من ال人間 في الحلقة لإنشاء قواعد بيانات تصنيف، والكثير من تحليل XML، والأهم من ذلك، الكثير من الحوسبة والذاكرة في اللعب. ومن غير المفاجئ، كانت بعض البرامج ناجحة، والكثير منها لم يكن كذلك. جاء التعلم الآلي بعد ذلك بمقاربات متعددة للتعلم العميق والشبكات العصبية، إلخ، مما ساعد على تسريع فهم اللغة الطبيعية (NLU) والاستدلال اللغوي الطبيعي (NLI). ومع ذلك، كان هناك ثلاثة عوامل محدودة – قوة الحوسبة لمعالجة النماذج المعقدة، وصول إلى كميات كبيرة من البيانات التي يمكن تعليم الآلات منها، وأهم من ذلك، نموذج يمكن أن يتعلم ذاتيًا ويتصحح بتشكيل علاقات زمنية بين العبارات.
تقدم سريعًا لعشرين عامًا لاحقًا، والرقائق الغرافيكية توفر قوة حوسبة هائلة، والشبكات العصبية التي تتعلم وتتطور ذاتيًا هي العادة، ونماذج التعلم الخاضع للإشراف والتعلم غير الخاضع للإشراف والتعلم شبه الخاضع للإشراف جميعها موجودة، والأهم من ذلك، هناك وصول أكبر إلى كميات هائلة من البيانات بلغات متعددة، بما في ذلك منصات وسائل التواصل الاجتماعي المختلفة، والتي يمكن أن يتدرب عليها هذه النماذج. النتيجة هي محركات ذكاء اصطناعي يمكن أن تتواصل معك بلغة طبيعية، وتفهم العاطفة والmeaning وراء استفساراتك، وتتحدث مثل إنسان، وتستجيب مثل إنسان.
لقد كنا جميعًا، من خلال وجودنا على وسائل التواصل الاجتماعي، غير مدركين “إنسانًا” في “الحلقة” لتدريب هذه المحركات. لدينا الآن محركات تدعي أنها مدربة على تريليونات المعلمات، قادرة على أخذ مئات وألوف المعلمات الإدخال، والتي هي متعددة الوضعية والاستجابة لنا بلغة طبيعية. سواء كان GPT4/5 أو PaLM2 أو Llama أو أي من محركات LLM الأخرى التي تم نشرها حتى الآن، فهي تظهر كمحللات مشكلات رأسية أكثر سياقًا.
نظم الانخراط ونظم السجلات
في حين كانت الرحلة من NLP إلى LLM رائعة بفضل تطور السيليكون، والنمذجة البيانية، ووجود كميات هائلة من البيانات التي أنتجناها جميعًا، فإن الشركات – مزودي التجزئة، والصناعيين، والمصرفيين، إلخ – كلها تحتاج إلى تطبيقات مختلفة لهذه التكنولوجيا. أولاً، لا يمكن للشركات تحمل هلوسة الذكاء الاصطناعي -她们 تحتاج إلى 0٪ هلوسة و 100٪ دقة للمستخدمين الذين يتفاعلون مع الذكاء الاصطناعي. هناك مجموعة من الاستفسارات التي تتطلب دقة مطلقة من أجل أن تكون لها أي فائدة تجارية – على سبيل المثال، كم عدد الغرف المتاحة في فندقك؟ هل هناك تذكرة من الدرجة الأولى متاحة؟
لمواجهة هلوسة الذكاء الاصطناعي، يدخل عصر مفهوم نظم الانخراط ونظم السجلات. يمكن لنظم الانخراط، سواء كانت مع عملائك أو موردوك أو موظفيك، استخدام منصة محادثة تعتمد على GenAI خارج الصندوق، بعد تدريبها على محفزات تجارية محددة – هذا هو الجزء “الأسهل”. التحدي هو دمج نظم السجلات في سلسلة القيمة. 许多 الشركات لا تزال في عالم ثابت من الجداول والكيانات وستبقى كذلك لأن معظم الشركات ثابتة على المستوى التنظيمي أو الشركي، بينما الأحداث والعمليات تجعلها ديناميكية على المستوى العامل.
هنا هو حيث نتحدث عن منصات محادثة الجيل التالي التي لا تتعامل فقط مع المحادثات والواجهات والاستفسارات، ولكن أيضًا تأخذ رحلات العملاء إلى الإنجاز. هناك نهج معماري مختلف لنظم المحادثة هذه. واحد من الخيارات الفورية هو استخدام برنامج وسيط هجين يعمل كمنسق بين بيانات الشركات الموجهة والمل貼ة ومحفزات المحادثة التي تعتمد على LLM وتقدم نتيجة 0٪ هلوسة للمستهلكين.
هناك الكثير من عمل تحضير البيانات الذي تحتاجه الشركات لجعلها مفهومة لمحرك LLM. نسميها تحويل النماذج البيانية التقليدية التي تعتمد على الجداول والكيانات. قواعد البيانات الرسومية، التي تمثل وتخزين البيانات بطريقة لا يمكن للقواعد البيانية العلائقية القيام بها، تجد غرضًا جديدًا في هذه الرحلة. الهدف هو تحويل قواعد بيانات الشركات إلى قواعد بيانات رسومية أكثر قابلية للفهم مع علاقات تحدد السياق والmeaning، مما يجعل من السهل على محركات LLM التعلم والاستجابة لاستفسارات العملاء من خلال مزيج من المحادثات والاستفسارات في الوقت الفعلي. هذه المهمة التي تتيح بيانات الشركات لتصبح جاهزة لنموذج LLM هي المفتاح لتقديم تجربة من نظام الانخراط إلى نظام السجلات من النهاية إلى النهاية وتأخذ تجارب المستخدمين إلى الإنجاز.
ماذا يأتي بعد ذلك
في هذه النقطة، مع هذه التطورات في البيانات والذكاء الاصطناعي، فإن التأثير الأكثر فورية يأتي في مجال توليد الشفرة البرمجية – كما يتضح من صعود Microsoft Copilot و Amazone CodeWhisperer وأدوات أخرى بين المطورين. هذه الأدوات تسرع برامج تحديث التراث، والتي غالبًا ما تكون متوقفة بسبب مشاكل الوقت والتكلفة. مع أدوات توليد الشفرة التي تعتمد على GenAI، نرى أن مشاريع التحديث تتسارع جداولها الزمنية بنسبة 20-40٪. في مشاريع التطوير البرمجي الجديدة، ستسمح هذه الأدوات للمطورين بالتحول إلى تفكير التصميم والمشاريع الأكثر ابتكارًا.
خارج تطوير الشفرة البرمجية، أدوات GenAI تؤدي إلى إنشاء حالات استخدام رأسية جديدة ومحاولة حل التحديات الأكثر إلحاحًا للشركات، ونحن مجرد بداية لما يتعين القيام به للاستفادة الكاملة من هذا الاتجاه. ومع ذلك، نحن نحل بالفعل العديد من المشاكل والأسئلة في قطاع التجزئة واللوجستيات باستخدام GenAI:
كم عدد المخزون لدي في المستودع، ومتى يجب أن أطلق إعادة التزويد؟ هل من المفيد تخزين المخزون مسبقًا؟ هل سعر الهبوط صحيح أم أنه سيزداد؟ ما هي العناصر التي يمكنني تجميعها أو ما هي التخصيص الذي يمكنني تقديمه لرفع أرباحي؟
الإجابة على هذا النوع من الأسئلة تتطلب مزيجًا من واجهات المحادثة، والاستفسارات القائمة على البيانات بدقة عالية في الخلف، ونموذج تعلم الآلة متجذرة في المجال يقدم تنبؤات وتوجيهًا مستقبليًا. وبالتالي، نصيحتي للشركات هي، سواء كنت مستكشفًا للذكاء الاصطناعي أو مدمرًا للذكاء الاصطناعي التوليدي، قم بالشراكة مع مزودي الخدمات الذين لديهم خبرة مثبتة في الذكاء الاصطناعي وقدرات قوية في البيانات والتحليلات التي يمكن أن تسليحك للاستفادة من نماذج GenAI التي تتناسب مع احتياجاتك التجارية ومساعدتك على البقاء في المقدمة.
