Chytrý podnik: Učinění Generative AI podnikové připravenosti

Pojďme začít zde: Ano, možnosti pro Generative AI (GenAI) jsou obrovské. Ano, mění svět, jak ho známe (a rychleji, než většina z nás předpokládala). A ano, technologie se stává chytřejší. Nicméně, důsledky pro GenAI, s jeho schopností generovat text, obraz a narativy, pro podniky a společnosti jsou velmi odlišné od dopadu na veřejnost — většina firem nepíše básně nebo příběhy (což je populární u uživatelů ChatGPT), ale slouží svým zákazníkům.

Mnoho společností má zkušenosti s přírodním jazykovým zpracováním (NLP) a nízkou úrovní chatbotů, ale GenAI urychluje, jak data mohou být integrována, interpretována a převedena na obchodní výsledky. Proto musí rychle určit, které případy použití GenAI vyřeší jejich nejnaléhavější obchodní výzvy a povedou k růstu. Abychom pochopili, jak podniky mohou učinit GenAI podnikové připravenosti se svými daty, je důležité přezkoumat, jak jsme se dostali do tohoto bodu.

Cesta od NLP k Large Language Model (LLM)

Technologie se snaží porozumět přirozeným jazykům už desetiletí. Zatímco lidský jazyk sám o sobě je vyvinutou formou lidského vyjádření, fakt, že lidé se vyvinuli do tolik dialektů po celém světě — od symbolů a zvuků do slabik, fonetiky a jazyků — zanechal technologii závislou na jednodušších digitálních komunikačních metodách s bity a bajty, atd., až do relativně nedávné doby.

Já jsem začal pracovat na programech NLP téměř před deseti lety. V té době to bylo všechno o jazykové taxonomii a ontologii, extrakci entit a primitivní formě grafické databáze (většinou v XML) k pokusům o udržování složitých vztahů a kontextu mezi různými entitami, porozumění vyhledávacím dotazům, generování oblaku slov a dodání výsledků. Nebylo to nic matematického. Byla tam spousta Lidského faktoru k vybudování taxonomických databází, spousta XML parsingu a nejvíce, spousta výpočtů a paměti. Bezpečně lze říci, že některé programy byly úspěšné, a většina z nich ne. Další věcí byla strojové učení s několika přístupy k hlubokému učení a neuronovým sítím, atd., urychluje přirozené jazykové porozumění (NLU) a přirozené jazykové odvozování (NLI). Nicméně, byly tam tři omezující faktory — výpočetní síla pro zpracování složitých modelů, přístup k objemům dat, která mohou učit stroje, a především, model, který se může sám učit a sám opravovat tvorbou temporálních vztahů mezi frázemi.

Rychlejší posun o dvě desetiletí dopředu, a GPU dodávají obrovskou výpočetní sílu, samo-učící a evoluční neuronové sítě jsou normou, dohlížené/nedohlížené/semi-dohlížené učení modely všechny existují, a především, je větší přístup k obrovským objemům dat v několika jazycích, včetně různých sociálních médií, na kterých se tyto modely mohou učit. Výsledkem jsou AI motory, které mohou komunikovat s vámi ve vašem přirozeném jazyce, porozumět emocím a významu za vašimi dotazy, znít jako lidská bytost a reagovat jako jedna.

Všichni, prostřednictvím naší přítomnosti na sociálních médiích, jsme byli nevědomky “Lidským faktorem” v “Smůše” k trénování těchto motorů. Nyní máme motory, které tvrdí, že jsou trénovány na trillions parametrů, schopné zpracovat stovky a tisíce vstupních parametrů, které jsou multi-modální a reagují na nás v našem jazyce. Bez ohledu na to, zda je to GPT4/5, PaLM2, Llama nebo jakýkoli jiný LLM, který byl dosud zveřejněn, objevují se jako více kontextové vertikální řešitelé problémů.

Systémy zapojení a Systémy záznamů

Zatímco cesta od NLP k LLM byla skvělá díky Silicon Evolution, datovým modelům a dostupnosti obrovských objemů trénovacích dat, které jsme všichni vygenerovali, podniky — maloobchodníci, výrobci, banky, atd. — každá potřebuje velmi odlišné aplikace této technologie. Především podniky nemohou dovolit AI halucinaci — potřebují 0% halucinaci a 100% přesnost pro uživatele, kteří interagují s AI. Existuje řada dotazů, které vyžadují absolutní přesnost, aby měly nějaký obchodní význam — např. Kolik pokojů je k dispozici v mém hotelu? Mám k dispozici první třídu lístku?

Proti AI halucinaci, vstupuje do hry stará koncepce Systémů zapojení a Systémů záznamů. Systémy zapojení, ať už s vašimi zákazníky, dodavateli nebo zaměstnanci, mohou využít GenAI-založenou konverzační platformu přímo z krabice, po trénování pro obchodní specifické dotazy — to je “snazší” část. Výzvou je vložení Systémů záznamů do hodnotového řetězce. Mnohé podniky jsou stále ve statickém světě tabulek a entit a budou tak zůstat, protože většina podniků je statická na organizační nebo firemní úrovni, zatímco události a pracovní postupy je činí dynamickými na transakční úrovni.

To je místo, kde mluvíme o příští generaci konverzačních platforem, které nejen řeší konverzace, rozhraní a dotazy, ale také berou zákaznické cesty až do splnění. Existují různé architektonické přístupy k těmto konverzačním platforem. Jednou z immediate možností je použití hybridního middleware, které funguje jako konsolidátor mezi vektorizovanými a označenými podnikovými daty a LLM-řízenými konverzačními dotazy a dodává 0% halucinační výsledek spotřebitelům.

Je obrovské množství práce s daty vyžadované podniky, aby se stala srozumitelnou pro LLM motor. Říkáme tomu “zjednodušení” tradičních tabulkových a entit-založených datových modelů. Grafické databáze, které reprezentují a ukládají data způsobem, který relační databáze nemohou, nacházejí nový účel v této cestě. Cílem je převést podnikové databáze na více srozumitelné grafické databáze s vztahy, které definují kontext a význam, aby se usnadnilo LLM motorům učení a tedy reagování na dotazy od koncových zákazníků prostřednictvím kombinace konverzačních a reálných dotazů. Tuto úlohu umožnění podnikových dat, aby se stala LLM-připravenou, je klíčem k poskytnutí komplexního Systému zapojení a Systému záznamů a beroucího uživatelské zkušenosti až do splnění.

Co dál

V tomto bodě, s těmito pokroky v datech a AI, nejokamžitejší dopad přichází v oblasti generování softwarového kódu — jak je vidět na vzestupu Microsoft Copilot, Amazone CodeWhisperer a dalších nástrojů mezi vývojáři. Tyto nástroje jsou akcelerovány legacy modernizační programy, mnohé z nich jsou často pozastaveny kvůli časovým a nákladovým obavám. S nástroji pro generování kódu, poháněnými GenAI, vidíme modernizační projekty urychlovat své termíny o 20-40%. V greenfield projektech vývoje kódu, tyto nástroje umožní vývojářům přesunout čas a produktivitu směrem k designovému myšlení a více inovativním projektům.

Mimo vývoj softwarového kódu, GenAI nástroje vedou k vytvoření nových vertikálních použití a scénářů, které jsou zaměřeny na řešení nejnaléhavějších podnikových výzev, a jsme teprve na začátku toho, co je třeba udělat, aby se využilo tohoto trendu. Nicméně, již řešíme několik problémů a otázek v maloobchodním a logistickém sektoru pomocí GenAI:

Kolik zásob mám ve skladu a kdy bych měl spustit doplňování? Je-li ziskové skladovat dopředu? Je-li moje cena správná nebo se bude zvyšovat? Které položky mohu zkombinovat nebo jaké personalizace mohu poskytnout, aby se zvýšil můj zisk?

Odpovědi na tyto otázky vyžadují kombinaci konverzačních předních koncových, vysoce přesných dat-založených dotazů na zadní straně a doménově-těžkého strojového učení modelu, který dodává předpovědi a budoucí vedení. Proto, můj rád pro podniky by byl, ať už jste AI průzkumník nebo Generative AI disruptor, partner s poskytovateli služeb, kteří mají prokázanou AI odbornost a robustní datové a analytické schopnosti, které vás mohou vybavit, aby jste využili GenAI modely vhodné pro vaše obchodní potřeby a pomohli vám zůstat před křivkou.