Το 2025, οι συνεργάτες GenAI θα αναδυθούν ως η εφαρμογή που μεταμορφώνει τις επιχειρήσεις και τη διαχείριση δεδομένων

Κάθε τεχνολογική επανάσταση έχει ένα καθοριστικό момент όταν μια συγκεκριμένη περίπτωση χρήσης προωθεί την τεχνολογία σε ευρεία υιοθέτηση. Αυτή η στιγμή έχει έρθει για τη γεννητική τεχνητή νοημοσύνη (GenAI) με τη γρήγορη διάδοση των συνεργατών.

Η GenAI ως τεχνολογία έχει κάνει σημαντικά βήματα τα τελευταία χρόνια. Παρόλα αυτά, παρά όλες τις επικεφαλίδες και την υπεροψία, η υιοθέτησή της από τις εταιρείες είναι ακόμη στα πρώιμα στάδια. Η έρευνα του Gartner για τους CIO και τους τεχνολογικούς εκτελεστές του 2024 θέτει την υιοθέτηση στο 9% των ερωτηθέντων, με το 34% να λέει ότι σκοπεύει να το κάνει μέσα στο επόμενο έτος. Μια πρόσφατη έρευνα από την Enterprise Strategy Group θέτει την υιοθέτηση της GenAI στο 30%. Αλλά όλες οι έρευνες καταλήγουν στο ίδιο συμπέρασμα για το 2025.

Προβλέψη 1. Η πλειοψηφία των επιχειρήσεων θα χρησιμοποιήσει GenAI σε παραγωγή μέχρι το τέλος του 2025

Η υιοθέτηση της GenAI θεωρείται κρίσιμη για τη βελτίωση της παραγωγικότητας και της κερδοφορίας και έχει γίνει προτεραιότητα για τις περισσότερες επιχειρήσεις. Αλλά σημαίνει ότι οι εταιρείες πρέπει να υπερβούν τις προκλήσεις που έχουν αντιμετωπίσει μέχρι τώρα στα προγράμματα GenAI, συμπεριλαμβανομένων:

• Κακή ποιότητα δεδομένων: Η GenAI είναι τόσο καλή όσο τα δεδομένα που χρησιμοποιεί, και πολλές εταιρείες ακόμη δεν εμπιστεύονται τα δεδομένα τους. Η ποιότητα των δεδομένων, μαζί με τα ελλιπή ή προκατειλημμένα δεδομένα, έχουν όλα been προβλήματα που οδηγούν σε κακά αποτελέσματα.
• Κόστος GenAI: η εκπαίδευση των μοντέλων GenAI όπως το ChatGPT έχει γίνει κυρίως μόνο από τις καλύτερες ομάδες GenAI και κοστίζει εκατομμύρια σε υπολογιστική ισχύ. Έτσι, αντίθετα, οι άνθρωποι έχουν χρησιμοποιήσει μια τεχνική που ονομάζεται retrieval augmented generation (RAG). Αλλά ακόμη και με RAG, γίνεται γρήγορα ακριβό να αποκτήσετε και να ετοιμάσετε δεδομένα και να συναθροίσετε τους εμπειρογνώμονες που χρειάζεστε για να επιτύχετε.
• Περιορισμένα σετ δεξιοτήτων: Πολλές από τις πρώτες υλοποιήσεις GenAI απαιτούσαν πολλή κωδικοποίηση από μια μικρή ομάδα εμπειρογνωμόνων στη GenAI. Αν και αυτή η ομάδα μεγαλώνει, υπάρχει ακόμη μια πραγματική έλλειψη.
• Οπτασία: Η GenAI δεν είναι τέλεια. Μπορεί να οπταστεί και να δώσει λάθος απαντήσεις όταν νομίζει ότι είναι σωστό. Χρειάζεστε μια στρατηγική για την πρόληψη λανθασμένων απαντήσεων από την επίδραση στη δραστηριότητά σας.
• Ασφάλεια δεδομένων: Η GenAI έχει εκθέσει δεδομένα στους λάθος ανθρώπους επειδή χρησιμοποιήθηκε για εκπαίδευση, tinh chỉnh ή RAG. Χρειάζεστε να εφαρμόσετε μέτρα ασφαλείας για να προστατεύσετε από αυτές τις διαρροές.

Τυχαίνει ότι η βιομηχανία λογισμικού έχει αντιμετωπίσει αυτές τις προκλήσεις τα τελευταία χρόνια. Το 2025 φαίνεται να είναι το έτος όταν κάποιες από αυτές τις προκλήσεις αρχίζουν να λύνονται και η GenAI γίνεται κυρίαρχη.

Προβλέψη 2. Οι συνεργάτες RAG με modularity θα γίνουν η πιο συχνή χρήση της GenAI

Η πιο συχνή χρήση της GenAI είναι να δημιουργήσει βοηθούς, ή συνεργάτες, που βοηθούν τους ανθρώπους να βρουν πληροφορίες πιο γρήγορα. Οι συνεργάτες συνήθως κατασκευάζονται χρησιμοποιώντας RAG pipelines. RAG είναι ο τρόπος. Είναι ο πιο συχνός τρόπος για να χρησιμοποιηθεί η GenAI. Επειδή τα μεγάλης κλίμακας γλωσσικά μοντέλα (LLM) είναι γενικής χρήσης μοντέλα που δεν έχουν όλα ή ακόμη και τα πιο πρόσφατα δεδομένα, χρειάζεστε να αυξήσετε τις ερωτήσεις, επίσης γνωστές ως προτροπές, για να λάβετε μια πιο ακριβή απάντηση.
Οι συνεργάτες βοηθούν τους εργαζόμενους γνώσεων να είναι πιο παραγωγικοί, να απευθύνουν προηγουμένως αδιανόητες ερωτήσεις και να παρέχουν εμπειρογνωμόνες οδηγίες ενώ μερικές φορές επίσης εκτελούν ρουτινικές εργασίες. Ίσως η πιο επιτυχημένη περίπτωση χρήσης συνεργατών μέχρι τώρα είναι το πώς βοηθούν τους προγραμματιστές να κωδικοποιήσουν ή να αναβαθμίσουν κληρονομικό κώδικα.

Αλλά οι συνεργάτες αναμένεται να έχουν μεγαλύτερη επίδραση όταν χρησιμοποιούνται έξω από το IT. Παραδείγματα περιλαμβάνουν:

• Στην εξυπηρέτηση πελατών, οι συνεργάτες μπορούν να λάβουν eine ερώτηση υποστήριξης και είτε να την αναβαθμίσουν σε ένα άνθρωπο για παρέμβαση είτε να παρέχουν μια λύση για απλές ερωτήσεις όπως επαναφορά κωδικού ή πρόσβαση λογαριασμού, με αποτέλεσμα υψηλότερα σκορ ικανοποίησης πελατών.
• Στην παραγωγή, οι συνεργάτες μπορούν να βοηθήσουν τους τεχνικούς να διαγνώσουν και να προτείνουν συγκεκριμένες ενέργειες ή επισκευές για σύνθετα μηχανήματα, μειώνοντας τον χρόνο εκτός λειτουργίας.
• Στην υγεία, οι κλινικοί γιατροί μπορούν να χρησιμοποιήσουν συνεργάτες για να αποκτήσουν πρόσβαση στην ιστορία του ασθενούς και στις σχετικές έρευνες και να βοηθήσουν στην οδήγηση της διάγνωσης και της κλινικής φροντίδας, που βελτιώνει την αποτελεσματικότητα και τα κλινικά αποτελέσματα.

Οι RAG pipelines έχουν εργαστεί κυρίως με τον ίδιο τρόπο. Το πρώτο βήμα είναι να φορτώσετε μια βάση γνώσεων σε μια διανυσματική βάση δεδομένων. Όταν ένας άνθρωπος κάνει μια ερώτηση, μια GenAI RAG pipeline καλείται. Ανασχεδιάζει την ερώτηση σε μια προτροπή, ερωτά την διανυσματική βάση δεδομένων με την κωδικοποίηση της προτροπής για να βρει τις πιο σχετικές πληροφορίες, καλεί ένα LLM με την προτροπή χρησιμοποιώντας τις ανακτημένες πληροφορίες ως περιβάλλον, αξιολογεί και διαμορφώνει τα αποτελέσματα και τα εμφανίζει στον χρήστη.

Αλλά φαίνεται ότι δεν μπορείτε να υποστηρίξετε όλους τους συνεργάτες εξίσου καλά με μια seule RAG pipeline. Έτσι, η RAG έχει εξελιχθεί σε μια πιο modulaire αρχιτεκτονική που ονομάζεται modulaire RAG όπου μπορείτε να χρησιμοποιήσετε διαφορετικά components για κάθε ένα από τα πολλά βήματα που εμπλέκονται:

• Δεδομένα chunking και οργάνωση
• Προ-αποθήκευση συμπεριλαμβανομένης της προτροπής μηχανικής και βελτιστοποίησης
• Ανακτηση με βελτιστοποίηση και άλλες τεχνικές
• Μετα-αποθήκευση και επιλογή
• Γεννήτρια με βελτιστοποίηση, χρησιμοποιώντας και συγκρίνοντας πολλαπλά LLM και επαλήθευση
• Διοίκηση που διαχειρίζεται αυτή τη διαδικασία και την κάνει επαναλαμβανόμενη για να βοηθήσει να ληφθούν τα καλύτερα αποτελέσματα

Θα πρέπει να εφαρμόσετε μια modulaire RAG αρχιτεκτονική για να υποστηρίξετε πολλαπλούς συνεργάτες.

Προβλέψη 3. Τα εργαλεία GenAI χωρίς κώδικα/χαμηλού κώδικα θα γίνουν ο τρόπος

Μέχρι τώρα, μπορείτε να καταλάβετε ότι η GenAI RAG είναι πολύ σύνθετη και ταχέως μεταβαλλόμενη. Δεν είναι μόνο ότι νέες βέλτιστες πρακτικές εμφανίζονται συνεχώς. Όλη η τεχνολογία που εμπλέκεται στις GenAI pipelines αλλάζει τόσο γρήγορα που θα χρειαστεί να αντικαταστήσετε κάποια από αυτά ή να υποστηρίξετε πολλά. Επίσης, η GenAI δεν είναι μόνο για modulaire RAG. Η Retrieval Augmented Fine Tuning (RAFT) και η πλήρης εκπαίδευση μοντέλων γίνονται οικονομικά βιώσιμες. Η αρχιτεκτονική σας θα πρέπει να υποστηρίξει όλες αυτές τις αλλαγές και να κρύψει τη σύνθετη από τους μηχανικούς σας.
Ευτυχώς, τα καλύτερα εργαλεία GenAI χωρίς κώδικα/χαμηλού κώδικα παρέχουν αυτή την αρχιτεκτονική. Προσθέτουν συνεχώς υποστήριξη για leading πηγές δεδομένων, διανυσματικές βάσεις δεδομένων και LLM, και κάνουν δυνατή την κατασκευή modulaire RAG ή την τροφοδοσία δεδομένων σε LLM για βελτιστοποίηση ή εκπαίδευση. Οι εταιρείες χρησιμοποιούν επιτυχώς αυτά τα εργαλεία για να αναπτύξουν συνεργάτες χρησιμοποιώντας τους εσωτερικούς πόρους τους.

Nexla δεν χρησιμοποιεί μόνο GenAI για να κάνει την ενοποίηση απλούστερη. Περιλαμβάνει μια modulaire RAG pipeline αρχιτεκτονική με προηγμένα δεδομένα chunking, προτροπή μηχανική, επανακατάταξη και επιλογή, υποστήριξη πολλαπλών LLM με αποτελέσματα κατάταξης και επιλογή, διοίκηση και άλλα – όλα ρυθμισμένα χωρίς κωδικοποίηση.

Προβλέψη 4. Η γραμμή μεταξύ συνεργατών και πρακτόρων θα γίνει ασαφής

Οι συνεργάτες GenAI όπως τα chatbots είναι πράκτορες που υποστηρίζουν τους ανθρώπους. Στο τέλος, οι άνθρωποι λαμβάνουν την απόφαση για το τι να κάνουν με τα γεννημένα αποτελέσματα. Αλλά οι πράκτορες GenAI μπορούν να αυτοματοποιήσουν πλήρως τις απαντήσεις χωρίς να εμπλέκουν τους ανθρώπους. Αυτοί ονομάζονται πράκτορες ή agentic AI.

Κάποιοι άνθρωποι θεωρούν αυτές τις δύο ξεχωριστές προσεγγίσεις. Αλλά η πραγματικότητα είναι πιο σύνθετη. Οι συνεργάτες έχουν ήδη αρχίσει να αυτοματοποιούν κάποιες βασικές εργασίες, επιτρέποντας προαιρετικά στους χρήστες να επιβεβαιώσουν ενέργειες και να αυτοματοποιήσουν τα βήματα που χρειάζονται για να τις ολοκληρώσουν.

Αναμένετε τους συνεργάτες να εξελιχθούν με τον καιρό σε eine συνδυασμό συνεργατών και πρακτόρων. Όπως οι εφαρμογές βοηθούν να ανασχεδιάσουν και να ροηματοποιήσουν τις επιχειρηματικές διαδικασίες, οι βοηθοί θα μπορούσαν και θα πρέπει να αρχίσουν να χρησιμοποιούνται για να αυτοματοποιήσουν ενδιάμεσα βήματα των εργασιών που υποστηρίζουν. Οι πράκτορες GenAI θα πρέπει επίσης να περιλαμβάνουν ανθρώπους για να χειριστούν εξαιρέσεις ή να εγκρίνουν ένα σχέδιο που έχει γεννηθεί χρησιμοποιώντας ένα LLM.

Προβλέψη 5. Η GenAI θα ωθήσει την υιοθέτηση των υφασμάτων δεδομένων, των προϊόντων δεδομένων και των ανοιχτών προτύπων δεδομένων

Η GenAI αναμένεται να είναι ο μεγαλύτερος οδηγός αλλαγών στην τεχνολογία τις επόμενες années επειδή η τεχνολογία θα πρέπει να προσαρμοστεί για να ermögεί τις εταιρείες να πραγματοποιήσουν το πλήρες όφελος της GenAI.

Ως μέρος του Gartner Hype Cycles για τη διαχείριση δεδομένων, 2024, ο Gartner έχει αναγνωρίσει 3, και μόνο 3 τεχνολογίες ως μετασχηματιστικές για τη διαχείριση δεδομένων και για τις οργανώσεις που εξαρτώνται από δεδομένα: Υφάσματα δεδομένων, προϊόντα δεδομένων και ανοιχτά πρότυπα πινάκων. Όλα αυτά βοηθούν να κάνουν τα δεδομένα πολύ πιο προσβάσιμα για χρήση με GenAI επειδή κάνουν πιο εύκολη την πρόσβαση σε αυτά τα νέα σετ GenAI εργαλείων.

Η Nexla έχει εφαρμόσει μια αρχιτεκτονική προϊόντων δεδομένων που βασίζεται σε ένα υφάσμα δεδομένων για αυτόν τον λόγο. Το υφάσμα δεδομένων παρέχει ένα ενοποιημένο επίπεδο για να διαχειριστεί όλα τα δεδομένα με τον ίδιο τρόπο ανεξάρτητα από τις διαφορές σε μορφές, ταχύτητες ή πρωτόκολλα πρόσβασης. Τα προϊόντα δεδομένων δημιουργούνται για να υποστηρίξουν συγκεκριμένες ανάγκες δεδομένων, όπως για RAG.