Το 2025, οι GenAI Copilots Θα Εμφανιστούν ως η Killer App που Μεταμορφώνει τις Επιχειρήσεις και τη Διαχείριση Δεδομένων

Κάθε τεχνολογική επανάσταση έχει einen καθοριστικό моментό όταν μια συγκεκριμένη περίπτωση χρήσης ωθεί την τεχνολογία στην ευρεία υιοθέτηση. Αυτή η στιγμή έχει έρθει για τη γεννητική τεχνητή νοημοσύνη (GenAI) με τη γρήγορη διάδοση των copilots.

Η GenAI ως τεχνολογία έχει κάνει σημαντικά βήματα τα τελευταία χρόνια. Παρόλα αυτά, παρά τις πολλές αναφορές και την υπεραπάντηση, η υιοθέτησή της από τις εταιρείες βρίσκεται ακόμη στα πρώιμα στάδια. Η έρευνα του Gartner για το 2024 θέτει την υιοθέτηση στο 9% των ερωτηθέντων, ενώ το 34% λέει ότι σχεδιάζει να το κάνει το επόμενο έτος. Μια πρόσφατη έρευνα από την Enterprise Strategy Group θέτει την υιοθέτηση της GenAI στο 30%. Nhưng όλες οι έρευνες καταλήγουν στο ίδιο συμπέρασμα για το 2025.

Πρόβλεψη 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. Nhưng αυτό σημαίνει ότι οι εταιρείες πρέπει να ξεπεράσουν τις προκλήσεις που έχουν αντιμετωπίσει μέχρι τώρα στα projects της GenAI, συμπεριλαμβανομένων:

• Κακή ποιότητα δεδομένων: Η GenAI είναι τόσο καλή όσο τα δεδομένα που χρησιμοποιεί, και πολλές εταιρείες δεν εμπιστεύονται ακόμη τα δεδομένα τους. Η ποιότητα των δεδομένων μαζί με τα ελλιπή ή προκατειλημμένα δεδομένα έχουν όλα sido 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). Nhưng ακόμη και με RAG, γρήγορα γίνεται ακριβό να αποκτήσετε και να προετοιμάσετε 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. Ενώ αυτή η ομάδα μεγαλώνει, υπάρχει ακόμη μια πραγματική έλλειψη.
• Hallucinations: Η GenAI δεν είναι τέλεια. Μπορεί να ονειρεύεται και να δίνει λάθος απαντήσεις όταν νομίζει ότι είναι σωστό. Χρειάζεστε μια στρατηγική για την αποφυγή λάθος απαντήσεων από την επίδραση στη δραστηριότητά σας.
• Ασφάλεια δεδομένων: Η GenAI έχει εκθέσει δεδομένα στους λάθος ανθρώπους επειδή χρησιμοποιήθηκε για εκπαίδευση, εξευγενισμό 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 αρκετές από αυτές τις προκλήσεις αρχίζουν να λύνονται και η GenAI γίνεται mainstream.

Πρόβλεψη 2. Οι Modular RAG Copilots Θα Γίνουν η Πιο Συνηθισμένη Χρήση της GenAI

Η πιο συνηθισμένη χρήση της GenAI είναι να δημιουργήσει βοηθούς, ή copilots, που βοηθούν τους ανθρώπους να βρουν πληροφορίες πιο γρήγορα. Οι copilots συνήθως κατασκευάζονται χρησιμοποιώντας RAG pipelines. RAG είναι ο τρόπος. Είναι ο πιο συνηθισμένος τρόπος για να χρησιμοποιήσετε GenAI. Επειδή τα Large Language Models (LLM) είναι γενικού σκοπού μοντέλα που δεν έχουν όλα ή ακόμη και τα πιο πρόσφατα δεδομένα, χρειάζεστε να αυξήσετε τις ερωτήσεις, άλλως γνωστές ως prompts, για να λάβετε μια πιο ακριβή απάντηση.
Οι copilots βοηθούν τους εργαζόμενους γνώσεων να είναι πιο παραγωγικοί, να αντιμετωπίσουν προηγουμένως απάντητες ερωτήσεις και να παρέχουν εμπειρογνώμονες οδηγίες ενώ μερικές φορές επίσης εκτελούν ρουτινικές εργασίες. Ίσως η πιο επιτυχημένη περίπτωση χρήσης copilot μέχρι τώρα είναι το πώς βοηθούν τους προγραμματιστές να κωδικοποιήσουν ή να αναβαθμίσουν κληρονομικό κώδικα.

Αλλά οι copilots αναμένεται να έχουν μεγαλύτερη επίδραση όταν χρησιμοποιούνται εκτός του IT. Παραδείγματα περιλαμβάνουν:

• Στην εξυπηρέτηση πελατών, οι copilots possono λάβουν μια ερώτηση υποστήριξης και είτε να την αναβαθμίσουν σε έναν άνθρωπο για παρέμβαση είτε να παρέχουν μια επίλυση για απλές ερωτήσεις όπως επαναφορά κωδικού ή πρόσβαση λογαριασμού, με αποτέλεσμα υψηλότερα ποσοστά CSAT.
• Στην παραγωγή, οι copilots possono 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 possono χρησιμοποιήσουν copilots για να αποκτήσουν πρόσβαση σε ιστορικό ασθενούς και σχετικές έρευνες και να βοηθήσουν στη διάγνωση και την κλινική φροντίδα, που βελτιώνει την αποτελεσματικότητα και τα κλινικά αποτελέσματα.

Οι RAG pipelines έχουν κυρίως όλες δουλέψει τον ίδιο τρόπο. Το πρώτο βήμα είναι να φορτώσετε μια βάση γνώσεων σε einen vector database. Όταν ένας άνθρωπος κάνει μια ερώτηση, μια GenAI RAG pipeline καλείται. Αυτή ανασχεδιάζει την ερώτηση σε ένα prompt, ερωτά την vector database με την κωδικοποίηση του prompt για να βρει τις πιο σχετικές πληροφορίες, καλεί ένα LLM με το prompt χρησιμοποιώντας τις ανακτημένες πληροφορίες ως контекст, αξιολογεί και διαμορφώνει τα αποτελέσματα και τα εμφανίζει στον χρήστη.

Αλλά φαίνεται ότι δεν μπορείτε να υποστηρίξετε όλους τους copilots εξίσου καλά με μια seule RAG pipeline. Έτσι, η RAG έχει εξελιχθεί σε μια πιο modulaire αρχιτεκτονική που ονομάζεται modular RAG όπου μπορείτε να χρησιμοποιήσετε διαφορετικά modules για κάθε einen από τους πολλούς σταθμούς που εμπλέκονται:

• Δημιουργία ευρετηρίου, συμπεριλαμβανομένης της chunking και οργάνωσης δεδομένων
• Προ-ανακτών, συμπεριλαμβανομένης της μηχανικής και βελτίωσης ερωτήσεων (prompt)
• Ανακτών με τεχνικές fine-tuning και άλλες
• Μετα-ανακτών, συμπεριλαμβανομένης της επιλογής και της επανειλημμένης επιλογής
• Γенνήτρια με fine-tuning, χρησιμοποιώντας και συγκρίνοντας πολλά LLM, και επαλήθευση
• Διοίκηση που διαχειρίζεται αυτή τη διαδικασία και την κάνει επαναλαμβανόμενη για να λάβετε τα καλύτερα αποτελέσματα

Θα χρειαστεί να εφαρμόσετε μια modulaire RAG αρχιτεκτονική για να υποστηρίξετε πολλαπλούς copilots.

Πρόβλεψη 3. Οι Λύσεις No-Code/Low-Code GenAI Θα Γίνουν ο Τρόπος

Μέχρι τώρα, μπορείτε να καταλάβετε ότι η GenAI RAG είναι πολύ σύνθετη και γρήγορα αλλάζουσα. Δεν είναι μόνο ότι νέες mejores 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 modular RAG. Η Retrieval Augmented Fine Tuning (RAFT) και η πλήρης εκπαίδευση μοντέλων γίνονται κοστοαποτελεσματικές επίσης. Η αρχιτεκτονική σας θα πρέπει να υποστηρίξει όλες αυτές τις αλλαγές και να κρύψει την πολυπλοκότητα από τους μηχανικούς σας.
Ευτυχώς, τα καλύτερα εργαλεία no-code/low-code GenAI παρέχουν αυτήν την αρχιτεκτονική. Προσθέτουν συνεχώς υποστήριξη για leading πηγές δεδομένων, vector databases και LLM, και κάνουν δυνατή την κατασκευή modular RAG ή την τροφοδοσία δεδομένων σε LLM για fine-tuning ή εκπαίδευση. Οι εταιρείες χρησιμοποιούν επιτυχώς αυτά τα εργαλεία για να αναπτύξουν copilots χρησιμοποιώντας τους εσωτερικούς πόρους τους.

Nexla δεν χρησιμοποιεί μόνο GenAI για να κάνει τη σύνδεση απλούστερη. Περιλαμβάνει μια modulaire RAG pipeline αρχιτεκτονική με προηγμένη chunking δεδομένων, μηχανική ερωτήσεων, επανειλημμένη επιλογή και πολλαπλή υποστήριξη LLM με ταξινόμηση και επιλογή αποτελεσμάτων, διοίκηση και άλλα – όλα αυτά ρυθμίζονται χωρίς κωδικοποίηση.

Πρόβλεψη 4. Η Γραμμή μεταξύ Copilots και Agents Θα Εξαφανιστεί

Οι GenAI copilots όπως τα chatbots είναι agents που υποστηρίζουν τους ανθρώπους. Στο τέλος, οι άνθρωποι λαμβάνουν την απόφαση για τι να κάνουν με τα γεννημένα αποτελέσματα. Nhưng οι GenAI agents μπορούν να αυτοματοποιήσουν πλήρως τις απαντήσεις χωρίς να εμπλέκουν ανθρώπους. Αυτά συχνά αναφέρονται ως agents ή agentic AI.

Κάποιοι άνθρωποι θεωρούν αυτές τις δύο προσεγγίσεις ως ξεχωριστές. Nhưng η πραγματικότητα είναι πιο σύνθετη. Οι copilots έχουν ήδη αρχίσει να αυτοματοποιούν κάποιες βασικές εργασίες, επιτρέποντας προαιρετικά στους χρήστες να επιβεβαιώσουν ενέργειες και να αυτοματοποιήσουν τα βήματα που απαιτούνται για την ολοκλήρωση τους.

Αναμένετε οι copilots να εξελιχθούν με τον καιρό σε eine συνδυασμός copilots και agents. Όπως οι εφαρμογές βοηθούν να ανασχεδιάσουν και να ροηματοποιήσουν τις επιχειρηματικές διαδικασίες, οι βοηθοί θα πρέπει να αρχίσουν να χρησιμοποιούνται για να αυτοματοποιήσουν ενδιάμεσες εργασίες των εργασιών που υποστηρίζουν. Οι GenAI-βασισμένοι agents θα πρέπει επίσης να περιλαμβάνουν ανθρώπους για να χειριστούν εξαιρέσεις ή να εγκρίνουν ένα σχέδιο που γεννήθηκε χρησιμοποιώντας ένα LLM.

Πρόβλεψη 5. Η GenAI Θα Οδηγήσει στην Υιοθέτηση των Data Fabrics, Data Products και Ανοικτών Προτύπων Δεδομένων

Η GenAI αναμένεται να είναι ο μεγαλύτερος οδηγός αλλαγής στην τεχνολογία πληροφοριών τα επόμενα χρόνια επειδή η τεχνολογία πληροφοριών θα πρέπει να προσαρμοστεί για να επιτρέψει στις εταιρείες να πραγματοποιήσουν το πλήρες οφέλους 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: Data Fabrics, Data Products και Ανοικτά Πρότυπα Πινάκων. Όλες αυτές βοηθούν να κάνουν τα δεδομένα πολύ πιο προσιτά για χρήση με GenAI επειδή κάνουν πιο εύκολη την πρόσβαση στα δεδομένα για αυτά τα νέα σετ εργαλείων GenAI.

Nexla έχει υλοποιήσει μια αρχιτεκτονική προϊόντων δεδομένων που βασίζεται σε μια data fabric για αυτόν τον λόγο. Η data fabric παρέχει ένα ενοποιημένο επίπεδο για τη διαχείριση όλων των δεδομένων 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.