Η Έξυπνη Επιχείρηση: Κάνωντας το Γεννητικό AI Έτοιμο για Επιχειρήσεις

Ας ξεκινήσουμε από εδώ: Ναι, οι ευκαιρίες για το Γεννητικό AI (GenAI) είναι τεράστιες. Ναι, μεταμορφώνει τον κόσμο όπως τον ξέρουμε (και γρηγορότερα από ό,τι οι περισσότεροι από εμάς προέβλεψαν). Και ναι, η τεχνολογία γίνεται πιο έξυπνη. Ωστόσο, οι επιπτώσεις του GenAI, με την ικανότητά του να παράγει κείμενο, εικόνες και αφηγήσεις, στις επιχειρήσεις και τις entreprises είναι πολύ διαφορετικές από την επίδραση στο ευρύ κοινό —毕竟, οι περισσότερες επιχειρήσεις δεν γράφουν ποιήματα ή ιστορίες (που είναι δημοφιλείς στους χρήστες του ChatGPT), αλλά εξυπηρετούν τους πελάτες τους.

Πολυάριθμες εταιρείες έχουν εμπειρία με την επεξεργασία φυσικής γλώσσας (NLP) και χαμηλού επιπέδου chatbots, αλλά το GenAI επιταχύνει τον τρόπο με τον οποίο τα δεδομένα μπορούν να ενσωματωθούν, να ερμηνευθούν και να μετατραπούν σε επιχειρηματικά αποτελέσματα.，因此, πρέπει να καθορίσουν γρήγορα ποιες περιπτώσεις χρήσης του GenAI θα λύσουν τις πιο πιεστικές επιχειρηματικές προκλήσεις και θα οδηγήσουν στην αύξηση. Για να κατανοήσουν πώς οι επιχειρήσεις μπορούν να κάνουν το GenAI έτοιμο για επιχειρήσεις με τα δεδομένα τους, είναι σημαντικό να αναθεωρήσουμε πώς φτάσαμε σε αυτό το σημείο.

Η Διαδρομή από την NLP στο Μεγάλο Μοντέλο Γλώσσας (LLM)

Η τεχνολογία προσπαθεί να δώσει νόημα στις φυσικές γλώσσες για δεκαετίες τώρα. Ενώ η ανθρώπινη γλώσσα είναι μια εξελιγμένη μορφή ανθρώπινης έκφρασης, το γεγονός ότι οι άνθρωποι έχουν εξελιχθεί σε इतनές διαλέκτους σε όλο τον κόσμο — από σύμβολα και ήχους σε συλλαβές, φωνητική και γλώσσες — έχει αφήσει την τεχνολογία να βασίζεται σε πιο απλές ψηφιακές μεθόδους επικοινωνίας με bits και bytes, κ.λπ., μέχρι σχετικά πρόσφατα.

Ξεκίνησα να δουλεύω σε προγράμματα NLP σχεδόν μια δεκαετία πριν. Τότε, ήταν όλα για την ταξινόμηση της γλώσσας και την οντολογία, την εξαγωγή οντοτήτων και μια πρωитивιστική μορφή γραφικής βάσης δεδομένων (κυρίως σε XML) για να διατηρήσω σύνθετες σχέσεις και контекст μεταξύ των οντοτήτων, να δώσω νόημα σε ερωτήματα αναζήτησης, να παράγω ένα σύννεφο λέξεων και να παραδώσω αποτελέσματα. Δεν υπήρχε τίποτα μαθηματικό σε αυτό. Υπήρχε πολλή Ανθρώπινος στο Λουπ για να χτίσουμε ταξινόμηση βάσεων δεδομένων, πολλή ανάλυση XML και κυρίως, πολλή υπολογιστική ισχύ και μνήμη σε λειτουργία. Δεν ήταν όλα τα προγράμματα επιτυχημένα, και τα περισσότερα δεν ήταν. Η μηχανική μάθηση ήρθε μετά με πολλές προσεγγίσεις στη βαθιά μάθηση και τα νευρωνικά δίκτυα, κ.λπ., που επιταχύνουν την κατανόηση της φυσικής γλώσσας (NLU) και την επιλογή της φυσικής γλώσσας (NLI). Ωστόσο, υπήρχαν τρεις περιοριστικοί παράγοντες — η υπολογιστική ισχύς για την επεξεργασία σύνθετων μοντέλων, η πρόσβαση σε όγκους δεδομένων που μπορούν να διδάξουν τις μηχανές, και κυρίως, ένα μοντέλο που μπορεί να αυτο-μαθει και να αυτο-διορθώσει σχηματίζοντας χρονικές σχέσεις μεταξύ φράσεων.

Προωθήστε δύο δεκαετίες αργότερα, και οι GPU παρέχουν τεράστια υπολογιστική ισχύ, τα αυτο-διδασκόμενα και εξελισσόμενα νευρωνικά δίκτυα είναι η κανόνα, τα μοντέλα της εποπτευόμενης/μη εποπτευόμενης/ημι-εποπτευόμενης μάθησης υπάρχουν όλα, και πάνω από όλα, υπάρχει μεγαλύτερη πρόσβαση σε τεράστιους όγκους δεδομένων σε πολλές γλώσσες, συμπεριλαμβανομένων των κοινωνικών μέσων, που αυτά τα μοντέλα μπορούν να εκπαιδεύσουν. Το αποτέλεσμα είναι οι κινητήρες AI που μπορούν να συνδεθούν μαζί σας στη φυσική σας γλώσσα, να κατανοήσουν την эмоция και το νόημα πίσω από τις ερωτήσεις σας, να ηχήσουν σαν άνθρωπος και να απαντήσουν σαν άνθρωπος.

Όλοι μας, μέσω της παρουσίας μας στα κοινωνικά μέσα, έχουμε sido αόρατα ‘Ανθρώπινοι στο Λουπ’ για να εκπαιδεύσουμε αυτούς τους κινητήρες. Τώρα έχουμε κινητήρες που ισχυρίζονται ότι έχουν εκπαιδευτεί σε τρισεκατομμύρια παραμέτρους,能够 να λαμβάνουν εκατοντάδες και χιλιάδες εισαγωγικές παραμέτρους, οι οποίες είναι πολυ-τροπικές και να απαντούν σε μας στη γλώσσα μας. Είτε πρόκειται για GPT4/5, PaLM2, Llama ή οποιοδήποτε άλλο LLM που έχει δημοσιευθεί μέχρι τώρα, αυτά τα μοντέλα εμφανίζονται ως πιο контекστο-κατευθυνόμενα προβλήματα-λύση.

Συστήματα Εμπλοκής και Συστήματα Καταγραφής

Ενώ η διαδρομή από τις NLP στις LLM έχει sido μεγάλη χάρη στην εξέλιξη του Silicon, τα μοντέλα δεδομένων και η διαθεσιμότητα τεράστιων όγκων δεδομένων που έχουμε جميعά παράγει, οι Επιχειρήσεις — οι παρόχοι λιανικής, οι κατασκευαστές, οι τράπεζες, κ.λπ. — κάθε μια χρειάζεται πολύ διαφορετικές εφαρμογές αυτής της τεχνολογίας. Πρώτα, οι επιχειρήσεις δεν μπορούν να αντέξουν AI Hallucination — χρειάζονται 0% Hallucination και 100% ακρίβεια για τους χρήστες που αλληλεπιδρούν με το AI. Υπάρχουν πολλά ερωτήματα που απαιτούν απόλυτη ακρίβεια για να είναι χρήσιμα για επιχειρηματική χρήση — π.χ. Πόσα δωμάτια είναι διαθέσιμα στο ξενοδοχείο μου; Έχω διαθέσιμο ένα εισιτήριο πρώτης τάξης;

Για να αντιμετωπίσουμε την AI Hallucination, εισάγουμε την παλιά концепция των Συστημάτων Εμπλοκής και Συστημάτων Καταγραφής. Τα Συστήματα Εμπλοκής, είτε με τους πελάτες, τους προμηθευτές ή τους υπαλλήλους, μπορούν να χρησιμοποιήσουν μια πλατφόρμα συνομιλίας GenAI-βασισμένη έξω από το κουτί, μετά από εκπαίδευση για επιχειρηματικές προτροπές — αυτό είναι το “εύκολο” μέρος. Η πρόκληση είναι η ενσωμάτωση των Συστημάτων Καταγραφής στη αλυσίδα αξίας. Πολυάριθμες επιχειρήσεις είναι ακόμη σε ένα στατικό πίνακα- και οντοτήτων-βασισμένο κόσμο και θα παραμείνουν έτσι επειδή οι περισσότερες επιχειρήσεις είναι στατικές σε οργανωτικό ή εταιρικό επίπεδο, ενώ τα γεγονότα και οι ροές εργασίας τις κάνουν δυναμικές σε συναλλακτικό επίπεδο.

Αυτό είναι το σημείο όπου μιλάμε για τις επόμενες γενιές πλατφορμών συνομιλίας που δεν chỉ αντιμετωπίζουν τις συνομιλίες, τις διεπαφές και τις ερωτήσεις, αλλά cũng παίρνουν τις πορείες των πελατών μέχρι την εκπλήρωση. Υπάρχουν διαφορετικές αρχιτεκτονικές προσεγγίσεις σε τέτοιες πλατφόρμες συνομιλίας. Μια άμεση επιλογή είναι να χρησιμοποιήσετε υβριδικό middleware που ενεργεί ως συνδυαστής μεταξύ διανυσματοποιημένων και ετικετών δεδομένων επιχείρησης και LLM-κίνητων προτροπών συνομιλίας και να παραδίδει ένα αποτέλεσμα 0% Hallucination στους καταναλωτές.

Υπάρχει τεράστια ποσότητα εργασίας προετοιμασίας δεδομένων που απαιτείται από τις επιχειρήσεις για να τις κάνει κατανοητές για einen κινητήρα LLM. Το ονομάζουμε “ισοπέδωση” των παραδοσιακών πινάκων και οντοτήτων-βασισμένων μοντέλων δεδομένων. Οι γραφικές βάσεις δεδομένων, οι οποίες αντιπροσωπεύουν και αποθηκεύουν δεδομένα με τρόπο που οι σχεσιακές βάσεις δεδομένων δεν μπορούν, βρίσκουν einen νέο σκοπό σε αυτή τη διαδρομή. Το στόχο είναι να μετατρέψουν τις βάσεις δεδομένων επιχείρησης σε πιο κατανοητές γραφικές βάσεις δεδομένων με σχέσεις που ορίζουν контекст και νόημα, καθιστώντας πιο εύκολη για τους κινητήρες LLM να μαθαίνουν και να απαντούν σε προτροπές από τους τελικούς πελάτες μέσω μιας συνδυασμού συνομιλίας και πραγματικού χρόνου ερωτήσεων. Αυτή η εργασία της ενεργοποίησης των δεδομένων επιχείρησης για να είναι LLM-έτοιμα είναι ο κλειδί για την παροχή μιας ολοκληρωμένης εμπειρίας Συστημάτων Εμπλοκής σε Συστήματα Καταγραφής και την ολοκλήρωση των πορειών των πελατών.

Τι Έρχεται Επόμενο

Σε αυτό το σημείο, με αυτές τις προόδους στα δεδομένα και την AI, η πιο άμεση επίδραση έρχεται στην περιοχή της γεννήτριας κώδικα λογισμικού — όπως φαίνεται από την άνοδο του Microsoft Copilot, Amazone CodeWhisperer και άλλων εργαλείων μεταξύ των développers. Αυτά τα εργαλεία ξεκινήστε προγράμματα modernization κληρονομιάς, πολλά από τα οποία είναι συχνά σταματημένα λόγω χρόνου και κοστους. Με τα εργαλεία γεννήτριας κώδικα που βασίζονται στο GenAI, βλέπουμε τα προγράμματα modernization να επιταχύνουν τους χρονοδιαγράμματος τους κατά 20-40%. Σε projects ανάπτυξης κώδικα, αυτά τα εργαλεία θα επιτρέψουν στους développers να μεταφέρουν τον χρόνο και την απόδοση σε σκέψη σχεδιασμού και πιο καινοτόμους projects.

Πέρα από την ανάπτυξη κώδικα λογισμικού, τα εργαλεία GenAI οδηγούν στη δημιουργία νέων κάθετων περιπτώσεων και σεναρίων που στοχεύουν στην επίλυση των πιο πιεστικών προκλήσεων των επιχειρήσεων, και μόλις αρχίζουμε να σπάμε την επιφάνεια του τι πρέπει να γίνει για να επωφεληθούμε πλήρως από αυτή τη τάση. Παρόλα αυτά, ήδη λύνουμε πολλά προβλήματα και ερωτήματα στο λιανικό και το logistics τομέα με την αξιοποίηση του GenAI:

Πόσο απόθεμα έχω στο仓庫, και πότε πρέπει να ενεργοποιήσω την αναπλήρωση; Είναι κερδοφόρο να αποθηκεύω προκαταβολικά; Η τιμή που έχω είναι σωστή ή θα αυξηθεί; Ποια αντικείμενα μπορώ να συνδυάσω ή ποια προσωποποίηση μπορώ να παρέχω για να αυξήσω το κέρδος μου;

Η απάντηση σε αυτά τα ερωτήματα απαιτεί συνδυασμό συνομιλίας, υψηλής ακρίβειας ερωτήσεων δεδομένων στο πίσω μέρος και ενός μοντέλου μηχανικής μάθησης που παρέχει προβλέψεις και οδηγίες για το μέλλον. Έτσι, η συμβουλή μου για τις επιχειρήσεις θα ήταν, είτε είστε ένας AI εξερευνητής ή ένας Disruptor του Γεννητικού AI, συνεργαστείτε με παρόχους υπηρεσιών που έχουν αποδείξει την εμπειρογνωσία τους στο AI και τις δυνατότητες δεδομένων και αναλυτικών που μπορούν να σας ενδυναμώσουν να επωφεληθείτε από τα μοντέλα GenAI που ταιριάζουν στις επιχειρηματικές σας ανάγκες και να σας βοηθήσουν να παραμείνετε μπροστά στην καμπύλη.