Η Έξυπνη Επιχείρηση: Κάνωντας την Γεννητική Νοημοσύνη Ικανή για Επιχειρήσεις

Ας ξεκινήσουμε εδώ: Ναι, οι ευκαιρίες για τη Γεννητική Νοημοσύνη (GenAI) είναι τεράστιες. Ναι, μεταμορφώνει τον κόσμο όπως τον γνωρίζουμε (και γρηγορότερα από ότι οι περισσότεροι από εμάς προέβλεψαν). Και ναι, η τεχνολογία γίνεται έξυπνη. Ωστόσο, οι επιπτώσεις της GenAI, με την ικανότητά της να γεννά κείμενο, εικόνες και αφηγήσεις, στις επιχειρήσεις και τις entreprises είναι πολύ διαφορετικές από την επίδραση στο γενικό 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 η GenAI επιταχύνει τον τρόπο με τον οποίο τα δεδομένα μπορούν να ενσωματωθούν, να ερμηνευτούν και να μετατραπούν σε επιχειρηματικά αποτελέσματα. Ως εκ τούτου, πρέπει να καθορίσουν γρήγορα ποιες περιπτώσεις χρήσης της GenAI θα λύσουν τις πιο επείγουσες επιχειρηματικές προκλήσεις και θα οδηγήσουν στην αύξηση. Για να κατανοήσουμε πώς οι επιχειρήσεις μπορούν να κάνουν την GenAI ικανή 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 κατανοήσει τις 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 εργάζομαι σε προγράμματα NLP σχεδόν μια δεκαετία πριν. Τότε, ήταν όλα για την ταξινόμηση της γλώσσας και την οντολογία, την εξαγωγή οντοτήτων και μια πρωτόγονη μορφή βάσης δεδομένων γραφήματος (κυρίως σε XML) για να προσπαθήσω να διατηρήσω σύνθετες σχέσεις και контекστο μεταξύ των οντοτήτων, να κατανοήσω τις ερωτήσεις αναζήτησης, να γεννήσω ένα σύννεφο λέξεων και να παραδώσω αποτελέσματα. Δεν υπήρχε τίποτα μαθηματικό σε αυτό. Υπήρχε πολύ Ανθρώπινο στο Λούπ για να κατασκευάσω βάσεις δεδομένων ταξινόμησης, πολλή ανάλυση XML και, το πιο σημαντικό, πολλή επεξεργασία και μνήμη. Δεν χρειάζεται να πω ότι κάποια προγράμματα ήταν επιτυχημένα και τα περισσότερα δεν ήταν. Η μηχανική μάθηση ήρθε μετά με πολλές προσεγγίσεις για βαθιά μάθηση και νευρωνικά δίκτυα, κ.λπ., επιταχύνοντας την κατανόηση της φυσικής γλώσσας (NLU) και την ενημέρωση της φυσικής γλώσσας (NLI). Ωστόσο, υπήρχαν τρεις περιοριστικοί παράγοντες — η επεξεργαστική 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-μαθεί και να αυτο-διορθωθεί σχηματίζοντας χρονικές σχέσεις μεταξύ φράσεων.

Μεταφερθείτε δύο δεκαετίες αργότερα, και οι GPU παρέχουν τεράστια επεξεργαστική ισχύ, τα αυτο-διδασκόμενα και εξελισσόμενα νευρωνικά δίκτυα είναι η κανόνα, τα μοντέλα μάθησης με επιτήρηση/χωρίς επιτήρηση/ημι-επιτήρηση υπάρχουν όλα, και πάνω από όλα, υπάρχει μεγαλύτερη πρόσβαση σε τεράστιους όγκους δεδομένων σε πολλές γλώσσες, συμπεριλαμβανομένων των διάφορων πλατφορμών των μέσων κοινωνικής δικτύωσης, που αυτά τα μοντέλα μπορούν να εκπαιδεύσουν. Το αποτέλεσμα είναι κινητήρες AI που μπορούν να συνδεθούν μαζί σας στη φυσική σας γλώσσα, να κατανοήσουν το συναισθηματικό και τον σκοπό πίσω από τις ερωτήσεις σας, να ακούγονται σαν άνθρωπος και να απαντούν σαν άνθρωπος.

Όλοι, μέσω της παρουσίας μας στα μέσα κοινωνικής δικτύωσης, έχουμε sido αθέατα ‘Ανθρώπινο στο Λούπ’ για να εκπαιδεύσουμε αυτούς τους κινητήρες. Τώρα έχουμε κινητήρες που ισχυρίζονται ότι έχουν εκπαιδευτεί σε τρισεκατομμύρια παραμέτρους,能够 να λάβουν εκατοντάδες και χιλιάδες εισαγωγικές παραμέτρους, που είναι πολυ-τροπικές και να απαντήσουν σε εμάς 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-κατευθυνόμενοι λύτες προβλημάτων.

Σύστημα Εμπλοκής και Σύστημα Καταγραφής

Ενώ η διαδρομή από τις NLPs στις LLMs ήταν μεγάλη χάρη στην εξέλιξη του Πυριτίου, τα μοντέλα δεδομένων και η διαθεσιμότητα τεράστιων όγκων δεδομένων που όλοι έχουμε δημιουργήσει, οι Επιχειρήσεις — προμηθευτές λιανικής, κατασκευαστές, 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 την AI. Υπάρχει μια σειρά από ερωτήσεις που απαιτούν απόλυτη ακρίβεια για να είναι οποιαδήποτε επιχειρηματική χρήση — π.χ. Πόσα δωμάτια είναι διαθέσιμα στο ξενοδοχείο σας; Έχετε διαθέσιμο ένα εισιτήριο πρώτης τάξης;

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

Εδώ μιλάμε για τις επόμενες γενιές πλατφορμών συνομιλίας που δεν chỉ αντιμετωπίζουν συνομιλίες, διεπαφές και ερωτήσεις, αλλά επίσης 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 fungει ως συνδυασμός μεταξύ διανυσματοποιημένων και ετικετών δεδομένων επιχείρησης και LLM-οδηγούμενων προωθήματος συνομιλίας και να παραδώσετε ένα αποτέλεσμα 0% Hallucination στους καταναλωτές.

Υπάρχει ένα τεράστιο ποσό εργασίας προετοιμασίας δεδομένων που απαιτείται από τις επιχειρήσεις για να κάνουν τα δεδομένα τους κατανοητά για einen κινητήρα LLM. Το ονομάζουμε “ισοπέδωση” των παραδοσιακών πινάκων και οντοτήτων μοντέλων δεδομένων. Οι γραφικές βάσεις δεδομένων, που αντιπροσωπεύουν και αποθηκεύουν δεδομένα με έναν τρόπο που οι σχεσιακές βάσεις δεδομένων δεν μπορούν, βρίσκουν einen νέο σκοπό σε αυτή τη διαδρομή. Ο στόχος είναι να μετατρέψουν τις βάσεις δεδομένων επιχείρησης σε πιο κατανοητές γραφικές βάσεις δεδομένων με σχέσεις που ορίζουν контекστο και σημασία, καθιστώντας εύκολη για τους κινητήρες LLM να μάθουν και, επομένως, να απαντήσουν σε προωθήματα από τους τελικούς πελάτες μέσω μιας συνδυασμής συνομιλίας και πραγματικού χρόνου ερωτήσεων. Αυτό το έργο της ενεργοποίησης των δεδομένων επιχείρησης για να είναι LLM-έτοιμα είναι το κλειδί για την παροχή μιας ολοκληρωμένης εμπειρίας Συστήματος Εμπλοκής σε Σύστημα Καταγραφής και την οδήγηση των εμπειριών των χρηστών μέχρι την εκπλήρωση.

Τι Έρχεται Επόμενο

Σε αυτό το σημείο, με αυτές τις προόδους στα δεδομένα και την AI, η πιο άμεση επίδραση έρχεται στην περιοχή της γεννήσης κώδικα λογισμικού — όπως φαίνεται από την άνοδο του Microsoft Copilot, Amazone CodeWhisperer και άλλων εργαλείων μεταξύ των développers. Αυτά τα εργαλεία ξεκινούν προγράμματα modernization κληρονομικού λογισμικού, πολλά από τα οποία συχνά σταματούν λόγω προβλημάτων χρόνου και κόστους. Με εργαλεία γεννήσης κώδικα που βασίζονται στην GenAI, βλέπουμε τα προγράμματα modernization να επιταχύνουν τους πίνακες τους κατά 20-40%. Σε projects ανάπτυξης κώδικα, αυτά τα εργαλεία θα επιτρέψουν στους développers να μεταφέρουν χρόνο και αποταμίευση παραγωγικότητας προς σκέψη σχεδιασμού και πιο καινοτόμους projects.

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

Πόσο απόθεμα έχω στο αποθήκη, και πότε πρέπει να ενεργοποιήσω την αναπλήρωση; Είναι κερδοφόρο να αποθηκεύσω προκαταβολικά; Είναι η τιμή που έχω σωστή ή θα αυξηθεί; Ποια αντικείμενα μπορώ να συνδυάσω ή ποια είδος προσωποποίησης μπορώ να παρέχω για να αυξήσω το κέρδος;

Η απάντηση σε ερωτήσεις αυτού του είδους απαιτεί μια συνδυασμμένη συνομιλία, υψηλής ακρίβειας ερωτήματα δεδομένων στο πίσω μέρος και ένα μοντέλο μηχανικής μάθησης που παραδίδει προβλέψεις και μελλοντικές οδηγίες. Έτσι, η συμβουλή μου για τις επιχειρήσεις θα ήταν, είτε είστε ένας AI εξερευνητής ή ένας διαταράκτης GenAI, συνεργαστείτε με παρόχους υπηρεσιών που έχουν αποδείξει εμπειρογνωσία AI και ισχυρές ικανότητες δεδομένων και αναλύσεων 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.