Γιατί η Γεννητική-Ενισχυμένη Ανακύκλωση είναι το Επόμενο Σύνορο της Ανάλυσης Δεδομένων

Τρεις από τους τέσσερις άνθρωπους λένε ότι οι οργανώσεις τους χρησιμοποιούν AI. Ωστόσο, η περισσότερη από αυτή τη δραστηριότητα εξακολουθεί να επικεντρώνεται σε μη δομημένο περιεχόμενο: σύνοψη συναντήσεων, σύνταξη email ή αυτοματοποίηση υποστήριξης πελατών.

Αλλά ironικά, τόσο πολλά από τα δεδομένα που ουσιαστικά οδηγούν τις επιχειρηματικές αποφάσεις – οικονομικές εκθέσεις, πίνακες αποθήκης και KPI – παραμένουν σε μεγάλο βαθμό ανέγγιχτα από το AI.

Ο λόγος δεν είναι έλλειψη φιλοδοξίας, αλλά έλλειψη εμπιστοσύνης. Όταν ένα μοντέλο φαντασιώνεται μια πρόταση, αυτό μπορεί συχνά να διορθωθεί· όταν φαντασιώνεται ένα νούμερο, είναι καταστροφικό. Ένας CFO δεν μπορεί να εγκρίνει μια απάντηση που δεν μπορεί να επιβεβαιώσει.

Σήμερα, τα δομημένα δεδομένα ζουν σε δεκάδες συστήματα, το καθένα με τους δικούς του κανόνες και σχέσεις. Το να πείσουμε το AI να συλλογιστεί σωστά σε αυτή τη複雑εια είναι μια πιο δύσκολη πρόκληση από οποιοδήποτε chatbot.

Οι επιχειρήσεις και οι ομάδες τους – συμπεριλαμβανομένων των μη τεχνικών χρηστών – πρέπει να μπορούν να αλληλεπιδρούν με τα δεδομένα τους με έναν απλό τρόπο για να μειώσουν τα μποτλάκια και να ανακτήσουν ταχύτατες, ακριβείς εποπτικές.

Χωρίς να χρειάζεται να μάθουν SQL.

Ορισμένες λύσεις εμφανίζονται – ας δούμε κάποιες εξέχουσες παραδείγματα, με τα οφέλη και τα πτώματα τους.

AI και δομημένα δεδομένα – μια γέφυρα πολύ μακριά

Κατά τη διάρκεια των τελευταίων δύο ετών, έχουν εμφανιστεί πολλές προσπάθειες για να γεφυρώσουν τις επιταγές του AI και τα δομημένα δεδομένα.

Πολυάριθμες προέρχονται από τεχνολογικούς γίγαντες με σημαντικούς πόρους και δεδομένα. Η Snowflake, για παράδειγμα, εισήγαγε ένα με το Cortex Analyst, το οποίο προσπαθεί να επιτρέψει στους χρήστες να κάνουν φυσικές ερωτήσεις σε σχέση με το Snowflake data warehouse.

Για να βελτιώσει την ακρίβεια, ο Cortex έχει έναν τρόπο να παρέχει σημασιολογικά μετα-δεδομένα – αλλά το μοντέλο είναι έντονα περιορισμένο. Για ένα, πρέπει να κατασκευαστεί χειροκίνητα, και ακόμη και così, μπορεί να λειτουργήσει μόνο σε μέχρι 10 πίνακες, που δεν είναι αρκετό ούτε για μια μεσαία εταιρεία. Κάτι υψηλότερο, και η εμπιστοσύνη σπάει, καθώς η ακρίβεια μειώνεται.

Η ιστορία επαναλαμβάνεται με τις προσπάθειες της Databricks, η οποία πήρε μια προσέγγιση text-to-SQL με το AI/BI Genie. Αυτή η λύση μπορεί να αναπτυχθεί αποτελεσματικά μόνο σε μικρές περιοχές, χάνοντας ακρίβεια με αυξημένα σύνολα δεδομένων.

Η Microsoft Power BI Copilot παίρνει μια επιφανειακή γεννητική προσέγγιση, ενσωματώνοντας το AI απευθείας μέσα στα dashboard για να περιγράψει οπτικά, να προτείνει μέτρα και να συντάξει εκθέσεις. Αυτό ενισχύει την εξερεύνηση αλλά δεν αλλάζει τον τρόπο με τον οποίο οι αναλύσεις συλλογίζονται ή επιβεβαιώνονται. Κάθε απάντηση εξακολουθεί να εξαρτάται από την κρίση του μοντέλου, και όταν αυτή η κρίση αποτυγχάνει, δεν υπάρχει κανένας ελεγκτικός μηχανισμός ή детерμινιστικός λογισμός για να επανέλθει.

Συλλογικά, αυτά τα συστήματα δείχνουν την σωστή κατεύθυνση: την ανάπτυξη του AI σε δομημένα επιχειρηματικά δεδομένα. Nhưng μοιράζονται επίσης μια κρίσιμη ελάττωμα. Εξαρτώνται από το μοντέλο AI για τη δημιουργία SQL από φυσική γλώσσα, και όταν αυτό το SQL είναι λάθος, το οποίο συμβαίνει συχνά, ο επιχειρηματίας παραμένει κολλημένος. Ένας εκτελεστής που δεν μπορεί να διαβάσει SQL δεν έχει κανέναν τρόπο να διαγνώσει ή να διορθώσει το αποτέλεσμα. Η συζήτηση σταματάει απότομα.

Ένας άλλος τρόπος να προσεγγίσει το πρόβλημα είναι να προ-εμφανίσει πιθανές ζευγάρια ερωτήσεων-απαντήσεων. Το GARAGe της Ada, μεταξύ άλλων, ακολουθεί αυτή τη μέθοδο. Λειτουργεί καλά σε στενά πεδία όπου οι ερωτήσεις είναι προβλέψιμες, αλλά η απόδοση μειώνεται καθώς η πολυπλοκότητα των δεδομένων αυξάνεται. Μόλις οι πίνακες και τα σχήματα πολλαπλασιαστούν, η προ-εμφάνιση γίνεται γρήγορα μη διαχειρίσιμη.

Ένας Διαφορετικός Δρόμος: Γεννητική-Ενισχυμένη Ανακύκλωση

Η Γεννητική-Ενισχυμένη Ανακύκλωση (GAR) γυρίζει την τρέχουσα προσέγγιση RAG ανάποδα (Retrieval-Augmented Generation πηγαίνει σχετικές πληροφορίες και τις ενσωματώνει σε ένα LLM για αυξημένη ακρίβεια).

Αντί να ζητήσουμε από ένα LLM να γράψει SQL, η GAR χρησιμοποιεί γεννητική AI για να κατανοήσει την πρόθεση της ερώτησης του χρήστη και στη συνέχεια δημιουργεί τα βήματα συλλογισμού για να παράγει την απάντηση.

Στη GAR, οι ερωτήσεις αλληλεπιδρούν απευθείας με τη βάση γνώσεων. Συγκροτούνται αντί να δημιουργηθούν, η ίδια ερώτηση πάντα παράγει την ίδια απάντηση. Ένας συλλογιστικός μηχανισμός στη GAR είναι ένα μόνιμο, επανελήψιμο άρθρο, όχι một προσωρινό chat, οπότε ολόκληρος ο μηχανισμός συλλογισμού μπορεί να αναπαραχθεί.

Αυτό σημαίνει ότι τα αποτελέσματα είναι εκθετικά πιο ακριβή από ό,τι με γενικευμένα genAI κινητήρες.

Στο κέντρο της, η GAR κάνει τρία πράγματα:

1. Αυτόματα χτίζει ένα σημασιολογικό επίπεδο. Η GAR χρησιμοποιεί AI για να ανακαλύψει σχέσεις και επιχειρηματικές ορισμούς σε διάφορα συστήματα, ενοποιώντας δεδομένα σε ένα ενιαίο μοντέλο
2. Μεταφράζει την επιχειρηματική πρόθεση σε υψηλό επίπεδο αναλυτικής γλώσσας. Αυτή η γλώσσα καταγράφει ερωτήματα σε επιχειρηματικό επίπεδο概念 (“έσοδα ανά επίσκεψη από παρόχους για το Q2”) και συντάσσεται απευθείας σε SQL.
3. Καταγράφει κάθε βήμα συλλογισμού για ελεγκτικότητα. Η προέλευση κάθε απάντησης είναι ιχνηλατούμενη.

Γιατί Αυτό Μattering

Συμπεριορίζοντας τον συλλογισμό στο δικό του εσωτερικό μοντέλο γνώσης, η GAR μπορεί να εξαφανίσει τις φαντασιώσεις και να παραδώσει απαντήσεις που είναι αποδεδειγμένα σωστές.

Οι ορισμοί, τα μετρικά και τα μοτίβα ερωτήσεων συσσωρεύονται με την πάροδο του χρόνου, καθιστώντας τις μελλοντικές απαντήσεις περαιτέρω προσαρμοσμένες για τον συγκεκριμένο χρήστη.

Το στοιχείο της εμπιστοσύνης είναι κρίσιμο για τους επιχειρηματίες που εξαρτώνται από τα δομημένα δεδομένα τους για να λάβουν ενημερωμένες επιχειρηματικές αποφάσεις. Όσο περισσότερες και περισσότερες οργανώσεις εφαρμόζουν προηγμένα λύσεις AI, θα απαιτούν πλαισιά για να φέρουν τον κίνδυνο φαντασιώσεων και σφαλμάτων κοντά στο μηδέν.

Αυτό συμβαίνει όταν η ερώτηση συνδέεται απευθείας με τα δεδομένα, όταν το AI μπορεί να εργαστεί σε μεγάλα σύνολα δεδομένων χωρίς να σπάσει, και όταν οι απαντήσεις παρέχονται με συνέπεια και αποδεικτική αξιοπιστία.