Älykäs Yritys: Tehokas Generatiivinen Äly Teknologian Käyttöön

Aloitetaan tästä: Kyllä, mahdollisuudet Generatiiviselle Älylle (GenAI) ovat valtavat. Kyllä, se muuttaa maailmaa, jonka tunnemme (ja nopeammin kuin useimmat meistä ovat ennustaneet). Ja kyllä, teknologia on muuttunut älykkäämmäksi. Mutta GenAI:n vaikutukset yrityksiin ja liiketoimintaan ovat erilaiset kuin vaikutukset yleisöön — useimmat yritykset eivät kirjoita runoja tai tarinoita (joka on suosittua ChatGPT-käyttäjien keskuudessa), vaan palvelevat asiakkaitaan.

Monet yritykset ovat kokemuksella varustettu luonnollisen kielen prosessoinnista (NLP) ja alkeellisista chatboteista, mutta GenAI nopeuttaa tietojen integrointia, tulkintaa ja muuttamista liiketoimintatuloksiksi. Siksi heidän on nopeasti määritettävä, mitkä GenAI-käyttötapaukset ratkaisevat heidän tärkeimmät liiketoimintahaasteensa ja tuottavat kasvua. Yritysten on ymmärrettävä, miten he voivat tehdä GenAI:sta yritysten käyttöön omilla tietojaan, ja siksi on tärkeää tarkastella, miten olemme päässeet tähän pisteeseen.

Matka NLP:stä Suureen Kielen Malliin (LLM)

Teknologia on yrittänyt ymmärtää luonnollisia kieliä vuosikymmenien ajan. Vaikka ihmisen kieli itsessään on kehittynyt muoto ihmisen ilmaisusta, se, että ihmiset ovat kehittyneet niin moniin murteisiin maailmanlaajuisesti — symboleista ja äänistä sylabeihin, fonetiikkaan ja kieliin — on jättänyt teknologian riippuvaiseksi yksinkertaisemmista digitaalisista viestintätavoista, biteistä ja byteistä jne., kunnes suhteellisen äskettäin.

Aloin työskentelemään NLP-ohjelmien parissa lähes vuosikymmen sitten. Silloin se oli kaikki kielen taksonomian ja ontologian, entiteettien poiston ja primitiivisen graafitietokannan (pääasiassa XML:n) muodostamisesta, jotta voidaan ylläpitää monimutkaisia suhteita ja kontekstia eri entiteettien välillä, luoda sanapilvi ja toimittaa tulokset. Siinä ei ollut mitään matemaattista. Siinä oli paljon Ihmistä Silmukan Sisällä taksonomiadatabaasien rakentamiseksi, paljon XML-parsintaa ja ennen kaikkea paljon laskentaa ja muistia. Tarpeettoman sanottavaa, jotkut ohjelmat olivat onnistuneita, ja useimmat eivät olleet. Seuraavaksi tuli koneoppiminen useilla lähestymistavoilla syvään oppimiseen ja neuroverkkoihin jne., joka nopeutti luonnollisen kielen ymmärtämistä (NLU) ja luonnollisen kielen johtamista (NLI). Mutta siinä oli kolme rajoittavaa tekijää — laskentavalmius prosessoida monimutkaisia malleja, pääsy suuriin määriin dataa, joka voi opettaa koneita, ja ennen kaikkea malli, joka voi itseoppia ja itsekorjata muodostamalla aikasarjoja lauseiden välillä.

Nopeasti eteenpäin kahden vuosikymmenen jälkeen, ja GPU:t toimittavat valtavat laskentavalmiudet, itseopettelevat ja evoluutioon perustuvat neuroverkot ovat normaalia, valvottu/valvomaton/puolivalvottu oppimismallit kaikki ovat olemassa, ja ennen kaikkea, on suurempi pääsy valtaviin määriin dataa useilla kielillä, mukaan lukien eri sosiaalisen median alustat, joille nämä mallit voivat kouluttaa. Tuloksena on AI-moottorit, jotka voivat muodostaa yhteyden sinuun luonnollisella kielelläsi, ymmärtää tunteen ja merkityksen taustalla kysymyksissäsi, kuulostaa ihmisen kaltaiselta ja vastata kuin ihminen.

Me kaikki, kautta sosiaalisen median läsnäolomme, olemme olleet tietämättämme ’Ihmisiä Silmukan Sisällä’ kouluttamassa näitä moottoreita. Meillä on nyt moottoreita, jotka väittävät olevan koulutettuina triljoonilla parametreillä, pystyviä ottamaan satoja ja tuhansia syöteparametrejä, jotka ovat monimutkaisia ja vastaamaan meille luonnollisella kielellämme. Olipa se sitten GPT4/5, PaLM2, Llama tai mikä tahansa muu LLM, joka on julkaistu tähän asti, ne ovat nousemassa yhä kontekstuaalisemmiksi pystyviksi ratkaisemaan ongelmia.

Käyttöjärjestelmät ja Tietojärjestelmät

Vaikka matka NLP:stä LLM:ään on ollut suuri kiitos Silicon Evolutionille, data-malleille ja valtaville määrille koulutusdataa, jota me kaikki olemme luoneet, yritykset — vähittäiskaupan tarjoajat, valmistajat, pankit jne. — tarvitsevat erilaisia sovelluksia tälle teknologialle. Ensinnäkin yritykset eivät voi maksaa AI-harhaa — he tarvitsevat 0% harhaa ja 100% tarkkuutta AI:n kanssa vuorovaikutuksessa oleville käyttäjille.  On joukko kysymyksiä, jotka vaativat ehdotonta tarkkuutta, jotta ne voisivat olla minkäänlaisia liiketoiminnan kannalta hyödyllisiä — esim. Kuinka monta huonetta on hotellissani? Onko minulla saatavilla ensimmäisen luokan lippu?

Vastataksesi tähän AI-harhaan, tulee vanha käsite Käyttöjärjestelmistä ja Tietojärjestelmistä. Käyttöjärjestelmät, olivat ne sitten asiakkaiden, toimittajien tai työntekijöiden kanssa, voivat hyödyntää GenAI-pohjaista vuorovaikutusalustaa valmiina liiketoimintakohtaisille ärsykkeille — se on ”helpompi” osa. Haaste on upottaa Tietojärjestelmät arvoon.  Monet yritykset ovat edelleen staattisessa taulukko- ja entiteettipohjaisessa maailmassa ja tulevat pysymään siinä, koska useimmat yritykset ovat staattisia organisaatiotasolla tai yritystasolla, kun taas tapahtumat ja työnkulut tekevät niistä dynaamisia transaktiotasolla.

Tässä puhumme seuraavan sukupolven vuorovaikutusjärjestelmistä, jotka eivät ainoastaan käsittele keskusteluja, käyttöliittymiä ja kysymyksiä, vaan myös vievät asiakasmatkat täyteen toteutukseen. On erilaisia arkkitehtuurin lähestymistapoja tällaisiin vuorovaikutusjärjestelmiin. Yksi välitön vaihtoehto on käyttää hybridimiddlewarea, joka toimii konsolidaattorina erilaisten yritysten vektoreiden ja merkittyjen tietojen ja LLM-pohjaisen vuorovaikutuksen välillä ja toimittaa 0% harhan tuloksen kuluttajille.

On valtava määrä data-etuvalmistelua, jota yritysten on tehtävä, jotta se olisi ymmärrettävää LLM-moottorille. Kutsuvat sitä perinteisen taulukko- ja entiteettipohjaisen datamallin tasoittamiseksi. Graafitietokannat, jotka edustavat ja tallentavat dataa tapaa, jota relaatiotietokannat eivät voi, löytävät uuden tarkoituksensa tässä matkassa. Tavoitteena on muuttaa yritysten tietokannat ymmärrettävämmiksi graafitietokannoiksi, joissa on suhteita, jotka määrittelevät kontekstin ja merkityksen, ja tekevät siitä helpomman LLM-moottorien oppimista ja siten vastaamista asiakkaiden ärsykkeisiin vuorovaikutus- ja reaaliaikaisissa kysymyksissä. Tämä tehtävä, jossa yritysten dataa tehdään LLM-valmiiksi, on avain end-to-end Käyttöjärjestelmistä Tietojärjestelmiin kokemukseen ja vie asiakaskokemuksen täyteen toteutukseen.

Mitä Seuraavaksi

Tässä vaiheessa, näiden edistysten kanssa datasta ja älystä, välittömin vaikutus tulee ohjelmistokoodin luomisen alueella — kuten nähdään Microsoft Copilotin, Amazone CodeWhispererin ja muiden kehittäjien työkalujen nousussa. Nämä työkalut ovat käynnistämässä perinteisten modernisointiohjelmia, joista monet ovat usein jääneet jumiin ajan ja kustannusten vuoksi. GenAI-pohjaisilla koodigeneraattorityökaluilla nämä modernisointihankkeet kiihdyttävät aikataulujaan 20-40%. Uusien koodikehityshankkeissa nämä työkalut sallivat kehittäjien siirtää aikaa ja tuottavuuden säästöjä suunnittelufilosofiaan ja innovatiivisempiin projekteihin.

Ohjelmistokehityksen ulkopuolella GenAI-työkalut johtavat uusien pystyvien käyttötapauksien ja skenaarioiden luomiseen, joiden tavoitteena on ratkaista yritysten tärkeimmät haasteet, ja olemme vasta aloittamassa pinnan hiostamista siitä, mitä on tehtävä, jotta voidaan hyödyntää tästä trendistä. Kuitenkin olemme jo ratkaisseet useita ongelmia ja kysymyksiä vähittäiskaupan ja logistiikan alalla hyödyntämällä GenAI:a:

Kuinka paljon varastoa minulla on varastossani, ja milloin minun pitäisi käynnistää uudelleen täydentäminen?  Onko kannattavaa varastoida etukäteen? Onko minun laskennallinen hinta oikein vai onko se kasvamassa? Mitkä tuotteet voin pakata tai miten voin tarjota henkilökohtaista palvelua, jotta voisin korottaa voittoni?

Vastataksesi tällaisiin kysymyksiin vaatii yhdistelmän vuorovaikutusliittymiä, korkean tarkkuuden datakyselyjä taustalla ja domain-rikkaita koneoppimismalleja, jotka toimittavat ennusteita ja tulevaisuuden ohjeita. Siksi minun neuvoni yrityksille on, olipa sinä sitten AI-tutkija tai Generatiivisen Älyn disruptor, kumppanoida palveluntarjoajien kanssa, joilla on todistettu AI-asiantuntemus ja vahvat data- ja analytiikkakapasiteetit, jotka voivat aseistaa sinut hyödyntämään GenAI-malleja, jotka sopivat liiketoimintatarpeisiisi, ja auttavat sinua pysymään edellä käyrää.