インテリジェント企業：Generative AIを企業に導入する

ここから始めましょう：はい、Generative AI（GenAI）の機会は巨大です。はい、それは私たちが予測したよりも早く世界を変えているのです。而且、技術はより賢くなっています。しかし、企業やビジネスに対するGenAIの影響は、一般大衆に対する影響と大きく異なります。多くの企業は詩や物語を書くことはありません（これはChatGPTユーザーに人気があります）が、顧客にサービスを提供するのです。

多くの企業は自然言語処理（NLP）や低レベルのチャットボットの経験がありますが、GenAIはデータを統合、解釈、ビジネス成果に変換する方法を加速しています。したがって、彼らはGenAIの使用例を迅速に決定し、最も重要なビジネス課題を解決し、成長を促進する必要があります。企業がデータでGenAIを企業に導入する方法を理解するには、ここまでどのように到達したかを振り返ることが重要です。

NLPからLarge Language Model（LLM）への旅

技術は自然言語を理解しようとして何十年もかかりました。人間の言語は進化した人間の表現の一形態ですが、人間が多くの方言に進化したことは、シンボルや音から音節、音声学、言語に至るまで、技術がより単純なデジタル通信方法に頼ることを余儀なくしました。最近まで、ビットやバイトなどでした。

私は約10年前からNLPプログラムの作業を始めました。当時は、言語分類学、オントロジー、エンティティ抽出、グラフデータベース（主にXML）の原始的な形態で、複雑な関係やコンテキストを維持し、検索クエリに応じて結果を生成するために使用されていました。数学的なものではありませんでした。人間がループ内にいることを保つために、タクソノミーデータベースを構築するために多くの作業が必要でした。XMLの解析も多く、コンピューティングとメモリも多く使用されていました。いくつかのプログラムは成功しましたが、多くは成功しませんでした。次に、自然言語理解（NLU）や自然言語推論（NLI）を加速するために、多くのアプローチで深層学習やニューラルネットワークなどが導入されました。しかし、3つの制限がありました。複雑なモデルを処理するためのコンピューティングパワー、機械に教えることができる大量のデータへのアクセス、および時間的な関係を形成して自己学習や自己修正を行うことができるモデル。

2つの10年後、GPUは大量のコンピューティングパワーを提供し、自己学習や自己進化するニューラルネットワークが一般的になり、教師あり・教師なし・半教師あり学習モデルがすべて存在し、さらに重要なのは、さまざまな言語で大量のデータにアクセスできるようになり、これらのモデルをトレーニングできるようになったということです。結果として、自然言語で私たちと接続できるAIエンジンができました。感情や意味を理解し、人間のように応答することができます。

私たちはみんな、ソーシャルメディアの存在を通じて、知らないうちにこれらのエンジンのトレーニングに「人間」となっていました。現在、数十億のパラメータでトレーニングされたエンジンが存在し、数千の入力パラメータを受け取ることができ、多モーダルで応答することができます。GPT4/5、PaLM2、Llama、またはこれまでに公開された他のLLMは、よりコンテキストのある垂直的な問題解決者として登場しています。

エンゲージメントシステムとレコードシステム

NLPからLLMへの旅は、シリコンの進化、データモデル、そして私たちが生成した大量のトレーニングデータのおかげで素晴らしいものでした。ただし、企業、小売業者、製造業者、銀行などは、技術のこの進歩を非常に異なる方法で適用する必要があります。まず、企業はAIの「妄想」を許容できません。0％の妄想と、AIと接触するユーザーに対する100％の精度が必要です。絶対的な精度が必要な質問の範囲があります。たとえば、「あなたのホテルにはどのくらいの部屋が利用可能ですか？一等席のチケットは利用可能ですか？」

AIの妄想に対抗するために、エンゲージメントシステムとレコードシステムの古典的な概念が登場します。顧客、サプライヤー、従業員とのエンゲージメントシステムは、ビジネス固有のプロンプトでトレーニングされたGenAIベースの会話プラットフォームをすぐに利用できます。那は「簡単」な部分です。レコードシステムを価値チェーンに組み込むことが課題です。多くの企業は静的なテーブルやエンティティベースの世界にあり、組織や企業レベルでは静的ですが、イベントやワークフローによってトランザクションレベルでは動的です。

ここで、会話、インターフェース、クエリを扱うだけでなく、顧客の旅を完了まで導く次世代の会話プラットフォームについて話します。会話プラットフォームにはさまざまなアーキテクチャアプローチがあります。1つの即時的な選択肢は、ベクタ化されたエンタープライズデータとLLM駆動の会話プロンプトの間のコンソリデーターとして機能するハイブリッドミドルウェアを使用することです。消費者に0％の妄想の結果を提供します。

企業は、LLMエンジンが理解できるようにデータを準備するために大量の作業が必要です。これを伝統的なテーブルやエンティティ駆動型のデータモデルをフラット化することと呼びます。グラフデータベースは、関係性によってコンテキストと意味を定義する方法でデータを表現および保存することができ、関係性によってコンテキストと意味を定義する方法でデータを表現および保存することができます。LLMエンジンが学習し、したがって会話とリアルタイムクエリの組み合わせでエンド顧客からプロンプトに応答することを容易にします。このタスクは、エンタープライズデータをLLMに準備するための重要なステップです。エンゲージメントシステムとレコードシステムのエンドツーエンドの体験を提供し、ユーザーエクスペリエンスを完了まで導くために不可欠です。

次に何が起こるか

ここで、データとAIの進歩により、最もすぐに影響を受ける分野はソフトウェアコード生成の分野です。マイクロソフトのCopilot、AmazonのCodeWhispererなどのツールが開発者の中で普及しています。これらのツールは、多くの場合、時間とコストの懸念により停滞していたレガシーの近代化プログラムを加速させています。GenAIを搭載したコード生成ツールを使用すると、近代化プロジェクトのスケジュールが20〜40％短縮されます。新規コード開発プロジェクトでは、これらのツールにより、開発者は時間と生産性の節約をデザイン思考やより革新的なプロジェクトに向けることができます。

ソフトウェアコード開発を超えて、GenAIツールは、企業の最も重要な課題を解決することを目的とした新しい 垂直的なユースケースやシナリオを生み出しています。私たちはまだ表面を 押さえているにすぎません。ただし、すでにGenAIを活用して、小売業やロジスティクス業界でいくつかの問題や質問を解決しています。

倉庫にはどのくらいの在庫がありますか？いつ補充をトリガーする必要がありますか？事前に在庫を保有することは利益になりますか。着陸価格は正しいですか、それとも上昇するでしょうか。どのようなアイテムをバンドルするか、またはどのようなパーソナライゼーションを提供して利益を上げることができますか。

これらの質問に答えるには、会話のフロントエンド、バックエンドの高精度データ駆動型クエリ、ドメイン重視の機械学習モデルが必要です。このモデルは予測と将来のガイダンスを提供します。したがって、私のアドバイスは、AIの探求者またはGenerative AIの破壊者であるかに関係なく、ビジネスニーズに合わせたGenAIモデルを活用できるように、AIの専門知識とデータおよび分析機能のあるサービスプロバイダーと提携することです。そうすれば、曲がり角を先取りし、先頭を走ることができます。