インテリジェント企業：Generative AIを企業向けに使えるようにする

ここから始めましょう：はい、機会はGenerative AI (GenAI)にとって非常に大きいです。はい、それは私たちが知っている世界を変えている（そして、ほとんどの私たちが予測したよりも速く変化しています）。そしてはい、テクノロジーはより賢くなっています。しかし、GenAIの影響、つまりテキスト、イメージ、物語を生成する能力は、一般の人々への影響とは異なります。なぜなら、ほとんどの企業は詩や物語（これはChatGPTユーザーに人気があります）を書くことはないからです。彼らは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はデータを統合し、解釈し、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のユースケースを迅速に決定し、ビジネス上の最も重要な課題を解決し、成長を促進する必要があります。企業がデータでGenAIを企業向けに使えるようにする方法を理解するには、ここまでどのようにしてきたかを確認することが重要です。

NLPからLarge Language Model (LLM)への旅

テクノロジーは、自然言語を理解しようとして何十年もかかってきました。人間の言語自体は進化した形の人間の表現ですが、人間が世界中で多くの方言に進化してきたという事実は、テクノロジーが、最近まで、ビットやバイトなどの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。

私は約10年前にNLPプログラムの作業を始めました。当時は、言語の分類とオントロジー、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、複雑な関係とコンテキストをさまざまなエンティティ間で維持しようとしました。検索クエリを理解し、ワードクラウドを生成し、結果を提供するために。数学的なものではありませんでした。人間がループにいることが多く、タクソノミーデータベースを構築するために、XMLの解析が多く、最も重要なのは、多くのコンピューティングとメモリが使用されていました。当然、ある程度のプログラムは成功しましたが、ほとんどはそうではありませんでした。次に、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を使用するマシンラーニングが続き、自然言語理解（NLU）と自然言語推論（NLI）を促進しました。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、機械を教えることができる大量のデータへのアクセス、および主に、時間的関係を形成することで自己学習および自己修正できるモデル。

2つの十年後、GPUは大量のコンピューティングパワーを提供し、自己教師型および自己進化型のニューラルネットワークが通常となり、教師あり・教師なし・半教師あり学習モデルのすべてが存在し、最も重要なことは、多くの言語を含む大量のデータへのアクセスが容易になり、これらのモデルをトレーニングできるようになりました。結果として、AIエンジンはあなたの自然言語で接続し、クエリの背後にある感情や意味を理解し、人間のように聞こえ、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、これらのエンジンのトレーニングに「人間」のループとして参加してきました。私たちは、数兆のパラメータでトレーニングされたエンジンを主張し、数百、数千の入力パラメータを受け取り、多モーダルで応答するエンジンを取得しています。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、シリコンの進化と、すべてが生成した大量のトレーニングデータモデルのおかげで素晴らしいものでしたが、企業 — 小売業者、製造業者、銀行など — には、このテクノロジーの非常に異なるアプリケーションが必要です。まず、企業はAIの「妄想」 — 0%の妄想と100%の精度が必要です。ユーザーがAIとやり取りするために、絶対的な精度が必要なクエリの範囲があります。たとえば、ホテルには何部屋ありますか？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、システムのエンゲージメントとシステムのレコードの古い概念が登場します。システムのエンゲージメントは、顧客、サプライヤー、従業員とであっても、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使用できます — それが「簡単な」部分です。課題は、システムのレコードを価値チェーンに組み込むことです。 多くの企業は、静的なテーブルとエンティティベースの世界にあり、組織または企業レベルでは静的ですが、イベントとワークフローはトランザクションレベルでは動的です。

ここで、会話、インターフェイス、クエリを扱うだけでなく、顧客の旅を完全に満たす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。すぐに利用できるオプションの1つは、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エンジンにとって理解可能なものにするために、膨大な量のデータ準備作業が必要です。これを従来のテーブルとエンティティ駆動型データモデルの「フラット化」と呼びます。グラフデータベースは、関係データベースが表現できない方法でデータを表現および保存するために、新しい目的を見つけ始めています。目標は、コンテキストと意味を定義する関係を持つグラフデータベースにエンタープライズデータベースを変換することです。そうすることで、LLMエンジンが学習し、会話とリアルタイムクエリの組み合わせでエンドユーザーからプロンプトに応答することが容易になります。このタスクは、エンタープライズデータをLLMに準備するための鍵であり、エンドツーエンドのシステムのエンゲージメントからシステムのレコード体験を提供し、ユーザーエクスペリエンスを完全に満たすことができます。

次に何が来るか

この点で、データとAIの進歩により、最も直接的な影響はソフトウェアコード生成の分野にあります — これは、Microsoft Copilot、Amazone CodeWhispererなどのツールの登場によって証明されています。開発者の中でのこれらのツールは、時間とコストの懸念により、しばしば停滞しているレガシーの近代化プログラムをジャンプスタートさせています。GenAIを使用したコード生成ツールにより、近代化プロジェクトは20〜40%のスケジュールを短縮することができます。グリーンフィールド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られるようになります。

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とシナリオの作成を促しています。私たちはまだ表面を掘り返しているに過ぎませんが、すでにいくつかの問題や小売および物流部門での質問をGenAIを使用して解決しています：

倉庫にどれくらいの在庫がありますか？また、いつ補充をトリガーする必要がありますか？事前に在庫を保持することは利益になりますか？着陸価格は正しいですか、それとも増加するでしょうか。どのようなアイテムをバンドルしたり、どのようなパーソナライゼーションを提供して利益を高め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、バックエンドのデータ駆動型クエリの高精度、およびドメイン重視のマシンラーニングモデルによる予測および将来のガイダンスの組み合わせが必要です。したがって、私の企業へのアドバイスは、AIの探索者またはGenerative AIの破壊者であっても、実証されたAIの専門知識と堅固なデータおよび分析機能を持つサービスプロバイダーと提携することです。そうすることで、ビジネスニーズに適したGenAIモデルを活用し、カーブの先を行くことができます。