Het Slimme Bedrijf: Generatieve AI Klaar voor Ondernemingen

Laten we hier beginnen: Ja, de mogelijkheden voor Generatieve AI (GenAI) zijn enorm. Ja, het verandert de wereld zoals we die kennen (en sneller dan de meeste van ons hadden voorspeld). En ja, de technologie wordt slimmer. Echter, de implicaties van GenAI, met zijn mogelijkheid om tekst, beelden en verhalen te genereren, voor ondernemingen en bedrijven zijn heel anders dan de impact op het algemene publiek — tenslotte schrijven de meeste bedrijven geen gedichten of verhalen (wat populair is onder ChatGPT-gebruikers), ze dienen hun klanten.

Veel bedrijven hebben ervaring met natuurlijke taalverwerking (NLP) en low-level chatbots, maar GenAI versnelt hoe data geïntegreerd, geïnterpreteerd en omgezet kan worden in bedrijfsresultaten. Daarom moeten ze snel bepalen welke GenAI-use cases hun meest dringende bedrijfsuitdagingen zullen oplossen en groei stimuleren. Om te begrijpen hoe ondernemingen GenAI bedrijfsklaar kunnen maken met hun data, is het belangrijk om te zien hoe we op dit punt zijn gekomen.

De Reis van NLP naar Large Language Model (LLM)

Technologie probeert al decennia lang om natuurlijke talen te begrijpen. Hoewel de menselijke taal zelf een geëvolueerde vorm van menselijke expressie is, heeft het feit dat mensen zo veel dialecten wereldwijd hebben ontwikkeld — van symbolen en geluiden tot syllaben, fonetiek en talen — technologie afhankelijk gemaakt van eenvoudigere digitale communicatiemethoden met bits en bytes, enz., totdat relatief recent.

Ik ben ongeveer een decennium geleden begonnen met het werken aan NLP-programma’s. Toen was het allemaal over taaltaxonomie en -ontologie, entiteitsextractie en een primitieve vorm van een grafische database (grotendeels in XML’s) om complexe relaties en context tussen verschillende entiteiten te onderhouden, om zin te geven aan zoekopdrachten, een woordwolk te genereren en resultaten te leveren. Er was niets wiskundigs aan. Er was veel Mens in de Lus om taxonomiedatabases op te bouwen, veel XML-parsing en vooral veel reken- en geheugencapaciteit. Het is overbodig om te zeggen dat sommige programma’s succesvol waren en de meeste niet. Machine learning kwam daarna met meerdere benaderingen van diepe leerprocessen en neurale netwerken, enz., waardoor de natuurlijke taalbegrip (NLU) en natuurlijke taalinferentie (NLI) versneld werden. Echter, er waren drie beperkende factoren — rekenkracht om complexe modellen te verwerken, toegang tot grote hoeveelheden data die machines kunnen leren en vooral een model dat zichzelf kan leren en corrigeren door tijdelijke relaties tussen zinnen te vormen.

Na twee decennia zijn GPUs in staat om enorme rekenkracht te leveren, zelflerende en evoluerende neurale netwerken zijn de norm, begeleide/onbegeleide/semi-begeleide leermodellen bestaan allemaal en bovenal is er grotere toegang tot enorme hoeveelheden data in verschillende talen, waaronder verschillende sociale media-platforms, waarop deze modellen getraind kunnen worden. Het resultaat zijn AI-motoren die met je kunnen communiceren in je natuurlijke taal, de emotie en betekenis achter je opdrachten kunnen begrijpen, als een mens kunnen klinken en als een mens kunnen reageren.

We zijn allemaal, door onze sociale media-aanwezigheid, onbewust een ‘Mens’ in de ‘Lus’ geweest om deze motoren te trainen. We hebben nu motoren die beweren te zijn getraind op triljoenen parameters, die honderden en duizenden invoerparameters kunnen verwerken, die multimodaal zijn en die in onze taal op ons kunnen reageren. Of het nu GPT4/5, PaLM2, Llama of een van de andere LLM’s is die tot nu toe zijn gepubliceerd, ze ontwikkelen zich tot meer contextuele, verticale probleemoplossers.

Systeem van Betrokkenheid en Systeem van Records

Terwijl de reis van NLP’s naar LLM’s geweldig is dankzij de Silicium-evolutie, data-modellen en de beschikbaarheid van enorme hoeveelheden trainingsdata die we allemaal hebben gegenereerd, hebben ondernemingen — detailhandelaren, fabrikanten, banken, enz. — elk heel verschillende toepassingen van deze technologie nodig. Ten eerste kunnen ondernemingen geen AI-hallucinatie veroorloven — ze hebben 0% hallucinatie en 100% nauwkeurigheid nodig voor gebruikers die met AI communiceren. Er zijn een aantal opdrachten die absolute nauwkeurigheid vereisen om enig zakelijk nut te hebben — bijv. Hoeveel kamers zijn er beschikbaar in uw hotel? Heeft u een eerste klas ticket beschikbaar?

Om AI-hallucinatie te voorkomen, komt de oude conceptie van Systeem van Betrokkenheid en Systeem van Records in beeld. Systeem van Betrokkenheid, of het nu met klanten, leveranciers of medewerkers is, kan een GenAI-gebaseerd conversatieplatform uit de doos gebruiken, na training voor bedrijfsspecifieke prompts — dat is het “gemakkelijkere” deel. De uitdaging ligt in het integreren van Systeem van Records in de waardeketen. Veel bedrijven zitten nog steeds in een statische tabel- en entiteitsgebaseerde wereld en zullen dat zo blijven omdat de meeste ondernemingen statisch zijn op organisatorisch of corporate niveau, terwijl gebeurtenissen en workflows ze dynamisch maken op transactieniveau.

Dit is waar we het hebben over volgende generatie conversatieplatforms die niet alleen conversaties, interfaces en opdrachten aanpakken, maar ook klantreizen helemaal tot afronding brengen. Er zijn verschillende architectonische benaderingen voor dergelijke conversatieplatforms. Een onmiddellijke optie is om hybride middleware te gebruiken die als een soort consolidator fungeert tussen gevectoriseerde en gelabelde ondernemingsdata en LLM-gebaseerde conversatieprompts en een 0% hallucinatie-uitkomst levert aan consumenten.

Er is een enorme hoeveelheid data-voorbereidingswerk vereist door ondernemingen om het verstaanbaar te maken voor een LLM-motor. We noemen het het “vlak maken” van traditionele tabel- en entiteitsgebaseerde data-modellen. Grafische databases, die data op een manier representeren en opslaan die relationele databases niet kunnen, vinden een nieuwe doelstelling in deze reis. Het doel is om ondernemingsdatabases om te zetten in meer verstaanbare grafische databases met relaties die context en betekenis definiëren, waardoor het voor LLM-motoren gemakkelijker wordt om te leren en dus te reageren op prompts van eindgebruikers via een combinatie van conversatie en real-time opdrachten. Deze taak van het mogelijk maken van ondernemingsdata voor LLM-motoren is de sleutel tot het bieden van een end-to-end Systeem van Betrokkenheid naar Systeem van Records-ervaring en het brengen van gebruikerservaringen helemaal tot afronding.

Wat Komt Er Hierna

Op dit punt, met deze vooruitgang in data en AI, is de meest directe impact te zien in het gebied van softwarecodegeneratie — zoals blijkt uit de opkomst van Microsoft Copilot, Amazone CodeWhisperer en andere tools onder ontwikkelaars. Deze tools geven een impuls aan legacy-moderniseringsprogramma’s, die vaak stil liggen vanwege tijd- en kostenoverwegingen. Met codegeneratie-tools die zijn aangedreven door GenAI, zien we moderniseringsprojecten hun tijdschema’s versnellen met 20-40%. In groene veldcode-ontwikkelingsprojecten zullen deze tools ontwikkelaars in staat stellen om tijd en productiviteitswinsten te verschuiven naar design-denken en meer innovatieve projecten.

Verder dan softwarecode-ontwikkeling leiden GenAI-tools tot de creatie van nieuwe verticale use cases en scenario’s die zijn gericht op het oplossen van de meest dringende uitdagingen van ondernemingen, en we beginnen pas aan het oppervlak te krabben van wat er moet gebeuren om ten volle te profiteren van deze trend. Niettemin lossen we al verschillende problemen en vragen op in de detailhandel- en logistieke sector door GenAI te gebruiken:

Hoeveel voorraad heb ik in het magazijn, en wanneer moet ik aanvulling activeren? Is het winstgevend om vooruit te bestellen? Is mijn gelande prijs correct of zal die escaleren? Welke artikelen kan ik bundelen of welke soort personalisatie kan ik bieden om mijn winst te verhogen?

Om deze soort vragen te beantwoorden, is een combinatie van conversatie-interfaces, hoge nauwkeurigheidsdata-gedreven opdrachten in de achterkant en een domein-zware machine learning-model nodig dat voorspellingen en toekomstige richtlijnen levert. Dus, mijn advies voor ondernemingen zou zijn, of u nu een AI-verkenner of een Generatieve AI-verstoorder bent, om samen te werken met dienstverleners die bewezen AI-expertise en robuuste data- en analytische capaciteiten hebben, die u kunnen uitrusten om te profiteren van GenAI-modellen die zijn aangepast aan uw bedrijfsbehoeften en u helpen om voorop te blijven in de curve.