Det smarte foretaket: Gjøre Generative AI bedriftsklar

La oss begynne her: Ja, mulighetene for Generative AI (GenAI) er enorme. Ja, det forandrer verden som vi kjenner den (og raskere enn de fleste av oss hadde forutsett). Og ja, teknologien blir smartere. Men implikasjonene for GenAI, med dens evne til å generere tekst, bilder og narrativer, på bedrifter og virksomheter er svært forskjellige fra effekten på den generelle befolkningen — etter all, de fleste bedrifter skriver ikke dikt eller historier (som er populært blant ChatGPT-brukere), de betjener kundene sine.

Mange selskaper har erfaring med naturlig språkbehandling (NLP) og lavnivå-chatterboter, men GenAI akselererer hvordan data kan integreres, tolkes og konverteres til forretningsresultater. Derfor må de raskt bestemme hvilke GenAI-anvendelser som vil løse deres mest presserende forretningsutfordringer og drive vekst. For å forstå hvordan bedrifter kan gjøre GenAI bedriftsklar med deres data, er det viktig å se på hvordan vi har kommet til dette punktet.

Reisen fra NLP til Large Language Model (LLM)

Teknologien har forsøkt å forstå naturlige språk i flere tiår nå. Mens menneskespråket i seg selv er en utviklet form for menneskelig uttrykk, har det faktum at mennesker har utviklet seg til så mange dialekter verden over — fra symboler og lyder til stavelser, fonetikk og språk — etterlatt teknologien avhengig av enklere digitale kommunikasjonsmetoder med biter og bytes, osv., til relativt nylig.

Jeg begynte å arbeide med NLP-programmer for nesten et tiår siden. Da var det alt om språktaksonomi og ontologi, enhetsuttrekk, og en primitiv form for grafdatabase (i hovedsak i XML) for å prøve å opprettholde komplekse relasjoner og kontekst mellom ulike enheter, gi mening til søkeforespørsler, generere et ordsky og levere resultater. Det var ingenting matematisk om det. Det var mye Menneske i løkken for å bygge ut taksonomidatabaser, mye XML-parsing, og viktigst, mye beregning og minne i spill. Det er unødvendig å si at noen programmer var suksessfulle, og de fleste var det ikke. Maskinlæring kom neste med flere tilnærminger til dyp læring og neurale nett, osv., akselererende naturlig språkforståelse (NLU) og naturlig språkinferens (NLI). Men det var tre begrensninger — beregningskraft for å prosessere komplekse modeller, tilgang til volumer av data som kan lære maskiner, og primært, en modell som kan selv-lære og selv-korrigerende ved å danne tidsmessige relasjoner mellom fraser.

For å gå fremover to tiår senere, og GPUs leverer massive beregningskraft, selv-lærende og evoluerende neurale nett er normen, overvåket/uvåket/semi-overvåket læringmodeller eksisterer alle, og over alt, er det større tilgang til massive mengder data på flere språk, inkludert ulike sosiale medieplattformer, som disse modellene kan trenes på. Resultatet er AI-motorer som kan kobles til deg i ditt naturlige språk, forstå følelsen og meningen bak dine forespørsler, lyde som et menneske og svare som ett.

Vi alle, gjennom vår sosiale medie-tilstedeværelse, har vært ukjent en «Menneske» i «Løkken» for å trene disse motorene. Vi har nå motorer som hevder å være trenet på trillioner parameter, i stand til å ta hundrevis og tusenvis av inndata-parameter, som er multi-modale og svare på oss i vårt språk. Uansett om det er GPT4/5, PaLM2, Llama eller andre LLM-er som er publisert så langt, de oppstår som mer kontekstuelle vertikale problemløsere.

Systemer for engasjement og systemer for registrering

Mens reisen fra NLP-er til LLM-er har vært stor takket være silikon-evolusjonen, data-modeller og tilgangen til massive mengder treningsdata som vi alle har generert, bedrifter — detaljister, produsenter, banker, osv. — hver trenger svært forskjellige anvendelser av denne teknologien. Først og fremst kan bedrifter ikke ha AI-hallusinasjon — de trenger 0% hallusinasjon og 100% nøyaktighet for brukere som interagerer med AI. Det er en rekke forespørsler som krever absolutt nøyaktighet for å være av noen forretningsverdi — f.eks. Hvor mange rom er ledige på ditt hotell? Har du en førsteklasses billett ledig?

For å motvirke AI-hallusinasjon, kommer den gamle konseptet om systemer for engasjement og systemer for registrering inn. Systemer for engasjement, enten det er med dine kunder, leverandører eller ansatte, kan utnytte en GenAI-basert konversasjonsplattform ut av boksen, etter å ha blitt trenet for bedriftsspesifikke forespørsler — det er den «enklere» delen. Utfordringen er å innlemme systemer for registrering i verdikjeden.  Mange bedrifter er fortsatt i en statisk tabel- og enhetsbasert verden og vil forbli der fordi de fleste bedrifter er statiske på et organisatorisk eller korporativt nivå, mens hendelser og arbeidsflyter gjør dem dynamiske på et transaksjonsnivå.

Dette er der vi snakker om neste generasjons konversasjonsplattformer som ikke bare håndterer samtaler, grensesnitt og forespørsler, men også tar kunde-reiser hele veien til oppfyllelse. Det er ulike arkitektoniske tilnærminger til slike konversasjonsplattformer. En umiddelbar mulighet er å bruke hybrid-mellomvare som fungerer som en konsolidator av sorts mellom vektorisert og merket bedriftsdata og LLM-drevne konversasjonsforespørsler og leverer en 0% hallusinasjonsresultat til forbrukerne.

Det er en massiv mengde data-forberedelse arbeid som kreves av bedrifter for å gjøre det forståelig for en LLM-motor. Vi kaller det flattning av de tradisjonelle tabel- og enhetsdrevne data-modellene. Graf-databaser, som representerer og lagrer data på en måte som relasjonsdatabaser ikke kan, finner en ny hensikt i denne reisen. Målet er å konvertere bedrifts-databaser til mer forståelige graf-databaser med relasjoner som definerer kontekst og mening, og gjør det enklere for LLM-motorer å lære og derfor svare på forespørsler fra sluttbrukere gjennom en kombinasjon av konversasjons- og sanntids-forespørsler. Dette oppgaven med å aktivere bedriftsdata til å være LLM-klar er nøkkel til å levere en hel-dekkende systemer for engasjement til systemer for registrering og å ta bruker-erfaringer hele veien til oppfyllelse.

Hva kommer neste

På dette punktet, med disse fremgangene i data og AI, kommer den mest umiddelbare effekten i området software-kode-generering — som vist av oppblomstringen av Microsoft Copilot, Amazone CodeWhisperer og andre verktøy blant utviklere. Disse verktøyene er i ferd med å starte legacy-moderniseringsprogrammer, mange av dem er ofte stoppet på grunn av tid og kostnad-bekymringer. Med kode-genereringsverktøy drevet av GenAI, ser vi moderniseringsprosjekter akselerere deres tidstabeller med 20-40%. I grønne felt-kodeutviklingsprosjekter, vil disse verktøyene tillate utviklere å flytte tid og produktivitet-besparelse mot design-tenkning og mer innovative prosjekter.

Forbi software-kodeutvikling, fører GenAI-verktøy til skapingen av nye vertikale anvendelser og scenarier som er rettet mot å løse bedrifters mest presserende utfordringer, og vi er bare begynner å skrape overflaten av hva som må gjøres for å ta fullt utbytte av denne trenden. Likevel er vi allerede løsning flere problemer og spørsmål i detalj- og logistikk-sektoren ved å utnytte GenAI:

Hvor mye lager har jeg på lageret, og når skal jeg utløse påfylling? Er det lønnsomt å lagre på forhånd? Er min landingspris riktig eller vil den øke? Hvilke varer kan jeg pakke eller hvilken type personliggjøring kan jeg tilby for å heve min fortjeneste?

Å svare på disse typene spørsmål krever en kombinasjon av konversasjons-grensesnitt, høy-akkurat data-drevne forespørsler i bakenden, og en domene-tyngde maskinlæringsmodell som leverer prediksjoner og fremtidige retningslinjer. Derfor er min råd til bedrifter å, enten du er en AI-utforsker eller en Generative AI-forstyrrer, samarbeide med tjenesteleverandører som har bevist AI-ekspertise og robuste data- og analyse-kapasiteter som kan utruste deg til å kapitalisere på GenAI-modeller som er tilpasset dine forretningsbehov og hjelpe deg å holde deg foran kurven.