Inteligentne Przedsiębiorstwo: Uczynienie Sztucznej Inteligencji Gotowej do Użycia w Przedsiębiorstwie

Początkiem jest to, że możliwości Generatywnej Sztucznej Inteligencji (GenAI) są ogromne. Tak, zmienia świat, jakiego znamy (i szybciej niż większość z nas przewidywała). I tak, technologia staje się coraz bardziej zaawansowana. Niemniej jednak, konsekwencje GenAI, ze swoją możliwością generowania tekstu, obrazów i narracji, dla przedsiębiorstw i firm są bardzo różne od wpływu na ogół społeczeństwa — przecież większość firm nie pisze wierszy ani opowiadań (co jest popularne wśród użytkowników ChatGPT), lecz obsługuje swoich klientów.

Wiele firm ma doświadczenie w dziedzinie przetwarzania języka naturalnego (NLP) i niskopoziomowych botów, ale GenAI przyspiesza, w jaki sposób dane mogą być integrowane, interpretowane i konwertowane na wyniki biznesowe. Dlatego muszą one szybko określić, które przypadki użycia GenAI rozwiążą ich najpilniejsze wyzwania biznesowe i pobudzą wzrost. Aby zrozumieć, jak przedsiębiorstwa mogą uczynić GenAI gotową do użycia w swoich danych, ważne jest, aby przypomnieć, jak doszliśmy do tego punktu.

Podróż od NLP do Dużego Modelu Językowego (LLM)

Technologia próbuje zrozumieć języki naturalne przez dziesięciolecia. Chociaż sam język jest ewoluującą formą wyrazu ludzkiego, fakt, że ludzie rozwinęli się w tak wiele dialektów na całym świecie — od symboli i dźwięków do sylab, fonetyki i języków — pozostawił technologie w zależności od prostszych metod komunikacji cyfrowej z bitami i bajtami itd., aż do niedawna.

Zacząłem pracować nad programami NLP prawie dekadę temu. Wtedy wszystko kręciło się wokół taksonomii języka i ontologii, ekstrakcji encji oraz prymitywnej formy bazy danych grafowej (głównie w XML) w celu utrzymania złożonych relacji i kontekstu między różnymi encjami, zrozumienia zapytań wyszukiwania, wygenerowania chmury słów i dostarczenia wyników. Nie było nic matematycznego w tym. Było dużo człowieka w pętli, aby zbudować bazy danych taksonomicznych, dużo parsowania XML i najważniejsze, dużo obliczeń i pamięci. Niektóre programy były udane, a większość nie. Następnie pojawiło się uczenie maszynowe z wieloma podejściami do głębokiego uczenia i sieci neuronowych itd., przyspieszając zrozumienie języka naturalnego (NLU) i wnioskowanie językowe (NLI). Niemniej jednak, były trzy czynniki ograniczające — moc obliczeniowa do przetwarzania złożonych modeli, dostęp do ogromnych ilości danych, które mogą nauczyć maszyny, oraz przede wszystkim, model, który może sam się uczyć i poprawiać, tworząc czasowe relacje między frazami.

Przeskoczmy do przodu o dwie dekady, a teraz GPU dostarczają ogromną moc obliczeniową, samouczące i ewoluujące sieci neuronowe są normą, modele uczenia nadzorowanego, nienadzorowanego i półnadzorowanego istnieją, a przede wszystkim, jest większy dostęp do ogromnych ilości danych w wielu językach, w tym różnych platformach mediów społecznościowych, na których te modele mogą być szkolone. Wynikiem są silniki AI, które mogą łączyć się z Tobą w Twoim języku naturalnym, zrozumieć emocje i znaczenie Twoich zapytań, brzmieć jak człowiek i odpowiadać jak człowiek.

Wszyscy, poprzez naszą obecność w mediach społecznościowych, byliśmy nieświadomie „człowiekiem w pętli”, aby trenować te silniki. Teraz mamy silniki, które twierdzą, że są trenowane na bilionach parametrów, mogące przyjmować setki i tysiące parametrów wejściowych, które są wielomodalne i odpowiadać nam w naszym języku. Niezależnie od tego, czy jest to GPT4/5, PaLM2, Llama czy inne LLM, które zostały opublikowane do tej pory, pojawiają się one jako bardziej kontekstowe, pionierskie rozwiązania problemów.

Systemy Zaangażowania i Systemy Rejestracji

Chociaż podróż od NLP do LLM była wspaniała dzięki ewolucji krzemowej, modelom danych i dostępności ogromnych ilości danych szkoleniowych, które wszyscy wygenerowaliśmy, przedsiębiorstwa — dostawcy detaliczni, producenci, banki itd. — każde potrzebują bardzo różnych zastosowań tej technologii. Po pierwsze, przedsiębiorstwa nie mogą pozwolić sobie na halucynację AI — potrzebują 0% halucynacji i 100% dokładności dla użytkowników, którzy wchodzą w interakcje z AI.  Istnieje szereg zapytań, które wymagają absolutnej dokładności, aby mieć jakikolwiek biznesowy sens — np. Ile pokoi jest dostępnych w Twoim hotelu? Czy masz dostępną pierwszą klasę?

Przeciwdziałanie halucynacji AI polega na wprowadzeniu starej koncepcji Systemów Zaangażowania i Systemów Rejestracji. Systemy Zaangażowania, czy to z klientami, dostawcami, czy pracownikami, mogą wykorzystywać platformę konwersacyjną opartą na GenAI bezpośrednio po przeszkoleniu w celach biznesowych — to „łatwiejsza” część. Wyzwaniem jest wbudowanie Systemów Rejestracji w łańcuch wartości.  Wiele firm wciąż działa w świecie statycznych tabel i encji i pozostanie takimi, ponieważ większość przedsiębiorstw jest statyczna na poziomie organizacyjnym lub korporacyjnym, podczas gdy zdarzenia i przepływy robocze czynią je dynamicznymi na poziomie transakcyjnym.

To jest miejsce, w którym mówimy o następnych generacjach platform konwersacyjnych, które nie tylko zajmują się rozmowami, interfejsami i zapytaniami, ale także prowadzą podróże klientów aż do realizacji. Istnieją różne podejścia architektoniczne do takich platform konwersacyjnych. Jednym z natychmiastowych rozwiązań jest użycie hybrydowego oprogramowania pośredniczącego, które działa jako konsolidator między wektorowanymi i oznaczonymi danymi przedsiębiorstwa a sterowanymi przez LLM bodźcami konwersacyjnymi i dostarcza wynik 0% halucynacji konsumentom.

Istnieje ogromna ilość pracy związanej z przygotowaniem danych przez przedsiębiorstwa, aby uczynić je zrozumiałymi dla silnika LLM. Nazywamy to spłaszczaniem tradycyjnych modeli danych opartych na tabelach i encjach. Bazy danych graficznych, które reprezentują i przechowują dane w sposób, który bazy danych relacyjnych nie mogą, znajdują nowy cel w tej podróży. Celem jest przekształcenie baz danych przedsiębiorstw w bardziej zrozumiałe bazy danych graficznych z relacjami, które definiują kontekst i znaczenie, co ułatwia silnikom LLM uczenie się i odpowiedź na bodźce od klientów końcowych za pomocą kombinacji konwersacji i zapytań w czasie rzeczywistym. To zadanie umożliwienia danych przedsiębiorstwa do przygotowania do LLM jest kluczem do zapewnienia kompleksowego Systemu Zaangażowania i Systemu Rejestracji oraz przeprowadzenia doświadczeń użytkowników aż do realizacji.

Co Dalej

W tym momencie, z tymi postępami w danych i AI, najbardziej natychmiastowy wpływ pochodzi z obszaru generowania kodu oprogramowania — jak świadczy o tym wzrost Microsoft Copilot, Amazone CodeWhisperer i innych narzędzi wśród deweloperów. Te narzędzia uruchamiają programy modernizacji dziedzictwa, z których wiele jest często zablokowanych z powodu problemów z czasem i kosztami. Z narzędziami do generowania kodu zasilanymi przez GenAI, widzimy, jak programy modernizacyjne przyspieszają swoje harmonogramy o 20-40%. W projektach rozwoju oprogramowania, te narzędzia pozwolą deweloperom przesunąć czas i oszczędności produktywności w kierunku myślenia projektowego i bardziej innowacyjnych projektów.

Poza rozwojem oprogramowania, narzędzia GenAI prowadzą do tworzenia nowych przypadków użycia i scenariuszy, które mają na celu rozwiązanie najpilniejszych wyzwań przedsiębiorstw, i dopiero zaczynamy scratchować powierzchnię tego, co należy zrobić, aby w pełni wykorzystać ten trend. Niemniej jednak, już rozwiązujemy wiele problemów i pytań w sektorze detalicznym i logistycznym, wykorzystując GenAI:

Ile mam zapasów w magazynie i kiedy powinienem wyzwolić uzupełnienie? Czy jest opłacalne, aby zapasować z wyprzedzeniem? Czy mój cena lądowania jest prawidłowa, czy wzrośnie? Jakie elementy mogę połączyć, czy jaki rodzaj personalizacji mogę zapewnić, aby podnieść moje zyski?

Odpowiedzi na tego rodzaju pytania wymagają kombinacji interfejsów konwersacyjnych, wysokodokładnych zapytań danych w tle i modelu uczenia maszynowego zorientowanego na domenę, który dostarcza prognozy i wskazówki na przyszłość. W związku z tym, moja rada dla przedsiębiorstw byłaby taka, że niezależnie od tego, czy jesteś eksploratorem AI, czy disruptorem Generatywnej AI, partneruj z dostawcami usług, którzy mają udowodnioną ekspertyzę AI i solidne możliwości danych i analityki, które mogą uzbroić Cię, aby skapitalizować modele GenAI dostosowane do Twoich potrzeb biznesowych i pomóc Ci pozostać na czele zmian.