Inteligentne Przedsiębiorstwo: Czy Robienie Sztucznej Inteligencji Generatywnej Gotowej Dla Przedsiębiorstw

Zaczniemy od tego: Tak, możliwości dla Sztucznej Inteligencji Generatywnej (GenAI) są ogromne. Tak, zmienia świat, jak go znamy (i szybciej niż większość z nas przewidywała). I tak, technologia staje się coraz bardziej inteligentna. Niemniej jednak, implikacje dla GenAI, z jej 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), ale obsługuje swoich klientów.

Wiele firm ma doświadczenie z przetwarzaniem języka naturalnego (NLP) i niskopoziomowymi czatbotami, ale GenAI przyspiesza, w jaki sposób dane mogą być integrowane, interpretowane i konwertowane na wyniki biznesowe. Dlatego muszą szybko określić, które przypadki użycia GenAI rozwiążą ich najpilniejsze wyzwania biznesowe i napędzą wzrost. Aby zrozumieć, jak przedsiębiorstwa mogą uczynić GenAI gotową dla przedsiębiorstw z ich danymi, ważne jest, aby przejrzeć, jak doszliśmy do tego punktu.

Podróż od NLP do Dużych Modeli Językowych (LLM)

Technologia próbuje zrozumieć języki naturalne przez dziesięciolecia. Chociaż sam język ludzki jest ewoluowaną formą wyrazu ludzkiego, fakt, że ludzie ewoluowali w tak wiele dialektów na całym świecie — od symboli i dźwięków w sylaby, fonetykę i języki — 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 i 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 taksonomii, dużo parsowania XML i co 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 inferencję języka naturalnego (NLI). Niemniej jednak były trzy czynniki ograniczające — moc obliczeniowa do przetwarzania złożonych modeli, dostęp do dużych ilości danych, które mogą nauczyć maszyny, i przede wszystkim model, który może sam się uczyć i samokorygować, tworząc czasowe relacje między frazami.

Przeskoczmy do przodu o dwie dekady i otrzymujemy: 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 za Twoimi zapytaniami, brzmieć jak człowiek i odpowiedzieć jak człowiek.

Wszyscy, poprzez naszą obecność w mediach społecznościowych, byliśmy nieświadomie „człowiekiem w pętli”, aby trenować te silniki. Mamy teraz silniki, które twierdzą, że zostały wytrenowane 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 jakikolwiek inny LLM, który został opublikowany do tej pory, pojawiają się one jako bardziej kontekstowe, pionowe 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 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 interakcję z AI. Istnieje szereg zapytań, które wymagają absolutnej dokładności, aby mieć jakikolwiek biznesowy sens — np. Ile pokoi jest dostępnych w hotelu? Czy masz bilety pierwszej klasy?

Aby przeciwdziałać halucynacji AI, wkraczamy w erę 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 celu uzyskania specyficznych dla biznesu wskazówek — to „łatwiejsza” część. Wyzwaniem jest wbudowanie Systemów Rejestracji w łańcuch wartości. Wiele firm wciąż pozostaje w świecie opartym na statycznych tabelach i encjach i pozostaną 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 następnej generacji platform konwersacyjnych, które nie tylko rozwiązują konwersacje, interfejsy i zapytania, ale także przenoszą podróże klientów aż do realizacji. Istnieją różne podejścia architektoniczne do takich platform konwersacyjnych. Jedną z natychmiastowych opcji jest użycie hybrydowego oprogramowania pośredniczącego, które działa jako konsolidator między wektorowanymi i opisanymi danymi przedsiębiorstw a wskazówkami konwersacyjnymi opartymi na LLM i dostarcza wynik 0% halucynacji konsumentom.

Istnieje ogromna ilość pracy z danymi wymagana od przedsiębiorstw, aby uczynić ją zrozumiałą dla silnika LLM. Nazywamy to spłaszczaniem tradycyjnych modeli danych opartych na tabelach i encjach. Bazy danych graficzne, które reprezentują i przechowują dane w sposób, którego nie mogą bazować relacyjne, znajdują nowy cel w tej podróży. Celem jest przekształcenie baz danych przedsiębiorstw w bardziej zrozumiałe bazy danych graficzne z relacjami, które definiują kontekst i znaczenie, ułatwiając silnikom LLM naukę i odpowiedź na wskazówki od klientów końcowych za pomocą kombinacji konwersacji i zapytań w czasie rzeczywistym. To zadanie umożliwiające danym przedsiębiorstwom gotowość do LLM jest kluczem do zapewnienia kompleksowego doświadczenia Systemów Zaangażowania do Systemów Rejestracji i przenoszenia doświadczeń użytkowników aż do realizacji.

Co Dalej

W tym momencie, z tymi postępami w danych i AI, najbardziej bezpośredni wpływ pojawia się w obszarze generowania kodu oprogramowania — jak świadczy o tym pojawienie się Microsoft Copilot, Amazon CodeWhisperer i innych narzędzi wśród deweloperów. Te narzędzia uruchamiają programy modernizacji dziedzictwa, z których wiele jest często zablokowanych ze względu na problemy z czasem i kosztami. Z narzędziami do generowania kodu napędzanymi przez GenAI, widzimy, jak projekty modernizacyjne przyspieszają swoje terminy o 20-40%. W projektach rozwoju kodu zielonego pola te narzędzia pozwolą deweloperom przenieść czas i oszczędności wydajności w kierunku myślenia projektowego i bardziej innowacyjnych projektów.

Poza rozwojem kodu oprogramowania, narzędzia GenAI prowadzą do tworzenia nowych przypadków użycia i scenariuszy, które mają na celu rozwiązanie najpilniejszych wyzwań przedsiębiorstw, i dopiero zaczynamy drapać powierzchnię tego, co trzeba 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 zaopatrzyć się z wyprzedzeniem? Czy mój lądowy koszt jest prawidłowy, czy wzrośnie? Jakie przedmioty mogę połączyć, czy jaki rodzaj personalizacji mogę zapewnić, aby podnieść moje zyski?

Odpowiedzi na tego rodzaju pytania wymagają kombinacji interfejsów konwersacyjnych, wysokodokładnych zapytań opartych na danych w tle i modelu uczenia maszynowego o dużym nasyceniu domeny, który dostarcza prognozy i przyszłe wskazówki. Dlatego moja rada dla przedsiębiorstw byłaby taka, że niezależnie od tego, czy jesteś eksploratorem AI, czy destruktorem GenAI, współpracuj z dostawcami usług, którzy mają udowodnioną ekspertyzę AI i solidne możliwości danych i analityki, które mogą uzbroić Cię, aby wykorzystać modele GenAI dostosowane do Twoich potrzeb biznesowych i pomóc Ci pozostać na czele tego trendu.