Умное Предприятие: Как Сделать Генеративный ИИ Готовым К Использованию В Бизнесе

Давайте начнем с этого: Да, возможности Генеративного ИИ (GenAI) огромны. Да, он меняет мир, как мы его знаем (и быстрее, чем большинство из нас предсказывали). И да, технологии становятся умнее. Однако последствия GenAI, с его возможностью генерировать текст, изображения и нарративы, для предприятий и бизнеса очень khácны от влияния на общую общественность — после все, большинство бизнесов не пишут стихи или рассказы (что популярно среди пользователей ChatGPT), они обслуживают своих клиентов.

Многие компании имеют опыт работы с обработкой естественного языка (NLP) и низкоуровневыми чат-ботами, но GenAI ускоряет, как данные могут быть интегрированы, интерпретированы и преобразованы в бизнес-результаты. Поэтому им нужно быстро определить, какие случаи использования GenAI решат их наиболее насущные бизнес-проблемы и стимулируют рост. Чтобы понять, как предприятия могут сделать GenAI готовым к использованию в бизнесе с их данными, важно просмотреть, как мы оказались на этом этапе.

Путь От NLP К Большой Языковой Модели (LLM)

Технологии пытаются понять естественные языки на протяжении десятилетий. Хотя человеческий язык сам по себе является эволюционной формой человеческого выражения, тот факт, что люди эволюционировали в так много диалектов по всему миру — от символов и звуков до слогов, фонетики и языков — оставил технологии полагаться на более простые цифровые методы коммуникации с битами и байтами и т. д., пока относительно недавно.

Я начал работать над программами NLP почти decade назад. Тогда все было о языковой таксономии и онтологии, извлечении сущностей и примитивной форме графической базы данных (в основном в XML) для попытки поддерживать сложные отношения и контекст между различными сущностями, понимать поисковые запросы, генерировать облако слов и доставлять результаты. Там не было ничего математического. Там было много человека в цикле, чтобы построить taksonomic базы данных, много XML-парсинга и, самое главное, много вычислительной мощности и памяти. Необходимо сказать, что некоторые программы были успешными, а большинство — нет. Следующим шагом стала машинное обучение с несколькими подходами к глубокому обучению и нейронным сетям и т. д., ускоряя понимание естественного языка (NLU) и вывод естественного языка (NLI). Однако были три ограничивающих фактора — вычислительная мощность для обработки сложных моделей, доступ к объемам данных, которые могут научить машины, и, прежде всего, модель, которая может самообучаться и самокорректироваться, формируя временные отношения между фразами.

Продвинемся вперед на два десятилетия, и GPU обеспечивают огромную вычислительную мощность, самообучающиеся и эволюционирующие нейронные сети являются нормой, модели обучения с учителем/без учителя/полуучителем существуют, и, прежде всего, есть больший доступ к огромным объемам данных на нескольких языках, включая различные социальные медиа-платформы, на которых эти модели могут обучаться. Результатом являются ИИ-двигатели, которые могут связаться с вами на вашем естественном языке, понять эмоцию и смысл за вашими запросами, звучать как человек и отвечать как человек.

Мы все, через наше присутствие в социальных медиа, были不知ingly «человеком в цикле» для обучения этих двигателей. Теперь у нас есть двигатели, которые утверждают, что они обучены на триллионах параметров, могут принимать hundreds и thousands входных параметров, которые являются многомодальными и отвечают нам на нашем языке. Независимо от того, является ли это GPT4/5, PaLM2, Llama или любыми другими LLM, которые были опубликованы до сих пор, они появляются как более контекстуальные вертикальные решатели проблем.

Системы Взаимодействия И Системы Учета

Хотя путь от NLP к LLM был великим благодаря эволюции Кремния, данным моделям и доступности огромных объемов обучающих данных, которые мы все сгенерировали, предприятия — розничные поставщики, производители, банки и т. д. — каждое нуждается в очень разных применениях этой технологии. Прежде всего предприятия не могут позволить себе залучение ИИ — им нужно 0% залучения и 100% точности для пользователей, которые взаимодействуют с ИИ. Существует ряд запросов, которые требуют абсолютной точности, чтобы быть каким-либо бизнес-использованием — например, Сколько комнат доступно в вашем отеле? Есть ли у вас билет первого класса?

Чтобы противостоять залучению ИИ, вступает в силу давняя концепция Систем взаимодействия и Систем учета. Системы взаимодействия, будь то с вашими клиентами, поставщиками или сотрудниками, могут использовать платформу GenAI на основе разговора из коробки, после обучения для бизнес-специфических подсказок — это «легкая» часть. Вызов заключается во встраивании Систем учета в цепочку создания ценности. Многие бизнесы все еще находятся в статической таблице- и сущность-ориентированном мире и останутся таковыми, потому что большинство предприятий статичны на организационном или корпоративном уровне, в то время как события и рабочие процессы делают их динамичными на транзакционном уровне.

Это то место, где мы говорим о следующем поколении платформ разговора, которые не только решают разговоры, интерфейсы и запросы, но также ведут клиентские пути все до выполнения. Существуют различные архитектурные подходы к таким платформам разговора. Одним из немедленных вариантов является использование гибридного middleware, который действует как консолидатор между векторизированными и помеченными данными предприятия и LLM-ориентированными подсказками разговора и доставляет результат 0% залучения потребителям.

Существует огромный объем работы по подготовке данных, необходимой предприятиям, чтобы сделать их понятными для двигателя LLM. Мы называем это «уплощением» традиционных таблиц и сущность-ориентированных моделей данных. Графические базы данных, которые представляют и хранят данные таким образом, который реляционные базы данных не могут, находят новое назначение в этом пути. Цель — преобразовать базы данных предприятий в более понятные графические базы данных с отношениями, которые определяют контекст и смысл, что делает его проще для двигателей LLM учиться и, следовательно, отвечать на подсказки от конечных клиентов через комбинацию разговора и запросов в реальном времени. Эта задача по обеспечению того, чтобы данные предприятия были готовы к LLM, является ключом к обеспечению комплексного опыта Систем взаимодействия и Систем учета и приведению пользовательского опыта до выполнения.

Что Следует Далее

На этом этапе, с этими достижениями в данных и ИИ, наиболее непосредственное влияние приходится на область генерации программного кода — как это видно на примере Microsoft Copilot, Amazone CodeWhisperer и других инструментов среди разработчиков. Эти инструменты запускают программы модернизации наследия, многие из которых часто застревают из-за проблем с временем и затратами. С помощью инструментов генерации кода на основе GenAI мы видим, как проекты модернизации ускоряют свои графики на 20-40%. В проектах разработки нового кода эти инструменты позволят разработчикам сместить время и производительность в сторону дизайн-мышления и более инновационных проектов.

За пределами разработки программного кода инструменты GenAI ведут к созданию новых вертикальных случаев использования и сценариев, направленных на решение наиболее насущных проблем предприятий, и мы только начинаем царапать поверхность того, что нужно сделать, чтобы полностью воспользоваться этой тенденцией. Тем не менее, мы уже решаем несколько проблем и вопросов в розничной и логистической сфере, используя GenAI:

Сколько у меня есть товара на складе, и когда мне следует запустить пополнение? Выгодно ли хранить товар заранее? Правильна ли моя приземленная цена или она будет увеличиваться? Какие товары я могу объединить или какой вид персонализации я могу предоставить, чтобы повысить свою прибыль?

Ответы на эти вопросы требуют комбинации разговорных интерфейсов, высокоточных данных-ориентированных запросов в задней части и доменно-тяжелой модели машинного обучения, которая доставляет прогнозы и будущее руководство. Следовательно, мой совет для предприятий будет таким: независимо от того, являетесь ли вы исследователем ИИ или деструктором Генеративного ИИ, партнерствуйте с провайдерами услуг, которые имеют доказанную экспертизу ИИ и прочные данные и аналитические возможности, которые могут вооружить вас, чтобы воспользоваться моделями GenAI, подходящими для ваших бизнес-потребностей, и помочь вам оставаться впереди кривой.