ผู้นำทางความคิด
องค์กรอัจฉริยะ: ทำให้ Generative AI พร้อมสำหรับองค์กร
เรามาเริ่มที่นี่กัน: ใช่ โอกาสสำหรับ Generative AI (GenAI) มีมากมาย ใช่ มันกำลังเปลี่ยนแปลงโลกที่เรารู้จัก (และเร็วกว่าที่ส่วนใหญ่ของเรา预測) และใช่ เทคโนโลยีกำลัง变得ฉลาดขึ้น อย่างไรก็ตาม ผลกระทบของ GenAI ที่มีความสามารถในการสร้างข้อความ ภาพ และเรื่องราวต่อองค์กรและธุรกิจนั้นแตกต่างจากผลกระทบต่อผู้คนโดยทั่วไป — หลายธุรกิจไม่ได้เขียนบทกวีหรือเรื่องราว (ซึ่งเป็นที่นิยมในหมู่ผู้ใช้ ChatGPT) แต่พวกเขารับใช้ลูกค้า
หลายบริษัทมีประสบการณ์กับการประมวลผลภาษาธรรมชาติ (NLP) และแชทบอทระดับต้น แต่ GenAI กำลังเร่งการผสมผสานข้อมูล การตีความ และการแปลงข้อมูลให้เป็นผลลัพธ์ทางธุรกิจ ดังนั้น พวกเขาจึงต้องตัดสินใจอย่างรวดเร็วว่ากรณีการใช้งาน GenAI ใดที่จะช่วยแก้ปัญหาทางธุรกิจที่ท้าทายที่สุดและขับเคลื่อนการเติบโต เพื่อเข้าใจว่าองค์กรสามารถทำให้ GenAI พร้อมสำหรับองค์กรด้วยข้อมูลของตนเองได้อย่างไร มันเป็นเรื่องสำคัญที่จะต้องรู้ว่าเรามาถึงจุดนี้ได้อย่างไร
การเดินทางจาก NLP ถึง Large Language Model (LLM)
เทคโนโลยีกำลังพยายามทำความเข้าใจภาษาธรรมชาติมาเป็นเวลาหลายทศวรรษแล้ว ในขณะที่ภาษาของมนุษย์เองเป็นรูปแบบที่พัฒนาของการแสดงออกของมนุษย์ แต่ความจริงที่ว่ามนุษย์ได้พัฒนาเป็นหลายภาษาทั่วโลก — จากสัญลักษณ์และเสียงไปสู่สระและภาษา — ทำให้เทคโนโลยีต้องอาศัยวิธีการสื่อสารดิจิทัลที่ง่ายกว่าด้วยบิตและไบต์ ฯลฯ จนกระทั่งไม่นานมานี้
ฉันเริ่มทำงานกับโปรแกรม NLP เมื่อเกือบหนึ่งทศวรรษที่แล้ว ในสมัยนั้น มันเกี่ยวกับภาษาและอนุกรมวิธาน การขีดเส้นใต้เอนทิตี และรูปแบบกราฟฐานข้อมูลที่เริ่มแรก (โดยส่วนใหญ่ใน XML) เพื่อพยายามรักษาความสัมพันธ์ที่ซับซ้อนและบริบทระหว่างเอนทิตีต่างๆ ให้สามารถเข้าใจคำถามค้นหา สร้างคลาวด์คำ และส่งผลลัพธ์ มันไม่มีอะไรที่เป็นทางคณิตศาสตร์ มี “Human in the Loop” มากในการสร้างฐานข้อมูลอนุกรมวิธาน XML parsing และสิ่งสำคัญที่สุดคือ มีพลังการประมวลผลและหน่วยความจำที่มีบทบาทอย่างมาก ไม่ต้องสงสัยว่าบางโปรแกรมประสบความสำเร็จ และส่วนใหญ่ไม่สำเร็จ การเรียนรู้ของเครื่องจักรตามมาพร้อมกับแนวทางต่างๆ ในการเรียนรู้ลึกและเครือข่ายประสาทเทียม ฯลฯ ทำให้การเข้าใจภาษาธรรมชาติ (NLU) และการอนุมานภาษาธรรมชาติ (NLI) เร็วขึ้น อย่างไรก็ตาม มีสามปัจจัยที่จำกัด — พลังการประมวลผลในการประมวลผลโมเดลที่ซับซ้อน การเข้าถึงปริมาณข้อมูลที่สามารถสอนเครื่องจักรได้ และโดยหลักแล้ว โมเดลที่สามารถเรียนรู้และแก้ไขตนเองโดยการสร้างความสัมพันธ์ระหว่างวลี
เร็วเข้าไปสองทศวรรษ และการประมวลผลกราฟิก (GPU) ส่งมอบพลังการประมวลผลที่มาก มีการเรียนรู้ของเครื่องจักรที่สามารถสอนและพัฒนาตัวเองได้ และมีการเรียนรู้แบบมีผู้ดูแล การเรียนรู้แบบไม่มีผู้ดูแล และการเรียนรู้แบบกึ่งผู้ดูแลทั้งหมด มีการเข้าถึงข้อมูลจำนวนมากในหลายภาษา รวมถึงแพลตฟอร์มโซเชียลมีเดียต่างๆ ที่โมเดลเหล่านี้สามารถฝึกฝนได้ ผลลัพธ์คือเครื่องจักร AI ที่สามารถเชื่อมต่อกับคุณในภาษาธรรมชาติของคุณ เข้าใจอารมณ์และความหมายเบื้องหลังคำถามของคุณ และตอบกลับเหมือนมนุษย์
เราทุกคนผ่านการมีอยู่บนโซเชียลมีเดียได้ไม่ทราบตัวว่าเป็น “Human in the Loop” ในการฝึกเครื่องจักรเหล่านี้ เรามีเครื่องจักรที่อ้างว่าฝึกฝนบนพารามิเตอร์ทริลเลียนตัว สามารถรับพารามิเตอร์เข้าหลายร้อยและหลายพันพารามิเตอร์ ซึ่งเป็นแบบหลายโหมดและตอบกลับในภาษาของคุณ ไม่ว่าจะเป็น GPT4/5, PaLM2, Llama หรือ LLM อื่นๆ ที่เผยแพร่จนถึงตอนนี้ พวกมันกำลังเป็นเครื่องมือแก้ปัญหาแนวตั้งที่มีบริบทมากขึ้น
ระบบการมีส่วนร่วมและระบบบันทึก
ในขณะที่การเดินทางจาก NLP ถึง LLM นั้นยอดเยี่ยมด้วยการปฏิวัติซิลิคอน และการมีอยู่ของข้อมูลฝึกอบรมจำนวนมากที่เราทุกคนสร้างขึ้น องค์กร — ผู้ให้บริการค้าปลีก ผู้ผลิต ธนาคาร ฯลฯ — ต้องการการประยุกต์ใช้เทคโนโลยีนี้ที่แตกต่างกัน โดยหลักแล้ว องค์กรไม่สามารถมี “AI Hallucination” — พวกเขาต้องการความแม่นยำ 0% และความแม่นยำ 100% สำหรับผู้ใช้ที่โต้ตอบกับ AI มีคำถามหลายคำที่ต้องการความแม่นยำสูงสุดเพื่อให้สามารถใช้ประโยชน์ทางธุรกิจได้ — ตัวอย่างเช่น มีห้องว่างในโรงแรมของคุณหรือไม่? คุณมีตั๋วชั้นหนึ่งว่างหรือไม่?
เพื่อตอบโต้ AI Hallucination เราได้เข้าสู่ยุคของระบบการมีส่วนร่วมและระบบบันทึก ระบบการมีส่วนร่วม ไม่ว่าจะเป็นกับลูกค้า ซัพพลายเออร์ หรือพนักงาน สามารถใช้แพลตฟอร์มการมีส่วนร่วมที่ขับเคลื่อนด้วย GenAI ได้ทันทีหลังจากฝึกอบรมสำหรับพรอมต์ทางธุรกิจ — ส่วนนั้นเป็นส่วนที่ “ง่ายกว่า” ความท้าทายคือการฝังระบบบันทึกเข้ากับห่วงโซ่คุณค่า หลายธุรกิจยังคงอยู่ในโลกที่ขับเคลื่อนด้วยตารางและเอนทิตี้แบบคงที่ และจะยังคงเหมือนเดิมเพราะส่วนใหญ่ขององค์กรคงที่ที่ระดับองค์กรหรือองค์กร ในขณะที่เหตุการณ์และการทำงานทำให้พวกมันเปลี่ยนแปลงที่ระดับการทำธุรกรรม
นี่คือที่ที่เราพูดถึงแพลตฟอร์มการมีส่วนร่วมรุ่นต่อไปที่ไม่เพียงแต่จัดการกับการสนทนา อินเทอร์เฟซ และคำถาม แต่ยังพาประสบการณ์ของลูกค้าไปสู่การเติมเต็มด้วย มีแนวทางทางสถาปัตยกรรมที่แตกต่างกันสำหรับแพลตฟอร์มการมีส่วนร่วมเหล่านี้ วิธีหนึ่งที่สามารถใช้ได้ทันทีคือการใช้ไมโครซอฟท์ไฮบริดที่ทำหน้าที่เป็นตัวรวบรวมระหว่างข้อมูลองค์กรที่แปลงเป็นเวกเตอร์และป้ายกำกับ และพรอมต์เชิงสนทนาที่ขับเคลื่อนด้วย LLM และส่งผลลัพธ์ 0% Hallucination ให้กับผู้บริโภค
มีงานเตรียมข้อมูลจำนวนมากที่องค์กรต้องทำเพื่อให้ข้อมูลสามารถเข้าใจได้สำหรับเครื่องจักร LLM เรียกว่าการ “แบน” ของโมเดลข้อมูลที่ขับเคลื่อนด้วยตารางและเอนทิตี้ ฐานข้อมูลกราฟ ซึ่งแสดงและจัดเก็บข้อมูลในลักษณะที่ฐานข้อมูลแบบสัมพันธ์ไม่สามารถทำได้ กำลังพบวัตถุประสงค์ใหม่ในกระบวนการนี้ เป้าหมายคือการแปลงฐานข้อมูลองค์กรให้เป็นฐานข้อมูลกราฟที่มีความสัมพันธ์ที่กำหนดบริบทและความหมาย ทำให้เครื่องจักร LLM สามารถเรียนรู้และตอบกลับพรอมต์จากลูกค้าปลายทางผ่านการสนทนาและคำถามแบบเรียลไทม์
สิ่งที่จะเกิดขึ้นต่อไป
ณ จุดนี้ ด้วยความก้าวหน้าเหล่านี้ในข้อมูลและ AI ผลกระทบที่สำคัญที่สุดเกิดขึ้นในพื้นที่การสร้างโค้ดซอฟต์แวร์ — ตามที่เห็นจากการเพิ่มขึ้นของ Microsoft Copilot, Amazone CodeWhisperer และเครื่องมืออื่นๆ ระหว่างนักพัฒนา เครื่องมือเหล่านี้กำลังเร่งการปรับปรุงโครงการย้อนหลัง ซึ่งมักจะหยุดชะงักเนื่องจากความกังวลเรื่องเวลาและต้นทุน ด้วยเครื่องมือสร้างโค้ดที่ขับเคลื่อนด้วย GenAI เราเห็นโครงการปรับปรุงเร่งตารางเวลาโดย 20-40% ในโครงการพัฒนโค้ดใหม่ เครื่องมือเหล่านี้จะช่วยให้นักพัฒนาย้ายเวลาและผลผลิตไปสู่การคิดออกแบบและโครงการที่สร้างสรรค์มากขึ้น
นอกเหนือจากการพัฒนาซอฟต์แวร์ เครื่องมือ GenAI กำลังนำไปสู่การสร้างกรณีการใช้งานแนวตั้งและสถานการณ์ใหม่ๆ ที่มีจุดมุ่งหมายเพื่อแก้ปัญหาที่ท้าทายที่สุดขององค์กร และเรากำลังเพิ่งเริ่มต้นในการขีดข่วนพื้นผิวของสิ่งที่ต้องทำเพื่อใช้ประโยชน์จากแนวโน้มนี้อย่างเต็มที่ อย่างไรก็ตาม เรากำลังแก้ปัญหาและคำถามหลายอย่างในภาคค้าปลีกและโลจิสติกส์โดยใช้ GenAI:
ฉันมีสินค้าในคลังสินค้าอยู่เท่าไร และเมื่อไหร่ควรกระตุ้นการเติมสินค้า? มันจะคุ้มค่าที่จะเก็บสินค้าล่วงหน้าหรือไม่? ราคา着陆ของฉันถูกต้องหรือไม่ หรือมันจะเพิ่มขึ้น? สินค้าใดที่ฉันสามารถจัดกลุ่มหรือส่วนบุคคลเพื่อเพิ่มผลกำไรของฉัน?
การตอบคำถามเหล่านี้ต้องการการผสมผสานระหว่างการมีส่วนร่วมด้านหน้า การสืบค้นข้อมูลที่แม่นยำสูงด้านหลัง และโมเดลการเรียนรู้ของเครื่องจักรที่หนักหน่วงด้านโดเมนในการส่งมอบการคาดการณ์และคำแนะนำในอนาคต ดังนั้น คำแนะนำของฉันสำหรับองค์กรคือ ไม่ว่าคุณจะเป็นนักสำรวจ AI หรือผู้รุกราน AI ที่สร้างสรรค์ใหม่ ควรหาพันธมิตรกับผู้ให้บริการที่มีประสบการณ์ AI ที่พิสูจน์แล้วและความสามารถด้านข้อมูลและวิเคราะห์ที่แข็งแกร่ง ซึ่งสามารถช่วยให้คุณใช้ประโยชน์จากโมเดล GenAI ที่เหมาะสมกับความต้องการทางธุรกิจของคุณ และช่วยให้คุณอยู่เหนือความท้าทาย
