Akıllı Kuruluş: Generatif AI’ı Kuruluşlara Hazır Hale Getirme

Buradan başlayalım: Evet, olanaklar için Generatif AI (GenAI) immense. Evet, dünyayı bildiğimiz şekilde değiştiriyor (ve çoğumuzun öngördüğünden daha hızlı). Ve evet, teknoloji daha da akıllı hale geliyor. Ancak, metin, görüntü ve anlatıları oluşturma yeteneğine sahip GenAI’nın, girişimlere ve işletmelere etkisi, genel halk üzerindeki etkisinden çok farklı – çünkü çoğu işletme şiir veya hikaye yazmaz (bu, ChatGPT kullanıcıları arasında popülerdir), müşterilerine hizmet eder.

Birçok şirket, doğal dil işleme (NLP) ve düşük seviyeli sohbet botları ile deneyimlidir, ancak GenAI, verilerin entegre edilmesi, yorumlanması ve iş sonuçlarına dönüştürülmesi hızını artırıyor. Bu nedenle, GenAI kullanım örneklerinin hangilerinin en acil iş zorluklarını çözeceğini ve büyümeyi sürdüreceğini hızlı bir şekilde belirlemeleri gerekiyor. Kuruluşların GenAI’ı veri ile nasıl kuruluş için hazır hale getirebileceğini anlamak için, buraya nasıl geldiğimize bakmak önemlidir.

NLP’den Büyük Dil Modeli (LLM) Yolculuğu

Teknoloji, doğal dilleri anlamaya çalışıyor decades. İnsan dili itself, insan ifadesinin evrimleşmiş bir biçimi iken, insanların dünya çapında birçok lehçeye evrimleşmesi – semboller ve seslerden heceler, fonetik ve dillere – teknolojinin, relativ olarak yakın bir zamana kadar, daha basit dijital iletişim yöntemlerine güvenmesine neden oldu.

NLP programları üzerinde çalışmaya yaklaşık bir decade önce başladım. O zamanlar, dil taksonomisi ve ontolojisi, varlık çıkarma ve karmaşık ilişkiler ve çeşitli varlıklar arasındaki bağlamı anlamak, arama sorgularını anlamak, bir kelime bulutu oluşturmak ve sonuçları teslim etmek için ilkel bir tür grafik veritabanı (çoğunlukla XML’de) ile ilgiliydi. Matematiksel bir şey yoktu. İnsan Döngüde çok vardı, taksonomi veritabanlarını oluşturmak için, çok XML ayrıştırmaları ve en önemlisi, çok hesaplama ve bellek vardı. Gerekli değil, bazı programlar başarılıydı ve çoğu değildi. Makine öğrenimi, derin öğrenme ve sinir ağları gibi çoklu yaklaşımlarla geldi ve doğal dil anlama (NLU) ve doğal dil çıkarımı (NLI) hızlandırdı. Ancak, üç sınırlayıcı faktör vardı – karmaşık modelleri işlemek için hesaplama gücü, makineleri eğitebilecek veri hacmine erişim ve öncelikle, zaman içinde cümleler arasındaki ilişkileri oluşturarak kendini öğrenebilen ve kendini düzeltebilen bir model.

İki decade sonra, ve GPUs büyük hesaplama gücünü sunuyor, self-öğreten ve gelişen sinir ağları norm, denetimli / denetimsiz / yarı denetimli öğrenme modelleri tüm var ve en önemlisi, bu modellerin eğitilebileceği çoklu dilde büyük miktarda veriye erişim var. Sonuç, doğal dilinizde size bağlanabilen, sorgularınızın arkasındaki duyguyu ve anlamı anlayan ve bir insan gibi yanıt veren AI motorları.

Tüm sosyal medya varlığımızla, bu motorları eğitmek için bilinçsizce bir ‘İnsan’ız. Şimdi, trilyonlarca parametrede eğitilmiş, yüzlerce ve binlerce girdi parametresini alabilen, çoklu modaliteye sahip ve size dilinizde yanıt veren motorlara sahip olduğumuz iddiaları olan motorlara sahibiz. GPT4 / 5, PaLM2, Llama veya şimdiye kadar yayınlanan diğer LLM’ler, daha çok bağlamsal dikey problem çözücüler olarak ortaya çıkıyor.

İlgilenme Sistemleri ve Kayıt Sistemleri

NLP’den LLM’lere yolculuk, Silicon Devrimi sayesinde ve tümünün ürettiği büyük miktarda eğitim verisi sayesinde büyük oldu, ancak girişimlere – perakende sağlayıcıları, üreticileri, bankaları vb. – her biri bu teknolojinin çok farklı uygulamalarına ihtiyaç duyuyor. İlk olarak, girişimler AI sanrısını karşılayamaz – AI ile etkileşime giren kullanıcılar için 0% sanrı ve 100% doğruluk gerekir – belirli bir iş için herhangi bir fayda sağlamak için mutlak doğruluk gerektiren bir dizi sorgu vardır – örneğin, Otelimde kaç oda var? Birinci sınıf bilet mevcut mu?

AI sanrısını karşılamak için, İlgilenme Sistemleri ve Kayıt Sistemleri kavramının yaşına giriyoruz. Müşteriler, tedarikçiler veya çalışanlarla İlgilenme Sistemleri, iş için özel promtlar için eğitildikten sonra, GenAI tabanlı bir sohbet platformunu kutudan çıkarmadan kullanabilir – bu, “daha kolay” kısım. Zorluk, Kayıt Sistemlerini değer zincirine gömmektir. Çoğu işletme, masih statik bir tablo ve varlık tabanlı dünyada ve çoğu işletme, kurumsal düzeyde statik kalacak, ancak olaylar ve iş akışları onları işlemsel düzeyde dinamik kılacak.

Burada, yalnızca sohbetleri, arayüzleri ve sorguları değil, aynı zamanda müşteri yolculuklarını teslimata kadar ele alan bir sonraki nesil sohbet platformlarından bahsediyoruz. Bu tür sohbet platformlarına farklı mimari yaklaşımlar vardır. Bir seçenek, LLM sürücülü sohbet promtları ve tüketiciye 0% sanrı sonucu sunan, vektörleştirilmiş ve etiketlenmiş kurumsal veri ve LLM sürücülü sohbet promtları arasında bir konsolidatör olarak hareket eden hibrit ara yazılımı kullanmaktır.

Girişimler, LLM motoru için anlaşılabilecek hale getirmek için büyük miktarda veri hazırlama işi yapmalıdır. Bunu geleneksel tablo ve varlık tabanlı veri modellerinin düzleştirilmesi olarak adlandırıyoruz. Grafik veritabanları, ilişkisel veritabanlarının temsil edemediği bir şekilde veri temsil ediyor ve depoluyor, bu yolculukta yeni bir amaç buluyor. Hedef, kurumsal veritabanlarını, bağlam ve anlama tanımlayan ilişkilerle daha anlaşılabilecek grafik veritabanlarına dönüştürmek, böylece LLM motorlarının öğrenmesini ve bu nedenle son müşterilerden gelen promtlara sohbet ve gerçek zamanlı sorguların bir kombinasyonu ile yanıt vermesini kolaylaştırmaktır. Kuruluş verilerini LLM’ye hazır hale getirme görevi, uçtan uca İlgilenme Sistemleri ve Kayıt Sistemleri deneyimini sunmanın ve kullanıcı deneyimlerini teslimata kadar götürmenin anahtarıdır.

Ne Gelir

Bu noktada, veri ve AI’deki bu ilerlemelerle, en immediate etki, yazılım kodu oluşturma alanında geliyor – Microsoft Copilot, Amazone CodeWhisperer ve geliştiriciler arasında diğer araçların yükselişi ile kanıtlandı. Bu araçlar, genellikle zaman ve maliyet endişeleri nedeniyle durdurulan miras modernizasyon programlarını başlatabiliyor. GenAI ile çalışan kod oluşturma araçlarıyla, modernizasyon projelerinin zaman çizelgelerini %20-40 oranında hızlandırıyoruz. Yeşil alan kod geliştirme projelerinde, bu araçlar geliştiricilerin zamanını ve verimlilik tasarrufunu tasarım düşünceye ve daha yenilikçi projelere kaydırmasına olanak tanıyacak.

Yazılım kodu geliştirmenin ötesinde, GenAI araçları, girişimlerin en acil zorluklarını çözmeye yönelik yeni dikey kullanım örnekleri ve senaryoların oluşturulmasına yol açıyor ve bu trendin avantajlarından tam olarak yararlanmak için yapılması gerekenlerin sadece yüzeyini kazıyorsunuz. Bununla birlikte, zaten beberapa sorunları ve perakende ve lojistik sektöründe GenAI’yi kullanarak bazı soruları çözüyoruz:

Depoda kaç envanterim var ve ne zaman yeniden doldurmalıyım? İleriye stoklama karlı mı? İndirimli fiyatım doğru mu yoksa artacak mı? Hangi öğeleri birleştirebilirim veya müşterilerimi karımı yükseltmek için ne tür bir kişiselleştirme sağlayabilirim?

Bu tür soruları yanıtlamak, sohbet ön uçları, arka uçta yüksek doğruluklu veri sürücülü sorgular ve alan ağır makine öğrenimi modelinin gelecekteki tahminleri ve rehberliği sunan bir kombinasyonunu gerektirir. Dolayısıyla, girişimlere tavsiyem, AI keşifçisi veya GenAI bozucu olmanız olsun, AI uzmanlığı ve güçlü veri ve analitik yetenekleri kanıtlanmış hizmet sağlayıcıları ile ortaklık kurun, böylece GenAI modellerinden yararlanmanıza ve iş gereksinimlerinize uygun şekilde yardımcı olun ve yarıştan öne geçin.