Інтелектуальне підприємство: створення Генеративного штучного інтелекту для підприємств

Розпочнімо з цього: Так, можливості Генеративного штучного інтелекту (GenAI) величезні. Так, він змінює світ, як ми його знаємо (і швидше, ніж більшість з нас передбачали). І так, технології стають розумнішими. Однак, наслідки для GenAI, з його можливістю генерувати текст, зображення та розповіді, для підприємств і бізнесу зовсім інші, ніж вплив на загальну публіку — адже більшість підприємств не пишуть вірші або розповіді (що популярно серед користувачів ChatGPT), вони обслуговують своїх клієнтів.

Багато компаній мають досвід роботи з обробкою природної мови (NLP) і низькорівневими чат-ботами, але GenAI прискорює інтеграцію даних, їх інтерпретацію і перетворення в бізнес-результати. Тому їм потрібно швидко визначити, які випадки використання GenAI розв’яжуть їхні найпресовіші бізнес-виклики і сприятимуть зростанню. Щоб зрозуміти, як підприємства можуть зробити GenAI готовим до використання з їхніми даними, важливо переглянути, як ми дійшли до цього етапу.

Подорож від NLP до великих мовних моделей (LLM)

Технології намагаються зрозуміти природні мови протягом десятиліть. Хоча сама людська мова є розвиненою формою людського вираження, те, що люди розвинулися у так багато діалектів по всьому світу — від символів і звуків до складів, фонетики і мов — залишило технології залежними від простіших цифрових методів спілкування з бітами і байтами тощо, аж до відносно недавнього часу.

Я почав працювати над програмами NLP майже десятиліття тому. Тоді це було все про мовну таксономію і онтологію, видобуток сутностей і примітивну форму графічної бази даних (в основному у форматі XML), щоб спробувати зберегти складні відносини і контекст між різними сутностями, зрозуміти пошукові запити, згенерувати хмари слів і надати результати. Там нічого не було математичного. Там було багато людей у циклі, щоб побудувати таксономічні бази даних, багато парсингу XML і, найголовніше, багато обчислювальних ресурсів. Незалежно від того, деякі програми були успішними, а більшість — ні. Потім прийшов машинний навчання з різними підходами до глибокого навчання і нейронних мереж тощо, прискорюючи природну мовну розуміння (NLU) і природну мовну інференцію (NLI). Однак були три обмежувальні чинники — обчислювальна потужність для обробки складних моделей, доступ до об’ємів даних, які можуть навчити машини, і, головне, модель, яка може самонавчатися і самокорегуватися, утворюючи тимчасові відносини між фразами.

Пропустимо два десятиліття вперед, і GPU забезпечують величезну обчислювальну потужність, самоучні і еволюційні нейронні мережі стають нормою, моделі навчання з учителем/без учителя/з частковим навчанням існують, і, найголовніше, є більший доступ до величезних об’ємів даних у декількох мовах, включаючи різні соціальні медіа-платформи, на яких ці моделі можуть бути навчені. Результатом є штучні інтелектні двигуни, які можуть спілкуватися з вами у вашій природній мові, розуміти емоції і сенс за вашими запитами, звучати як людина і відповідати як людина.

Ми всі, через нашу присутність у соціальних медіа, були невідомо «людьми у циклі» для навчання цих двигунів. Тепер у нас є двигуни, які стверджують, що були навчені на трильйонах параметрів, здатні приймати сотні і тисячі вхідних параметрів, які є багатомодальними і відповідають нам у нашій мові. Чи це GPT4/5, PaLM2, Llama або будь-які інші LLM, які були опубліковані досі, вони виникають як більш контекстні вертикальні розв’язувачі проблем.

Системи взаємодії і системи реєстрації

Хоча подорож від NLP до LLM була великою завдяки еволюції кремнію, даних моделей і доступності величезних об’ємів навчальних даних, які ми всі згенерували, підприємства — роздрібні постачальники, виробники, банки тощо — кожне потребує зовсім різних застосувань цієї технології. По-перше, підприємства не можуть дозволити собі заломлювання штучного інтелекту — їм потрібно 0% заломлювання і 100% точності для користувачів, які взаємодіють з штучним інтелектом. Є ряд запитів, які вимагають абсолютної точності, щоб бути будь-яким бізнес-корисним — наприклад, Скільки кімнат доступно в вашому готелі? Чи є у вас перший клас квитка?

Щоб протидіяти заломлюванню штучного інтелекту, вступає в дію давнє поняття систем взаємодії і систем реєстрації. Системи взаємодії, будь то з вашими клієнтами, постачальниками або працівниками, можуть використовувати платформу розмовного штучного інтелекту з коробки, після навчання для бізнес-специфічних запитів — це «легша» частина. Виклик полягає в тому, щоб вбудувати системи реєстрації у вартісний ланцюжок. Багато підприємств все ще знаходяться у статичному світі таблиць і сутностей і будуть залишатися так, оскільки більшість підприємств статичні на організаційному або корпоративному рівні, тоді як події і робочі процеси роблять їх динамічними на транзакційному рівні.

Це місце, де ми говоримо про наступне покоління розмовних платформ, які не тільки займаються розмовами, інтерфейсами і запитами, але також ведуть клієнтські путі до виконання. Є різні архітектурні підходи до таких розмовних платформ. Одним з негайних варіантів є використання гібридного програмного забезпечення, яке діє як консолідатор між векторизованими і позначеними підприємствами даних і запитами розмовного штучного інтелекту, і забезпечує результат 0% заломлювання для споживачів.

Є величезна кількість роботи з підготовки даних, необхідної підприємствам, щоб зробити їх зрозумілими для двигуна LLM. Ми називаємо це «розплющенням» традиційних моделей даних, заснованих на таблицях і сутностях. Графічні бази даних, які представляють і зберігають дані таким чином, яким реляційні бази даних не можуть, знаходять нове призначення в цьому шляху. Метою є перетворення підприємств баз даних у більш зрозумілі графічні бази даних з відносинами, які визначають контекст і значення, роблячи його легшим для двигунів LLM вивчити і, отже, відповісти на запити від кінцевих клієнтів через комбінацію розмовних і реальних запитів. Це завдання з надання підприємств даних, готових до використання LLM, є ключем до забезпечення комплексної системи взаємодії і реєстрації та ведення клієнтських переживань до виконання.

Що далі

На цьому етапі, з цими досягненнями в галузі даних і штучного інтелекту, найбільш негайний вплив відбувається в галузі генерації програмного коду — як свідчить зростання Microsoft Copilot, Amazone CodeWhisperer і інших інструментів серед розробників. Ці інструменти прискорюють програми модернізації спадщини, багато з яких часто зупиняються через проблеми часу і вартості. З інструментами генерації коду, керованими GenAI, ми бачимо прискорення термінів модернізації на 20-40%. У проектах розробки програмного коду з нуля ці інструменти дозволять розробникам зміщувати час і продуктивність до думання про дизайн і більш інноваційних проектів.

Поза розробкою програмного коду інструменти GenAI ведуть до створення нових вертикальних випадків використання і сценаріїв, спрямованих на розв’язання найбільш пресовіших викликів підприємств, і ми тільки починаємо розглядати поверхню того, що потрібно зробити, щоб повністю скористатися цією тенденцією. Тим не менше, ми вже розв’язуємо кілька проблем і питань у роздрібній торгівлі та логістиці, використовуючи GenAI:

Скільки інвентарю у мене є на складі, і коли мені слід активувати поповнення? Чи є це прибутковим, щоб замовити заздалегідь? Чи правильна моя приземлена ціна або чи вона зросте? Які товари можна поєднати або який вид персоналізації можна надати, щоб підвищити мою прибутковість?

Відповіді на ці питання потребують комбінації розмовних інтерфейсів, високоточних даних запитів на боці сервера і домен-важливої моделі машинного навчання, яка забезпечує передбачення і майбутнє керівництво. Отже, моя порада для підприємств буде такою: якщо ви дослідник штучного інтелекту або деструктор Генеративного штучного інтелекту, партнеруйте з постачальниками послуг, які мають доведену експертизу штучного інтелекту і потужні дані та аналітичні можливості, які можуть озброїти вас, щоб скористатися моделями GenAI, придатними для ваших бізнес-потреб, і допомогти вам залишатися попереду кривої.