智能企业：使生成式人工智能企业化

让我们从这里开始：是的，生成式人工智能（GenAI）的机会是巨大的。是的，它正在以大多数人预测的速度更快地改变着世界。然而，GenAI对企业和业务的影响与其对普通公众的影响非常不同——毕竟，大多数企业不写诗或故事（这是ChatGPT用户的热门活动），它们服务于客户。

许多公司都有自然语言处理（NLP）和低级别聊天机器人的经验，但GenAI正在加速数据的整合、解释和转化为业务成果。因此，它们需要快速确定哪些GenAI用例将解决他们最紧迫的业务挑战并推动增长。为了了解企业如何使GenAI企业化，他们的数据，它的重要性是至关重要的。

从NLP到大型语言模型（LLM）的旅程

技术已经尝试理解自然语言几十年了。虽然人类语言本身是人类表达的一种进化形式，但人类已经演化成这么多种方言——从符号和声音到音节、音韵和语言——这使得技术不得不依赖更简单的数字通信方法，直到最近。

我大约十年前开始从事NLP程序的开发。当时，所有的工作都集中在语言分类和本体论、实体提取以及图数据库（主要使用XML）上，以尝试维护不同实体之间的复杂关系和上下文，理解搜索查询，生成词云，并提供结果。没有什么数学上的东西。所有的工作都需要“人在环节”来构建分类数据库，需要大量的XML解析和计算机内存。可以说，一些程序是成功的，但大多数程序都失败了。机器学习接下来出现了，采用多种深度学习和神经网络方法，推进了自然语言理解（NLU）和自然语言推理（NLI）。然而，有三个限制因素——计算能力、数据量和自我学习、自我纠正的模型。

快进二十年后，GPU提供了巨大的计算能力，自我学习和进化的神经网络已经成为常态，监督、无监督和半监督学习模型都存在，并且有大量的数据可供这些模型训练。结果是人工智能引擎可以以自然语言与我们交流，理解我们查询背后的情感和意义，并像人类一样响应。

我们都通过社交媒体的存在，成为“人工智能训练”的一部分。现在我们有引擎声称已经在数万亿个参数上进行了训练，可以处理数百和数千个输入参数，并以我们的语言响应。无论是GPT4/5、PaLM2、Llama还是其他已经发布的LLM，它们都在成为更上下文化的垂直问题解决者。

参与系统和记录系统

从NLP到LLM的旅程非常棒，得益于硅谷的进步、数据模型和大量的训练数据。然而，企业——零售商、制造商、银行等——需要对这项技术进行不同的应用。首先，企业不能承受人工智能的“幻觉”——它们需要0%的幻觉和100%的准确性，才能为用户提供有用的交互。有一系列查询需要绝对的准确性，才能对业务有所帮助——例如，“您酒店有多少房间可用？您有头等舱票可用吗？”

为了应对人工智能的“幻觉”，我们需要引入参与系统和记录系统的概念。参与系统可以利用基于GenAI的对话平台，通过针对特定业务提示进行训练——这是“更容易”的部分。挑战在于将记录系统嵌入价值链中。许多企业仍然停留在静态表格和实体的世界中，并且会保持这种状态，因为大多数企业在组织或公司层面上是静态的，而事件和工作流程使它们在事务层面上是动态的。

这就是我们讨论下一代对话平台的地方，这些平台不仅可以处理对话、接口和查询，还可以将客户旅程引导到完成。有不同的架构方法可以实现这样的对话平台。一个直接的选择是使用混合中间件，它可以在企业数据和LLM驱动的对话提示之间起到整合作用，向消费者提供0%的“幻觉”结果。为了使企业数据对LLM引擎可读，需要进行大量的数据准备工作。我们称之为传统表格和实体驱动数据模型的“扁平化”。图数据库在此过程中找到了新的目的，代表和存储数据的方式与关系数据库不同。目标是将企业数据库转换为更易于LLM引擎学习和响应的图数据库，通过定义上下文和意义的关系，使其更容易为LLM引擎学习和响应来自最终客户的对话和实时查询。

现在，随着数据和人工智能的进步，最直接的影响出现在软件代码生成领域——如微软Copilot、亚马逊CodeWhisperer等工具的崛起。这些工具正在推动遗留系统现代化项目的进展，许多这样的项目由于时间和成本问题而停滞不前。有了GenAI驱动的代码生成工具，我们看到现代化项目的时间表加速了20-40%。在绿色代码开发项目中，这些工具将使开发人员能够将时间和生产力转向设计思维和更具创新性的项目。

接下来是什么

此时，随着数据和人工智能的进步，最直接的影响出现在软件代码生成领域——如微软Copilot、亚马逊CodeWhisperer等工具的崛起。这些工具正在推动遗留系统现代化项目的进展，许多这样的项目由于时间和成本问题而停滞不前。有了GenAI驱动的代码生成工具，我们看到现代化项目的时间表加速了20-40%。在绿色代码开发项目中，这些工具将使开发人员能够将时间和生产力转向设计思维和更具创新性的项目。

除了软件代码开发外，GenAI工具正在推动新的垂直用例和场景的创建，这些用例和场景旨在解决企业最紧迫的挑战，我们才刚刚开始利用这一趋势。尽管如此，我们已经通过利用GenAI解决了零售和物流领域的一些问题和疑问，例如：

我在仓库中有多少库存，当我应该触发补货时？提前备货是否有利可图？我的着陆价格是否正确，还是会增加？我可以将哪些商品捆绑销售或提供什么样的个性化服务来提高我的利润？

回答这些问题需要对话式前端、后端高精度数据驱动查询和领域重型机器学习模型提供预测和未来指导。因此，我的建议是，无论您是人工智能探索者还是生成式人工智能的颠覆者，请与拥有证明的人工智能专业知识和强大的数据和分析能力的服务提供商合作，这将使您能够利用适合您业务需求的GenAI模型，并帮助您在曲线上保持领先地位。