Generativni AI izzivi in priložnosti za sodobna podjetja

Ponovno objavil Platon

Spremljevalci: 0

Generativni AI (GenAI), strojno učenje (ML) in veliki jezikovni modeli (LLM) postajajo vse bolj pomembni za sodobna podjetja, vendar je doseganje merljive vrednosti z AI še vedno izziv. Delno je težava v tem, da se dobro usposobljen model umetne inteligence zanaša na veliko količino podatkov in za mnoga podjetja vsakodnevno upočasnjuje organiziranje in uporabo vseh njihovih podatkov. Da bi povečala vrednost umetne inteligence, morajo podjetja zagotoviti, da je njihov sklad podatkov dobro organiziran. Če je podjetje sposobno konsolidirati vire podatkov, je veliko lažje ustvariti dragocene primere uporabe za generativno umetno inteligenco. Tukaj je nekaj primerov, ki že danes dodajajo vrednost.

AI v razvoju programske opreme in znanosti o podatkih

Kar zadeva LLM, je GPT-4 impresiven strokovnjak s širokim spektrom znanja o temah, ki segajo od svetovne zgodovine do računalniškega programiranja do kuhinje Bližnjega vzhoda in več. To ni presenetljivo, saj je bil v veliki meri usposobljen na spletnih straneh, postrganih iz interneta. Toda večina podjetij potrebuje specializirane modele, osredotočene na njihov vertikalni trg, ki se usposabljajo na njihovih internih podatkih, ne na internetu. Objava a16z naprej O čem govorijo gradbeniki, ko govorijo o AI razložil, kako podjetja v resnici ne potrebujejo več chatbotov. Podjetja potrebujejo GPT, ki lahko učinkovito zagotavljajo vpogled z visoko točnostjo in natančnostjo. Ni pomembno, ali lahko AI povzame Shakespeara – pomembno je, ali lahko natančno napove, kakšna bi lahko bila življenjska vrednost potencialne stranke.

Ali Ghodsi iz Databricks je opozoril, da njegove stranke "želijo imeti specializirane modele, ki so cenejši, manjši in imajo resnično visoko natančnost in zmogljivost." Za nekaj, kot je proizvodnja, ki zahteva izjemno natančnost, je bolje, da usposobite manjši model na specializiranem naboru podatkov, specifičnem za domeno. Nastali model bo posledično hitrejši, cenejši in natančnejši.

Z obsežnejšim naborom podatkov vidimo, kako lahko podjetja naredijo prototip nove programske opreme in jo hitro ponovijo. Uporabljamo generativni AI v mojem podjetju, da pomagam ustvariti prototipne priključke, ki olajšajo pretok podatkov iz aplikacij v oblaku, podatkovnih baz, pretočnih podatkov in poslovnih aplikacij, ki tečejo v podatkovno skladišče ali podatkovno jezero. Ustvarjanje konektorjev za nove aplikacije SaaS je lahko izziv, ko se platforme in shema spreminjajo tako hitro. Z uporabo GPT-4 nam je uspelo vzpostaviti in zagnati stranko, medtem ko opravljamo dolgoročnejše delo za ustvarjanje robustnih konektorjev s polnimi funkcijami.

Takojšnja inteligenca

Eden od primerov uporabe, ki se mi zdi zanimiv, je, kako se GenAI uporablja za iskanje in povzemanje. Vsako veliko podjetje ima več skladišč podatkov, od Atlassiana do Slacka, Sharepointa do Teams ali Google Drive in Gmaila. Ali mešanica vsega naštetega. Ti ogromni viri organizacijskega znanja so večinoma še vedno neizkoriščeni. To se bo kmalu spremenilo, saj podjetja prepoznavajo konkurenčno prednost izkoriščanja teh podatkov in njihovega izkoriščanja z uporabo umetne inteligence. Retrieval-augmented Generation (RAG), ki LLM-jem omogoča pridobivanje dejstev iz zunanjih virov, kot so notranji dokumenti ali internet, je vznemirljiv razvoj, ki ga moramo še v celoti izkoristiti.

Skupaj s temi podjetniškimi aplikacijami obstajajo repozitoriji, specifični za domene, kot je zgodovina trgovanja v finančnem podjetju ali maloprodajna naročila in profili strank, ki jih je treba vključiti v nabor podatkov za usposabljanje. Usposabljanje LLM lahko zelo olajša postavljanje vprašanj v preprosti angleščini, ki lahko odkrijejo informacije iz celotnega sklada podatkov organizacije. Toda te podatke je treba najprej organizirati in kategorizirati, da bo usposabljanje lahko imelo smisel za vse, in več podatkov bo na voljo, boljši bodo rezultati usposabljanja.

Ta težava je še posebej zahtevna v okolju za zajemanje podatkov o spremembah, ko finančni ali transakcijski podatki prihajajo 24 ur na dan in se nenehno posodabljajo. Ko se podatkovne sheme spremenijo, se lahko podatki napačno kategorizirajo ali celo izgubijo v etru. Če bo LLM pomagal avtomatizirati stvari, ustvarjati nove ideje za izdelke ali razmišljati o novih konceptih, mora biti posodobljen. Na žalost se mnoga podjetja sploh borijo s tem, da podatke spravijo na eno mesto.

AI nadgradi vloge in olajša sodelovanje

Že dolgo časa obstaja potreba po začetnih programskih inženirjih, ki znajo napisati osnovno kodo, ne da bi se osredotočali na širšo sliko podatkovne arhitekture in vzorcev oblikovanja, integracije z drugimi platformami ali načrtovanja sistema za največjo zmogljivost.

Kot je rekel Dylan Field iz Figme: "Najboljši oblikovalci začenjajo veliko več razmišljati o kodi, najboljši razvijalci pa veliko več razmišljajo o oblikovanju." GenAI tem ljudem omogoča, da preidejo v tradicionalno domeno drug drugega in dodajo vrednost – zaradi česar bo razvoj veliko hitrejši. Medtem pametni razvijalci preučujejo vzorce načrtovanja sistemov, da bi se pomaknili višje v vrednostni verigi.

Končno bo zlitje generativne umetne inteligence, velikih jezikovnih modelov in strojnega učenja preoblikovalo poslovanje podjetij. Od razvoja programske opreme do trženjske strategije bo generativna umetna inteligenca imela dramatičen učinek z ustvarjanjem nove kode, izdelovanjem prototipov in razbijanjem silosov med oblikovalci in kodirniki – brez razkritja lastniških podatkov. Ključ bo v uravnoteženju vsestranskosti umetne inteligence z bistvenim temeljem upravljanja podatkov. Če lahko ohranimo osnovne podatke centralizirane in integrirane, lahko začnemo to naslednjo dobo tehnologije, da bodo ljudje bolj produktivni in podjetja bolj učinkovita.