ความท้าทายและโอกาสด้าน AI เชิงสร้างสรรค์สำหรับองค์กรยุคใหม่

เผยแพร่ซ้ำโดยเพลโต

ผู้ติดตาม: 0

Generative AI (GenAI), การเรียนรู้ของเครื่อง (ML) และโมเดลภาษาขนาดใหญ่ (LLM) ล้วนมีความสำคัญมากขึ้นสำหรับองค์กรยุคใหม่ แต่การบรรลุมูลค่าที่วัดได้จาก AI ยังคงเป็นความท้าทาย ส่วนหนึ่งของปัญหาคือโมเดล AI ที่ได้รับการฝึกอบรมมาอย่างดีต้องอาศัยข้อมูลจำนวนมาก และสำหรับหลายๆ บริษัท การจัดระเบียบและการใช้ข้อมูลทั้งหมดทำให้พวกเขาช้าลงทุกวัน เพื่อเพิ่มมูลค่าจาก AI ให้สูงสุด บริษัทต่างๆ จำเป็นต้องตรวจสอบให้แน่ใจว่าชุดข้อมูลของตนได้รับการจัดระเบียบอย่างดี หากบริษัทสามารถรวมแหล่งข้อมูลได้ การสร้างกรณีการใช้งานอันทรงคุณค่าสำหรับ AI เชิงสร้างสรรค์จะง่ายกว่ามาก นี่คือตัวอย่างบางส่วนที่เพิ่มมูลค่าแล้วในปัจจุบัน

AI ในการพัฒนาซอฟต์แวร์และวิทยาศาสตร์ข้อมูล

เท่าที่ LLM ดำเนินไป GPT-4 เป็นผู้มีความรู้ทั่วไปที่น่าประทับใจ โดยมีความรู้กว้างขวางในหัวข้อต่างๆ ครอบคลุมตั้งแต่ประวัติศาสตร์โลกไปจนถึงการเขียนโปรแกรมคอมพิวเตอร์ ไปจนถึงอาหารตะวันออกกลางและอื่นๆ อีกมากมาย ไม่น่าแปลกใจเลย เนื่องจากส่วนใหญ่ได้รับการฝึกฝนบนหน้าเว็บที่คัดลอกมาจากอินเทอร์เน็ต แต่สิ่งที่บริษัทส่วนใหญ่ต้องการคือโมเดลเฉพาะทางที่เน้นไปที่ตลาดแนวตั้ง ซึ่งได้รับการฝึกฝนเกี่ยวกับข้อมูลภายใน ไม่ใช่อินเทอร์เน็ต โพสต์ของ a16z บน สิ่งที่ผู้สร้างพูดถึงเมื่อพูดถึง AI อธิบายว่าองค์กรต่างๆ ไม่ต้องการแชทบอทเพิ่มจริงๆ ได้อย่างไร บริษัทต่างๆ ต้องการ GPT ที่สามารถให้ข้อมูลเชิงลึกได้อย่างมีประสิทธิภาพและมีความแม่นยำและเที่ยงตรงสูง ไม่สำคัญว่า AI จะสามารถสรุปเช็คสเปียร์ได้หรือไม่ แต่สำคัญว่าจะสามารถคาดการณ์มูลค่าตลอดช่วงชีวิตของผู้มีโอกาสเป็นลูกค้าได้อย่างแม่นยำหรือไม่

Ali Ghodsi จาก Databricks กล่าวว่าลูกค้าของเขา “ต้องการโมเดลพิเศษที่มีราคาถูกกว่า ขนาดเล็กกว่า และมีความแม่นยำและประสิทธิภาพสูงจริงๆ” สำหรับบางอย่างเช่นการผลิตที่ต้องใช้ความแม่นยำสูงที่สุด คุณควรฝึกโมเดลขนาดเล็กกว่าบนชุดข้อมูลเฉพาะทางเฉพาะโดเมนจะดีกว่า ผลลัพธ์ที่ได้จะเร็วขึ้น ถูกลง และแม่นยำยิ่งขึ้น

ด้วยชุดข้อมูลที่ครอบคลุมมากขึ้น เราจะเห็นว่าบริษัทต่างๆ สามารถสร้างต้นแบบซอฟต์แวร์ใหม่และทำซ้ำได้อย่างรวดเร็วได้อย่างไร เราใช้ AI กำเนิด ที่บริษัทของฉันเพื่อช่วยสร้างตัวเชื่อมต่อต้นแบบที่อำนวยความสะดวกในการเคลื่อนย้ายข้อมูลจากแอประบบคลาวด์ ฐานข้อมูล ข้อมูลการสตรีม และแอปพลิเคชันระดับองค์กร ทั้งหมดนี้ไหลเข้าสู่คลังข้อมูลหรือ Data Lake การสร้างตัวเชื่อมต่อสำหรับแอปพลิเคชัน SaaS ใหม่อาจเป็นเรื่องที่ท้าทายเมื่อแพลตฟอร์มและสคีมาเปลี่ยนแปลงอย่างรวดเร็ว การใช้ GPT-4 ช่วยให้ลูกค้าเริ่มต้นใช้งานได้ในขณะที่เราทำงานระยะยาวเพื่อสร้างตัวเชื่อมต่อที่แข็งแกร่งและมีคุณสมบัติครบถ้วน

หน่วยสืบราชการลับทันที

กรณีการใช้งานอย่างหนึ่งที่ฉันพบว่าน่าสนใจคือวิธีที่ GenAI ใช้ในการค้นหาและสรุป บริษัทใหญ่ๆ ทุกแห่งมีที่เก็บข้อมูลหลายแห่ง ตั้งแต่ Atlassian ไปจนถึง Slack, Sharepoint ไปจนถึง Teams หรือ Google Drive และ Gmail หรือส่วนผสมทั้งหมดที่กล่าวมาข้างต้น และโดยส่วนใหญ่แล้ว ทรัพยากรความรู้ขององค์กรจำนวนมหาศาลเหล่านี้ยังคงไม่ได้ถูกนำมาใช้เป็นส่วนใหญ่ สิ่งนี้จะเปลี่ยนไปในไม่ช้า เนื่องจากบริษัทต่างๆ ตระหนักถึงความได้เปรียบทางการแข่งขันของการใช้ข้อมูลนี้ และใช้ประโยชน์จากข้อมูลดังกล่าวโดยใช้ AI Recovery-augmented Generation (RAG) ซึ่งช่วยให้ LLM สามารถดึงข้อเท็จจริงจากแหล่งภายนอก เช่น เอกสารภายในหรืออินเทอร์เน็ต เป็นการพัฒนาที่น่าตื่นเต้นที่เรายังไม่ได้ใช้ประโยชน์อย่างเต็มที่

นอกจากแอประดับองค์กรเหล่านี้แล้ว ยังมีพื้นที่เก็บข้อมูลเฉพาะโดเมน เช่น ประวัติการซื้อขายที่บริษัทการเงินหรือคำสั่งซื้อปลีก และโปรไฟล์ลูกค้าที่จำเป็นต้องรวมเข้ากับชุดข้อมูลการฝึกอบรม การฝึกอบรม LLM ช่วยให้การถามคำถามเป็นภาษาอังกฤษธรรมดาเป็นเรื่องง่าย ซึ่งสามารถเปิดเผยข้อมูลจากชุดข้อมูลทั้งหมดขององค์กรได้ แต่ข้อมูลนั้นจำเป็นต้องได้รับการจัดระเบียบและจัดหมวดหมู่ก่อน เพื่อให้การฝึกอบรมสามารถเข้าใจได้ทั้งหมด และยิ่งมีข้อมูลมากเท่าไร ผลลัพธ์จากการฝึกอบรมก็จะยิ่งดีขึ้นเท่านั้น

ปัญหานี้ถือเป็นความท้าทายอย่างยิ่งในสภาพแวดล้อมการเก็บข้อมูลที่เปลี่ยนแปลง เมื่อข้อมูลทางการเงินหรือธุรกรรมเข้ามาตลอดเวลาและอัปเดตอยู่ตลอดเวลา เมื่อสคีมาข้อมูลเปลี่ยนแปลง ข้อมูลอาจจัดหมวดหมู่ผิดหรือสูญหายไปให้กับอีเธอร์ได้ หาก LLM จะช่วยทำให้สิ่งต่าง ๆ เป็นอัตโนมัติ สร้างแนวคิดเกี่ยวกับผลิตภัณฑ์ใหม่ หรือระดมความคิดแนวคิดใหม่ ๆ จะต้องอัปเดตอยู่เสมอ น่าเสียดายที่หลายบริษัทประสบปัญหาในการรวบรวมข้อมูลไว้ในที่เดียวตั้งแต่แรก

AI ยกระดับบทบาทและอำนวยความสะดวกในการทำงานร่วมกัน

เป็นเวลานานแล้วที่วิศวกรซอฟต์แวร์ระดับเริ่มต้นจำเป็นต้องมีความสามารถในการเขียนโค้ดพื้นฐาน โดยไม่ต้องมุ่งเน้นไปที่ภาพรวมของสถาปัตยกรรมข้อมูลและรูปแบบการออกแบบ การบูรณาการกับแพลตฟอร์มอื่นๆ หรือการออกแบบระบบเพื่อให้ได้ประสิทธิภาพสูงสุด

ดังที่ Dylan Field จาก Figma กล่าวไว้ “นักออกแบบที่เก่งที่สุดเริ่มคิดถึงโค้ดมากขึ้น และนักพัฒนาที่เก่งที่สุดก็คิดถึงการออกแบบมากขึ้น” GenAI ช่วยให้คนเหล่านี้สามารถข้ามไปสู่โดเมนดั้งเดิมของกันและกัน และเพิ่มมูลค่า ซึ่งจะช่วยให้การพัฒนาเร็วขึ้นมาก ในขณะเดียวกัน นักพัฒนาอัจฉริยะกำลังศึกษารูปแบบการออกแบบระบบเพื่อพยายามยกระดับตัวเองให้สูงขึ้นในห่วงโซ่คุณค่า

ท้ายที่สุดแล้ว การผสมผสานระหว่าง generative AI, โมเดลภาษาขนาดใหญ่ และการเรียนรู้ของเครื่อง จะเปลี่ยนโฉมการดำเนินงานขององค์กร ตั้งแต่การพัฒนาซอฟต์แวร์ไปจนถึงกลยุทธ์การตลาด generative AI จะมีผลกระทบอย่างมากโดยการสร้างโค้ดใหม่ การสร้างแนวคิดต้นแบบ และการทำลายไซโลระหว่างนักออกแบบและผู้เขียนโค้ด โดยไม่เปิดเผยข้อมูลที่เป็นกรรมสิทธิ์ กุญแจสำคัญอยู่ที่การสร้างสมดุลระหว่างความอเนกประสงค์ของ AI กับรากฐานที่สำคัญของการจัดการข้อมูล หากเราสามารถเก็บข้อมูลพื้นฐานไว้ที่รวมศูนย์และบูรณาการได้ เราก็สามารถเริ่มต้นเทคโนโลยียุคถัดไปเพื่อทำให้ผู้คนมีประสิทธิผลมากขึ้นและองค์กรต่างๆ มีประสิทธิภาพมากขึ้น