Умное предприятие Готовность к использованию генеративного искусственного интеллекта в бизнесе

Готовность использования генеративного искусственного интеллекта в бизнесе

Начнем здесь: Да, возможности Генеративного ИИ (GenAI) огромны. Да, он изменяет мир, как мы его знаем (и быстрее, чем большинство из нас предсказывали). И да, технологии становятся умнее. Однако, последствия для GenAI, с его способностью генерировать текст, изображения и повествования, для предприятий и бизнеса сильно отличаются от влияния на общественность – в конце концов, большинство бизнесов не пишут стихи или истории (что популярно среди пользователей ChatGPT), они обслуживают своих клиентов.

Многие компании имеют опыт работы с обработкой естественного языка (NLP) и низкоуровневыми чат-ботами, но GenAI ускоряет интеграцию, интерпретацию и преобразование данных в бизнес-результаты. Поэтому им нужно быстро определить, какие случаи использования GenAI решат их наиболее актуальные бизнес-задачи и стимулируют рост. Чтобы понять, как предприятия могут сделать GenAI готовым для предприятия с помощью своих данных, важно рассмотреть, как мы пришли к этой точке.

Путь от NLP к большой модели языка (LLM)

Технологии уже десятилетия пытаются понять естественные языки. Хотя сам язык является эволюционной формой человеческого выражения, тот факт, что люди развились в такое множество диалектов по всему миру – от символов и звуков до слогов, фонетики и языков – заставил технологии полагаться на более простые цифровые методы общения с помощью битов и байтов и т.д., до относительно недавних пор.

Я начал работать над программами NLP почти десять лет назад. Тогда все было о классификации языка и онтологии, извлечении сущностей и примитивной форме графовой базы данных (в основном в формате XML) для поддержки сложных отношений и контекста между различными сущностями, для понимания поисковых запросов, создания облака слов и предоставления результатов. Все это не имело ничего общего с математикой. Было много работы человека для создания таксономических баз данных, много разбора XML и, что самое важное, много вычислительных ресурсов и памяти. Не нужно говорить, что некоторые программы были успешными, а большинство – нет. Затем появилось машинное обучение с множеством подходов к глубокому обучению и нейронным сетям и т.д., ускоряющим понимание естественного языка (NLU) и логического вывода на естественном языке (NLI). Однако было три ограничивающих фактора – вычислительная мощность для обработки сложных моделей, доступ к объемам данных, которые могут обучать машины, и, прежде всего, модель, которая может самообучаться и самокорректироваться, формируя временные связи между фразами.

• Лиор Хаким, сооснователь и технический директор компании Hour One – Интервью-серия
• Автонастройка для развертывания глубоких нейронных сетей
• Обзор Flick лучший инструмент для хэштегов в Instagram для увеличения охвата

Через два десятилетия графические процессоры обеспечивают огромную вычислительную мощность, самообучающиеся и развивающиеся нейронные сети стали стандартом, существуют модели обучения, как с учителем, так и без него, и, прежде всего, есть больше доступа к огромным объемам данных на нескольких языках, включая различные социальные медиа-платформы, на которых эти модели могут обучаться. Результатом являются ИИ-движки, которые могут взаимодействовать с вами на естественном языке, понимать эмоцию и смысл вашего запроса, звучать как человек и отвечать так же.

Мы все, через наше присутствие в социальных медиа, неосознанно стали ‘Человеком’ в ‘Петле’, чтобы обучать эти движки. Теперь у нас есть движки, утверждающие, что они обучены на триллионах параметров, способные принимать сотни и тысячи входных параметров, которые являются мультимодальными и отвечают на нашем языке. Будь то GPT4/5, PaLM2, Llama или любые другие LLM, которые были опубликованы до сих пор, они становятся всё больше контекстуальными решателями вертикальных проблем.

Системы взаимодействия и системы записей

В то время как путь от NLP к LLM был велик благодаря эволюции силиконовых технологий, моделей данных и наличия огромного количества обучающих данных, которые мы все создали, предприятия – розничные поставщики, производители, банки и т.д. – каждое из них требует очень различных применений этой технологии. Прежде всего, предприятия не могут позволить себе галлюцинации искусственного интеллекта – им нужна 0% галлюцинации и 100% точность для пользователей, взаимодействующих с искусственным интеллектом. Существует ряд запросов, которые требуют абсолютной точности, чтобы быть полезными для бизнеса – например, Сколько комнат доступно в вашем отеле? Есть ли у вас билет первого класса?

Чтобы противостоять галлюцинациям искусственного интеллекта, вводится давно известная концепция систем взаимодействия и систем записей. Системы взаимодействия, будь то с вашими клиентами, поставщиками или сотрудниками, могут использовать конверсационную платформу на основе GenAI «из коробки», после обучения на бизнес-специфичных подсказках – это «легче». Однако вызовом является интеграция систем записей в цепочку создания стоимости. Многие бизнесы до сих пор находятся в мире статических таблиц и сущностей и останутся такими, потому что большинство предприятий статичны на организационном или корпоративном уровне, в то время как события и рабочие процессы делают их динамичными на транзакционном уровне.

Здесь мы говорим о платформах следующего поколения для разговоров, интерфейсов и запросов, которые не только обрабатывают разговоры, интерфейсы и запросы, но также ведут клиентов от начала до конца. Существуют различные архитектурные подходы к таким разговорным платформам. Один из них – использование гибридного промежуточного программного обеспечения, которое выступает в роли консолидатора между векторизованными и помеченными предприятий данными и LLM-ориентированными разговорными подсказками, предлагая потребителям опыт без иллюзий на 0%.

Для того, чтобы LLM-движку были доступны данные от предприятий, требуется большое количество подготовительной работы с данными. Мы называем это “выравниванием” традиционных моделей данных таблиц и сущностей. Графовые базы данных, которые представляют и хранят данные таким образом, что реляционные базы данных не могут, находят новое применение в этом процессе. Цель состоит в преобразовании предприятий баз данных в более понятные графовые базы данных с отношениями, которые определяют контекст и смысл, что облегчает обучение LLM-движков и, следовательно, ответ на запросы конечных клиентов с помощью сочетания разговорных и запросов в режиме реального времени. Эта задача по подготовке предприятий к использованию LLM является ключом к предоставлению полного цикла взаимодействия между системами и регистрации и достижению полного удовлетворения пользователей.

Что происходит дальше

На данный момент, с учетом этих достижений в области данных и искусственного интеллекта, наиболее непосредственное влияние проявляется в области генерации программного кода – как показано ростом таких инструментов, как Microsoft Copilot, Amazone CodeWhisperer и других среди разработчиков. Эти инструменты позволяют ускорить программы модернизации устаревших систем, многие из которых часто задерживаются из-за проблем со временем и затратами. Благодаря инструментам генерации кода, работающим на основе GenAI, мы видим, что проекты по модернизации ускоряют свои графики выполнения на 20-40%. В проектах разработки нового кода эти инструменты позволят разработчикам перенаправить сбережения времени и продуктивности на проектирование и более инновационные проекты.

Помимо разработки программного кода, инструменты GenAI приводят к созданию новых вертикальных применений и сценариев, направленных на решение самых актуальных проблем предприятий, и мы только начинаем затрагивать поверхность того, что нужно сделать, чтобы полностью воспользоваться этой тенденцией. Тем не менее, мы уже решаем несколько проблем и вопросов в сфере розницы и логистики, используя GenAI:

Сколько товаров у меня есть на складе, и когда я должен запускать пополнение запасов? Выгодно ли предварительно запасаться? Верная ли цена, или она будет возрастать? Какие товары можно объединить или какую персонализацию можно предоставить, чтобы увеличить прибыль?

Ответ на подобные вопросы требует сочетания разговорных интерфейсов, точных запросов, основанных на данных в бэкэнде, и модели машинного обучения, специализированной в данной области, которая предоставляет прогнозы и будущее руководство. Таким образом, мой совет для предприятий – будьте вы исследователем искусственного интеллекта или дисруптором в области генеративного искусственного интеллекта, сотрудничайте с поставщиками услуг, которые обладают проверенной экспертизой в области искусственного интеллекта и надежными возможностями анализа данных, чтобы вооружить вас моделями GenAI, соответствующими вашим бизнес-потребностям, и помочь вам оставаться впереди.