أصبح الذكاء الاصطناعي التوليدي (GenAI)، والتعلم الآلي (ML)، ونماذج اللغات الكبيرة (LLMs) ذات أهمية متزايدة للمؤسسات الحديثة، ولكن تحقيق قيمة قابلة للقياس من الذكاء الاصطناعي لا يزال يمثل تحديًا. جزء من المشكلة هو أن نموذج الذكاء الاصطناعي المدرب جيدًا يعتمد على كمية كبيرة من البيانات، وبالنسبة للعديد من الشركات، فإن تنظيم جميع بياناتها والاستفادة منها يؤدي إلى إبطائها كل يوم. لتعظيم القيمة من الذكاء الاصطناعي، تحتاج الشركات إلى التأكد من أن مجموعة بياناتها منظمة بشكل جيد. إذا كانت الشركة قادرة على دمج مصادر البيانات، فسيكون من الأسهل بكثير إنشاء حالات استخدام قيمة للذكاء الاصطناعي التوليدي. فيما يلي بعض الأمثلة التي تضيف قيمة بالفعل اليوم.
الذكاء الاصطناعي في تطوير البرمجيات وعلوم البيانات
بقدر ما يذهب ماجستير إدارة الأعمال، فإن GPT-4 هو اختصاصي مثير للإعجاب، يتمتع بمعرفة واسعة النطاق بموضوعات تمتد من تاريخ العالم إلى برمجة الكمبيوتر إلى مطبخ الشرق الأوسط وخارجه. وهذا ليس مفاجئًا، حيث تم تدريبه إلى حد كبير على صفحات الويب المستخرجة من الإنترنت. لكن ما تحتاجه معظم الشركات هو نماذج متخصصة تركز على سوقها الرأسية، ويتم تدريبها على بياناتها الداخلية، وليس الإنترنت. مشاركة a16z على ما يتحدث عنه البناؤون عندما يتحدثون عن الذكاء الاصطناعي أوضح كيف أن المؤسسات لا تحتاج حقًا إلى المزيد من برامج الدردشة الآلية. تحتاج الشركات إلى تقنيات GPT التي يمكنها توفير الرؤية بكفاءة ودقة عالية. لا يهم ما إذا كان الذكاء الاصطناعي قادرًا على تلخيص أعمال شكسبير، بل يهم ما إذا كان يمكنه التنبؤ بدقة بالقيمة الدائمة للعميل المحتمل.
وأشار علي قدسي من Databricks إلى أن عملائه "يريدون الحصول على نماذج متخصصة أرخص وأصغر حجمًا وتتمتع بدقة وأداء عاليين حقًا". بالنسبة لشيء مثل التصنيع الذي يتطلب دقة بالغة، فمن الأفضل أن تقوم بتدريب نموذج أصغر على مجموعة بيانات متخصصة ومحددة المجال. ونتيجة لذلك، سيكون النموذج الناتج أسرع وأرخص وأكثر دقة.
ومن خلال مجموعة بيانات أكثر شمولاً، نرى كيف يمكن للشركات إنشاء نماذج أولية لبرامج جديدة وتكرارها بسرعة. نحن نستخدم الذكاء الاصطناعي التوليدي في شركتي للمساعدة في إنشاء نماذج أولية للموصلات التي تسهل حركة البيانات من التطبيقات السحابية وقواعد البيانات وتدفق البيانات وتطبيقات المؤسسات، وكلها تتدفق إلى مستودع البيانات أو بحيرة البيانات. قد يكون إنشاء موصلات لتطبيقات SaaS الجديدة أمرًا صعبًا عندما تتغير الأنظمة الأساسية والمخطط بسرعة كبيرة. باستخدام GPT-4، تمكنا من إعداد العميل وتشغيله بينما نقوم بالعمل طويل المدى لإنشاء موصلات قوية كاملة الميزات.
الاستخبارات الفورية
إحدى حالات الاستخدام التي أجدها رائعة هي كيفية استخدام GenAI للبحث والتلخيص. تمتلك كل شركة كبيرة مستودعات بيانات متعددة، من Atlassian إلى Slack، أو Sharepoint إلى Teams، أو Google Drive وGmail. أو مزيج من كل ما سبق. وفي أغلب الأحيان، لا تزال هذه الموارد الهائلة من المعرفة التنظيمية غير مستغلة إلى حد كبير. وسوف يتغير هذا قريبا، حيث تدرك الشركات الميزة التنافسية المتمثلة في الاستفادة من هذه البيانات، والاستفادة منها باستخدام الذكاء الاصطناعي. يعد توليد الاسترجاع المعزز (RAG)، الذي يمكّن حاملي شهادة LLM من استرجاع الحقائق من مصادر خارجية مثل المستندات الداخلية أو الإنترنت، تطورًا مثيرًا لم نستفد منه بالكامل بعد.
إلى جانب تطبيقات المؤسسات هذه، توجد مستودعات خاصة بالمجال، مثل سجل التداول في شركة تمويل أو طلبات البيع بالتجزئة وملفات تعريف العملاء التي يجب دمجها في مجموعة بيانات التدريب. إن تدريب LLM يمكن أن يجعل من السهل جدًا طرح الأسئلة باللغة الإنجليزية البسيطة التي يمكنها الكشف عن المعلومات من مجموعة بيانات المؤسسة بأكملها. ولكن يجب تنظيم هذه البيانات وتصنيفها أولاً حتى يتمكن التدريب من فهم كل شيء، وكلما زاد عدد البيانات المتاحة، كانت نتائج التدريب أفضل.
تمثل هذه المشكلة تحديًا خاصًا في بيئة التقاط بيانات التغيير، عندما تأتي البيانات المالية أو بيانات المعاملات على مدار الساعة ويتم تحديثها باستمرار. عندما تتغير مخططات البيانات، يمكن أن يتم تصنيف البيانات بشكل خاطئ أو حتى فقدانها للأثير. إذا كان LLM سيساعد في أتمتة الأشياء، أو إنشاء أفكار منتجات جديدة أو تبادل الأفكار لمفاهيم جديدة، فيجب أن يكون محدثًا. لسوء الحظ، تواجه العديد من الشركات صعوبة في نقل البيانات إلى مكان واحد في المقام الأول.
الذكاء الاصطناعي يرفع مستويات الأدوار ويسهل التعاون
لفترة طويلة، كانت هناك حاجة لمهندسي برمجيات مبتدئين يمكنهم كتابة التعليمات البرمجية الأساسية، دون التركيز على الصورة الأكبر لهندسة البيانات وأنماط التصميم، أو التكامل مع الأنظمة الأساسية الأخرى أو تصميم نظام لتحقيق أقصى قدر من الأداء.
وكما قال ديلان فيلد من Figma، "لقد بدأ أفضل المصممين يفكرون أكثر في البرمجة، وأفضل المطورين يفكرون أكثر في التصميم." يعمل GenAI على تمكين هؤلاء الأشخاص من العبور إلى المجال التقليدي لبعضهم البعض وإضافة قيمة - وهذا سيجعل التطوير أسرع بكثير. وفي الوقت نفسه، يدرس المطورون الأذكياء أنماط تصميم الأنظمة في محاولة للارتقاء بأنفسهم إلى أعلى سلسلة القيمة.
في نهاية المطاف، سيؤدي اندماج الذكاء الاصطناعي التوليدي ونماذج اللغات الكبيرة والتعلم الآلي إلى إحداث تحول في عمليات المؤسسة. من تطوير البرمجيات إلى استراتيجية التسويق، سيكون للذكاء الاصطناعي التوليدي تأثير كبير من خلال إنشاء تعليمات برمجية جديدة ونماذج أولية للأفكار وكسر العزلة بين المصممين والمبرمجين - دون التخلي عن بيانات الملكية. ويكمن المفتاح في تحقيق التوازن بين تنوع الذكاء الاصطناعي والأساس الأساسي لإدارة البيانات. إذا تمكنا من الحفاظ على البيانات الأساسية مركزية ومتكاملة، فيمكننا أن نبدأ هذا العصر التالي من التكنولوجيا لجعل الناس أكثر إنتاجية والمؤسسات أكثر فعالية.
- محتوى مدعوم من تحسين محركات البحث وتوزيع العلاقات العامة. تضخيم اليوم.
- PlatoData.Network Vertical Generative Ai. تمكين نفسك. الوصول هنا.
- أفلاطونايستريم. ذكاء Web3. تضخيم المعرفة. الوصول هنا.
- أفلاطون كربون، كلينتك ، الطاقة، بيئة، شمسي، إدارة المخلفات. الوصول هنا.
- أفلاطون هيلث. التكنولوجيا الحيوية وذكاء التجارب السريرية. الوصول هنا.
- المصدر https://www.dataversity.net/generative-ai-challenges-and-opportunities-for-modern-enterprises/
