Λογότυπο Zephyrnet

Generative Data Intelligence

AI

Η ενημέρωση Snorkel Flow προσφέρει μια ολοκαίνουργια προσέγγιση στη διαχείριση εταιρικών δεδομένων

Αναδημοσίευση από τον Πλάτωνα
Αναδημοσίευση από τον Πλάτωνα

Ημερομηνία:

Εμφανίσεις: 71

Μία από τις πιο σημαντικές συνεχείς προκλήσεις για τις εταιρείες που αναπτύσσουν τεχνητή νοημοσύνη είναι η ενσωμάτωση τεράστιων ποσοτήτων εταιρικών δεδομένων στα μοντέλα τεχνητής νοημοσύνης τους.

Αυτά τα δεδομένα είναι η ψυχή πολλών εφαρμογών τεχνητής νοημοσύνης, αλλά η διαχείρισή τους μπορεί να είναι μια πολύπλοκη και χρονοβόρα διαδικασία. Το Snorkel Flow, μια πρόσφατη ενημέρωση της πλατφόρμας Snorkel AI, στοχεύει στον εξορθολογισμό αυτής της διαδικασίας για τις επιχειρήσεις που θέλουν να αξιοποιήσουν Λάμα 3, ένα ισχυρό μοντέλο AI από τη Meta AI, και Gemini AI, άλλο ένα προηγμένο μοντέλο AI από την Google.

Γιατί είναι ζωτικής σημασίας η διαχείριση εταιρικών δεδομένων;

Τα δεδομένα των επιχειρήσεων περιλαμβάνουν ένα ευρύ φάσμα πληροφοριών που συλλέγονται από τις επιχειρήσεις κατά τη διάρκεια της καθημερινής τους λειτουργίας. Αυτό μπορεί να περιλαμβάνει δεδομένα πελατών, οικονομικά αρχεία, αποτελέσματα εκστρατειών μάρκετινγκ, δεδομένα αισθητήρων από μηχανήματα και πολλά άλλα. Η αποτελεσματική διαχείριση αυτών των δεδομένων είναι ζωτικής σημασίας για διάφορους λόγους.

Πρώτον, επιτρέπει στις επιχειρήσεις να εντοπίζουν τάσεις και μοτίβα που διαφορετικά θα μπορούσαν να χαθούν. Για παράδειγμα, αναλύοντας το ιστορικό αγορών πελατών, μια εταιρεία μπορεί να ανακαλύψει ποια προϊόντα αγοράζονται συχνά μαζί, επιτρέποντάς της να προσαρμόσουν τις προωθητικές ενέργειες και τις στρατηγικές τοποθέτησης προϊόντων.

Δεύτερον, τα εταιρικά δεδομένα μπορούν να χρησιμοποιηθούν για τη βελτίωση της λήψης αποφάσεων. Για παράδειγμα, ένα χρηματοπιστωτικό ίδρυμα μπορεί να αναλύσει ιστορικά δεδομένα δανείων για να αναπτύξει πιο ακριβή μοντέλα εκτίμησης κινδύνου. Τέλος, τα εταιρικά δεδομένα είναι απαραίτητα για την εκπαίδευση μοντέλων AI. Αυτά τα μοντέλα απαιτούν τεράστιες ποσότητες δεδομένων με ετικέτα για την εκμάθηση και την αποτελεσματική εκτέλεση εργασιών.

Διαχείριση εταιρικών δεδομένων Snorkel Flow
Τα εταιρικά δεδομένα είναι ζωτικής σημασίας για εφαρμογές τεχνητής νοημοσύνης, καθώς επιτρέπουν την αναγνώριση τάσεων, βελτιώνουν τη λήψη αποφάσεων και παρέχουν δεδομένα με ετικέτα για εκπαίδευση μοντέλων (Πιστωτικά Εικόνα)

Ωστόσο, η διαχείριση αυτών των δεδομένων μπορεί να είναι μια σημαντική πρόκληση. Τα εταιρικά δεδομένα βρίσκονται συχνά σε διάφορες μορφές και τοποθεσίες, γεγονός που καθιστά δύσκολη την πρόσβαση και την ενσωμάτωση. Η διαδικασία επισήμανσης δεδομένων για εκπαίδευση τεχνητής νοημοσύνης μπορεί επίσης να είναι δαπανηρή και χρονοβόρα.

Εδώ είναι Ροή κολύμβησης με αναπνευστήρα μπαίνει

Δαμάζοντας τον κατακλυσμό των δεδομένων

Το Snorkel Flow είναι μια ενημέρωση της πλατφόρμας Snorkel AI που έχει σχεδιαστεί για να απλοποιεί την ενσωμάτωση εταιρικών δεδομένων με μοντέλα AI, ιδιαίτερα το Llama 3 και το Gemini AI. Το Snorkel χρησιμοποιεί μια τεχνική που ονομάζεται αδύναμη επισήμανση, η οποία επιτρέπει στους χρήστες να αξιοποιούν δεδομένα χωρίς ετικέτα για εκπαιδευτικούς σκοπούς. Αυτό επιτυγχάνεται με τον ορισμό ευρετικών ή «συναρτήσεων επισήμανσης» που μπορούν να αντιστοιχίσουν αυτόματα ετικέτες σε σημεία δεδομένων με βάση συγκεκριμένα κριτήρια.

Για παράδειγμα, φανταστείτε μια εταιρεία που θέλει να εκπαιδεύσει ένα μοντέλο AI για να εντοπίσει εισιτήρια υποστήριξης πελατών που απαιτούν επείγουσα προσοχή. Θα μπορούσε να δημιουργηθεί μια λειτουργία επισήμανσης για την αναγνώριση εισιτηρίων που περιέχουν συγκεκριμένες λέξεις-κλειδιά ή φράσεις, όπως "επείγον" ή "κρίσιμο". Αν και αυτές οι ετικέτες μπορεί να μην είναι τέλειες, μπορεί να είναι πολύτιμες για την εκπαίδευση του μοντέλου AI.

Το Snorkel Flow βασίζεται σε αυτήν την ιδέα εισάγοντας μια βελτιωμένη ροή εργασίας για τη διαχείριση της διαδικασίας επισήμανσης δεδομένων. Επιτρέπει στους χρήστες να ορίζουν λειτουργίες επισήμανσης, να διαχειρίζονται πηγές δεδομένων και να παρακολουθούν την ποιότητα των ετικετών που δημιουργούνται. Αυτό μπορεί να μειώσει σημαντικά τον χρόνο και τους πόρους που απαιτούνται για την προετοιμασία εταιρικών δεδομένων για εκπαίδευση σε τεχνητή νοημοσύνη.

Διαχείριση εταιρικών δεδομένων Snorkel Flow
Η νέα ενημέρωση του Snorkel AI αντιμετωπίζει τις προκλήσεις στα εταιρικά δεδομένα χρησιμοποιώντας αδύναμες τεχνικές επισήμανσης, επιτρέποντας στους χρήστες να αξιοποιούν μη επισημασμένα δεδομένα για εκπαίδευση ορίζοντας λειτουργίες επισήμανσης με βάση συγκεκριμένα κριτήρια (Πιστωτικά Εικόνα)

Εκτεταμένες ενσωματώσεις LLM και πηγών δεδομένων

Σε ανάρτηση, η Snorkel AI εξήγησε λεπτομερώς τις καινοτομίες που έφεραν στο Snorkel Flow. Ακολουθούν τα χαρακτηριστικά του ανανεωμένου Snorkel Flow:

  • Ενσωματώσεις LLM: Το Snorkel Flow υποστηρίζει πλέον τη λεπτομέρεια όχι μόνο καθιερωμένων μοντέλων, αλλά και της οικογένειας Gemini της Google και της Meta's Llama 3. Αυτό διευρύνει τις επιλογές για τις επιχειρήσεις να επιλέξουν το LLM που ταιριάζει καλύτερα στις ανάγκες τους.
  • Ενσωματώσεις πηγών δεδομένων: Νέες ενσωματώσεις με το Databricks Unity Catalog, το Vertex AI και το Microsoft Azure Machine Learning βελτιστοποιούν την πρόσβαση σε δεδομένα για σκοπούς επισήμανσης, επιμέλειας και ανάπτυξης. Οι επιχειρήσεις μπορούν να αξιοποιήσουν την υπάρχουσα υποδομή δεδομένων τους στο Snorkel Flow.

Υποστήριξη πολυτροπικών δεδομένων (Beta)

  • ΕΠΕΞΕΡΓΑΣΙΑ ΕΙΚΟΝΑΣ: Το Snorkel Flow εισάγει λειτουργίες προγραμματισμού ετικετών για εικόνες (προς το παρόν σε έκδοση beta). Αυτό επιτρέπει στις επιχειρήσεις να αξιοποιούν δεδομένα εικόνας παράλληλα με δεδομένα κειμένου για εκπαίδευση LLM. Οι επιχειρήσεις μπορούν να χρησιμοποιήσουν αυτήν τη δυνατότητα για να εξάγουν πληροφορίες από οπτικά δεδομένα και να τα ενσωματώσουν με τις λύσεις τεχνητής νοημοσύνης τους.

Βελτιωμένη ασφάλεια και προσβασιμότητα

  • Έλεγχος πρόσβασης βάσει ρόλου (RBAC): Αυτή η δυνατότητα παρέχει στους διαχειριστές λεπτομερή έλεγχο της πρόσβασης δεδομένων στο Snorkel Flow. Αυτό διασφαλίζει ότι οι ευαίσθητες πληροφορίες προστατεύονται περιορίζοντας την πρόσβαση σε συγκεκριμένους χρήστες και πηγές δεδομένων.
    Βελτιωμένη επεξεργασία εγγράφων:
  • Ροή εργασίας PDF που υποστηρίζεται από το Foundation Model (FM).: Το Snorkel Flow περιλαμβάνει πλέον μια ειδική διεπαφή προτροπής PDF για την επισήμανση αρχείων PDF. Αυτό αξιοποιεί προηγμένα μοντέλα θεμελίωσης για τον εξορθολογισμό της διαδικασίας εξαγωγής πολύτιμων πληροφοριών από πολύπλοκα έγγραφα.

Απλοποιημένη ενσωμάτωση LLM:

  • Ενισχυμένο SDK: Το αναβαθμισμένο SDK επιτρέπει την ευκολότερη ενσωμάτωση με διάφορες προσαρμοσμένες υπηρεσίες LLM, παρέχοντας στις επιχειρήσεις μεγαλύτερη ευελιξία στη διαδικασία ανάπτυξης AI.
  • Ενσωμάτωση των τούβλων δεδομένων: Η απρόσκοπτη συμβατότητα με το Databricks Unity Catalog επιτρέπει την εύκολη ανάπτυξη μοντέλων εντός των υπαρχουσών ροών εργασίας. Παρόμοια ενοποίηση είναι διαθέσιμη με το Vertex AI και το Azure Machine Learning.

Βελτιωμένος σχολιασμός δεδομένων

  • Σχολιασμός πολλαπλών εργασιών (Προεπισκόπηση κυκλοφορίας R2): Αυτή η δυνατότητα, που βρίσκεται σε προεπισκόπηση, επιτρέπει στις ΜΜΕ (ειδικούς σε θέματα) να σχολιάζουν δεδομένα για πολλαπλές εργασίες σε ένα μόνο έργο. Αυτό βελτιώνει την αποτελεσματικότητα μειώνοντας τον χρόνο εγκατάστασης του έργου και εξορθολογίζοντας τις ροές εργασίας.
Διαχείριση εταιρικών δεδομένων Snorkel Flow
Το Snorkel AI ενσωματώνεται τώρα με ισχυρά μοντέλα LLM όπως το Llama 3 από το Meta AI και το Gemini AI από την GooglκαιΠιστωτικά Εικόνα)

Ενσωμάτωση με το Llama 3 και το Gemini AI

Το Snorkel Flow ενσωματώνεται συγκεκριμένα με το Llama 3 και το Gemini AI, δύο ισχυρά μοντέλα τεχνητής νοημοσύνης. Το Llama 3, που αναπτύχθηκε από τη Meta AI, είναι ένα πραγματικό μοντέλο γλώσσας, εκπαιδευμένο σε ένα τεράστιο σύνολο δεδομένων κειμένου και κώδικα. Αυτό του επιτρέπει να κατανοεί και να απαντά σε πολύπλοκα ερωτήματα με κατατοπιστικό τρόπο. Το Gemini AI, από την άλλη πλευρά, είναι ένα παραγωγικό μοντέλο γλώσσας, ικανό να δημιουργεί διαφορετικές μορφές δημιουργικού κειμένου, όπως ποιήματα, κώδικας, σενάρια, μουσικά κομμάτια, email, γράμματα κ.λπ.

Ενσωματώνοντας το Snorkel Flow με αυτά τα μοντέλα, οι επιχειρήσεις μπορούν να αξιοποιήσουν τη δύναμη της τεχνητής νοημοσύνης για να εξάγουν πληροφορίες από τα εταιρικά τους δεδομένα και να αυτοματοποιήσουν διάφορες εργασίες. Για παράδειγμα, το Llama 3 θα μπορούσε να χρησιμοποιηθεί για να αναλύσει κριτικές πελατών και να εντοπίσει κοινά θέματα ή παράπονα. Το Gemini AI, εν τω μεταξύ, θα μπορούσε να χρησιμοποιηθεί για τη δημιουργία αντιγράφων δημιουργικού μάρκετινγκ ή περιγραφών προϊόντων με βάση τα υπάρχοντα δεδομένα.

Απλοποιώντας τη διαδικασία επισήμανσης δεδομένων και προσφέροντας συμβατότητα με ισχυρά μοντέλα όπως το Llama 3 και το Gemini AI, το Snorkel Flow έχει τη δυνατότητα να ξεκλειδώσει νέες δυνατότητες για επιχειρήσεις που θέλουν να αξιοποιήσουν τη δύναμη της τεχνητής νοημοσύνης.

Πίστωση επιλεγμένης εικόνας: rawpixel.com/Freepik

spot_img

Τελευταία Νοημοσύνη

spot_img

Πνευματικά δικαιώματα @ 2024 Plato Technologies Inc.