जेनेरेटिव एआई (जेनएआई), मशीन लर्निंग (एमएल), और बड़े भाषा मॉडल (एलएलएम) सभी आधुनिक उद्यमों के लिए तेजी से महत्वपूर्ण होते जा रहे हैं, लेकिन एआई से मापने योग्य मूल्य प्राप्त करना अभी भी एक चुनौती है। मुद्दे का एक हिस्सा यह है कि एक अच्छी तरह से प्रशिक्षित एआई मॉडल बड़ी मात्रा में डेटा पर निर्भर करता है, और कई कंपनियों के लिए, अपने सभी डेटा को व्यवस्थित करना और उपयोग करना उन्हें हर दिन धीमा कर देता है। एआई से अधिकतम मूल्य प्राप्त करने के लिए, कंपनियों को यह सुनिश्चित करना होगा कि उनका डेटा स्टैक अच्छी तरह से व्यवस्थित हो। यदि कोई कंपनी डेटा स्रोतों को समेकित करने में सक्षम है, तो जेनरेटिव एआई के लिए मूल्यवान उपयोग के मामले बनाना बहुत आसान है। यहां कुछ उदाहरण दिए गए हैं जो आज पहले से ही मूल्य बढ़ा रहे हैं।
सॉफ्टवेयर विकास और डेटा विज्ञान में एआई
जहां तक एलएलएम की बात है, जीपीटी-4 एक प्रभावशाली जनरलिस्ट है, जिसके पास विश्व इतिहास से लेकर कंप्यूटर प्रोग्रामिंग से लेकर मध्य पूर्वी व्यंजन और उससे आगे तक के विषयों का व्यापक ज्ञान है। यह आश्चर्य की बात नहीं है, क्योंकि इसे बड़े पैमाने पर इंटरनेट से निकाले गए वेबपेजों पर प्रशिक्षित किया गया था। लेकिन अधिकांश कंपनियों को अपने ऊर्ध्वाधर बाजार पर केंद्रित विशेष मॉडल की आवश्यकता होती है, जो इंटरनेट पर नहीं, बल्कि उनके आंतरिक डेटा पर प्रशिक्षित होते हैं। a16z पोस्ट पर जब बिल्डर्स एआई के बारे में बात करते हैं तो वे किस बारे में बात करते हैं समझाया कि कैसे उद्यमों को वास्तव में अधिक चैटबॉट की आवश्यकता नहीं है। कंपनियों को जीपीटी की आवश्यकता है जो कुशलतापूर्वक उच्च सटीकता और परिशुद्धता के साथ अंतर्दृष्टि प्रदान कर सके। इससे कोई फर्क नहीं पड़ता कि एआई शेक्सपियर को सारांशित कर सकता है - यह मायने रखता है कि क्या यह सटीक भविष्यवाणी कर सकता है कि संभावित ग्राहक का जीवनकाल मूल्य क्या हो सकता है।
डेटाब्रिक्स के अली घोडसी ने कहा कि उनके ग्राहक "विशेष मॉडल चाहते हैं जो सस्ते, छोटे और वास्तव में उच्च सटीकता और प्रदर्शन वाले हों।" विनिर्माण जैसी किसी चीज़ के लिए जिसमें अत्यधिक सटीकता की आवश्यकता होती है, आपके लिए एक विशेष, डोमेन-विशिष्ट डेटासेट पर एक छोटे मॉडल को प्रशिक्षित करना बेहतर होगा। परिणामस्वरूप परिणामी मॉडल तेज़, सस्ता और अधिक सटीक होगा।
अधिक व्यापक डेटासेट के साथ, हम देख रहे हैं कि कंपनियां नए सॉफ़्टवेयर का प्रोटोटाइप कैसे बना सकती हैं और तेज़ी से पुनरावृत्त कर सकती हैं। हम उपयोग करते हैं जनरेटिव ए.आई. मेरी कंपनी में प्रोटोटाइप कनेक्टर बनाने में मदद करने के लिए जो क्लाउड ऐप्स, डेटाबेस, स्ट्रीमिंग डेटा और एंटरप्राइज़ एप्लिकेशन से डेटा की आवाजाही को सुविधाजनक बनाता है, सभी डेटा वेयरहाउस या डेटा लेक में प्रवाहित होते हैं। जब प्लेटफ़ॉर्म और स्कीमा इतनी तेज़ी से बदलते हैं तो नए SaaS अनुप्रयोगों के लिए कनेक्टर बनाना चुनौतीपूर्ण हो सकता है। GPT-4 का उपयोग करते हुए, हम पूर्ण विशेषताओं वाले, मजबूत कनेक्टर बनाने के लिए दीर्घकालिक कार्य करते हुए एक ग्राहक को तैयार करने में सक्षम हुए हैं।
त्वरित बुद्धि
उपयोग के मामलों में से एक जो मुझे दिलचस्प लगता है वह यह है कि कैसे GenAI का उपयोग खोज और संक्षेपण के लिए किया जा रहा है। हर बड़ी कंपनी के पास एटलसियन से लेकर स्लैक, शेयरपॉइंट से लेकर टीम्स या गूगल ड्राइव और जीमेल तक कई डेटा रिपॉजिटरी हैं। या उपरोक्त सभी का मिश्रण। और अधिकांश भाग के लिए, संगठनात्मक ज्ञान के ये विशाल संसाधन अभी भी बड़े पैमाने पर अप्रयुक्त हैं। यह जल्द ही बदल जाएगा, क्योंकि कंपनियां इस डेटा का उपयोग करने और एआई का उपयोग करके इसका लाभ उठाने के प्रतिस्पर्धात्मक लाभ को पहचानती हैं। पुनर्प्राप्ति-संवर्धित पीढ़ी (आरएजी), जो एलएलएम को आंतरिक दस्तावेजों या इंटरनेट जैसे बाहरी स्रोतों से तथ्यों को पुनर्प्राप्त करने में सक्षम बनाती है, एक रोमांचक विकास है जिसे हमें अभी तक पूरी तरह से भुनाना नहीं है।
इन एंटरप्राइज ऐप्स के साथ, डोमेन-विशिष्ट रिपॉजिटरी भी हैं, जैसे किसी वित्त कंपनी में ट्रेडिंग इतिहास या खुदरा ऑर्डर और ग्राहक प्रोफाइल जिन्हें प्रशिक्षण डेटासेट में एकीकृत करने की आवश्यकता होती है। एलएलएम का प्रशिक्षण सरल अंग्रेजी में प्रश्न पूछना बहुत आसान बना सकता है जो किसी संगठन के संपूर्ण डेटा स्टैक से जानकारी प्राप्त कर सकता है। लेकिन उस डेटा को पहले व्यवस्थित और वर्गीकृत करने की आवश्यकता है ताकि प्रशिक्षण सब कुछ समझ सके, और जितना अधिक डेटा उपलब्ध होगा, प्रशिक्षण के परिणाम उतने ही बेहतर होंगे।
परिवर्तनशील डेटा कैप्चर परिवेश में यह समस्या विशेष रूप से चुनौतीपूर्ण है, जब वित्तीय या लेनदेन डेटा चौबीसों घंटे आ रहा है और लगातार अपडेट हो रहा है। जब डेटा स्कीमा बदलती है, तो डेटा गलत वर्गीकृत हो सकता है या यहां तक कि ईथर में खो भी सकता है। यदि एलएलएम चीजों को स्वचालित करने, नए उत्पाद विचार बनाने या नई अवधारणाओं पर विचार-मंथन करने में मदद करने जा रहा है, तो इसे अद्यतन करने की आवश्यकता है। दुर्भाग्य से, कई कंपनियां पहली बार में डेटा को एक ही स्थान पर लाने में संघर्ष करती हैं।
एआई भूमिकाओं को उन्नत करता है और सहयोग को सुगम बनाता है
लंबे समय से, एंट्री-लेवल सॉफ़्टवेयर इंजीनियरों की आवश्यकता रही है जो डेटा आर्किटेक्चर और डिज़ाइन पैटर्न की बड़ी तस्वीर, अन्य प्लेटफ़ॉर्म के साथ एकीकरण या अधिकतम प्रदर्शन के लिए सिस्टम डिज़ाइन करने पर ध्यान केंद्रित किए बिना बुनियादी कोड लिख सकते हैं।
जैसा कि फिग्मा के डायलन फील्ड ने कहा, "सर्वश्रेष्ठ डिज़ाइनर कोड के बारे में और अधिक सोचना शुरू कर रहे हैं, और सर्वश्रेष्ठ डेवलपर डिज़ाइन के बारे में और अधिक सोच रहे हैं।" GenAI इन लोगों को एक-दूसरे के पारंपरिक डोमेन में प्रवेश करने और मूल्य जोड़ने में सक्षम बना रहा है - जिससे विकास बहुत तेज़ हो जाएगा। इस बीच, स्मार्ट डेवलपर खुद को मूल्य श्रृंखला में ऊपर ले जाने के प्रयास में सिस्टम डिज़ाइन पैटर्न का अध्ययन कर रहे हैं।
अंततः, जेनरेटिव एआई, बड़े भाषा मॉडल और मशीन लर्निंग का संलयन उद्यम संचालन को बदल देगा। सॉफ्टवेयर विकास से लेकर मार्केटिंग रणनीति तक, जेनेरेटिव एआई नए कोड बनाकर, विचारों को प्रोटोटाइप करके और डिजाइनरों और कोडर्स के बीच साइलो को तोड़कर - मालिकाना डेटा दिए बिना एक नाटकीय प्रभाव डालने जा रहा है। डेटा प्रबंधन की आवश्यक नींव के साथ एआई की बहुमुखी प्रतिभा को संतुलित करने में कुंजी निहित होगी। यदि हम अंतर्निहित डेटा को केंद्रीकृत और एकीकृत रख सकते हैं, तो हम लोगों को अधिक उत्पादक और उद्यमों को अधिक प्रभावी बनाने के लिए प्रौद्योगिकी के इस अगले युग की शुरुआत कर सकते हैं।
- एसईओ संचालित सामग्री और पीआर वितरण। आज ही प्रवर्धित हो जाओ।
- प्लेटोडेटा.नेटवर्क वर्टिकल जेनरेटिव एआई। स्वयं को शक्तिवान बनाएं। यहां पहुंचें।
- प्लेटोआईस्ट्रीम। Web3 इंटेलिजेंस। ज्ञान प्रवर्धित। यहां पहुंचें।
- प्लेटोईएसजी. कार्बन, क्लीनटेक, ऊर्जा, पर्यावरण, सौर, कचरा प्रबंधन। यहां पहुंचें।
- प्लेटोहेल्थ। बायोटेक और क्लिनिकल परीक्षण इंटेलिजेंस। यहां पहुंचें।
- स्रोत: https://www.dataversity.net/generative-ai-challenges-and-opportunities-for-modern-enterprises/
