Mint minden új technológia, sok ember szívesen használja a generatív AI-t, hogy segítse őket munkájukban. Accenture kutatás azt találta, hogy a vállalkozások 89%-a úgy gondolja, hogy a generatív mesterséges intelligencia használata a szolgáltatások emberibbé tételére több lehetőséget nyit meg előttük. Ez változásra kényszeríti – az Accenture azt is megállapította, hogy a vállalatok 86%-a gondolta úgy, hogy modernizálnia kell informatikai és technológiai infrastruktúráját.

Ezzel kapcsolatban az a kihívás, hogy a vállalati generatív AI-projektek tervezése, tesztelése, elkészítése és méretezése időbe telik. Még az új generatív mesterségesintelligencia-veremek által kínált gyors termelési út ellenére is fennáll annak a veszélye, hogy az emberek a saját kezükbe veszik a dolgokat. Ez olyan generatív mesterségesintelligencia-telepítésekhez fog vezetni, amelyek kívül esnek az informatika területén, ezeket árnyék AI-nak nevezik. Ezekre az illetéktelen árnyékos mesterségesintelligencia-telepítésekre akkor kerül sor, amikor a vállalatok nem kezdenek korán beszélgetésbe a generatív mesterségesintelligencia körül, és biztosítják a csapatok számára a sikerhez szükséges alacsony súrlódású eszközöket. 

Tegyük fel például, hogy egy értékesítési csapat segítségre van szüksége e-mailes potenciális ügyfelek leveleinek megírásához, és generatív mesterséges intelligenciát szeretne használni kutatási tevékenységei során. Adatok publikálása nagy nyelvi modell (LLM) segíthet a csapatnak termelékenyebbé válni, több ügyletet nyerni, majd növekedést elérni az üzlet számára. Az érv az lesz, hogy miért kellene abbahagyniuk, és megkockáztatni, hogy más cégek előrébb jussanak?

Előzze meg a generatív AI-igényt

A vállalkozásoknak kapcsolatba kell lépniük az osztályaikkal arról, hogyan gondolkodnak a generatív AI-ról, és mit szeretnének javítani. Ez lehetőséget teremthet a részvételre, meghallgatni, mit akarnak az üzleti csapatok, majd megtervezni egy teljesebb stratégia kialakítását. Arra is lehetőség nyílik, hogy tanácsot adjunk a csapatoknak a lehetséges lehetőségekről, kitérjünk az előnyökre, és leleplezzünk minden hype-ot vagy félreértést. 

Ezek a beszélgetések lehetőséget nyújtanak a csapattagoknak, hogy többet tudjanak meg azokról az üzleti problémákról, amelyekkel kollégáik szembesülnek, majd megvizsgálják, hogyan tervezzenek és építsenek generatív AI-szolgáltatásokat, amelyek megfelelnek ezeknek az igényeknek. Ennek lényeges része lesz, hogy a vállalkozások hogyan tudják átvenni a csapataik birtokában lévő adatokat, és kombinálni azokat a generatív mesterséges intelligencia segítségével, hogy ezt még hasznosabbá tegyék számukra.

Egy értékesítési csapat példájában hogyan tud készen állni a termékeivel kapcsolatos információkra, hogy egy generatív AI-rendszer felhasználhassa az Ön terminológiáját és pontos értékesítési pontjait a válaszaiban? Ahelyett, hogy csak azokat az adatokat használnák fel, amelyekre az LLM-eket betanították, az Ön adatainak a keverékhez való hozzáadása javíthatja a termelékenységet, csökkentheti a lehetséges mesterséges intelligencia hallucinációkat, és hatékony személyre szabást biztosíthat. Ugyanakkor bármilyen érzékeny anyagot az ellenőrzése alatt tarthat, ahelyett, hogy harmadik félnek adná át.

Megkülönböztetés az adatokkal és a generatív AI-val

A generatív mesterséges intelligencia segítenie kell abban, hogy megkülönböztesse a vállalat tevékenységét. Azonban a nyilvános LLM-ek használata önmagában nem fogja elérni ezt, és ugyanúgy fog hangzani, mint mindenki más. A vállalatok hatékonyabbá és személyre szabottabbá tehetik generatív mesterségesintelligencia-stratégiáikat azáltal, hogy saját adataikat hozzák az asztalhoz a retrieval augmented generation vagy RAG segítségével. 

A RAG felveszi a saját adatait, előkészíti azokat a generatív AI-val való használatra, majd kontextusként továbbítja ezeket az adatokat az LLM-nek, amikor az alkalmazottja választ kér. A RAG része az olyan problémák megoldásának, mint a hallucinációk, és az eredményeket relevánsabbá teszi szervezete és ügyfelei számára, ahelyett, hogy hasonló eredményeket kapna más vállalatokhoz, amelyek hasonló kérdéseket tesznek fel. Ezt meg kell tennie szervezete és ügyfelei érdekében, mivel egyetlen másik vállalat sem rendelkezik olyan mélységű vagy kombinációjú adatokkal, mint amilyeneket Ön biztosítani tud.

Ennek megvalósításához különféle eszközöket kell kombinálnia a vektoros adattárakból és az AI-integrációkból, hogy létrehozzon egy RAG-vermet, amely megkönnyíti és gyorsabbá teszi az indulást. Ennek gyors megvalósítása segít megelőzni néhány olyan „kihagyott” telepítést, amelyeket a csapatok megpróbálhatnak maguknak elvégezni, miközben a központi informatikára várnak. Az olyan technikák, mint a RAG, csökkentik az adatszivárgás kockázatát is, mivel lehetővé teszik a vállalati adatok jobb kontextusba való hasznosítását anélkül, hogy az LLM-be betanítanák azokat.

Idővel előfordulhat, hogy a generatív mesterséges intelligencia szolgáltatásokat több felhasználó számára elérhetővé teheti szervezetén belül az alacsony kódú és kód nélküli megközelítések alkalmazása révén az épületszolgáltatások terén. A „kiválósági központ” megközelítés elfogadása, ahol a teljes megvalósítás helyett útmutatást és támogatást kínálhat, megnöveli annak esélyét, hogy ezeket a technológiákat mindenki számára hozzáférhetővé tegyék anélkül, hogy a központi IT lelassítaná őket, miközben továbbra is megvannak a megfelelő védőkorlátok. ezeket a szolgáltatásokat a gyakorlatban is alkalmazzák.

Érett megközelítés kialakítása a generatív AI-hoz idővel

Tágabb értelemben a vállalatoknak saját generatív mesterséges intelligencia érettségi modellekkel kell előállniuk, ahol a technológiai elemeket olyan problémák mellett nézik, mint pl. adatvédelem és megfelelés, társadalmi hatás és csapatkultúra. Ezek az elemek nem légüres térben jelennek meg, ezért ha korán átgondolja őket, nagyobb esélye van annak biztosítására, hogy idővel a megfelelő megközelítést alkalmazza, így könnyebben megfeleljen a kidolgozott vonatkozó szabályoknak és előírásoknak.

Emellett mérsékelnie kell az elvárásokat és azt a szintet, hogy mi is az a generatív mesterséges intelligencia, és mi is tud valójában. Például a generatív mesterséges intelligencia nem teszi lehetővé, hogy a személyzet egy részét AI-val cserélje le. Ehelyett a generatív mesterséges intelligencia jobb és produktívabb személyzetet biztosíthat, akik a munkájuk során eszközöket használhatnak, hogy felvegyék a versenyt más vállalatokkal szemben, amelyek vagy nem rendelkeznek generatív AI-val, vagy amelyeknek vanília LLM-eszközök állnak rendelkezésére. A mesterséges intelligenciával rendelkező személyzet több munkát végezhet, magasabb minőségi szintet érhet el, és elkezdheti kezelni a lemaradásban lévő olyan tételeket, amelyekhez korábban nem volt elegendő sávszélessége. Mivel rengeteg lehetőség van ezekben az eszközökben, megelőznünk kell a lehetséges buktatókat, beleértve az árnyék AI-t is.

Ahogy Peter Parker a „Spiderman”-ben mindig elmondja, a nagy hatalom nagy felelősséggel jár. A generatív mesterséges intelligencia esetében ennek az erőnek a kihasználása minden szervezet számára tét lesz. Ha felelősséget vállalnak azért, hogy gyorsan azok kezébe adják a generatív MI-t, akik valóban ki tudják használni ezt a hatalmat, akkor a szervezetek megkülönböztethetik magukat, és elkerülhetik az árnyék AI buktatóit.

• SEO által támogatott tartalom és PR terjesztés. Erősödjön még ma.
• PlatoData.Network Vertical Generative Ai. Erősítse meg magát. Hozzáférés itt.
• PlatoAiStream. Web3 Intelligence. Felerősített tudás. Hozzáférés itt.
• PlatoESG. Carbon, CleanTech, Energia, Környezet, Nap, Hulladékgazdálkodás. Hozzáférés itt.
• PlatoHealth. Biotechnológiai és klinikai vizsgálatok intelligencia. Hozzáférés itt.
• Forrás: https://www.dataversity.net/getting-ahead-of-shadow-generative-ai/