생성적 AI(GenAI), 머신러닝(ML), 대규모 언어 모델(LLM)은 모두 현대 기업에서 점점 더 중요해지고 있지만 AI에서 측정 가능한 가치를 달성하는 것은 여전히 ​​어려운 과제입니다. 문제의 일부는 잘 훈련된 AI 모델이 많은 양의 데이터에 의존하기 때문에 많은 기업의 경우 모든 데이터를 구성하고 활용하는 데 매일 속도가 느려진다는 것입니다. AI의 가치를 극대화하려면 기업은 데이터 스택이 잘 구성되어 있는지 확인해야 합니다. 기업이 데이터 소스를 통합할 수 있다면 생성 AI에 대한 귀중한 사용 사례를 만드는 것이 훨씬 더 쉽습니다. 오늘날 이미 가치를 더하고 있는 몇 가지 예는 다음과 같습니다.

소프트웨어 개발 및 데이터 과학 분야의 AI

LLM에 관한 한 GPT-4는 세계사부터 컴퓨터 프로그래밍, 중동 요리 및 그 이상에 이르는 주제에 대한 광범위한 지식을 갖춘 인상적인 종합 전문가입니다. 이는 인터넷에서 스크랩한 웹페이지를 기반으로 주로 훈련되었기 때문에 놀라운 일이 아닙니다. 그러나 대부분의 기업에 필요한 것은 수직 시장에 초점을 맞추고 인터넷이 아닌 내부 데이터를 기반으로 훈련된 전문 모델입니다. a16z 포스팅은 건축업자들이 AI에 관해 이야기할 때 말하는 내용 기업에 실제로 더 많은 챗봇이 필요하지 않은 이유를 설명했습니다. 기업에는 높은 정확성과 정밀도로 통찰력을 효율적으로 제공할 수 있는 GPT가 필요합니다. AI가 셰익스피어를 요약할 수 있는지 여부는 중요하지 않습니다. 잠재 고객의 평생 가치가 무엇인지 정확하게 예측할 수 있는지 여부가 중요합니다.

Databricks의 Ali Ghodsi는 고객이 "더 저렴하고 작으며 정확도와 성능이 매우 높은 특수 모델을 원한다"고 말했습니다. 극도의 정확성이 요구되는 제조와 같은 작업의 경우 전문화된 도메인별 데이터 세트에서 소규모 모델을 교육하는 것이 좋습니다. 결과적으로 결과 모델은 더 빠르고 저렴하며 정확해집니다. 

보다 포괄적인 데이터 세트를 통해 기업이 어떻게 새로운 소프트웨어의 프로토타입을 만들고 신속하게 반복할 수 있는지 확인하고 있습니다. 우리는 사용 생성 적 AI 우리 회사에서는 클라우드 앱, 데이터베이스, 스트리밍 데이터 및 엔터프라이즈 애플리케이션의 데이터 이동을 촉진하고 모두 데이터 웨어하우스 또는 데이터 레이크로 흐르는 프로토타입 커넥터를 만드는 데 도움을 주었습니다. 플랫폼과 스키마가 너무 빨리 변경되면 새로운 SaaS 애플리케이션을 위한 커넥터를 만드는 것이 어려울 수 있습니다. GPT-4를 사용하여 우리는 모든 기능을 갖춘 강력한 커넥터를 만들기 위한 장기적인 작업을 수행하는 동시에 고객을 지원하고 실행할 수 있었습니다. 

인스턴트 인텔리전스

내가 매력적이라고 ​​생각하는 사용 사례 중 하나는 GenAI가 검색 및 요약에 사용되는 방식입니다. 모든 대기업에는 Atlassian에서 Slack, Sharepoint에서 Teams, Google Drive 및 Gmail에 이르기까지 여러 데이터 저장소가 있습니다. 또는 위의 모든 항목이 혼합되어 있습니다. 그리고 대부분의 경우 이러한 막대한 조직 지식 자원은 아직까지 활용되지 않은 상태입니다. 기업들이 이 데이터를 활용하고 AI를 활용하는 것의 경쟁 우위를 인식함에 따라 상황은 곧 바뀔 것입니다. LLM이 내부 문서나 인터넷과 같은 외부 소스에서 사실을 검색할 수 있게 해주는 검색 증강 생성(RAG)은 우리가 아직 완전히 활용하지 못한 흥미로운 개발입니다.

이러한 엔터프라이즈 앱과 함께 교육 데이터 세트에 통합해야 하는 금융 회사의 거래 내역이나 소매 주문 및 고객 프로필과 같은 도메인별 리포지토리가 있습니다. LLM을 교육하면 조직의 전체 데이터 스택에서 정보를 찾아낼 수 있는 일반 영어로 질문하는 것이 매우 쉬워집니다. 하지만 해당 데이터를 먼저 구성하고 분류해야 교육을 통해 모든 내용을 이해할 수 있으며, 사용 가능한 데이터가 많을수록 교육 결과가 더 좋아집니다. 

이 문제는 재무 또는 거래 데이터가 24시간 내내 들어오고 지속적으로 업데이트되는 변경 데이터 캡처 환경에서 특히 어렵습니다. 데이터 스키마가 변경되면 데이터가 잘못 분류되거나 에테르로 손실될 수도 있습니다. LLM이 업무를 자동화하고, 새로운 제품 아이디어를 창출하거나, 새로운 개념을 브레인스토밍하는 데 도움이 되려면 최신 상태여야 합니다. 안타깝게도 많은 기업에서는 애초에 데이터를 한곳에 모으는 데 어려움을 겪고 있습니다.

AI는 역할을 향상하고 협업을 촉진합니다. 

오랫동안 데이터 아키텍처와 디자인 패턴, 다른 플랫폼과의 통합, 최대 성능을 위한 시스템 설계 등 더 큰 그림에 초점을 맞추지 않고 기본 코드를 작성할 수 있는 초급 소프트웨어 엔지니어가 필요했습니다.

Figma의 Dylan Field가 말했듯이, "최고의 디자이너는 코드에 대해 훨씬 더 많이 생각하기 시작하고 있으며, 최고의 개발자는 디자인에 대해 훨씬 더 많이 생각하고 있습니다." GenAI는 이러한 사람들이 서로의 기존 영역을 넘어 가치를 추가할 수 있도록 지원합니다. 이를 통해 개발 속도가 훨씬 빨라질 것입니다. 한편, 똑똑한 개발자들은 가치 사슬에서 더 높은 수준으로 올라가기 위해 시스템 설계 패턴을 연구하고 있습니다.

궁극적으로 생성 AI, 대규모 언어 모델 및 기계 학습의 융합은 기업 운영을 변화시킬 것입니다. 소프트웨어 개발부터 마케팅 전략까지, 생성적 AI는 독점 데이터를 제공하지 않고도 새로운 코드를 생성하고, 아이디어를 프로토타이핑하고, 디자이너와 코더 사이의 사일로를 무너뜨림으로써 극적인 영향을 미칠 것입니다. 핵심은 AI의 다양성과 데이터 관리의 필수 기반 간의 균형을 맞추는 데 있습니다. 기본 데이터를 중앙 집중화하고 통합할 수 있다면 사람들의 생산성을 높이고 기업의 효율성을 높이는 차세대 기술 시대를 시작할 수 있습니다.

• SEO 기반 콘텐츠 및 PR 배포. 오늘 증폭하십시오.
• PlatoData.Network 수직 생성 Ai. 자신에게 권한을 부여하십시오. 여기에서 액세스하십시오.
• PlatoAiStream. 웹3 인텔리전스. 지식 증폭. 여기에서 액세스하십시오.
• 플라톤ESG. 탄소, 클린테크, 에너지, 환경, 태양광, 폐기물 관리. 여기에서 액세스하십시오.
• PlatoHealth. 생명 공학 및 임상 시험 인텔리전스. 여기에서 액세스하십시오.
• 출처: https://www.dataversity.net/generative-ai-challenges-and-opportunities-for-modern-enterprises/