Generatieve AI (GenAI), machine learning (ML) en grote taalmodellen (LLM’s) worden allemaal steeds belangrijker voor moderne ondernemingen, maar het bereiken van meetbare waarde uit AI is nog steeds een uitdaging. Een deel van het probleem is dat een goed getraind AI-model afhankelijk is van een grote hoeveelheid data, en voor veel bedrijven vertraagt ​​het organiseren en gebruiken van al hun data hen elke dag. Om de waarde van AI te maximaliseren, moeten bedrijven ervoor zorgen dat hun datastapel goed georganiseerd is. Als een bedrijf gegevensbronnen kan consolideren, is het veel eenvoudiger om waardevolle gebruiksscenario's voor generatieve AI te creëren. Hier zijn een paar voorbeelden die vandaag al waarde toevoegen.

AI in softwareontwikkeling en datawetenschap

Wat LLM's betreft, is GPT-4 een indrukwekkende generalist, met een brede kennis van onderwerpen variërend van de wereldgeschiedenis tot computerprogrammering tot de keuken van het Midden-Oosten en daarbuiten. Dat is niet verrassend, aangezien het grotendeels is getraind op webpagina's die van internet zijn geplukt. Maar wat de meeste bedrijven nodig hebben zijn gespecialiseerde modellen gericht op hun verticale markt, die zijn getraind op hun interne gegevens, niet op internet. Het a16z-bericht staat op Waar bouwers over praten als ze over AI praten legde uit dat bedrijven niet echt meer chatbots nodig hebben. Bedrijven hebben GPT's nodig die op efficiënte wijze inzicht kunnen bieden met hoge nauwkeurigheid en precisie. Het maakt niet uit of de AI Shakespeare kan samenvatten – het maakt uit of hij nauwkeurig kan voorspellen wat de levenslange waarde van een potentiële klant zou kunnen zijn.

Ali Ghodsi van Databricks merkte op dat zijn klanten “gespecialiseerde modellen willen hebben die goedkoper en kleiner zijn en een zeer hoge nauwkeurigheid en prestatie hebben.” Voor zoiets als productie waarvoor extreme nauwkeurigheid vereist is, kun je beter een kleiner model trainen op een gespecialiseerde, domeinspecifieke dataset. Het resulterende model zal daardoor sneller, goedkoper en nauwkeuriger zijn. 

Met een uitgebreidere dataset zien we hoe bedrijven nieuwe software kunnen prototypen en snel kunnen itereren. We gebruiken generatieve AI bij mijn bedrijf om te helpen bij het creëren van prototypeconnectors die de verplaatsing van gegevens uit cloud-apps, databases, streaminggegevens en bedrijfsapplicaties vergemakkelijken, die allemaal naar een datawarehouse of datameer stromen. Het maken van connectoren voor nieuwe SaaS-applicaties kan een uitdaging zijn als platforms en schema's zo snel veranderen. Met behulp van GPT-4 hebben we een klant aan de slag kunnen krijgen, terwijl we op de langere termijn bezig waren met het maken van robuuste connectoren met volledige functionaliteit. 

Onmiddellijke intelligentie

Een van de use cases die ik fascinerend vind, is hoe GenAI wordt gebruikt voor zoeken en samenvatten. Elk groot bedrijf heeft meerdere gegevensopslagplaatsen, van Atlassian tot Slack, Sharepoint tot Teams of Google Drive en Gmail. Of een mix van al het bovenstaande. En voor het grootste deel zijn deze enorme bronnen van organisatorische kennis nog steeds grotendeels onaangeboord. Dat zal snel veranderen, omdat bedrijven het concurrentievoordeel inzien van het aanboren van deze gegevens en het benutten ervan met behulp van AI. Retrieval-augmentedgeneration (RAG), waarmee LLM's feiten uit externe bronnen zoals interne documenten of internet kunnen ophalen, is een opwindende ontwikkeling waar we nog niet volledig van moeten profiteren.

Naast deze bedrijfsapps zijn er domeinspecifieke opslagplaatsen, zoals de handelsgeschiedenis bij een financieringsmaatschappij of detailhandelsorders en klantprofielen, die in de trainingsdataset moeten worden geïntegreerd. Het trainen van een LLM kan het heel gemakkelijk maken om in gewoon Engels vragen te stellen die informatie uit de volledige datastapel van een organisatie kunnen achterhalen. Maar die gegevens moeten eerst worden georganiseerd en gecategoriseerd, zodat training alles kan begrijpen, en hoe meer gegevens beschikbaar zijn, hoe beter de resultaten van training. 

Dit probleem is vooral een uitdaging in een omgeving waarin veranderingsgegevens worden vastgelegd, waarin financiële of transactiegegevens 24 uur per dag binnenkomen en voortdurend worden bijgewerkt. Wanneer gegevensschema's veranderen, kunnen gegevens verkeerd worden gecategoriseerd of zelfs verloren gaan voor de ether. Als de LLM wil helpen dingen te automatiseren, nieuwe productideeën te creëren of nieuwe concepten te brainstormen, moet deze up-to-date zijn. Helaas hebben veel bedrijven er moeite mee om gegevens überhaupt op één plek te krijgen.

AI tilt rollen naar een hoger niveau en vergemakkelijkt samenwerking 

Er is al lange tijd behoefte aan software-ingenieurs op instapniveau die basiscode kunnen schrijven, zonder zich te concentreren op het grotere geheel van data-architectuur en ontwerppatronen, integratie met andere platforms of het ontwerpen van een systeem voor maximale prestaties.

Zoals Dylan Field van Figma het verwoordde: “De beste ontwerpers beginnen veel meer na te denken over code, en de beste ontwikkelaars denken veel meer na over design.” GenAI stelt deze mensen in staat om naar elkaars traditionele domein over te steken en waarde toe te voegen – dat zal de ontwikkeling zoveel sneller maken. Ondertussen bestuderen slimme ontwikkelaars systeemontwerppatronen in een poging hogerop in de waardeketen te komen.

Uiteindelijk zal de samensmelting van generatieve AI, grote taalmodellen en machinaal leren de bedrijfsactiviteiten transformeren. Van softwareontwikkeling tot marketingstrategie: generatieve AI zal een dramatische impact hebben door nieuwe code te creëren, ideeën te prototypen en silo's tussen ontwerpers en programmeurs af te breken – zonder bedrijfseigen gegevens weg te geven. De sleutel zal liggen in het balanceren van de veelzijdigheid van AI met een essentiële basis van datamanagement. Als we de onderliggende gegevens gecentraliseerd en geïntegreerd kunnen houden, kunnen we het volgende technologietijdperk in gang zetten om mensen productiever en ondernemingen effectiever te maken.

• Door SEO aangedreven content en PR-distributie. Word vandaag nog versterkt.
• PlatoData.Network Verticale generatieve AI. Versterk jezelf. Toegang hier.
• PlatoAiStream. Web3-intelligentie. Kennis versterkt. Toegang hier.
• PlatoESG. carbon, CleanTech, Energie, Milieu, Zonne, Afvalbeheer. Toegang hier.
• Plato Gezondheid. Intelligentie op het gebied van biotech en klinische proeven. Toegang hier.
• Bron: https://www.dataversity.net/generative-ai-challenges-and-opportunities-for-modern-enterprises/