Als je de laatste tijd de evolutie van generatieve AI (GenAI)-technologie in de gaten hebt gehouden, ben je waarschijnlijk bekend met de kernconcepten ervan: hoe GenAI-modellen functioneren, de kunst van het maken van aanwijzingen en de soorten gegevens waar GenAI-modellen op vertrouwen. .

Hoewel deze fundamentele componenten binnen GenAI constant blijven, verandert de manier waarop ze worden toegepast. Het is onwaarschijnlijk dat de aanpak van GenAI die in de schijnwerpers stond met de opkomst van ChatGPT eind 2022 dezelfde aanpak zal zijn die bedrijven zullen omarmen als ze GenAI inzetten om nieuwe zakelijke mogelijkheden mogelijk te maken.

Laten we eens kijken hoe deze concepten rond generatieve AI zich ontwikkelen en wat deze verandering betekent voor de toekomst van GenAI in de zakenwereld.

Traditionele benaderingen van generatieve AI

In de kern kunnen de fundamentele elementen van GenAI als volgt worden samengevat:

• Stichting modellen: Een basismodel is een GenAI-model dat een breed scala aan toepassingen kan ondersteunen. Tot nu toe hebben een handvol GenAI-modellen – zoals de GPT-modellen ontwikkeld door OpenAI – deze ruimte gedomineerd.
• Datum: Modellen zijn afhankelijk van gegevens voor trainingsdoeleinden. Traditioneel namen die gegevens meestal de vorm aan van ongestructureerde gegevens, dat de verkopers van basismodellen – zoals, wederom, OpenAI – gebruikten om hun modellen voor te trainen voordat ze ze beschikbaar maakten voor het publiek.
• Snelle techniek: Prompt engineering is het proces van het bedenken van prompts die de juiste reactie uit een GenAI-model zullen opleveren. Omdat het gebruik van vooraf getrainde basismodellen niet veel mogelijkheden biedt voor het aanpassen van de gegevens of de context van die modellen, is snelle engineering van cruciaal belang geweest om AI-modellen bepaalde gebruiksscenario's te laten ondersteunen. U heeft geen controle over de gegevens of over het model zelf, maar wel over de aanwijzingen die u erin invoert.

Kortom, het GenAI-ecosysteem werd de afgelopen anderhalf jaar gedomineerd door basismodellen van derden, die vooraf waren getraind op generieke sets ongestructureerde data, om gebruiksscenario's aan te pakken die sterk leunden op aangepaste prompt-engineering. In deze wereld waren de leveranciers die basismodellen bouwden in wezen de poortwachters, omdat hun beslissingen over hoe de modellen werkten en op welke gegevens ze trainden de beperkingen oplegden aan de manier waarop modellen konden worden gebruikt.

Innovaties in Generatieve AI voor ondernemingen

Kijkend naar de toekomst staat deze aanpak op het punt om op verschillende belangrijke manieren te veranderen.

1. Aangepaste funderingsmodellen

Een van de grootste veranderingen is de toenemende beschikbaarheid van funderingsmodellen die verder gaan dan die van bedrijven die gespecialiseerd zijn in generatieve AI-diensten.

Naast open-sourcemodellen die zijn uitgebracht door bedrijven als Meta en Google, zien we nu dat leveranciers als SAP hun eigen basismodellen ontwikkelen. Cruciaal is dat deze modellen bedrijven meer mogelijkheden zullen bieden om activiteiten op maat te modelleren door hun eigen parameters te injecteren om de context waarin het model functioneert te controleren. In sommige gevallen kunnen ze modellen ook trainen of opnieuw trainen op basis van aangepaste gegevens.

Het komt erop neer dat een nieuwe generatie basismodellen bedrijven veel nauwkeuriger controle geeft over de manier waarop zij generatieve AI inzetten. Ze hoeven niet langer genoegen te nemen met generieke modellen die niet zijn ontworpen voor hun specifieke gebruikssituaties. In plaats daarvan kunnen ze het modelgedrag op uitgebreide manieren aanpassen – op voorwaarde dat ze over de data-engineeringmogelijkheden beschikken om dat te doen.

2. Het gebruik van gestructureerde gegevens

Historisch gezien trainden GenAI-modellen voornamelijk op ongestructureerde gegevens – zoals documenten en webpagina’s – omdat het primaire doel van de ontwerpers van de modellen was om gebruikers in staat te stellen gegevens in die documenten te doorzoeken of samen te vatten. In wezen zijn GenAI-modellen zoals die ontwikkeld door OpenAI alternatieve zoekinterfaces voor het web.

Dit blijft een belangrijke use case voor GenAI binnen het bedrijfsleven. Een extra, opkomend gebruiksscenario is om GenAI ook te gebruiken als interface voor het opvragen van gestructureerde gegevens – zoals informatie die is opgeslagen in databases. Bedrijven kunnen dit al doen met oplossingen als Amazon Q.

Dit is belangrijk omdat het aangeeft dat GenAI het vermogen van bedrijven kan vergroten om de enorme hoeveelheden gestructureerde gegevens waarover zij beschikken te interpreteren. In het verleden waren voor het beantwoorden van vragen op basis van deze gegevens deskundige data-analisten nodig die complexe vragen met de hand schreven en vervolgens rapporten genereerden. Nu kan GenAI dat werk veel sneller doen dan zelfs de meest ervaren data-analist zou kunnen bereiken.

3. De opkomst van datadispatchers

Het integreren van AI-modellen met alle data die in een bedrijf aanwezig zijn, is een complexe taak, niet in de laatste plaats omdat het vaak onduidelijk is welke dataset het meest relevant is voor een specifieke use case. Moet het model bijvoorbeeld bij het opvragen van verkoopgegevens worden gevraagd met behulp van gegevens uit het ERP-systeem, het CRM, een handmatig opgestelde spreadsheet of iets anders?

Om dit probleem aan te pakken, zullen bedrijven waarschijnlijk overstappen op wat ik ‘datadispatchers’ noem. Een datadispatcher is een integratietool die gegevens op een efficiënte manier efficiënt beschikbaar stelt aan GenAI-services, waardoor het voor ondernemingen gemakkelijk wordt om hun gegevens te gebruiken voor aangepaste modeltraining. In plaats van bedrijven te dwingen te bepalen welke data ze nodig hebben voor AI-training, wenden ze zich tot datadispatchers om dit werk af te handelen.

Dit plaatst leveranciers van datadispatchers in een positie om de nieuwe poortwachters van het GenAI-landschap te worden. De macht zal verschuiven van leveranciers die AI-modellen ontwikkelen naar degenen die invloed uitoefenen op welke gegevens beschikbaar zijn om prompts te ondersteunen.

Naar een democratisch, datacentrisch GenAI-landschap?

Uiteindelijk beloven deze verschuivingen – die al gaande zijn – GenAI democratischer te maken, in de zin dat bedrijven meer controle zullen hebben over hoe ze GenAI precies gebruiken.

Tegelijkertijd maken ze data – vooral bedrijfseigen data die eigendom zijn van bepaalde bedrijven – belangrijker dan ooit. In plaats van afhankelijk te zijn van een handvol leveranciers van AI-modellen en de data waarop ze besloten te trainen, zullen bedrijven – met hulp van datadistributeurs – kunnen beslissen welke informatie GenAI-tools en -diensten mogelijk maakt.

Om in deze dappere nieuwe wereld te kunnen gedijen, zal het vermogen om gegevens effectief te beheren en te beheren van cruciaal belang zijn. Data Management is lange tijd belangrijk geweest voor ondernemingen, maar als ondernemingen willen profiteren van de nieuwe kansen rond GenAI, zullen ze ongekende niveaus van controle over gegevens nodig hebben, zodat bedrijven deze kunnen gebruiken om aangepaste GenAI-gebruiksscenario's mogelijk te maken. 

Die discussie wordt nu gevoerd en zal de komende maanden en jaren van cruciaal belang zijn om te monitoren.

• 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/why-its-time-to-rethink-generative-ai-in-the-enterprise/