Zephyrnet-logo

Generativ dataintelligens

Store data

Generative AI-utfordringer og muligheter for moderne bedrifter – DATAVERSITET

Publisert av Platon
Publisert av Platon

Dato:

Visninger: 91

Generativ AI (GenAI), maskinlæring (ML) og store språkmodeller (LLM) blir alle stadig viktigere for moderne bedrifter, men det er fortsatt en utfordring å oppnå målbar verdi fra AI. En del av problemet er at en godt trent AI-modell er avhengig av en stor mengde data, og for mange bedrifter vil organisering og bruk av alle dataene deres bremse ned hver dag. For å maksimere verdien fra AI, må bedrifter sørge for at datastakken deres er godt organisert. Hvis et selskap er i stand til å konsolidere datakilder, er det mye lettere å lage verdifulle use cases for generativ AI. Her er noen eksempler som allerede gir verdi i dag.

AI i programvareutvikling og datavitenskap

Når det gjelder LLM-er, er GPT-4 en imponerende generalist, med bred kunnskap om emner som spenner fra verdenshistorie til dataprogrammering til mat fra Midtøsten og utover. Det er ikke overraskende, siden det i stor grad ble trent på nettsider som ble skrapet fra internett. Men det de fleste bedrifter trenger er spesialiserte modeller fokusert på deres vertikale marked, som er trent på deres interne data, ikke internett. A16z-posten på Hva byggere snakker om når de snakker om AI forklart hvordan bedrifter egentlig ikke trenger flere chatbots. Bedrifter trenger GPT-er som effektivt kan gi innsikt med høy nøyaktighet og presisjon. Det spiller ingen rolle om AI kan oppsummere Shakespeare – det betyr noe om den nøyaktig kan forutsi hva en potensiell kundes levetidsverdi kan være.

Ali Ghodsi fra Databricks bemerket at kundene hans "ønsker å ha spesialiserte modeller som er billigere, mindre og har veldig høy nøyaktighet og ytelse." For noe som produksjon som krever ekstrem nøyaktighet, er det bedre å trene opp en mindre modell på et spesialisert, domenespesifikt datasett. Den resulterende modellen vil bli raskere, billigere og mer nøyaktig som et resultat. 

Med et mer omfattende datasett ser vi hvordan selskaper kan prototyper ny programvare og gjenta raskt. Vi bruker generativ AI hos firmaet mitt for å hjelpe til med å lage prototypekoblinger som forenkler bevegelsen av data fra sky-apper, databaser, strømmedata og bedriftsapplikasjoner, som alle strømmer inn i et datavarehus eller datainnsjø. Å lage koblinger for nye SaaS-applikasjoner kan være utfordrende når plattformer og skjema endres så raskt. Ved å bruke GPT-4 har vi klart å få en kunde i gang mens vi gjør det langsiktige arbeidet med å lage robuste koblinger med alle funksjoner. 

Øyeblikkelig intelligens

En av brukstilfellene jeg synes er fascinerende er hvordan GenAI brukes til søk og oppsummering. Hvert stort selskap har flere datalagre, fra Atlassian til Slack, Sharepoint til Teams eller Google Drive og Gmail. Eller en blanding av alle de ovennevnte. Og for det meste er disse enorme ressursene med organisatorisk kunnskap fortsatt stort sett uutnyttet. Det vil snart endre seg, ettersom selskaper anerkjenner konkurransefordelen ved å benytte disse dataene og utnytte dem ved hjelp av AI. Retrieval-augmented generation (RAG), som gjør det mulig for LLM-er å hente fakta fra eksterne kilder som interne dokumenter eller internett, er en spennende utvikling som vi ennå ikke har utnyttet fullt ut.

Sammen med disse bedriftsappene er det domenespesifikke depotene, som handelshistorikken hos et finansselskap eller detaljhandelsordrer og kundeprofiler som må integreres i opplæringsdatasettet. Trening av en LLM kan gjøre det veldig enkelt å stille spørsmål på vanlig engelsk som kan avdekke informasjon fra hele en organisasjons datastabel. Men disse dataene må organiseres og kategoriseres først, slik at trening kan gi mening ut av det hele, og jo mer data som er tilgjengelig, desto bedre resultater fra trening. 

Dette problemet er spesielt utfordrende i et miljø med endringsdatafangst, når finans- eller transaksjonsdata kommer inn døgnet rundt og stadig oppdateres. Når dataskjemaer endres, kan data bli feilkategorisert eller til og med tapt til eteren. Hvis LLM skal hjelpe til med å automatisere ting, lage nye produktideer eller brainstorme nye konsepter, må den være oppdatert. Dessverre sliter mange selskaper med å bare få data på ett sted i utgangspunktet.

AI oppgraderer roller og letter samarbeid 

I lang tid har det vært behov for programvareingeniører på entry-level som kan skrive grunnleggende kode, uten å fokusere på det større bildet av dataarkitektur og designmønstre, integrasjon med andre plattformer eller designe et system for maksimal ytelse.

Som Dylan Field fra Figma sa det, "De beste designerne begynner å tenke mye mer på kode, og de beste utviklerne tenker mye mer på design." GenAI gjør det mulig for disse menneskene å krysse over til hverandres tradisjonelle domene og tilføre verdi – det kommer til å gjøre utviklingen så mye raskere. I mellomtiden studerer smarte utviklere systemdesignmønstre i et forsøk på å flytte seg høyere opp i verdikjeden.

Til syvende og sist vil fusjonen av generativ AI, store språkmodeller og maskinlæring transformere bedriftsdriften. Fra programvareutvikling til markedsføringsstrategi, generativ AI kommer til å ha en dramatisk innvirkning ved å lage ny kode, lage prototypideer og bryte ned siloer mellom designere og kodere – uten å gi fra seg proprietære data. Nøkkelen vil ligge i å balansere allsidigheten til AI med et viktig grunnlag for dataadministrasjon. Hvis vi kan holde de underliggende dataene sentralisert og integrert, kan vi sette i gang denne neste epoken med teknologi for å gjøre folk mer produktive og bedrifter mer effektive.

spot_img

Siste etterretning

spot_img

Copyright @ 2024 Plato Technologies Inc.