生成式人工智能 (GenAI)、机器学习 (ML) 和大型语言模型 (LLM) 对于现代企业来说都变得越来越重要，但从人工智能中实现可衡量的价值仍然是一个挑战。部分问题在于，训练有素的人工智能模型依赖于大量数据，对于许多公司来说，组织和利用所有数据每天都会减慢他们的速度。为了最大限度地发挥人工智能的价值，公司需要确保其数据堆栈组织良好。如果公司能够整合数据源，那么为生成式人工智能创建有价值的用例就会容易得多。以下是一些今天已经增加价值的例子。
软件开发和数据科学中的人工智能
就法学硕士而言，GPT-4 是一位令人印象深刻的多面手，拥有从世界历史到计算机编程到中东美食等广泛的知识。这并不奇怪，因为它主要是根据从互联网上抓取的网页进行训练的。但大多数公司需要的是专注于其垂直市场的专门模型，这些模型是根据内部数据而不是互联网进行训练的。 a16z 的帖子 当建筑商谈论人工智能时他们在谈论什么 解释了企业为何并不真正需要更多的聊天机器人。公司需要能够有效提供高精度洞察的 GPT。人工智能能否概括莎士比亚并不重要，重要的是它能否准确预测潜在客户的终身价值。
Databricks 的 Ali Ghodsi 指出，他的客户“希望拥有更便宜、更小、并且具有真正高精度和性能的专用模型。”对于像制造这样需要极高准确性的事情，您最好在专门的、特定领域的数据集上训练较小的模型。由此产生的模型将更快、更便宜、更准确。
借助更全面的数据集，我们可以看到公司如何构建新软件原型并快速迭代。我们用 生成式人工智能 在我的公司帮助创建原型连接器，促进云应用程序、数据库、流数据和企业应用程序中的数据移动，所有这些都流入数据仓库或数据湖。当平台和架构变化如此之快时，为新的 SaaS 应用程序创建连接器可能具有挑战性。使用 GPT-4，我们能够让客户启动并运行，同时我们进行长期工作以创建功能齐全、坚固的连接器。
即时情报
我觉得很有趣的用例之一是 GenAI 如何用于搜索和摘要。每个大公司都有多个数据存储库，从 Atlassian 到 Slack，从 Sharepoint 到 Teams，或者 Google Drive 和 Gmail。或者以上所有内容的混合。在大多数情况下，这些大量的组织知识资源仍未得到充分利用。随着公司认识到利用这些数据并使用人工智能来利用它的竞争优势，这种情况很快就会改变。检索增强生成（RAG）使法学硕士能够从内部文档或互联网等外部来源检索事实，这是一项令人兴奋的发展，但我们尚未充分利用。
除了这些企业应用程序之外，还有特定于领域的存储库，例如需要集成到训练数据集中的金融公司的交易历史或零售订单和客户资料。培训法学硕士可以很容易地用简单的英语提出问题，从而从组织的整个数据堆栈中发现信息。但需要首先对这些数据进行组织和分类，以便培训能够理解这一切，并且可用的数据越多，培训的结果就越好。
在变更数据捕获环境中，当财务或交易数据全天候输入并不断更新时，这个问题尤其具有挑战性。当数据模式发生变化时，数据可能会被错误分类，甚至丢失。如果法学硕士要帮助实现自动化、创造新产品创意或集思广益新概念，它就需要与时俱进。不幸的是，许多公司一开始就很难将数据存储到一个地方。
人工智能提升角色并促进协作
长期以来，需要能够编写基本代码的入门级软件工程师，而不需要关注数据架构和设计模式的大局、与其他平台的集成或设计系统以实现最大性能。
正如 Figma 的 Dylan Field 所说：“最好的设计师开始更多地考虑代码，而最好的开发人员则更多地考虑设计。” GenAI 使这些人能够跨入彼此的传统领域并增加价值——这将使开发速度大大加快。与此同时，聪明的开发人员正在研究系统设计模式，以努力将自己提升到价值链的更高位置。
最终，生成式人工智能、大型语言模型和机器学习的融合将改变企业运营。从软件开发到营销策略，生成式人工智能将通过创建新代码、原型化想法以及打破设计师和编码员之间的隔阂而产生巨大影响，而无需泄露专有数据。关键在于平衡人工智能的多功能性与数据管理的重要基础。如果我们能够保持底层数据的集中和集成，我们就可以开启下一个技术时代，使人们更加高效，企业更加高效。
