生成式人工智慧 (GenAI)、機器學習 (ML) 和大型語言模型 (LLM) 對於現代企業來說都變得越來越重要，但從人工智慧中實現可衡量的價值仍然是一個挑戰。部分問題在於，訓練有素的人工智慧模型依賴大量數據，對於許多公司來說，組織和利用所有數據每天都會減慢他們的速度。為了最大限度地發揮人工智慧的價值，公司需要確保其資料堆疊組織良好。如果公司能夠整合資料來源，那麼為生成式人工智慧創建有價值的用例就會容易得多。以下是一些今天已經增加價值的例子。
軟體開發和數據科學中的人工智慧
就法學碩士而言，GPT-4 是一位令人印象深刻的多面手，擁有從世界歷史到電腦程式設計到中東美食等廣泛的知識。這並不奇怪，因為它主要是根據從互聯網上抓取的網頁進行訓練的。但大多數公司需要的是專注於其垂直市場的專門模型，這些模型是根據內部數據而不是互聯網進行訓練的。 a16z 的帖子 當建築商談論人工智慧時他們在談論什麼 解釋了企業為何其實不需要更多的聊天機器人。公司需要能夠有效提供高精度洞察的 GPT。人工智慧能否概括莎士比亞並不重要，重要的是它能否準確預測潛在客戶的終身價值。
Databricks 的 Ali Ghodsi 指出，他的客戶“希望擁有更便宜、更小、並且具有真正高精度和性能的專用模型。”對於像製造這樣需要極高準確性的事情，您最好在專門的、特定領域的資料集上訓練較小的模型。由此產生的型號將更快、更便宜、更準確。
借助更全面的資料集，我們可以看到公司如何建立新軟體原型並快速迭代。我們用 生成AI 在我的公司協助創建原型連接器，促進雲端應用程式、資料庫、串流資料和企業應用程式中的資料移動，所有這些都流入資料倉儲或資料湖。當平台和架構變化如此之快時，為新的 SaaS 應用程式建立連接器可能具有挑戰性。使用 GPT-4，我們能夠讓客戶啟動並運行，同時我們進行長期工作以創建功能齊全、堅固的連接器。
即時情報
我覺得很有趣的用例之一是 GenAI 如何用於搜尋和摘要。每個大公司都有多個資料儲存庫，從 Atlassian 到 Slack，從 Sharepoint 到 Teams，或 Google Drive 和 Gmail。或以上所有內容的混合。在大多數情況下，這些大量的組織知識資源仍未被充分利用。隨著公司認識到利用這些數據並使用人工智慧來利用它的競爭優勢，這種情況很快就會改變。檢索增強生成（RAG）使法學碩士能夠從內部文件或互聯網等外部來源檢索事實，這是一項令人興奮的發展，但我們尚未充分利用。
除了這些企業應用程式之外，還有特定於領域的儲存庫，例如需要整合到訓練資料集中的金融公司的交易歷史或零售訂單和客戶資料。培訓法學碩士可以輕鬆地用簡單的英語提出問題，從而從組織的整個數據堆疊中發現資訊。但需要先對這些數據進行組織和分類，以便培訓能夠理解這一切，並且可用的數據越多，培訓的結果就越好。
當財務或交易資料全天候輸入並不斷更新時，這個問題在變更資料擷取環境中尤其具有挑戰性。當資料模式發生變化時，資料可能會被錯誤分類，甚至遺失。如果法學碩士要幫助實現自動化、創造新產品創意或集思廣益新概念，它就需要與時俱進。不幸的是，許多公司一開始就很難將資料儲存到一個地方。
人工智慧提升角色並促進協作
長期以來，需要能夠編寫基本程式碼的入門級軟體工程師，而不需要專注於資料架構和設計模式的大局、與其他平台的整合或設計系統以實現最大效能。
正如 Figma 的 Dylan Field 所說：“最好的設計師開始更多地考慮程式碼，而最好的開發人員則更多地考慮設計。” GenAI 使這些人能夠跨入彼此的傳統領域並增加價值——這將使開發速度大大加快。與此同時，聰明的開發人員正在研究系統設計模式，以努力將自己提升到價值鏈的更高位置。
最終，生成式人工智慧、大型語言模型和機器學習的整合將改變企業營運。從軟體開發到行銷策略，生成式人工智慧將透過創建新程式碼、原型化想法以及打破設計師和編碼員之間的隔閡而產生巨大影響，而無需洩露專有資料。關鍵在於平衡人工智慧的多功能性與資料管理的重要基礎。如果我們能夠保持底層資料的集中和集成，我們就可以開啟下一個技術時代，使人們更有效率，企業更有效率。
