Генеративный ИИ и путь к прогнозной аналитике

Кажется почти уверенным, что генеративный ИИ, или один из ее ведущих продуктов, например ChatGPT, станет технологическим модным словечком года в 2023 году. Быстрая разработка и развертывание этих передовых программ искусственного интеллекта одновременно удивляют и беспокоят тех, кто опасается опасностей роста, опережающего регулирование. . Хотя невозможно предсказать, куда нас приведет генеративный ИИ, похоже, что он уже ведет к значительным изменениям в сфере аналитики.

На уровне предприятия генеративный ИИ обладает потенциалом устранение значительных узких мест в том, чего могут достичь как организации, так и команды, даже в условиях сжатых сроков.

Искусственный интеллект также, по крайней мере теоретически, свободен от предубеждений и когнитивных трудностей, с которыми люди могут столкнуться при формировании и проверке идей в масштабе. Это понятие, однако, был оспорен из-за человеческого предубеждения, которое может повлиять на наборы данных, которые использует ИИ.

Помимо этого, мало что можно оспорить в отношении экономии времени и ресурсов генеративного ИИ и идей, которые он способен генерировать. Хотя основным недостатком больших данных является то, что люди просто не могут интерпретировать тысячи страниц информации в быстром темпе, ИИ может не только принимать ее в одно мгновение, но и интерпретировать ключевые моменты и показатели, чтобы предоставить пользователям иммерсивные аналитические данные.

Потенциал генеративного ИИ таков, что оценки Goldman Sachs что технология может увеличить мировой ВВП на 7% в течение следующих десяти лет, а также повысить рост производительности на 1,5 процентных пункта.

>>Не пропустите наш специальный выпуск: Будущее центра обработки данных: удовлетворение все возрастающих требований.<

Для бизнес-лидеров генеративный ИИ и предиктивная аналитика настроены на стать партнером это невозможно игнорировать. Поскольку многие фирмы уже активно претерпевают цифровую трансформацию, включение искусственный интеллект представляет собой важный шаг к тому, чтобы держать голову и плечи над болотом гиперконкурентного ландшафта.

Путь к предиктивной аналитике

Для компаний, стремящихся оптимизировать свои запасы в течение всего года, генеративный ИИ является важным компонентом для прогнозирования важных данных о клиентах. Это помогает лучше планировать запасы и более эффективно работать с цепочками поставок.

По мере развития технологии предприятия смогут использовать ее для анализа больших наборов данных и выявления тенденций, которые они могут использовать для прогнозировать будущий спрос клиентов или изменение потребительских предпочтений.

Один из самых ярких примеров генеративного ИИ, использующего прогностическую аналитику сегодня, можно найти в индустрии событий. Компании-разработчики программного обеспечения, такие как Grip и Superlinked, создали сервисы, которые использовать прогнозирующий ИИ чтобы помочь организаторам мероприятий принимать решения на основе данных о различных аспектах мероприятий.

Здесь эти фирмы использовали генеративный ИИ для анализа данных о посетителях прошлых мероприятий, чтобы получить представление о будущих мероприятиях.

Мы можем уподобить этот процесс Google Тренды, который может использовать данные поиска, чтобы показать, когда определенные термины запрашиваются чаще. Генеративные модели ИИ могут использовать аналогичные индикаторы настроений аудитории, например, какие отдельные области событий привлекли больше людей и какие отдельные докладчики или исполнители вызвали наибольший интерес в Интернете, а также рассматривать обширные массивы больших данных для получения конкретной аналитики.

С появлением предиктивной аналитики у компаний появится возможность выйти за рамки настроений и рассмотреть метаданные, связанные с конкретными конверсиями, популярными местоположениями, расширенными прогнозами погоды, изменениями настроений в социальных сетях и возможными искажающими внешними факторами, чтобы провести всесторонний анализ того, что именно когда и где может возникнуть спрос.

Мы уже видели, как такие фирмы, как американская авиакомпания JetBlue, в партнерстве с ASAPP, поставщиком технологий, внедряли решение для обслуживания клиентов на основе ИИ, которое может сэкономить в среднем 280 секунд на чат, прокладывая путь к экономии 73 000 часов рабочего времени агентов в квартал. Эта платформа когда-нибудь сможет учиться на настроениях клиентов и повторяющихся запросах, чтобы давать действенные рекомендации лицам, принимающим решения, относительно процессов и приобретения акций.

Предиктивная аналитика: следующее поколение аналитики данных

Возможность анализировать огромные объемы больших данных не является «генеративной» по определению, но эта часть вступает в игру, когда генеративные модели ИИ, такие как ChatGPT, используют данные для создания программного кода, который может создавать модели глубокого анализа.

По данным GitHub, 88% опрошенных респондентов считают, что они более продуктивны с помощью GitHub Copilot, аналитического инструмента, созданного на основе Кодекса OpenAI. Кроме того, 96% респондентов считают, что этот процесс делает их «быстрее при выполнении повторяющихся задач».

Это неизменно будет бесценным инструментом для бизнес-лидеров для создания гораздо более целенаправленной аналитики данных с помощью автоматизированного кодирования. Например, программы искусственного интеллекта могут предоставлять «автоматизированную поддержку принятия решений», которая дает рекомендации на основе массивов больших данных.

В будущем программы будут отслеживать результаты и возможные области набора навыков сотрудников, которые могут потребовать улучшения, и самостоятельно разрабатывать индивидуальные программы обучения, предназначенные специально для укрепления этих областей на основе наиболее восприимчивых стилей обучения сотрудников.

Программы также могут работать в тандеме с другими разросшимися аналитическими платформами, такими как Google Analytics (GA) или Finteza, и использовать их знания для автоматической настройки и улучшения веб-сайтов компаний на основе информации о трафике и производительности, а также для прогнозирования будущего трафика.

В дополнение к этому, если программа генеративного ИИ узнает из аналитических данных GA или Finteza, что количество посетителей упало в то время, когда настроения в социальных сетях и сезонные тенденции указывают на необходимость повышения вовлеченности, программа может изучить проблему и внести соответствующие исправления. при уведомлении соответствующих сторон или веб-разработчиков о любых изменениях для последующего рассмотрения.

Например, ChatGPT в настоящее время часто используется для создания контента. Однако приходит с ограничениями. Например, ниже приведен пример контента, созданного ChatGPT.

Первая статья называется «4 способа сдать очки в переработку», вторая — «Как сдать очки в переработку». Хотя обе части имеют очень похожие заголовки, подход к написанию статьи и обсуждаемые моменты должны сильно различаться (по крайней мере, в реальной жизни).

Тем не менее, в случае с ChatGPT обе статьи очень похожи — в некоторых случаях идентичны:

Как видите, некоторый контент практически идентичен. Следовательно, как только несколько человек решат использовать ChatGPT для аналогичного заголовка, проблема дублированного контента возникнет почти сразу.

Это ожидается просто потому, что никакой генеративный ИИ не может жить жизнями тысяч людей и переживать все возможные сценарии, основанные на очень разных жизненных событиях, ситуациях, личном опыте, характерах и привычках, которыми обладают люди. Все эти факторы влияют на то, как люди пишут контент, на используемый ими язык, стиль письма и примеры, которые они используют.

Исходя из этого, мы можем ожидать, что предприятия будут играть гораздо более вспомогательную роль в реализации потенциала будущего, основанного на данных.

Вместо того, чтобы использовать такие платформы, как ChatGPT, для работы от нашего имени, эти программы могут поддерживать наши бизнес-решения — даже если эти решения проистекают из приведенного выше примера, когда генеративный ИИ может предлагать всесторонние темы для обсуждения для поддержки планов контента.

Приоритет конфиденциальности

Несмотря на то, что нормативно-правовая база, окружающая рост генеративного ИИ а прогнозная аналитика все еще находится в стадии разработки, первые признаки указывают на то, что эта технология может принести ключевые инновации в эпоху GDPR.

Это связано с тем, что генеративный ИИ может анонимизировать конфиденциальные данные до того, как их увидит человеческий глаз. Это позволяет инструментам предиктивной аналитики генерировать синтетические данные которые имитируют реальные наборы данных, не содержащие никакой идентифицируемой информации.

>> Следите за новостями VentureBeat генеративный ИИ покрытие<

Точно так же программное обеспечение может автоматически добавлять и удалять идентифицируемые параметры в данных, что может помочь в таких отраслях, как фармацевтика, где испытания лекарств проводятся на слепой и двойной слепой основе.

Это представляет собой еще одну важную возможность для предприятий, стремящихся использовать генеративный ИИ. Благодаря созданию алгоритмов, ориентированных на конфиденциальность, которые защищают конфиденциальную информацию и позволяют организациям анализировать доступную информацию, больше фирм могут действовать решительно для улучшения качества обслуживания клиентов.

Величайшая возможность для бизнеса 21 века?

Хотя, безусловно, предстоит проделать еще много работы с точки зрения создания нормативно-правовой базы для обеспечения устойчивого роста генеративного ИИ, потенциальная полезность технологии в области прогнозной аналитики, безусловно, является поводом для оптимизма.

Из-за способности генеративного ИИ действовать решительно, используя большие данные для предоставления действенных идей, крайне важно, чтобы предприятия получили доступ к этому потенциалу, прежде чем они потеряют позиции в битве за передышку среди компаний, проходящих цифровую трансформацию.

Генеративный прогнозный анализ на основе искусственного интеллекта — это не только инструмент, позволяющий значительно сэкономить время, но и помочь организациям получить более полное представление о производительности, что может привести к значительным улучшениям в работе.

Хотя в краткосрочной перспективе технологии может потребоваться больше времени для созревания, ее полезность в будущем может принести значительные выгоды в плане затрат и производительности практически во всех отраслях.

Дмитрий Спилка — главный волшебник Solvid.