какую методологию реализовать?

Согласно отчету исследовательского института Capgemini, 74% руководителей считают, что преимущества генеративного искусственного интеллекта перевесят опасения. Использование преимуществ генеративного искусственного интеллекта: основные сценарии использования в разных отраслях. Однако только 19% компаний выступили с конкретными инициативами на предмет. Когда начать ? Основные этапы описаны в этой статье.

Каковы предпосылки для создания генеративного ИИ? Какие ключевые вопросы задать заранее? Иногда профессиональным специалистам по данным даже сложно внедрить подход искусственного интеллекта, поскольку технологии заставляют компании переосмысливать свои методы работы. В этом смысле генеративный ИИ не является исключением. Таким образом, для начала разработки варианта использования необходимы три столпа.

Шаг №1: не начинайте с нуля!

Сегодня существует множество предварительно обученных языковых моделей (LLM), которые позволяют решать определенное количество задач с самого начала проекта благодаря разговорному помощнику. То же наблюдение и для распознавания изображений. В результате вполне возможно и даже рекомендуется использовать ресурсы, предоставленные сообществом, будь то с помощью алгоритмов с открытым исходным кодом или таких издателей, как Microsoft с Azure. Итак, у команд уже есть алгоритмы, способные распознавать изображение или объект, или в предложении, глагол, прилагательное, дополнение, COD… Очень существенная экономия времени!

В случае, если доступные ресурсы исчерпаются, команды будут заинтересованы в проведении анализа рынка, чтобы выявить и протестировать существующие решения, которые они могли бы использовать, не изобретая велосипед!

Проект генеративного ИИ не так уж отличается от классического проекта по искусственному интеллекту или науке о данных. […] Гибкость и способность со временем расширять сферу своей деятельности являются важными факторами успеха.

Шаг №2: Постепенно расширяйте периметр

Проект генеративного ИИ не так уж отличается от классического проекта по искусственному интеллекту или науке о данных. Следовательно, если с самого начала интегрировать слишком много функций или слишком много сложности, цель будет слишком далекой и, следовательно, труднодостижимой. Мало того, что время разработки будет чрезмерно долгим, но прежде всего существует риск столкнуться с множеством одновременных проблем, ведущих к провалу проекта.

Тогда решение состоит, например, в постепенной разработке диалогового помощника: мы начинаем с помощника, который сначала сможет справиться только с 20% проблем или вариантов использования, и постепенно улучшаем его! Гибкость и способность со временем расширять сферу применения являются важными факторами успеха генеративного подхода к искусственному интеллекту.

В начале проекта важно указать с помощью бизнес-направлений различные функции, которые вы хотите интегрировать в диалоговый помощник, и классифицировать их по блокам функций или по блокам вариантов использования, определенных по двум осям:

• Бизнес-направление, установленное будущими пользователями;
• И техническая ось, по которой эксперты пытаются количественно оценить сложность алгоритмов.

Таким образом, цель здесь состоит в том, чтобы начать с интеграции «быстрых результатов», то есть тех, которые имеют высокую коммерческую ценность и низкую техническую сложность. Затем, основываясь на отзывах пользователей, мы на каждом СПРИНТе обогащаем помощника новым функционалом, новыми вариантами использования, новыми базами данных… Есть настоящая итеративная сторона, в которой мы каждый раз оцениваем ответственного за каждый из источников с точки зрения технической интеграция и бизнес-интересы.

Шаг №3: бросьте вызов своему алгоритму

Вам нужно не только сравнить свой алгоритм со сделками, но, прежде всего, сделать это как можно быстрее. Не ждите, пока продукт станет идеальным, чтобы представить его им! Но если вы бросите ему вызов, вам также необходимо иметь возможность легко его масштабировать, включая некоторую гибкость для автоматизации доставки и обучения различных моделей и, в итогеобогатить возможности.

Наконец, масштабируемая сторона инфраструктуры также может быть важна для методологии, поскольку все эти данные могут представлять собой значительные или даже нестандартные объемы обучения. Все зависит от того, интегрирует ли генеративный ИИ только внутренние данные или также «открытые данные» или другие внешние данные. Вот почему наличие масштабируемой инфраструктуры (или, во всяком случае, легко масштабируемой) также является ключевым фактором успеха.

Как способствовать внедрению генеративного ИИ?

Чтобы ответить на этот вопрос, мы начали с случаи использования, с которыми столкнулись некоторые наши клиенты. Вот как генеративный ИИ смог помочь им решить проблему и ускорить реализацию проектов.

1^{является} случай: вы хотите разработать свой собственный алгоритм

Использование здесь генеративного ИИ позволяет ускорить этап маркировки (изображение, текст и т. д.). Это важный актив, поскольку маркировка данных представляет собой немаловажную часть проектов компьютерного зрения и НЛП. Современные инструменты позволяют восстановить большое количество помеченных данных. На кону: способность обучать ваши модели на территории на этих данных, контролируя ваш алгоритм от начала до конца.

2^е случай: у вас недостаточно данных для обучения LLM

Используйте генеративный искусственный интеллект для создания последовательной базы обучения. Действительно, почему бы не попросить GPT (или другого) сгенерировать тысячу разных способов формулировки вопроса, например, с разными языками и стилями. Ускорительная часть генеративного искусственного интеллекта позволяет вам изучить собственную модель гораздо быстрее и эффективнее.

3^е кейс: можно ли сделать полуприватный/полуоткрытый инструмент?

Вопрос возникает в случае особенностей, специфичных для его модели. В этом случае потребуется разработать своего «домашнего» разговорного помощника. С другой стороны, для всех более общих вопросов вполне возможноиспользуйте такое решение, как Azure OpenAI. Таким образом, генеративный ИИ решает здесь двойную проблему, но с помощью двух разных типов инструментов: один, разработанный внутри компании для реагирования на заранее определенные намерения, называемые «частными», то есть специфичными для компании; другой, типа Azure OpenAI, для «открытых» общих вопросов.

Как реализовать прогрессивный генеративный подход ИИ?

Напомним, что идея генеративного ИИ заключается в постепенном обогащении модели все более актуальными функциями и вариантами использования. Процесс, который, вопреки тому, что можно было бы подумать, не так уж и прост. За что ? Потому что не рекомендуется использовать такой инструмент, как ChatGPT, в бизнесе из-за проблем с конфиденциальностью данных.

Не рекомендуется использовать такой инструмент, как ChatGPT, в бизнесе из соображений конфиденциальности данных.

1. Режим нулевого выстрела

Первый шаг проекта заключается в развертывании эквивалента ЧатGPT в масштабе всего предприятия с помощью инструмента, уважающего конфиденциальность. Обычно это большая языковая модель (LLM), уже предварительно настроенная для компании (например: Azure Open AI). Все, что вам нужно сделать, это взять этот LLM и сделать его доступным для сотрудников. Это называется «нулевой выстрел». Речь идет о том, чтобы взять общую модель LLM, какой бы она ни была, и разместить ее в безопасной среде компании, даже в облаке, но безопасным способом.

2. Ле «малозарядный»

Здесь диалоговый бот опирается на контекст и имеет историю подсказок. Таким образом, мы вступаем в весьма специфическое профессиональное использование. «Несколько кадров» заключается в уточнении ответов ассистента. Каждый раз, когда модель запрашивается, ей предоставляется как можно больше контекстуальных элементов, что называется быстрым проектированием ожидаемого ответа. Таким образом, предоставленные ответы будут более адаптированы к лексике и проблемам компании.

3. Агенты

В следующей разработке мы постараемся интегрировать эти модели в работу компании, чтобы их можно было легко использовать, не нарушая процесс. Помимо контекста мы добавляем память (индексацию) и действия (внешние инструменты). Таким образом, наш помощник будет просматривать эти индексированные входные данные, а также соединение с внешними инструментами, чтобы иметь возможность отправлять ответы обратно, например, в API.

4. Обучение/переобучение

Последний шаг: тогда мы сможем обучать, переобучать или даже переобучать эти общие ИИ с использованием всего языка (онтологии) компании. Обычно это требует настройки последних слоев модели. Мастер становится все более эффективным, адаптируется к пользователю и взаимодействует с внутренними инструментами.

Именно так генеративный ИИ сможет постепенно создавать ценность в компании.

Таким образом, генеративный ИИ остается, прежде всего, проектом искусственного интеллекта, особенно на этапах разработки проекта. Как и многие проекты искусственного интеллекта, он может включать в себя большую сложность. Поэтому для начала рекомендуется обратиться к экспертам в этой области, чтобы их сопровождали, и уделить время тщательному взвешиванию плюсов и минусов каждого решения.

👉 Все наши новости можно найти в режиме реального времени, подписавшись на нас. LinkedIn 👈