Почему пришло время переосмыслить генеративный искусственный интеллект на предприятии | Сара Моради | апрель 2024 г.

Распространяется PressMonkey

Почему пришло время переосмыслить генеративный искусственный интеллект на предприятии

НОВОСТИ ПРЕДОСТАВЛЕНЫ

Датаверсити — Калифорния

07 апреля 2024 г., 05:12 по Гринвичу

Если вы в последнее время следите за развитием технологии генеративного искусственного интеллекта (GenAI), вы, вероятно, знакомы с ее основными концепциями: как работают модели GenAI, искусство создания подсказок и типы данных, на которые опираются модели GenAI. .

Хотя эти фундаментальные компоненты GenAI остаются неизменными, способы их применения меняются. Подход к GenAI, который привлек внимание к развитию ChatGPT в конце 2022 года, вряд ли будет тем же подходом, который будут использовать предприятия, используя GenAI для реализации новых бизнес-возможностей.

Давайте углубимся в то, как развиваются концепции, связанные с генеративным ИИ, и что это изменение означает для будущего GenAI в мире бизнеса.

По своей сути фундаментальные элементы GenAI можно резюмировать следующим образом:

• Модели фундамента: Базовая модель — это модель GenAI, которая может поддерживать самые разнообразные варианты использования. На сегодняшний день в этой сфере доминируют несколько моделей GenAI, таких как модели GPT, разработанные OpenAI.
• Данные: Модели полагаются на данные в целях обучения. Традиционно эти данные принимали форму в основном неструктурированные данныекоторый поставщики базовых моделей, такие как, опять же, OpenAI, использовали для предварительного обучения своих моделей перед тем, как сделать их доступными для общественности.
• Оперативное проектирование: Оперативное проектирование — это процесс разработки подсказок, которые дадут соответствующий ответ модели GenAI. Поскольку использование предварительно обученных базовых моделей не дает особых возможностей для настройки данных или контекста этих моделей, оперативное проектирование имеет решающее значение для того, чтобы модели ИИ поддерживали определенные сценарии использования. Вы не можете контролировать данные или саму модель, но можете контролировать подсказки, которые вы в нее вводите.

Короче говоря, в экосистеме GenAI в течение последних полутора лет или около того доминировали сторонние базовые модели, которые были предварительно обучены на общих наборах неструктурированных данных для решения случаев использования, которые в значительной степени полагались на разработку пользовательских подсказок. В этом мире поставщики, создавшие базовые модели, по сути, были привратниками, поскольку их решения о том, как модели работают и на каких данных они обучаются, устанавливают ограничения на то, как модели могут быть использованы.

В будущем этот подход может измениться по нескольким ключевым направлениям.

1. Индивидуальные модели фундаментов

Одним из самых больших изменений является растущая доступность базовых моделей помимо тех, которые поставляются компаниями, специализирующимися на генеративных услугах ИИ.

В дополнение к моделям с открытым исходным кодом, выпущенным такими компаниями, как Meta и Google, мы теперь видим, что такие поставщики, как SAP, разрабатывают свои собственные базовые модели. Важно отметить, что эти модели предоставят предприятиям больше возможностей для настройки операций модели путем введения собственных параметров для управления контекстом, в котором работает модель. В некоторых случаях они также могут обучать или переобучать модели на основе пользовательских данных.

Суть в том, что новое поколение базовых моделей дает предприятиям гораздо более точный контроль над тем, как они используют генеративный ИИ. Им больше не придется довольствоваться универсальными моделями, которые не были разработаны для их конкретных случаев использования. Вместо этого они могут настраивать поведение модели различными способами — при условии, что у них есть для этого возможности по обработке данных.

2. Использование структурированных данных

Исторически сложилось так, что модели GenAI обучались в основном на неструктурированных данных, таких как документы и веб-страницы, поскольку основная цель разработчиков моделей заключалась в том, чтобы позволить пользователям искать или суммировать данные в этих документах. По сути, модели GenAI, подобные моделям OpenAI, представляют собой альтернативные поисковые интерфейсы для Интернета.

Это остается одним из важных вариантов использования GenAI в бизнесе. Еще одним новым вариантом использования является использование GenAI в качестве интерфейса для запроса структурированных данных, таких как информация, хранящаяся в базах данных. Предприятия уже могут делать это с помощью таких решений, как Amazon Q.

Это важно, поскольку указывает на то, что GenAI может улучшить способность предприятий интерпретировать огромные объемы структурированных данных, которыми они располагают. Раньше для решения вопросов на основе этих данных требовались эксперты-аналитики данных, которые вручную писали сложные запросы, а затем создавали отчеты. Теперь GenAI может выполнять эту работу гораздо быстрее, чем мог бы достичь даже самый опытный аналитик данных.

3. Появление диспетчеров данных

Интеграция моделей ИИ со всеми данными, существующими в бизнесе, — сложная задача, не в последнюю очередь потому, что часто неясно, какой набор данных наиболее актуален для конкретного варианта использования. Например, при запросе данных о продажах следует ли запрашивать модель с использованием данных из системы ERP, CRM, электронной таблицы, подготовленной вручную, или чего-то еще?

Чтобы решить эту проблему, предприятия, скорее всего, примут на вооружение то, что я называю «диспетчерами данных». Диспетчер данных — это инструмент интеграции, который эффективно предоставляет данные службам GenAI, что позволяет предприятиям легко использовать свои данные для обучения пользовательских моделей. Вместо того, чтобы заставлять предприятия определять, какие данные им нужны для обучения ИИ, они обратятся за этой работой к диспетчерам данных.

Это дает поставщикам диспетчеров данных возможность стать новыми хранителями ландшафта GenAI. Власть перейдет от поставщиков, которые разрабатывают модели ИИ, к тем, кто влияет на то, какие данные доступны для поддержки подсказок.

В конечном счете, эти изменения, которые уже происходят, обещают сделать GenAI более демократичным в том смысле, что предприятия будут иметь больший контроль над тем, как именно они используют GenAI.

В то же время они делают данные – особенно частные данные, принадлежащие конкретным компаниям – более важными, чем когда-либо. Вместо того, чтобы зависеть от горстки поставщиков моделей ИИ и данных, на которых они решили обучаться, предприятия смогут решать — с помощью диспетчеров данных — какая информация позволяет использовать инструменты и услуги GenAI.

Для процветания в этом дивном новом мире ключевое значение будет иметь способность эффективно управлять данными. Управление данными уже давно важен для предприятий, но если предприятия хотят воспользоваться новыми возможностями, связанными с GenAI, им потребуется беспрецедентный уровень контроля над данными, чтобы предприятия могли использовать их для реализации пользовательских сценариев использования GenAI.

Это обсуждение сейчас ведется и будет иметь ключевое значение для мониторинга в предстоящие месяцы и годы.

Распространяется PressMonkey