„Praėjus dvejiems metams nuo OpenAI ChatGPT paleidimo, daugelis kompanijų demonstruoja tokį entuziazmą dirbtiniam intelektui (AI), kuris, atrodo, suglumina didžiąją visuomenės dalį.
Žinoma, generatyvais AI pagrįsti, pokalbių robotai yra naudingi. Tačiau ar jie tikrai pateisina 632 milijardus dolerių, kuriuos tyrimų bendrovė IDC apskaičiavo, kad įmonės visame pasaulyje išleis dirbtiniam intelektui iki 2028 m.?
Nuomonių nesutapimas atspindi faktą, kad diskusijos apie AI ir visuomenės supratimas apie tai daugiausia dėmesio skiria viešiesiems pokalbių robotams. Užkulisiuose daugelis kompanijų diegia labiau specializuotus vidinius AI įrankius, naudojančius šių kompanijų duomenis, ir būtent čia jos ieško tikrojo AI atlygio.
Tokios įmonės didelius kalbos modelius sujungia su šių įmonių duomenimis, naudodamos metodą, vadinamą, ištraukimo iš saugyklos papildyta, generacija arba RAG (retrieval-augmented generation, angl.) [1]. Tai neaiškus terminas, tačiau iš esmės idėja yra gana paprasta: gaukite, jau saugomus, ir naujus įmonės duomenis ir naudokite juos generatyvaus AI darbui papildyti ir pagerinti.
"Tai didžiulis dalykas. Dauguma mūsų veiklos yra pagrįsti RAG", - sakė Sylvainas Durantonas, pasaulinis BCG X, Boston Consulting Group, dirbusio su didelėmis korporacijomis, technologijų kūrimo ir projektavimo padalinio lyderis.
Liūdnai pagarsėjusios AI haliucinacijos atspindi faktą, kad dideli kalbų modeliai mokomi internete. AI pokalbių robotą buvo įmanoma paskatinti paaiškinti vištos ir karvės kiaušinių skirtumus, nes jis buvo apmokytas, naudojant interneto duomenis, įskaitant vaizdo žaidimą su karvių kiaušiniais, sakė Durantonas.
Kita vertus, jei įmonė sukuria, AI pagrįstą, skambučių centro agentą, ji naudos RAG technologiją, kad importuotų procesus, procedūras ir duomenis, kuriuos naudoja žmonių agentai ar operatoriai. Agento didelės kalbos modelis atsakymus gauna iš tų duomenų.
„Tai būdas apsisaugoti“, – sakė Durantonas.
Tačiau įdiegtos šios sistemos gali atverti daugybę naudojimo būdų, kurie neapsiriboja skambučių centro agentais ir kitomis dabar žinomomis įmonės AI programomis, tokiomis, kaip programinės įrangos kodo rašymas.
„Shorenstein Properties“, investicijų į nekilnojamąjį turtą bendrovė, įsikūrusi San Franciske, dalyvauja bandomojoje programoje, kurios tikslas – automatizuoti visų jos failų žymėjimą, naudojant RAG pagrįstą AI sistemą. Tikslas yra pašalinti, daug laiko reikalaujančios, rankinės sistemos, kurioje žmonės gali padaryti klaidų arba tiesiog praleisti procesą, trūkumus. Bendrovė planuoja pradėti ženklinimo sistemą per artimiausius kelis mėnesius.
Pasak „Egnyte“, debesies pagrindu veikiančios platformos, kurią įmonės naudoja verslo turiniui pasiekti, dalytis ir tvarkyti, failus taip pat galima greitai suskirstyti į „žinių bazes“ ir apklausti, naudojant AI.
Shorenstein per pastarąsias kelias savaites pradėjo koncepcijos įrodymo projektą, naudodama „Egnyte“, siekdama išgauti duomenis iš parduodamų nekilnojamojo turto prospektų, dokumentų, kurie dažnai gali sudaryti 60 puslapių, ir suskirstyti juos į ataskaitas, kurios galėtų padėti įmonei priimti efektyvius verslo sprendimus ir pagerinti procesus.
Žinių bazių sukūrimas taip pat gali leisti Shorenstein analizuoti miesto nuomos sutarčių duomenis ir beveik akimirksniu įvertinti, kurios iš jų netrukus baigsis, o tai, anot jo, padeda analizuoti rinką, teigia Sam Ghnaim, informacinių technologijų vyresnysis viceprezidentas iš Shorenstein.
Norint sukurti šias naujas galimybes, reikia ne tik technologijų.
Pasak Durantono, BCG X lyderio, technologijos anksčiau leido IT architektūrai taikyti decentralizuotą požiūrį. Tačiau šiandieninis dirbtinis intelektas reikalauja nuolatinės prieigos prie visų įmonės duomenų, o tai reiškia, kad jis turi būti giliai ir plačiai susietas su visa architektūra, sakė jis.
Anot Heidi Messer, Collective[i], AI įmonės, kuri gamina žvalgybos informaciją, programas ir agentus, skirtus kurti įžvalgas pajamoms gauti ir generuoti, pirmininkė ir viena iš įkūrėjų, norint, kad dirbtinio intelekto taikymas būtų gilesnis, taip pat reikės ne mažiau didelių darbo eigos ir proceso pakeitimų ir verslo funkcijų optimizavimo.
Korporacijos pajamų komanda gali prognozuoti paklausą kiekvieną ketvirtį, pavyzdžiui, apklausdama verslo lyderius visoje įmonėje. Vargu ar tai yra mokslinis procesas, o tai paaiškina, kodėl netikėtumai yra gana dažni, kai įmonės praneša apie savo tikrus rezultatus.
Laikui bėgant, gali pasirodyti, kad dirbtinis intelektas prognozuoja pajamas patikimiau. Tačiau tam reikėtų pakeisti pajamų komandos darbo būdą. Senesnė duomenų rinkimo praktika baigtųsi, ir komanda galėtų glaudžiau bendradarbiauti su kitais įmonės padaliniais, vykdydama tokias funkcijas, kaip tiekimo grandinės valdymas, kainodara ir samdymas, sakė Messeris." [1]
Komentarų nėra:
Rašyti komentarą