Midjourney, ChatGPT, Bing AI Chat 및 기타 AI 도구를 사용하면 생성 AI를 더 쉽게 사용할 수 있으며 이러한 도구는 많은 아이디어, 실험 및 창의성을 창출합니다. 조직에서 생성 AI를 사용하려는 경우 AI 작업을 어디에서 시작해야 할지, 윤리적 딜레마, 저작권 침해 또는 사실적 오류에 빠지지 않고 이를 수행하는 방법에 대한 질문에 여전히 직면하게 됩니다. 좋은 시작은 생성 AI를 사용하여 이미 해당 분야의 전문가인 사람들을 지원하여 시간을 절약하고 생산성을 높이는 것입니다.
생성 AI 사용을 즉시 시작할 수 있는 다른 방법도 많이 있으며, 생성 AI는 조직에서 사용하는 여러 도구와 플랫폼에 이미 통합되어 있을 수도 있습니다. 따라서 이러한 도구를 시험하고 채택하는 방법에 대한 가이드 개발을 고려해야 합니다. 다음은 생성적 AI 사용을 고려해야 할 5가지 주요 영역과 다른 적합한 시나리오를 찾는 데 대한 지침입니다.
사람들은 코딩이 예술과 과학 사이에 있다고 생각하는 경우가 많지만 프로그래밍 작업의 대부분은 일상적이고 반복적입니다. 클라우드 플랫폼과 모듈 리포지토리의 등장은 최신 애플리케이션 작성, 구성요소와 API 통합, 기존 코드 리팩터링, 환경 최적화, 파이프라인 조정이 알고리즘을 개발하는 것만큼 중요하다는 것을 의미합니다. 이 작업의 대부분은 자동화 및 AI 지원에 적합하지만, 마찬가지로 이러한 도구를 사용하여 영향과 효과를 모니터링하는 방법과 위치를 알아야 합니다. 코딩 도우미로 완전히 전환하기 전에 특정 일반 작업의 속도를 높이는 일회성 도구로 시작할 수 있습니다.
문서화는 중요하면서도 종종 간과됩니다. 생성 AI가 코드 베이스를 문서화하도록 할 수 있을 뿐만 아니라 문서에 채팅 인터페이스를 구축하여 개발자가 인터페이스를 통해 작동 방식과 사용 방법에 대해 질문할 수 있도록 할 수도 있습니다. 또는 일반적인 검색 상자를 교체하면 일반 문서가 대화형 프로그래밍으로 바뀌는데, 예를 들어 AI가 데이터를 가져와 쿼리를 작성한 방법을 보여줄 수 있습니다.
테스트는 간과되기 쉬운 또 다른 영역이며, 자동으로 생성되는 단위 테스트는 테스트 범위를 확장하는 데 도움이 됩니다. 제출 봇은 개발자가 사용자와 다른 개발자에게 도움이 될 만큼 충분한 정보가 포함된 메시지를 작성하는 데 도움을 줄 수 있으며, 생성 AI는 업그레이드 및 시스템 재시작을 기록하는 IT 직원에게도 동일한 작업을 수행할 수 있습니다.
개발자가 앱의 더 흥미롭고 창의적인 부분에 집중할 수 있도록 백엔드 로직 및 기타 상용구를 생성하려는 내용을 AI에 알려주는 것도 중요합니다. 또한 생성 AI를 활용하여 자체 코드 모듈(대규모 코드 베이스에서 반복적이고 시간이 많이 걸리는 작업을 자동화하는 스크립트)을 작성하거나 생성 AI를 활용하여 사내 스타일에 더 잘 맞도록 음성과 톤을 수정하는 데 도움을 주어야 합니다. 대규모 언어 모델(LLM)에 내장된 GitHub Copilot 및 IDE와 같은 코딩 도우미는 이 모든 작업을 수행할 수 있지만 개발자를 대체해서는 안 됩니다. 이러한 코딩 도우미 및 IDE는 작성되지 않은 코드(및 코드의 컨텍스트)를 이해하고 평가해야 합니다. 보안 취약점이나 성능 병목 현상, 누락, 잘못된 결정 또는 단순한 실수가 포함된 경우) 코드를 생성하기 위한 문제 중 일부 또는 전부를 포함할 수 있는 저장소에서 학습하기 때문입니다. AI 생성 코드를 조직 전체에서 추적하여 감사하고 유용성을 평가할 수 있는 방법을 고려하는 것이 좋습니다. 개발자들은 GitHub Copilot을 사용하여 효율성을 높이고 좌절감을 줄였다고 보고합니다. Microsoft는 Copilot 사용자 코드의 40%가 AI에서 생성되고 수정되지 않은 것이라고 말합니다. 현재 개발자가 IDE 세션을 종료하면 이 출처가 손실되므로 AI 도구 사용 방법에 대한 내부 지침을 문서화하는 것이 좋습니다.
비즈니스 사용자는 AI 보조자가 생성한 코드를 평가할 전문 지식이 없지만 로우 코드 및 노코드 환경은 매우 제한적이며 생성 AI 도구가 통합되어 있습니다. 잘못될 확률이 훨씬 적습니다.
로우 코드 애플리케이션에는 데이터를 자주 검색하고 필터링해야 합니다. 로우 코드 플랫폼에는 조회 쿼리를 생성하거나 프로그래밍 방식으로 누락된 우편번호를 추가하는 등 반환된 데이터를 정리할 수 있는 생성적 AI 기능이 추가되어 있어 데이터베이스 전문 지식이 없는 비즈니스 사용자가 사전 구축된 구성 요소를 사용하거나 지속할 필요 없이 한 단계 더 나아갈 수 있습니다. 전문 개발자가 쿼리 문자열을 작성할 때까지 기다리십시오. Census GPT와 같은 오픈소스 도구를 사용하면 대규모 공개 데이터 세트를 더 쉽게 쿼리할 수 있습니다.
Code Assistant는 전문 개발자만을 위한 것이 아닙니다. Wix 인공 디자인 인텔리전스(ADI)는 코드 생성과 생성적 디자인을 결합하여 완전한 웹사이트를 구축할 수 있으며, Uizard는 웹사이트와 앱 프로토타입에 대해 동일한 작업을 수행할 수 있으며, Fronty는 이미지를 HTML 및 CSS로 변환할 수 있으며, 앱의 Express 디자인 기능은 다음과 같습니다. 손으로 그린 스케치나 Figma 파일을 실행 가능한 애플리케이션으로 변환할 수 있으며 이는 백엔드에서 완료됩니다.
기업 조직이 관심을 갖는 가장 생성적 AI 용도는 직원들이 특정 요구 사항에 맞게 조정할 수 있도록 로우 코드 자동화 워크플로 내에서 호출할 수 있는 모듈입니다. 또한 많은 플랫폼은 이미 다른 구성 요소와 마찬가지로 ChatGPT 및 기타 OpenAI API를 제공하고 있습니다. 그러나 생성된 텍스트 또는 이미지와 함께 제공되는 모든 경고 또는 지침이 로우 코드 환경에서 올바르게 표시되는지 확인하십시오. 이상적으로는 피드백을 제공할 수 있는 방법이 있으며 직원은 이를 요구하지 않고 고객에게 직접 표시할 수 있는지 정책을 알고 있습니다. 직원이 이를 검토합니다.
맞춤형 ChatGPT 버전과 Bing을 결합하여 수백만 명의 신규 사용자가 Microsoft Bing 검색 엔진을 사용하게 되었습니다. 그러나 LLM이 작동하는 방식은 오류를 의미하며 "환상"이 발생할 수 있습니다. 왜냐하면 본질적으로 문장과 단락을 자동 완성하여 쿼리 프롬프트와 일치하는 텍스트를 생성하기 때문입니다. 원하는 정보가 존재하지 않는 경우 모델은 여전히 합리적인 정보를 생성하려고 시도하며 제공된 정보가 해당 분야의 대부분의 전문가가 말하는 것과 정확하고 일치하더라도 대답은 불완전하고 정확하지 않을 수 있습니다. 아직 전문가가 아니라면 자신이 무엇을 놓치고 있는지조차 모를 수도 있습니다. 이러한 문제는 기업 검색과 공용 웹 모두에 큰 문제입니다. Microsoft의 곧 출시될 Microsoft 365 Copilot 도구는 문서 및 엔터티를 기반으로 Microsoft Graph 데이터에 대한 참조를 쿼리하고 제공하여 이 문제를 해결하려고 시도하지만 일부는 여전히 누락될 수 있습니다. 직접 추가해야 합니다.
정보를 고객이나 다른 최종 사용자에게 직접 표시하는 대신 전문 지식을 갖춘 사람이 내부적으로 검토하는 보다 제한된 시나리오에서 LLM을 활용하여 문서를 요약 및 분석하거나 생성 텍스트를 활용하여 개념을 설명할 수 있는 기회를 찾으세요.
프로젝트, 커뮤니티 또는 생태계를 이해하는 데 도움이 되도록 다양한 개체 간의 연결과 관계를 시각적으로 표시하는 지식 그래프를 생성합니다. Excel의 Copilot 도구를 사용하면 대화형 방식으로 통찰력을 얻고 기본 데이터를 변경하지 않는 샌드박스에서 데이터에 대해 질문할 수 있으므로 실수로 인해 잘못된 경로로 이어질 수 있지만 향후 분석을 위해 원시 정보가 오염되어서는 안 됩니다. .
데이터로 스토리를 전달하는 것은 변칙과 영향 요인을 찾아 차트와 자동 생성된 설명으로 설명할 수 있는 Power BI의 스마트 내러티브와 같은 주요 추세와 AI 분석을 전달하는 또 다른 효과적인 방법입니다. 선형 회귀와 같은 AI 모델을 통해 통찰력을 얻은 후 언어 모델을 통해 설명하므로 LLM이 직면한 수학적 문제를 피할 수 있습니다. 이러한 통합 접근 방식은 더욱 일반화될 수 있습니다. 마찬가지로, 보안 도구는 언어 생성을 사용하여 위협, 이상 현상, AI가 감지한 잠재적 위반 증거를 설명하고 그것이 의미하는 바와 대응 방법을 명확하고 개인화된 언어로 알려줍니다. 앞으로는 이러한 도구에 질문을 하고 도구가 제공하는 제안을 해석하도록 할 수 있기를 바랍니다.
또한 키워드 및 고정 응답 콘텐츠부터 지식 기반이 업데이트될 때 새로운 정보를 자동으로 포함하여 응답 콘텐츠가 더 자연스럽고 자동으로 들리게 만드는 것까지 기존 챗봇을 더 스마트하고 유연하게 만들 수 있습니다. 마찬가지로 생성적 AI를 사용하여 고객 만족도를 높이고 비용을 절감하기 위해 고객과 직접 상호작용하는 것은 유혹적이지만, 이는 조직 내에서 생성적 AI를 사용하여 혜택 및 기타 HR 문제에 대한 유용한 정보를 표면화하는 것보다 더 위험합니다. 트렌디한 챗봇은 일부 브랜드에 적합하지만 고객이 위험한 조언을 받았거나 챗봇에 의해 모욕을 당했다는 이유로 헤드라인을 장식하고 싶지는 않습니다. 생성적 AI를 사용하여 상담사 지원을 제공하면 위험을 줄이면서 생산성을 높일 수 있습니다.
회의는 비즈니스 결정이 내려지고 지식이 공유되는 곳이어야 하지만 회의의 가치는 회의실을 떠나지 않습니다. Microsoft Teams Premium, Dynamics 365 Copilot 및 Slack용 ChatGPT 앱과 같은 AI 도구는 요약을 생성하고 참석자 및 회의실에 없고 자신의 책임이 무엇인지 모르는 사람을 위해 할당된 작업 항목을 기록할 수 있으므로 질문을 피할 수도 있습니다. 누가 메모를 하도록 요청받고 누가 다른 "일상적인 사무 업무"를 수행하는지에 대한 줄다리기에 대해 설명합니다.
매일 바쁜 Slack 속도를 따라잡을 수 있으면 생산성과 일과 삶의 균형도 향상될 수 있지만, 계획과 결정을 내리는 사람들은 AI가 생성한 요약, 작업 항목 및 타임라인의 정확성을 보장할 책임이 있어야 합니다. 고객과의 전화 통화 내용을 요약하는 AI 도구는 관리자가 직원을 감독하고 교육하는 데 도움이 될 수 있습니다. 이는 금융 자문가와 콜센터 직원에게 유용할 수 있지만, 직원 생산성을 모니터링하는 도구는 공감적인 방식으로 사용해야 하며 직장 감시로 인해 제기되는 우려를 피해야 합니다. 사용자 피드백과 제품 리뷰는 도움이 되지만 정보의 양이 너무 많아서 정보가 깊숙이 숨겨져 있을 수 있습니다.
제너레이티브 AI는 해당 콘텐츠를 분류, 요약, 분류하여 더 쉽게 흡수할 수 있는 집계된 피드백을 제공할 수 있습니다. 장기적으로 볼 때, 사용자가 직접 리뷰 페이지를 스크롤하도록 하는 대신 개인 쇼핑 도우미가 구매하고 싶은 품목을 추천하고 해당 품목에 대한 질문에 답하도록 하는 것을 상상하기 쉽습니다. 그러나 마찬가지로 기업은 공격적이거나 명예를 훼손하는 의견을 이끌어낼 수 있거나 부정적인 반응을 걸러내는 데 지나치게 열중하는 도구를 도입하는 것을 조심해야 합니다. 생성적 AI 도구는 긴 문서를 읽고 요약하고 해당 정보를 사용하여 새 문서의 초안을 작성할 수 있습니다. 계약에서 만기일과 결과물을 추출할 수 있는 Docugami와 같은 도구가 이미 있으며, 국제 법률 회사인 Allen & Overy는 계약 분석 및 규정 준수에 도움이 되는 플랫폼을 시험하고 있습니다. 양해 각서, 계약서 또는 작업 명세서와 같은 반구조화된 문서를 생성하면 비즈니스 프로세스 속도가 빨라지고 일부 비즈니스 용어를 프로그래밍 방식으로 표준화하는 데 도움이 될 수 있지만 이 프로세스에는 많은 유연성과 감독이 필요할 것으로 예상됩니다.
AI가 아이디어 브레인스토밍, 카피 작성, 이미지 생성 또는 디자인을 도와줄 수 있도록 전체 글쓰기 과정을 AI에 맡길 필요는 없습니다. 곧 Office 365와 Google Docs를 통해 생성 AI에 문서, 이메일, 슬라이드쇼를 생성하도록 요청할 수 있게 될 것이므로, 콘텐츠를 다른 사람과 공유하기 전에 이 콘텐츠의 정확성을 확인하는 방법에 대한 정책을 마련해야 합니다. 마찬가지로, 모니터링할 수 있는 보다 제한된 작업과 내부 사용부터 시작해야 합니다.
제너레이티브 AI는 이메일이나 Salesforce, Zoho 또는 Dynamics 365와 같은 CRM에서 플랫폼의 일부로 또는 타사 구현을 통해 고객 지원 이메일, 감사 메모, 물류 문제 알림에 작성할 내용을 제안할 수 있습니다. 도구. AI를 마케팅에 활용하는 것에 대한 관심도 크지만 브랜드 리스크도 있습니다. 보내기를 클릭하기 전의 최종 버전이 아니라 단순히 시작하기 위한 방법으로 이러한 옵션을 생각해야 합니다.
AI로 생성된 텍스트는 완벽하지 않을 수 있지만 채워야 할 공백이 많다면 아무것도 없는 것보다는 낫습니다. 예를 들어, Shopify Magic은 제품에 대한 자세한 기본 정보를 가져와 온라인 매장에 대한 SEO에 맞춰 일관되게 조정된 제품 설명을 작성할 수 있으며, 일부 콘텐츠가 있으면 이를 개선할 수 있습니다. 또한 Reddit과 LinkedIn은 Azure Vision Services를 사용하여 사용자가 이 콘텐츠를 직접 추가하지 않을 때 접근성을 향상시키기 위해 이미지에 대한 캡션과 대체 텍스트를 만듭니다. 대규모 교육 비디오 라이브러리가 있는 경우 자동으로 생성된 요약을 통해 직원이 시간을 최대한 활용하는 데 도움이 될 수 있습니다. 텍스트에서 이미지를 생성하는 것은 매우 강력하며 Microsoft Designer 앱과 같은 도구를 사용하면 Discord 서버를 사용하여 Midjourney에 액세스하는 것을 꺼리고 Photoshop을 사용할 전문 지식이 없는 비즈니스 사용자의 손에 이미지 전파 모델을 제공할 수 있습니다. . 안정적인 확산 플러그인. 그러나 딥페이크와 언캐니 밸리 효과부터 훈련 데이터의 출처, 유명 아티스트의 작품을 무료로 사용하는 윤리에 이르기까지 AI가 생성한 이미지를 둘러싼 논란도 있습니다. 조직에서는 명백한 함정을 피하기 위해 생성된 이미지 사용에 관해 매우 명확한 정책을 갖고 싶어합니다.
보시다시피, 고객 지원과 소매부터 물류 및 법률 서비스까지 큐레이션을 위한 신뢰할 수 있는 정보 소스를 활용하려는 모든 상호 작용에서 생성 AI를 활용할 수 있는 기회가 있습니다.
제너레이티브 AI를 책임감 있게 사용하려면 오류와 허위를 찾아 수정하는 기술을 갖춘 전문가가 출력을 생성하는 비고객 시나리오에 대한 분류, 요약, 텍스트 생성과 같은 자연어 처리부터 시작하세요. 전문가가 검토를 진행하고, 단순히 제안을 받아들이는 것이 아니라 프로세스를 보다 쉽고 자연스럽게 만드는 인터페이스가 있어야 합니다. 사람의 개입을 건너뛰어 시간과 비용을 절약하고 싶은 유혹이 있지만, 생성된 콘텐츠가 부정확하거나 무책임하거나 모욕적일 경우 비즈니스에 심각한 피해를 줄 수 있습니다.
많은 조직에서는 경쟁업체에 도움이 될 수 있는 모델에 데이터가 유출되는 것을 걱정합니다. Google, Microsoft, OpenAI는 모두 데이터 사용 정책을 발표했으며 기업에서 사용하는 데이터와 힌트는 각 고객에게 제공되는 핵심 모델이 아닌 모델 교육에만 사용된다고 밝혔습니다. 그러나 직원이 공개 생성 AI 도구에 복사할 수 있는 정보에 대한 지침은 여전히 남아 있습니다.
제조사에서는 사용자가 모델 입력 및 출력에 대한 소유권을 갖는다고 명시합니다. 이는 이론상으로는 좋은 생각이지만 저작권 및 표절 문제와 관련하여 생성 AI의 복잡성을 반영하지 않을 수 있으며 ChatGPT와 같은 모델에는 인용 콘텐츠가 포함되지 않습니다. , 따라서 생성 AI가 반환한 텍스트 내용이 올바른지 아니면 다른 사람의 내용을 복사했는지 알 수 없습니다. 의역은 엄밀히 말하면 표절은 아니지만, 다른 사람의 독창적인 아이디어나 통찰력을 훔치는 것은 어떤 비즈니스에도 좋지 않습니다.
조직이 AI 활용 능력을 개발하고 직원들이 생성 AI의 결과를 사용하고 평가하는 데 익숙해지는 것도 중요합니다. 중요하지 않은 영역에서 작게 시작하고 효과가 있는 영역에서 배워야 한다는 것을 기억하세요.
위 내용은 책임 있는 생성 AI 기술을 직장에 적용하는 5가지 방법을 사용해 보겠습니다.의 상세 내용입니다. 자세한 내용은 PHP 중국어 웹사이트의 기타 관련 기사를 참조하세요!
![[웹 프런트엔드] Node.js 빠른 시작](https://img.php.cn/upload/course/000/000/067/662b5d34ba7c0227.png)
