5 Cara untuk menghiburkan AI Prediktif dan Generatif AI

Penyelesaiannya? Generatif AI (genai) dan AI ramalan dapat meningkatkan keupayaan masing -masing.

Genai berjuang dengan kebolehpercayaan. Sebagai contoh, walaupun hampir tiga perempat peguam berhasrat untuk menggunakan Gue dalam kerja mereka, alat AI mereka mengalami halusinasi sekurang-kurangnya satu keenam masa.

AI ramalan, sebaliknya, menghadapi cabaran dalam kebolehgunaan. Walaupun kejayaannya yang lama dalam meningkatkan operasi perniagaan berskala besar, ia hanya mengetuk sebahagian kecil daripada potensinya kerana mengerahkannya memerlukan pihak berkepentingan untuk mempunyai pemahaman separa teknikal.

Kedua -dua jenis AI - pada dasarnya dua kategori kes penggunaan pembelajaran mesin - bersedia untuk menangani kekurangan masing -masing. Berikut adalah lima cara mereka boleh bekerjasama dengan berkesan.

1. Intervensi ramalan untuk genai

AI ramalan boleh mencapai apa yang mungkin tidak dapat dicapai: memenuhi janji autonomi yang bercita -cita tinggi Genai - atau sekurang -kurangnya sebahagian besarnya. Dengan mengenal pasti kes -kes yang memerlukan intervensi manusia, sistem genai yang tidak boleh dipercayai dapat memperoleh kepercayaan yang diperlukan untuk penempatan yang meluas.

Pertimbangkan sistem pertanyaan yang berpusat di Genai. Sistem sedemikian boleh dipercayai apabila terhad kepada menjawab soalan mengenai beberapa halaman maklumat, tetapi prestasi mereka dipersoalkan dalam sistem yang lebih luas. Katakan sistem adalah 95% boleh dipercayai, bermakna pengguna menerima maklumat yang salah atau bermasalah 5% dari masa itu. Ini sering menjadikannya tidak dapat dilaksanakan.

Penyelesaiannya terletak pada campur tangan ramalan. Jika AI ramalan mengenal pasti 15% kes yang paling mungkin bermasalah untuk semakan manusia, ini dapat mengurangkan kadar kandungan yang bermasalah yang mencapai pelanggan kepada 1% yang boleh diterima.

Untuk maklumat lanjut, lihat artikel Forbes ini, di mana saya menyelidiki lebih jauh ke dalam pendekatan ini.

Baki empat kaedah mengintegrasikan AI ramalan dan generatif masing-masing membantu dalam arah terbalik: genai membuat ramalan AI lebih mesra pengguna dan boleh diakses.

2. Pembantu chatbot untuk ramalan AI

Guean boleh diakses oleh semua orang, kerana ia bertindak balas terhadap arahan manusia, tetapi ramalan AI tidak mudah diakses oleh pengguna perniagaan purata. Untuk memanfaatkannya, profesional perniagaan memerlukan sokongan saintis data dan pemahaman separa teknikal tentang bagaimana model pembelajaran mesin meningkatkan operasi. Memandangkan pemahaman ini sering kurang, kebanyakan projek AI ramalan gagal digunakan - walaupun dengan saintis data yang ada.

Chatbot AI boleh merapatkan jurang ini. Dikonfigurasikan dengan betul, ia menyediakan pengguna perniagaan dengan saintis data maya dan mudah yang membimbing projek dan menjawab sebarang pertanyaan mengenai AI ramalan. Ia bertindak sebagai pembantu dan rakan kongsi pemikiran, menjelaskan, menjelaskan, dan mencadangkan, dan menjawab soalan yang tidak berkesudahan tanpa perasaan pengguna mereka mengganggu atau bertanya "soalan bodoh."

Sebagai contoh, untuk projek pemasaran menggunakan AI ramalan, saya meminta chatbot yang baik (dikuasakan oleh Model Bahasa Claude Sonnet 3 Anthropic) untuk menerangkan lengkung keuntungan "untuk seorang lelaki berusia 10 tahun menggunakan cerita." Ia bertindak balas dengan penerangan yang menawan dan mudah difahami tentang pulangan yang semakin berkurangan ketika memasarkan pendirian limun.

Untuk maklumat lanjut, lihat artikel Forbes ini, di mana saya meneroka penggunaan chatbot ini dengan lebih terperinci.

3. Pengekodan untuk ramalan AI

Cerita yang menarik. Walaupun menjadi saintis data selama lebih dari 30 tahun, tumpuan saya terhadap kepimpinan pemikiran telah menghalang saya dari amalan tangan selama sekian lama sehingga, sehingga baru-baru ini, saya tidak pernah menggunakan Scikit-learn, yang telah menjadi penyelesaian sumber terbuka untuk pembelajaran mesin.

Walau bagaimanapun, dalam era GueLy, bermula adalah sangat mudah. Saya hanya meminta LLM, "tulis kod python untuk menggunakan scikit-learn untuk memecah data ke dalam set latihan dan set ujian, melatih model hutan rawak, dan kemudian menilai model pada set ujian, untuk data latihan, muatkan file 'xyz.csv'.

Ia berfungsi. Selain itu, kod yang dihasilkan berfungsi sebagai tutorial untuk pelbagai kegunaan, menghapuskan keperluan saya untuk menyaring dokumentasi Scikit-learn (yang boleh membosankan!).

Untuk maklumat lanjut, pendekatan ini akan diliputi dalam bengkel latihan Minggu Pembelajaran Mesin, "Automating Bangunan Model Ramalan: AI AI Predictive AI," yang dijadualkan pada 5 Jun, 2025.

4. Menjana ciri ramalan

Memandangkan LLMS cemerlang dalam memproses bahasa manusia-bidang pemprosesan bahasa semulajadi dan juga dikenali sebagai pemprosesan data yang tidak berstruktur-mereka mungkin mengatasi kaedah pembelajaran mesin standard untuk tugas-tugas intensif bahasa tertentu, seperti mengesan maklumat salah atau menganalisis sentimen ulasan dalam talian.

Untuk membuat konsep bukti, kami menggunakan projek Stanford yang menguji pelbagai LLM pada tanda aras yang berbeza, termasuk satu yang mengukur seberapa kerap model dapat menentukan sama ada pernyataan yang diberikan adalah benar atau palsu. Di bawah andaian perniagaan tertentu, keupayaan pengesanan yang terhasil terbukti berharga, seperti yang terperinci dalam artikel Forbes ini.

Lebih luas, bukannya berfungsi sebagai model ramalan yang lengkap, LLM mungkin lebih sesuai untuk kejuruteraan ciri - menukar medan data yang tidak berstruktur ke dalam ciri -ciri yang boleh digunakan sebagai input untuk model ramalan. Sebagai contoh, Dataiku membolehkan pengguna (biasanya saintis data) untuk memilih mana yang akan digunakan dan tugas apa yang hendak dilakukan, seperti analisis sentimen. Satu lagi contoh ialah Clay, yang menghasilkan input model baru dari seluruh web menggunakan LLM. Selama beberapa dekad, NLP telah digunakan untuk mengubah data tidak berstruktur ke dalam data berstruktur yang kemudiannya boleh digunakan oleh kaedah pembelajaran mesin standard. LLMS mewakili bentuk NLP yang lebih maju untuk tujuan ini.

5. Model pangkalan data yang besar

Walaupun LLM telah membuat gelombang, satu lagi trend AI yang muncul secara senyap -senyap mendapat daya tarikan: model pangkalan data yang besar.

LDMS melengkapkan LLM dengan memanfaatkan sumber data utama lain di dunia: pangkalan data perusahaan. Daripada mengetuk kekayaan penulisan manusia yang luas seperti buku, dokumen, dan web itu sendiri -seperti yang dilakukan oleh LLMS -LDMS menggunakan data tabular syarikat.

Swiss Mobiliar, syarikat insurans swasta tertua Switzerland, menggunakan LDMS untuk memacu projek AI ramalan. Sistem mereka memberitahu kakitangan jualan kemungkinan menutup pelanggan baru, yang membolehkan mereka menyesuaikan petikan insurans yang dicadangkan dengan sewajarnya. Sistem yang dikerahkan mengakibatkan peningkatan jualan yang ketara.

Swiss Mobiliar akan membentangkan hasil ini pada Minggu Pembelajaran Mesin 2025. Untuk butiran lanjut, lihat juga artikel Forbes saya pada model pangkalan data yang besar.

Hibrid AI sebagai penawar kepada gembar -gembur AI

Ramalan Ai dan Guei adalah saling bergantung. Mengintegrasikan kedua -duanya akan menyelesaikan isu masing -masing, mengembangkan ekosistem alat dan pendekatan yang tersedia kepada pengamal AI, dan menyatukan apa yang kini menjadi bidang yang berpecah menjadi lebih kohesif.

Paling penting, pendekatan hibrid ini akan mengutamakan nilai AI atas gembar-gembur AI dengan memberi tumpuan kepada hasil projek dan bukannya merawat pendekatan teknikal tunggal sebagai penyembuhan.

Dalam beberapa minggu, saya akan menyampaikan alamat keynote mengenai topik ini, "Lima Cara untuk Menghiburkan AI Ramalan dan Generatif," pada Minggu Pembelajaran Mesin, 2-5 Jun, 2025, di Phoenix, AZ. Sebagai tambahan kepada keynote saya, persidangan itu akan menampilkan keseluruhan sesi sesi mengenai bagaimana organisasi menggunakan pendekatan hibrid tersebut. Anda juga boleh melihat arkib persembahan mengenai topik ini yang saya berikan pada acara dalam talian ini.

Atas ialah kandungan terperinci 5 Cara untuk menghiburkan AI Prediktif dan Generatif AI. Untuk maklumat lanjut, sila ikut artikel berkaitan lain di laman web China PHP!