Cara mengurus AI generatif

Inti AI generatif terletak pada data. Data bukan sahaja memberikan AI generatif keupayaan untuk memahami dan menganalisis dunia di sekelilingnya, tetapi juga memperkasakan potensi transformatifnya. Untuk berjaya dalam bidang AI generatif, syarikat perlu mengurus dan menyediakan data dengan berkesan.

Untuk berjaya membina dan mengendalikan perkhidmatan AI berskala besar dan menyokong projek AI generatif, anda perlu memastikan anda melakukan kerja rumah anda mengenai penyediaan data dan menggunakan strategi pembiayaan yang bijak dan mampan. Langkah yang perlahan dan pendekatan sokongan yang semakin berkurangan tidak akan membawa kepada kelebihan dalam kecerdasan buatan. Oleh itu, di samping memperluaskan skala perkhidmatan AI, ia juga perlu memastikan sumber pembiayaan yang stabil untuk projek untuk menggalakkan pembangunan jangka panjang dan inovasi berterusan.

Jika kami tidak menambah baik cara kami mengurus data, atau gagal mengambil pendekatan yang betul untuk menangani isu penskalaan dan kawalan kos, potensi besar AI generatif akan sia-sia. Berikut ialah beberapa pemikiran tentang cara kami boleh meningkatkan pendekatan kami terhadap pengurusan data dan menyokong projek AI generatif dalam jangka panjang.

1. Dari mana datangnya data

Data wujud dalam pelbagai bentuk, jika digunakan dengan betul, setiap bentuk data boleh meningkatkan kekayaan dan kualiti cerapan AI.

Borang pertama ialah data berstruktur, yang disusun secara teratur, teratur dan konsisten serta termasuk item seperti maklumat produk, demografi pelanggan atau tahap inventori. Jenis data ini menyediakan pangkalan fakta tersusun yang boleh ditambah pada projek AI generatif untuk meningkatkan kualiti respons.

Selain itu, anda mungkin mempunyai sumber data luaran yang melengkapkan sumber data berstruktur dalaman anda, seperti laporan cuaca, harga saham atau aliran trafik, dsb. Data ini boleh membawa konteks dunia sebenar masa nyata kepada proses membuat keputusan dan menyepadukannya ke dalam projek boleh memberikan data berkualiti tinggi tambahan, tetapi mungkin tidak perlu menjana data ini sendiri.

Satu lagi set data biasa ialah data terbitan, yang meliputi data yang dibuat melalui analisis dan senario pemodelan. Cerapan sedemikian mungkin termasuk laporan niat pelanggan, ramalan jualan bermusim atau analisis segmen.

Bentuk data biasa terakhir ialah data tidak berstruktur, yang berbeza daripada laporan biasa atau penganalisis format data yang digunakan untuk jenis data ini termasuk format seperti imej, dokumen dan fail audio. Data ini menangkap nuansa komunikasi dan ekspresi manusia. Program AI Generatif selalunya berfungsi di sekitar imej atau audio, yang merupakan input dan output biasa untuk model AI generatif.

2. Untuk mencapai aplikasi AI generatif berskala besar

Semua set data yang pelbagai ini masing-masing wujud dalam persekitaran mereka sendiri. Untuk menjadikannya berguna untuk projek AI generatif, kuncinya ialah menjadikan landskap data yang pelbagai ini boleh diakses dalam situasi masa nyata. Dengan jumlah data berpotensi yang begitu besar yang terlibat, sebarang pendekatan mesti dapat menskalakan secara dinamik apabila permintaan berkembang dan mereplikasi data secara global, memastikan sumber dekat dengan pengguna apabila diminta, sekali gus mengelakkan masa henti dan mengurangkan kependaman dalam permintaan transaksi .

Selain itu, data ini juga perlu dipraproses supaya sistem AI generatif dapat menggunakannya dengan berkesan. Ini melibatkan penciptaan benam, yang merupakan nilai matematik, atau vektor, yang mewakili makna semantik. Pembenaman membolehkan sistem AI generatif melangkaui padanan teks tertentu dan sebaliknya menerima makna dan konteks yang dibenamkan dalam data. Tanpa mengira bentuk data asal, mencipta benam bermakna data boleh difahami dan digunakan oleh sistem AI generatif sambil mengekalkan makna dan konteksnya.

Dengan pembenaman ini, perniagaan boleh menyokong carian vektor atau hibrid merentas semua data mereka, sambil menggabungkan nilai dan makna. Keputusan ini kemudiannya dikumpul dan diserahkan kembali kepada model bahasa berskala besar (LLM) yang digunakan untuk menyepadukan hasil. Dengan menyediakan lebih banyak data daripada pelbagai sumber, dan bukannya bergantung semata-mata pada LLM itu sendiri, projek AI generatif anda boleh memberikan pengguna hasil yang lebih tepat dan mengurangkan risiko kandungan fiksyen.

Untuk mencapai ini dalam amalan, seni bina data asas yang betul mesti dipilih. Semasa proses ini, data harus dielakkan sebanyak mungkin dengan disebarkan dalam penyelesaian yang berbeza untuk membentuk tampalan berpecah-belah, kerana setiap penyelesaian sedemikian mewakili pulau data yang memerlukan sokongan, pertanyaan dan pengurusan jangka panjang. Pengguna seharusnya boleh bertanya soalan kepada LLM dengan cepat dan mendapatkan respons dengan cepat, dan bukannya menunggu beberapa komponen untuk bertindak balas dan keputusan mereka ditimbang mengikut model. Seni bina data bersatu harus menyediakan penyepaduan data yang lancar, membolehkan AI generatif menggunakan sepenuhnya keseluruhan spektrum data yang tersedia.

3. Kelebihan pendekatan modular

Untuk menskalakan pelaksanaan AI generatif, perlu ada keseimbangan antara mempercepatkan penerimaan dan mengekalkan kawalan aset kritikal. Mengambil pendekatan modular untuk membina ejen AI generatif boleh menjadikan proses ini lebih mudah kerana ia memecahkan proses pelaksanaan dan mengelakkan potensi kesesakan.

Sama seperti aplikasi reka bentuk perkhidmatan mikro dalam aplikasi, pendekatan modular kepada perkhidmatan AI juga menggalakkan amalan terbaik dalam reka bentuk aplikasi dan perisian, menghapuskan titik kegagalan dan menjadikan teknologi itu boleh diakses oleh lebih ramai pengguna berpotensi . Pendekatan ini juga memudahkan untuk memantau prestasi ejen AI di seluruh perusahaan, menentukan dengan lebih tepat tempat masalah berlaku.

Manfaat pertama modulariti ialah kebolehtafsiran, memandangkan komponen yang terlibat dalam sistem AI generatif dipisahkan antara satu sama lain, menjadikannya lebih mudah untuk menganalisis cara ejen beroperasi dan membuat keputusan. AI sering dilihat sebagai "kotak hitam," dan modulariti menjadikannya lebih mudah untuk menjejak dan mentafsir keputusan.

Faedah kedua ialah keselamatan, kerana komponen individu boleh dilindungi dengan mekanisme pengesahan dan kebenaran yang optimum, memastikan hanya pengguna yang diberi kuasa boleh mengakses data dan fungsi sensitif. Modulariti juga memudahkan pematuhan dan tadbir urus, kerana maklumat pengenalan peribadi (PII) atau harta intelek (IP) boleh dijamin dan disimpan berasingan daripada LLM asas.

4. Menyediakan model pembiayaan yang fleksibel secara berterusan

Selain menggunakan pendekatan perkhidmatan mikro, minda platform harus diguna pakai dalam keseluruhan projek AI generatif. Ini bermakna menggantikan model pembiayaan projek perisian berasaskan projek tradisional dengan model yang menyediakan model pembiayaan yang berterusan dan fleksibel. Pendekatan ini memperkasakan peserta untuk membuat keputusan berasaskan nilai, bertindak balas terhadap peluang yang muncul dan membangunkan amalan terbaik tanpa dikekang oleh kitaran pembiayaan yang tegar atau kes perniagaan.

Menguruskan belanjawan dengan cara ini juga menggalakkan pembangun dan pasukan perniagaan untuk melihat AI generatif sebagai sebahagian daripada infrastruktur sedia ada organisasi, menjadikannya lebih mudah untuk melancarkan puncak dan lembah perancangan beban kerja dan memudahkan untuk bertindak berdasarkan "kecemerlangan Pendekatan "pusat" dan mengekalkan konsistensi dalam jangka masa panjang.

Pendekatan yang sama adalah untuk menganggap AI generatif sebagai produk yang dikendalikan oleh syarikat itu sendiri, bukannya sebagai perisian tulen. Ejen AI harus diuruskan sebagai produk, kerana ini lebih berkesan mencerminkan nilai yang mereka cipta dan menjadikan sumber sokongan untuk penyepaduan, alatan dan petua lebih mudah didapati. Memudahkan model ini membantu menyebarkan pemahaman tentang AI generatif ke seluruh organisasi, menggalakkan penggunaan amalan terbaik dan mewujudkan budaya kepakaran dan kerjasama yang dikongsi dalam pembangunan AI generatif.

AI Generatif mempunyai potensi yang besar, dan syarikat berlumba-lumba untuk melaksanakan alat, ejen dan isyarat baharu dalam operasi mereka. Walau bagaimanapun, memindahkan projek berpotensi ini ke dalam pengeluaran memerlukan pengurusan data yang berkesan, asas untuk menskala sistem dan model belanjawan disediakan untuk menyokong pasukan. Memperbetulkan proses anda dan memberi keutamaan akan membantu anda dan pasukan anda membuka kunci potensi transformatif teknologi ini.

Alamat rujukan: https://www.infoworld.com/article/3713461/how-to-manage-generative-ai.html