Generativ AI Framgång: Tekniken Bakom Genombrottet!

Förändringshantering som omfattar människor, processer och teknik är en kritisk del för att lyckas med generativ AI (genAI). I tidigare artiklar har vi behandlat den mänskliga aspekten och hur man anpassar processerna; här ska vi titta på den tredje: tekniken.

En sammanfattning: En tillväxtinriktad mentalitet och den kognitiva värdekedjan

Eftersom användningen av teknik är ett medel för att uppnå ett mål snarare än ett mål i sig, kommer här en sammanfattning av nycklarna till att uppnå fantastiska resultat genom att använda en vinnande genAI-infrastruktur och arkitektur.

Med människor är målet att inspirera till en tillväxtinriktad mentalitet gentemot genAI, precis som de skulle göra med alla nya verktyg eller tekniker (som ett kalkylblad eller en “blameless post mortem”). Men med genAI bör de sträva efter att bli bäst på förstärkning (“det var ett smart sätt att använda det”) och utmärkt förstärkning (“jag är verkligen glad att vi gjorde det”). Denna inställning kräver utbildning och stöd för att säkerställa att medarbetarna känner sig bekväma med att använda genAI och förstår dess potential. Det är också viktigt att skapa en kultur där experimentering och misslyckanden är tillåtna, eftersom det kan hjälpa medarbetarna att lära sig och förbättra sin användning av genAI. Att aktivt uppmuntra till feedback och dela bästa praxis kan också bidra till att sprida kunskap och förbättra resultaten.

Med processer är målet att utvecklas mot ett “nytt normalt” sätt att arbeta där en kognitiv värdekedja gör det möjligt för kunskap att genomsyra arbetsflöden, i takt och skala, för att minska fel. Det är konceptuellt likt hur företag utvecklade digitala värdekedjor som gjorde det möjligt för data att genomsyra digitala upplevelser, i takt och skala, för att öka deras värde. Implementering av genAI kräver en genomgång av befintliga processer för att identifiera områden där genAI kan göra förbättringar. Detta kan innebära att man automatiserar repetitiva uppgifter, förbättrar beslutsfattandet eller skapar nya sätt att interagera med kunder. Det är viktigt att involvera medarbetare från olika avdelningar i denna process för att säkerställa att de förändrade processerna är praktiska och effektiva. Dessutom bör företag införa mekanismer för att övervaka och utvärdera prestandan hos genAI-drivna processer, så att de kan justeras efter behov.

Vårt mål här är att peka dig mot teknik som alltid hjälper, aldrig snubblar och aldrig står i vägen. Denna typ av teknik ska vara integrerad i en robust infrastruktur som kan hantera de datavolymer och komplexa algoritmer som krävs för genAI. Detta kan innebära att man investerar i kraftfulla beräkningsresurser, som molnbaserade lösningar eller specialiserad hårdvara som GPU:er (Graphics Processing Units). Det är också viktigt att välja en plattform som erbjuder de verktyg och ramverk som krävs för att utveckla, distribuera och hantera genAI-modeller. Dessutom måste företag prioritera datasäkerhet och efterlevnad för att skydda känslig information och säkerställa ansvarsfull användning av AI.

Tillgång till rätt data

Låt oss börja med att fastställa vad det innebär genom att använda ett konkret exempel som sannolikt kommer att bli en allestädes närvarande användning av genAI i stora företag.

Teresa Heitsenrether, JPMorgans chef för data och analys, berättade för en reporter från Wall Street Journal när hon tillfrågades om hur genAI kommer att förändra arbetet på JPMorgan: “Tänk på alla ställen i banken där människor förbereder sig för att gå och prata med sina kunder. Idag har du arméer av människor som springer runt, sammanställer briefingmemorandum och ser till att alla är förberedda. Detta är ett bra sätt att snabbare kunna sammanställa dessa saker. Vi ser det inom juridik, på alla ställen där du har massor av dokument, massor av information att sålla igenom.” Detta illustrerar hur genAI kan strömlinjeforma arbetsflöden och minska tiden som läggs på manuella uppgifter. Liknande applikationer kan hittas inom hälso- och sjukvård, där genAI kan hjälpa läkare att analysera medicinska journaler och forskningsartiklar för att fatta mer informerade behandlingsbeslut, eller inom tillverkningsindustrin, där genAI kan optimera produktionsprocesser och förutsäga utrustningsfel.

“Off the rack” kan en LLM-driven genAI-app som ChatGPT Enterprise hjälpa alla användare som kan skapa en prompt och infoga dokument i dess kontextfönster. Men med viktiga, pågående arbetsflöden som att förbereda sig för kundmöten, säljsamtal eller kontraktsförhandlingar är det inte vettigt att individer “slumpmässigt” kopierar och klistrar in från 17 olika datakällor. Detta understryker behovet av integrerade och skräddarsydda lösningar som kan komma åt och analysera data från olika källor på ett organiserat och effektivt sätt. Att integrera genAI i befintliga system kräver noggrann planering och genomförande. Detta kan innebära att man utvecklar API:er (Application Programming Interfaces) som gör det möjligt för genAI-modeller att komma åt data från olika databaser och applikationer. Det är också viktigt att ta itu med problem med datakvalitet och konsistens för att säkerställa att genAI-modeller får korrekt och tillförlitlig information.

Du vill att dina genAI-apputvecklare ska kunna bygga in tillgång till rätt datakällor i skräddarsydda företagsappar, vilket vi representerar med diagrammet nedan. Poängen är enkel: rikare kontext betyder bättre resultat och större genomslag. Till exempel kan en detaljhandelskedja använda genAI för att analysera kunddata från försäljningstransaktioner, lojalitetsprogram och sociala medier för att skapa personliga marknadsföringskampanjer. Genom att ha tillgång till en mängd olika datakällor kan genAI-modellen identifiera trender och mönster som skulle vara svåra att upptäcka manuellt, vilket leder till effektivare marknadsföring och ökad försäljning. På liknande sätt kan ett finansiellt institut använda genAI för att upptäcka bedrägerier genom att analysera transaktionsdata, kundprofiler och historiska bedrägerifall. Genom att kombinera information från olika källor kan genAI-modellen identifiera misstänkta aktiviteter och varna utredare, vilket minskar ekonomiska förluster och skyddar kundernas tillgångar.

DataStax Agency och orkestrering

Men det finns en extra twist med genAI. Traditionella appar kan inte visa någon “agency” utöver de datakällor och frågor som är hårdkodade i dem. genAI, å andra sidan, kan välja att använda verktyg och API:er som den har fått tillgång till. Därför måste utvecklarverktygslagret också innehålla element av orkestrering, ett koncept som vi representerar med nästa diagram nedan. Detta innebär att genAI-modeller kan initiera åtgärder som att skicka e-postmeddelanden, skapa uppgifter eller uppdatera databaser baserat på sin analys av data. Denna förmåga kan användas för att automatisera komplexa arbetsflöden och förbättra effektiviteten i olika affärsprocesser.

Det handlar inte bara om att ta fram allt som finns i din datamiljö, utan också vad som kan vara relevant utöver det. Detta kräver en plattform som stöder sömlös integration med olika externa system och datakällor. Det är också viktigt att ha ett ramverk för att hantera åtkomstkontroller och säkerställa att genAI-modeller bara kan komma åt data och verktyg som de har behörighet att använda. Genom att integrera orkestrering i utvecklarverktygslagret kan företag skapa mer intelligenta och autonoma applikationer som kan anpassa sig till förändrade förhållanden och optimera resultat. Läs mer om Generativ AI-implementation.

Till exempel: om en ärendehanteringsdatabas är systemet som används för kundsupport, men ett ärende slutar med “låt oss ta den här konversationen över till Slack”, kan genAI-appen vara utrustad för att följa spåret. Eller om AI hittar motstridiga data från interna källor om en kunds affärsmått som är tillgängliga från en högkvalitativ källa som Dun & Bradstreet, kan den ta upp frågan och be om tillåtelse att ringa samtalet. Denna förmåga att komma åt och analysera data från olika källor gör att genAI kan ge mer omfattande och korrekta insikter. Genom att integrera genAI med kommunikationskanaler som Slack kan företag skapa mer personliga och effektiva kundsupportupplevelser. GenAI kan också användas för att automatiskt lösa ärenden som kan hanteras utan mänsklig inblandning, vilket frigör resurser för mer komplexa problem. Dessutom kan genAI ge säljteam värdefull information om kundprospekt genom att analysera data från externa källor som Dun & Bradstreet, vilket hjälper dem att prioritera leads och anpassa sina säljsamtal.

DataStax

Slutligen, för allt mänskligt beteende som genAI kan uppvisa, är en genAI-app fortfarande beroende av “matte” under huven för att hitta den mest relevanta kontexten. Och även om vektorsökning är obligatoriskt för genAI-appar, vet vi att hybrida söktillvägagångssätt som att kombinera vektorsökning (för semantisk förståelse) och lexikalisk sökning (för exakt nyckelordsmatchning) kan förbättra resultaten. Detta understryker vikten av att använda sofistikerade algoritmer och tekniker för att säkerställa att genAI-modeller kan identifiera och hämta den mest relevanta informationen från stora datamängder. Vektorsökning är en teknik som representerar data som vektorer i ett högdimensionellt utrymme, vilket gör det möjligt att hitta liknande objekt baserat på deras närhet i vektorrymden. Lexikalisk sökning, å andra sidan, förlitar sig på nyckelordsmatchning för att hitta dokument som innehåller specifika termer. Genom att kombinera dessa två tillvägagångssätt kan företag uppnå mer exakta och relevanta sökresultat.

Så vad vi kallar ett kunskapslager sätts in för att ge fullständiga multimodala sökfunktioner utöver de SQL-frågor som brukade vara den dominerande länken mellan dina utvecklare och dina data. Detta kunskapslager fungerar som en centraliserad lagringsplats för information som kan nås och användas av olika genAI-modeller. Det kan innehålla strukturerade data, ostrukturerade data och semantisk information, vilket gör det möjligt för genAI-modeller att resonera och dra slutsatser baserat på en bredare kontext. Kunskapslagret kan också uppdateras kontinuerligt med ny information, vilket säkerställer att genAI-modellerna alltid har tillgång till den senaste och mest relevanta kunskapen. Detta kan vara särskilt användbart i branscher som hälso- och sjukvård eller finans, där information snabbt kan förändras och det är viktigt att ha tillgång till den mest uppdaterade kunskapen. Se Är Vibe Coding Framtiden? AI Revolutionerar Mjukvaruutveckling!.

DataStax

Byggstenarna för AI-framgång

Sammantaget kommer dessa tre förändringar – ostrukturerade data blir en förstklassig medborgare i datalagret; lägga till orkestrering och dataåtkomstfunktioner på utvecklarverktygslagret; och det nya kunskapslagret – att ligga till grund för vinnande processer för att utnyttja genAI och ställa in människor (både slutanvändare och utvecklare) för framgång med det. Genom att hantera ostrukturerade data lika väl som strukturerade data kan företag utnyttja värdefull information som tidigare var otillgänglig. Genom att lägga till orkestrering och dataåtkomstfunktioner på utvecklarverktygslagret kan företag skapa mer flexibla och anpassningsbara applikationer. Och genom att skapa ett kunskapslager kan företag se till att deras genAI-modeller har tillgång till den senaste och mest relevanta informationen. Dessa tre förändringar, kombinerade med en tillväxtinriktad mentalitet och en kognitiv värdekedja, kommer att hjälpa företag att frigöra den fulla potentialen i genAI och uppnå betydande förbättringar av sina affärsprocesser. Läs mer om GenAI i företag.

Slutligen är det viktigt att komma ihåg att genAI inte är en magisk lösning. Det är ett verktyg som måste användas strategiskt och ansvarsfullt. Företag måste ha en tydlig förståelse för sina affärsmål och hur genAI kan hjälpa dem att uppnå dessa mål. De måste också vara medvetna om de potentiella riskerna och utmaningarna som är förknippade med genAI, såsom dataskydd, partiskhet och brist på transparens. Genom att ta ett proaktivt och ansvarsfullt tillvägagångssätt kan företag säkerställa att de får ut det mesta av sin investering i genAI och använder den för att skapa värde för sina kunder och intressenter.

Ytterligare punkter att beakta:

• Etik och Bias: Utveckla och distribuera genAI-modeller etiskt. Minska partiskhet i data och algoritmer för att undvika diskriminerande resultat. Implementera transparensmekanismer så att användare kan förstå hur AI-drivna beslut fattas. Det är viktigt att skapa ramverk för att säkerställa att genAI används etiskt och ansvarsfullt. Detta kan innebära att man skapar riktlinjer för datainsamling, algoritmutveckling och beslutsfattande. Företag bör också ta hänsyn till den potentiella påverkan av genAI på olika grupper av människor och vidta åtgärder för att minska eventuella negativa konsekvenser. Läs mer om Datasekretess och AI.
• Kompetensutveckling och omskolning: Investera i utbildning och omskolning för att hjälpa medarbetare att anpassa sig till AI-drivna roller. Betona vikten av kontinuerligt lärande och utveckla kompetenserna som krävs för att arbeta med och dra nytta av genAI-teknik. Implementera program för att identifiera och åtgärda kompetensluckor i organisationen. Detta kan innebära att man erbjuder utbildning i AI-relaterade ämnen, skapar möjligheter för medarbetare att arbeta med genAI-projekt och ger mentorskap och coaching. Det är också viktigt att skapa en kultur som värdesätter lärande och uppmuntrar medarbetare att hålla sig uppdaterade om de senaste framstegen inom AI.
• Integration med befintliga system: Säkerställ en sömlös integration av genAI-lösningar med befintliga IT-infrastrukturer och arbetsflöden. Utveckla öppna API:er och standardiserade protokoll för att underlätta interoperabilitet och datautbyte. Prioritera kompatibilitet och minska störningar under implementeringsprocessen. Detta kräver noggrann planering och samordning mellan olika avdelningar i organisationen. Det är också viktigt att välja en plattform som stöder integration med de system som organisationen redan använder.
• Mätning av ROI och nyckeltal: Etablera tydliga nyckeltal (KPI:er) för att spåra och mäta påverkan av genAI-initiativ. Övervaka viktiga mätvärden som effektivitet, noggrannhet, kundnöjdhet och kostnadsbesparingar. Analysera data regelbundet för att identifiera områden för förbättring och optimera AI-strategier. Detta hjälper företag att förstå värdet av sin investering i genAI och att göra datadrivna beslut om hur de ska använda tekniken.
• Säkerhet och dataskydd: Implementera robusta säkerhetsåtgärder för att skydda känslig data som används i genAI-modeller. Se till att efterlevnaden av relevanta dataskyddsbestämmelser och integritetsprinciper. Implementera åtkomstkontroller, kryptering och anonymiseringstekniker för att skydda data från obehörig åtkomst och missbruk. Detta är avgörande för att bygga förtroende med kunder och intressenter.

Genom att ta itu med dessa aspekter och följa de riktlinjer som beskrivs i artikeln kan företag maximera potentialen i genAI och uppnå betydande förbättringar av sina affärsprocesser och resultat.

Om Bryan Kirschner:

Bryan är Vice President, Strategy på DataStax. I mer än 20 år har han hjälpt stora organisationer att bygga och genomföra strategier när de söker nya vägar framåt och en framtid som skiljer sig väsentligt från deras förflutna. Han är specialiserad på att avlägsna rädsla, osäkerhet och tvivel från strategiskt beslutsfattande genom empiriska data och marknadskännedom.

Relaterat innehåll

• Molnsäkerhet Maskinidentiteter: Är vi redo för attackerna?
• MetaAI i EU: Kommer det någonsin att godkännas? En kritisk analys
• Generativ AI Programmering: Revolution eller Överhypad Trend?
• Fantastiskt! Kvantresistent Kryptering Revolutionerar Datasäkerheten!
• OpenTofu: En fantastisk framgångssaga! Vad gör det så bra?
• Chockaffären! Google köper Wiz Cybersäkerhet – Överilning?
• Skydda dina prylar under Holi 2025! Bästa tipsen och tricken!
• Fantastiska Nyheter! Nya Öppen Källkod AI Utvecklingsverktyg Lanseras!
• Fantastiska MSN Webbportal: En Resa Genom Tiden!
• Läs mer om AI-teknik och algoritmer.
• Mer om GenAI i utbildning.