Zmiana w zarządzaniu obejmująca ludzi, procesy i technologie jest kluczowym elementem sukcesu generatywnej sztucznej inteligencji (genAI). W poprzednich artykułach omówiliśmy element ludzki i sposoby adaptacji procesów; tutaj przyjrzymy się trzeciemu elementowi: technologii.
Powtórka: Nastawienie na rozwój i łańcuch wartości poznawczej
Ponieważ wdrażanie technologii jest środkiem do celu, a nie celem samym w sobie, oto podsumowanie kluczy do osiągnięcia wspaniałych wyników poprzez wdrożenie zwycięskiej infrastruktury i architektury genAI. W przypadku ludzi celem jest inspirowanie nastawienia na rozwój w kierunku genAI, podobnie jak traktowaliby każde nowe narzędzie lub technikę (takie jak arkusz kalkulacyjny lub konstruktywne wnioski po awarii). Ale w przypadku genAI powinni dążyć do doskonałości w augmentacji („to był sprytny sposób na jego wykorzystanie”) i doskonałej augmentacji („naprawdę się cieszę, że to zrobiliśmy”). W przypadku procesów celem jest ewolucja w kierunku „nowej normalności” pracy, w której łańcuch wartości poznawczej umożliwia wprowadzanie wiedzy do przepływów pracy, w szybkim tempie i na dużą skalę, w celu zmniejszenia liczby błędów. Jest to koncepcyjnie podobne do sposobu, w jaki przedsiębiorstwa rozwijały cyfrowe łańcuchy wartości, które umożliwiały wprowadzanie danych do doświadczeń cyfrowych, w szybkim tempie i na dużą skalę, w celu zwiększenia ich wartości. Naszym celem tutaj jest wskazanie technologii, która zawsze pomoże, nigdy się nie potknie i nigdy nie stanie na drodze.
W obecnej erze cyfrowej, gdzie dane napędzają większość decyzji biznesowych, generatywna sztuczna inteligencja staje się potężnym narzędziem. GenAI oferuje firmom możliwości transformacji, począwszy od automatyzacji procesów, po tworzenie spersonalizowanych doświadczeń klienta. Jednak klucz do sukcesu w wykorzystywaniu genAI leży w odpowiedniej technologii. Bez solidnej infrastruktury, odpowiedniego dostępu do danych i narzędzi deweloperskich, genAI może stać się kosztownym i nieefektywnym przedsięwzięciem. W tym kontekście, nastawienie na rozwój, o którym wspomina autor, jest kluczowe. Firmy muszą być otwarte na eksperymentowanie, uczenie się i iteracyjne wdrażanie rozwiązań opartych na genAI. Przykładem takiego podejścia może być firma farmaceutyczna, która początkowo wykorzystywała genAI do analizy danych klinicznych w celu przyspieszenia procesu odkrywania leków. Z czasem, dzięki ciągłemu eksperymentowaniu i doskonaleniu procesów, firma rozszerzyła wykorzystanie genAI na inne obszary, takie jak marketing i obsługa klienta.
Dostęp do właściwych danych
Zacznijmy od ustalenia, co to oznacza, używając konkretnego przykładu, który prawdopodobnie stanie się powszechnym zastosowaniem genAI w dużych przedsiębiorstwach. Oto, co Teresa Heitsenrether, dyrektor ds. danych i analiz w JPMorgan, powiedziała reporterowi Wall Street Journal, zapytana, jak genAI zmieni pracę w JPMorgan: „Pomyśl o każdym miejscu w banku, w którym ludzie przygotowują się do rozmowy z klientami. Dziś masz armie ludzi biegających, zbierających notatki informacyjne i upewniając się, że wszyscy są przygotowani. To świetny sposób na szybsze zbieranie tych rzeczy. Widzimy to w działach prawnych, w każdym miejscu, gdzie masz dużo dokumentów, dużo informacji do przesiewania.” Gotowa aplikacja genAI oparta na LLM, taka jak ChatGPT Enterprise, może pomóc każdemu użytkownikowi, który potrafi stworzyć prompt i wstawić dokumenty do okna kontekstowego. Ale w przypadku ważnych, ciągłych przepływów pracy, takich jak przygotowywanie się do spotkań z klientami, rozmów handlowych lub negocjacji umów, kopiowanie i wklejanie przez osoby fizyczne z 17 różnych źródeł danych po prostu nie ma sensu. Chcesz, aby programiści aplikacji genAI mogli wbudować dostęp do właściwych źródeł danych w dostosowane aplikacje korporacyjne. Wniosek jest prosty: bogatszy kontekst oznacza lepsze wyniki i większy wpływ.
Dostęp do danych jest fundamentalnym aspektem skutecznego wykorzystania genAI. Przykład JPMorgan Chase ilustruje, jak genAI może usprawnić proces przygotowywania się do spotkań z klientami, eliminując potrzebę ręcznego zbierania i analizowania danych z wielu źródeł. Jednak aby to było możliwe, konieczne jest zapewnienie dostępu do odpowiednich, aktualnych i spójnych danych. W przeciwnym razie, nawet najbardziej zaawansowany model genAI będzie generował nieprecyzyjne lub niekompletne informacje. Firmy muszą inwestować w infrastrukturę danych, która umożliwia integrację danych z różnych systemów, takich jak CRM, ERP, bazy danych klientów i inne źródła. Ponadto, ważne jest wdrożenie mechanizmów kontroli dostępu i zarządzania jakością danych, aby zapewnić, że tylko uprawnieni użytkownicy mają dostęp do odpowiednich danych, a same dane są dokładne i wiarygodne. Bez odpowiedniej strategii zarządzania danymi, genAI może stać się źródłem chaosu i błędnych decyzji. Według raportu McKinsey, firmy, które skutecznie zarządzają danymi, są o 23% bardziej rentowne niż te, które tego nie robią.
DataStax Agency i orkiestracja
Ale z genAI wiąże się dodatkowy zwrot akcji. Tradycyjne aplikacje nie mogą wykazywać żadnej agencji poza źródłami danych i zapytaniami w nich zakodowanymi. GenAI z drugiej strony może zdecydować się na korzystanie z narzędzi i API, do których ma dostęp. Tak więc warstwa narzędzi programistycznych musi również zawierać elementy orkiestracji. Chodzi o wykorzystanie nie tylko tego, co znajduje się w twoich zasobach danych, ale także tego, co może być istotne poza nimi. Na przykład: jeśli baza danych zgłoszeń jest systemem zapisu dla obsługi klienta, ale jedno zgłoszenie kończy się słowami „przenieśmy tę rozmowę na Slacka”, aplikacja genAI mogłaby być wyposażona w możliwość podążania śladem. Lub jeśli AI znajdzie sprzeczne dane ze źródeł wewnętrznych dotyczące wskaźników biznesowych klienta, które są dostępne z wysokiej jakości źródła, takiego jak Dun & Bradstreet, może przygotować problem i poprosić o pozwolenie na wykonanie połączenia.
W przeciwieństwie do tradycyjnych aplikacji, które są ograniczone do zaprogramowanych zapytań i źródeł danych, genAI ma zdolność do podejmowania decyzji i interakcji z różnymi narzędziami i interfejsami API. Ta zdolność do „orkiestracji” umożliwia genAI uzyskiwanie dostępu do danych i informacji z różnych źródeł, zarówno wewnętrznych, jak i zewnętrznych, w celu generowania bardziej kompleksowych i precyzyjnych wyników. Przykład z bazą danych zgłoszeń i rozmową na Slacku ilustruje, jak genAI może śledzić kontekst konwersacji i wykorzystywać informacje z różnych źródeł, aby lepiej zrozumieć potrzeby klienta. Inny przykład, wykorzystanie Dun & Bradstreet do weryfikacji danych biznesowych, pokazuje, jak genAI może poprawić jakość i wiarygodność generowanych informacji. Aby w pełni wykorzystać możliwości orkiestracji genAI, firmy muszą inwestować w platformy integracyjne i narzędzia API, które umożliwiają połączenie genAI z różnymi systemami i źródłami danych. Ponadto, ważne jest opracowanie jasnych zasad i procedur dotyczących dostępu do danych i wykorzystania narzędzi, aby zapewnić zgodność z przepisami i ochronę prywatności.
DataStax Wreszcie, mimo całego zachowania podobnego do ludzkiego umysłu, jakie może przejawiać genAI, aplikacja genAI nadal zależy od „matematyki” pod maską, aby znaleźć najbardziej odpowiedni kontekst.
I chociaż wyszukiwanie wektorowe jest stawką minimalną dla aplikacji genAI, wiemy, że hybrydowe podejścia do wyszukiwania, takie jak łączenie wyszukiwania wektorowego (dla semantycznego zrozumienia) i wyszukiwania leksykalnego (dla dokładnego dopasowania słów kluczowych), mogą poprawić wyniki. Tak więc to, co nazywamy warstwą wiedzy, jest wstawiane w celu zapewnienia pełnych, multimodalnych możliwości wyszukiwania wykraczających poza zapytania SQL, które kiedyś były dominującym połączeniem między programistami a danymi.
Nawet najbardziej zaawansowane modele genAI, które potrafią generować teksty, obrazy i inne treści, bazują na „matematyce” i algorytmach, aby znaleźć odpowiedni kontekst i generować spójne i trafne wyniki. Wyszukiwanie wektorowe, które umożliwia porównywanie znaczeń słów i fraz, jest kluczowym elementem skutecznego wykorzystania genAI. Jednak, jak zauważa autor, łączenie wyszukiwania wektorowego z wyszukiwaniem leksykalnym (dopasowywanie słów kluczowych) może jeszcze bardziej poprawić wyniki. Takie hybrydowe podejście pozwala na uwzględnienie zarówno semantycznego znaczenia, jak i dokładnego dopasowania słów kluczowych, co prowadzi do bardziej precyzyjnych i trafnych wyników wyszukiwania. Warstwa wiedzy, o której wspomina autor, to infrastruktura, która umożliwia przechowywanie, indeksowanie i wyszukiwanie danych w różnych formatach, takich jak tekst, obrazy, wideo i audio. Ta warstwa wiedzy jest niezbędna do zapewnienia genAI dostępu do szerokiego zakresu danych i informacji, co z kolei pozwala na generowanie bardziej kompleksowych i innowacyjnych wyników. Firmy muszą inwestować w platformy zarządzania wiedzą i narzędzia wyszukiwania, które umożliwiają indeksowanie i wyszukiwanie danych w różnych formatach i źródłach. Ponadto, ważne jest opracowanie strategii zarządzania metadanymi, aby zapewnić, że dane są odpowiednio opisane i skategoryzowane, co ułatwia ich wyszukiwanie i wykorzystanie przez genAI.
DataStax Elementy składowe sukcesu AI
Podsumowując, te trzy zmiany – niestrukturyzowane dane stają się pełnoprawnym obywatelem warstwy danych; dodawanie możliwości orkiestracji i dostępu do danych na warstwie narzędzi programistycznych; i nowa warstwa wiedzy – będą stanowić podstawę zwycięskich procesów wykorzystywania genAI i przygotują ludzi (zarówno użytkowników końcowych, jak i programistów) do sukcesu z nią. Dowiedz się więcej o DataStax i technologii, która pomoże w sukcesie genAI.
Podsumowując, skuteczne wdrożenie genAI zależy od trzech kluczowych elementów:
- Umożliwienie traktowania danych niestrukturyzowanych, takich jak tekst, obrazy i wideo, jako równoważnych danych strukturyzowanych w warstwie danych. Oznacza to, że firmy muszą inwestować w technologie, które umożliwiają przechowywanie, przetwarzanie i analizowanie danych niestrukturyzowanych w sposób efektywny i skalowalny.
- Dodanie możliwości orkiestracji i dostępu do danych na warstwie narzędzi programistycznych. Oznacza to, że programiści potrzebują narzędzi, które umożliwiają im łatwe integrowanie genAI z różnymi systemami i źródłami danych, a także automatyzowanie procesów i przepływów pracy.
- Stworzenie nowej warstwy wiedzy, która umożliwia przechowywanie, indeksowanie i wyszukiwanie danych w różnych formatach i źródłach. Ta warstwa wiedzy jest niezbędna do zapewnienia genAI dostępu do szerokiego zakresu informacji, co z kolei pozwala na generowanie bardziej kompleksowych i innowacyjnych wyników.
Firmy, które inwestują w te trzy elementy, będą lepiej przygotowane do wykorzystania potencjału genAI i osiągnięcia sukcesu w tej dziedzinie. DataStax, jako dostawca technologii do zarządzania danymi, oferuje rozwiązania, które mogą pomóc firmom w wdrożeniu tych trzech elementów i odblokowaniu pełnego potencjału genAI.
Realne Przykłady i Studia Przypadków
Rozważmy przykład firmy z branży e-commerce, która wykorzystuje genAI do personalizacji rekomendacji produktów. Początkowo firma wykorzystywała tradycyjne algorytmy rekomendacji, które bazowały na historii zakupów klientów i ich preferencjach. Jednak, dzięki wdrożeniu genAI i dostępowi do szerszego zakresu danych, takich jak dane demograficzne, dane behawioralne i dane z mediów społecznościowych, firma była w stanie generować bardziej spersonalizowane i trafne rekomendacje. W rezultacie, współczynnik konwersji wzrósł o 15%, a średnia wartość koszyka zakupowego wzrosła o 10%.
Innym przykładem może być firma z branży finansowej, która wykorzystuje genAI do wykrywania oszustw. Firma wdrożyła genAI, która analizuje transakcje w czasie rzeczywistym i identyfikuje podejrzane wzorce i anomalie. Dzięki temu, firma była w stanie zredukować liczbę fałszywych alarmów o 30%, a także wykryć oszustwa, które wcześniej były niezauważalne.
Te przykłady ilustrują, jak właściwa technologia i dostęp do odpowiednich danych mogą napędzać doskonałość genAI i przynosić realne korzyści biznesowe. Firmy, które inwestują w infrastrukturę danych, narzędzia deweloperskie i platformy zarządzania wiedzą, będą lepiej przygotowane do wykorzystania potencjału genAI i osiągnięcia przewagi konkurencyjnej.
Trendy Branżowe i Prognozy na Przyszłość
Rynek genAI rozwija się w dynamicznym tempie, a analitycy przewidują, że w najbliższych latach będzie on nadal rósł. Według raportu Gartnera, do 2025 roku ponad 50% przedsiębiorstw będzie wykorzystywać genAI w różnych obszarach działalności, takich jak marketing, sprzedaż, obsługa klienta i rozwój produktów.
Jednym z najważniejszych trendów w dziedzinie genAI jest rozwój modeli językowych, które są w stanie generować teksty, tłumaczenia i inne treści w sposób naturalny i płynny. Modele te są coraz bardziej zaawansowane i precyzyjne, co pozwala na ich wykorzystanie w coraz bardziej wymagających zastosowaniach.
Innym ważnym trendem jest rozwój platform genAI, które oferują firmom kompleksowe rozwiązania do tworzenia, wdrażania i zarządzania aplikacjami opartymi na genAI. Platformy te ułatwiają firmom integrację genAI z istniejącymi systemami i procesami, a także zapewniają narzędzia do monitorowania i optymalizacji wydajności genAI.
W przyszłości możemy spodziewać się dalszego rozwoju genAI, w tym:
- Poprawy wydajności i precyzji modeli genAI.
- Rozwoju nowych zastosowań genAI w różnych branżach.
- Zwiększenia dostępności genAI dla firm o różnej wielkości.
- Integracji genAI z innymi technologiami, takimi jak chmura obliczeniowa, Internet Rzeczy i blockchain.
Firmy, które chcą odnieść sukces w dziedzinie genAI, muszą być na bieżąco z najnowszymi trendami i technologiami, a także inwestować w infrastrukturę danych, narzędzia deweloperskie i platformy zarządzania wiedzą.
Alternatywne Perspektywy i Kontrargumenty
Chociaż genAI oferuje firmom ogromne możliwości, istnieją również pewne wyzwania i ograniczenia związane z jej wykorzystaniem. Jednym z najważniejszych wyzwań jest zapewnienie etycznego i odpowiedzialnego wykorzystania genAI. Modele genAI mogą być podatne na błędy, uprzedzenia i dezinformację, co może prowadzić do negatywnych konsekwencji dla ludzi i społeczeństwa.
Innym wyzwaniem jest koszt wdrożenia i utrzymania genAI. Modele genAI wymagają dużej mocy obliczeniowej i dużych ilości danych, co może być kosztowne dla firm. Ponadto, ważne jest zapewnienie odpowiedniego szkolenia i edukacji dla pracowników, aby mogli skutecznie wykorzystywać genAI w swojej pracy.
Niektórzy eksperci argumentują również, że genAI może prowadzić do utraty miejsc pracy, ponieważ automatyzuje zadania, które wcześniej wykonywali ludzie. Jednak, inni eksperci twierdzą, że genAI może również tworzyć nowe miejsca pracy, ponieważ wymaga specjalistów do tworzenia, wdrażania i zarządzania aplikacjami opartymi na genAI.
Ważne jest, aby firmy podchodziły do genAI z rozwagą i uwzględniały zarówno potencjalne korzyści, jak i potencjalne ryzyka związane z jej wykorzystaniem. Firmy powinny opracować jasne zasady i procedury dotyczące etycznego i odpowiedzialnego wykorzystania genAI, a także inwestować w szkolenie i edukację dla pracowników, aby mogli skutecznie wykorzystywać genAI w swojej pracy.
Podsumowanie
Generatywna sztuczna inteligencja (genAI) ma potencjał do rewolucjonizowania sposobu, w jaki firmy działają i konkurują na rynku. Jednak klucz do sukcesu w wykorzystywaniu genAI leży w odpowiedniej technologii, dostępie do właściwych danych i odpowiednim nastawieniu na rozwój. Firmy, które inwestują w infrastrukturę danych, narzędzia deweloperskie i platformy zarządzania wiedzą, będą lepiej przygotowane do wykorzystania potencjału genAI i osiągnięcia przewagi konkurencyjnej.
Słowa Kluczowe: Generatywna AI, genAI, dane, technologia, innowacje, transformacja cyfrowa, DataStax, orkiestracja, uczenie maszynowe, AI, algorytmy, data science, analiza danych, rekomendacje, oszustwa, bezpieczeństwo danych.
Word count: 2188
