智能企业：使生成式人工智能适用于企业
智能企业：应用生成式人工智能于企业
让我们从这里开始：是的，生成式人工智能（GenAI）的机会是巨大的。是的，它正在改变我们所知道的世界（比我们大多数人预测的要快）。是的，技术正在变得更加智能。然而，GenAI对企业和商业的影响与对普通公众的影响非常不同，因为大多数企业不写诗或故事（这在ChatGPT用户中很受欢迎），它们是为了服务客户。
许多公司已经有了自然语言处理（NLP）和低级别聊天机器人的经验，但是GenAI正在加速数据如何集成、解释和转化为业务结果。因此，他们需要快速确定哪些GenAI用例将解决他们最紧迫的业务挑战并推动增长。要了解企业如何通过数据使GenAI适应企业需求，重要的是回顾我们是如何达到这一点的。
从NLP到大型语言模型（LLM）的历程
几十年来，技术一直在试图理解自然语言。虽然人类语言本身是人类表达的演化形式，但人类在世界各地演化出了如此之多的方言——从符号和声音到音节、语音和语言——这使得技术只能依靠更简单的数字通信方法，如位和字节等，直到相对最近。
我几乎十年前开始研究NLP程序。那时候，一切都是关于语言分类和本体论、实体提取以及一个原始形式的图形数据库（主要是在XML中）来尝试维护各种实体之间的复杂关系和上下文，理解搜索查询，生成词云并提供结果。其中没有任何数学内容。在建立分类数据库、进行大量XML解析，以及最重要的是进行大量计算和内存操作过程中，人的参与度很高。不用说，有些程序取得了成功，而大多数程序则没有。接下来是机器学习，采用了多种深度学习和神经网络等方法，加速了自然语言理解（NLU）和自然语言推理（NLI）。然而，存在三个限制因素：处理复杂模型的计算能力，让机器学习的数据量，以及主要是能够通过形成短语之间的时间关系进行自学习和自校正的模型。
快进到二十年后，GPU提供了巨大的计算能力，自学习和演化的神经网络成为了常态，有监督/无监督/半监督学习模型都存在，最重要的是，可以获得大量的数据，包括各种社交媒体平台上的大量数据，这些模型可以进行训练。结果是，AI引擎可以用您的自然语言进行交流，理解您查询的情感和意义，听起来像一个人，并像一个人一样回答。
通过我们的社交媒体存在，我们都成了这些引擎中的“人类”来进行训练。现在我们有了声称经过数万亿参数训练的引擎，可以接受数百和数千个输入参数，这些参数是多模式的，并用我们的语言回应我们。无论是GPT4/5、PaLM2、Llama还是迄今为止已经发布的其他LLM，它们都正在成为更具上下文的垂直问题解决者。
参与系统与记录系统
虽然从NLP到LLM的过程得益于硅元素的进化、数据模型以及我们所有人产生的大量训练数据的可用性，但企业——零售商、制造商、银行等等——每个企业对这项技术有着非常不同的应用需求。首先，企业承受不起AI幻觉——他们需要用户与AI的互动达到0%幻觉和100%准确性。有一系列查询要求绝对准确性，才能产生任何商业价值——例如，您的酒店有多少个房间可供选择？您有头等舱的机票吗？
为了对抗AI幻觉，引入了古老的参与系统和记录系统的概念。参与系统可以是与客户、供应商或员工互动，可以利用基于GenAI的对话平台，经过针对业务特定提示的训练之后，就可以直接使用，这是“较容易”的部分。挑战在于将记录系统嵌入到价值链中。许多企业仍然处于静态的表格和实体世界中，并将保持这种状态，因为大多数企业在组织或公司层面上是静态的，而事件和工作流程使它们在交易层面上变得动态。
这是关于下一代对话平台的讨论，它不仅解决了对话、界面和查询的问题，还将客户旅程延伸至实现。对于这样的对话平台，有不同的架构方法。一种即时的选择是使用混合中间件，它充当了矢量化和标记化企业数据与LLM驱动的对话提示之间的整合者，并向消费者提供0%的错觉结果。
企业需要进行大量的数据准备工作，使其对LLM引擎具有智能可读性。我们将其称为传统表格和实体驱动的数据模型的展开。图数据库以一种关系数据库无法实现的方式来表示和存储数据，在这一过程中发挥着新的作用。目标是将企业数据库转换为更易于理解的图数据库，其中关系定义了上下文和含义，使LLM引擎更容易学习和通过对话和实时查询的组合对最终客户的提示做出响应。使企业数据具备LLM准备能力的任务是提供端到端的从“参与系统”到“记录系统”的体验，将用户体验一直延伸至实现。
接下来发生什么
在这一点上，随着数据和人工智能的这些进展，最直接的影响出现在软件代码生成领域，正如Microsoft Copilot、Amazone CodeWhisperer等工具的崛起所证明的那样。这些工具正在推动老旧现代化项目的启动，其中许多项目由于时间和成本问题而经常停滞。通过由GenAI提供动力的代码生成工具，我们看到现代化项目的进度表加快了20-40%。在全新代码开发项目中，这些工具将允许开发人员将时间和生产力的节省用于设计思维和更具创新性的项目。
除了软件代码开发，GenAI工具还导致了针对解决企业最紧迫挑战的新的垂直用例和场景的创建，我们只是开始探索充分利用这一趋势的表面。尽管如此，我们已经通过利用GenAI在零售和物流领域解决了几个问题和提出了几个问题：
我在仓库里有多少库存，何时应该触发补货？提前备货是否有利可图？我的着陆价格是否正确或是否会上涨？我可以捆绑哪些物品或提供怎样的个性化来提高利润？
回答这些问题需要结合对话前端、精确度高的数据驱动查询和具有领域专业知识的机器学习模型提供预测和未来指导。因此，我对企业的建议是，无论您是一个AI探索者还是一个生成AI的颠覆者，请与具有经过验证的人工智能专业知识和强大的数据和分析能力的服务提供商合作，这将使您能够利用适合您业务需求的GenAI模型，并帮助您保持领先。
