سرمایه‌گذاری روی هوش مصنوعی همچنان ادامه دارد و این فناوری در هر گوشه ای از شرکت ها مورد توجه است و سازمان ها نیز آن را در خط مقدم استراتژی محصول خود قرار می دهند.
اما آیا کسب و کارهایی که هوش مصنوعی را پیاده‌سازی کرده‌اند، ارزش خود را درک کرده‌اند؟
در حالی که اکثر نرم‌افزارهای سازمانی به سرعت برخی از عملکردهای “تولید محتوا با استفاده از هوش مصنوعی” را پذیرفته‌اند، ارزش پشت چنین قابلیت‌هایی تاکتیکی است و هنوز سازمان را در سطح استراتژیک تغییر نداده است. برای ارائه ارزش عمیق‌تر، هوش مصنوعی باید داده های محلی سازمان را با قابلیت های هوش مصنوعی پیوند دهد و خروجی های مختص شرکت و زمینه خاص را ارائه دهد.
فراتر از اصول
یک چالش مهم هوش مصنوعی، پایگاه دانش گسترده و غیر اختصاصی آن بوده است.
از یک طرف، LLM ها بر روی مجموعه های بزرگی از داده ها آموزش دیده اند و می توانند با درجات مختلف موفقیت به سوالات دانش عمومی جهان پاسخ دهند. به عنوان مثال، می توانند به سرعت و با دقت به کسی بگویند که چگونه یک املت درست کند.
اما صبحانه یک استراتژی تجاری نیست. هنگامی که سؤالاتی در مورد چگونگی حل چالش های کسب و کار پرسیده میشود، هوش مصنوعی برای تولید پاسخ های مرتبط و ارزشمند تلاش میکند، صرفاً به این دلیل که داده های منحصر به فرد آن کسب و کار را نمیداند.
چالش هوش مصنوعی این است که: رهبران برای استفاده حداکثری از سرمایه گذاری های هوش مصنوعی خود، باید با تجهیز آن به دانش متنی و چند لایه، ارزش را از هوش مصنوعی مولد استخراج کنند.
چه چیزی تا به امروز امتحان شده است؟
برای پرداختن به چالش اصلی و ارزشمندتر کردن هوش مصنوعی برای نتایج کسب و کار، رویکردهای مختلفی ارائه شده است:
1. افزایش اندازه درخواست
همه LLM ها اندازه اعلان محدودی دارند، یا اینکه چند ورودی را می توان با یک اعلان یا سوال تجزیه و تحلیل کرد. در حالی که این یک محدودیت اصلی است، ارائه دهندگان فناوری توانسته اند به تدریج این محدودیت را افزایش دهند.
با این حال، حتی با محدودیت های بزرگ‌تر، برای شرکت ها غیرعملی است که همه اطلاعات زمینه‌ای مورد نیاز برای پاسخ را در یک درخواست، هم از منظر هزینه و هم از منظر تأخیر، جمع کنند. به عنوان مثال، یک LLM نمی تواند 200 تماس و 2000 ایمیل با یک مشتری را در یک اعلان به حساب آورد. که ساعت ها طول می کشد تا پاسخ ایجاد شود.
2. آموزش Ad Hoc LLMs
بسیاری از سازمان ها LLM ها را بر اساس داده های خاص کسب و کار خود آموزش می دهند. در حالی که این مدل را با نیازهای کسب و کار در زمینه تطبیق می دهد، زمانی که اطلاعات جدید در طول زمان ایجاد می شوند، کارایی خود را از دست می دهد.
3. Retrieval-Augmented Generation (RAG)
با RAG، اسناد به بردار تبدیل می شوند و سپس با استفاده از یک پایگاه داده برداری نمایه می شوند، که به حفظ معنایی اسناد کمک می کند. سپس، هنگامی که کاربر سوالی می پرسد، پایگاه داده برای اسناد مشابه معنایی جستجو می شود. پس از بازیابی اسناد مرتبط، یک پاسخ با استفاده از یک LLM جمع آوری می شود.
در حالی که این یک رویکرد امیدوارکننده برای جستجوهای واقعی ساده است که به راحتی در پایگاه داده برداری یافت می شود («آیا مشتری احتمالی من گفت که بودجه آنها انعطاف پذیر است؟»)، برای سؤالات مرتبه بالاتر غیرعملی است (مانند، «بهترین گزینه بعدی چیست؟» گامی برای بستن این معامله برداشته شود؟») زیرا هیچ سند مرتبطی وجود ندارد که بتواند پاسخ دهد.
4. تابع فراخوانی
این تکنیک به رابط چت اجازه می دهد تا تماس های API را فراخوانی کند. به عنوان مثال، وقتی کاربر می پرسد “چند مشتری داریم؟” موتور GPT با سندی پاسخ می دهد که رابط چت را راهنمایی می کند تا عملکردی مانند “لیست مشتریان” را آغاز کند و آن شماره را برگرداند.
این رویکرد زمانی به خوبی کار می کند که سؤال به طور واضح به مجموعه قابل توجهی از APIهای کاملاً تعریف شده نگاشت شود. با این حال، هنگامی که سؤالات بازتر پرسیده می شود، لنگ می زند. اگر مشتری بپرسد “سیگنال های خرید مثبت در این معامله چیست؟” اگر API وجود نداشته باشد که این سیگنال ها را برمی گرداند، سیستم قادر به ارائه پاسخ معنادار نخواهد بود.
مرز بعدی
این روش ها نشان میدهند که مشکلات باقی می ماند: در حالی که پاسخ های ساده برای هوش مصنوعی مولد مشکلی نیستند، پاسخ‌دهی به سؤال در مقیاس بزرگ مشکل خواهند بود. برای ارائه ارزش با پرداختن به سؤالات تجاری غیر پیش پا افتاده، فناوری باید بفهمد چه اطلاعاتی در جستجوی آن است و سپس تصمیم بگیرد که چه اطلاعاتی را به مدل بیاورد.
این می تواند شامل چندین عنصر جدید باشد:
1. نقشه برداری قصد
در این روش، ابتدا باید سوال را به یک استراتژی بالقوه برای پرداختن به آن ترسیم کرد. به عنوان مثال، اگر مدیر ارشد درآمدی که پیش‌بینی فصلی خود را آماده میکند، بپرسد که آیا معامله بسته میشود، نتیجه به‌دست‌آمده از یک مدل پیش‌بینی‌شده از پیش محاسبه‌شده میتواند پاسخی در مورد نتیجه پیش‌بینی‌شده ارائه دهد.
برای تکمیل نقشه‌برداری قصد، تیم ها به ابزارهای مؤثر برای پرداختن به مقاصد اصلی نیاز دارند، در حالی که اطمینان میدهند که همه مقاصد به خوبی مدیریت می‌شوند.
2. نمایه سازی اختصاصی دامنه
برای پاسخ به سؤالات دامنه خاص، داده ها باید از قبل پردازش شده و “برچسب” شوند تا شناسایی شوند. به عنوان مثال، هنگامی که یک کاربر به دنبال “اهداف تجاری” مشتری می شود، سیستم باید به سرعت چنین اهدافی را شناسایی کند. از آنجایی که تعداد چنین اهداف بالقوه بسیار زیاد است، جستجوی همه آنها زمان زیادی می برد.
درعوض، ارتباط قبلی با مشتری باید به عنوان مرتبط برچسب گذاری شود. احتمالاً با استفاده از مدل های هوش مصنوعی اساسی که مکالمات مشتری را درک می کند. به این ترتیب، هوش مصنوعی میتواند راحت‌تر آن اطلاعات را پیدا کند و به سؤالی درباره اهداف تجاری پاسخ دهد.
نمایه سازی مؤثر مستلزم درک عمیق دامنه برای شناسایی نشانه ها و مقاصد در داده ها است، حتی زمانی که آنها فقط به طور ضمنی ذکر شده باشند.
3. پاسخ های غیر متنی
در زمینه سوالات تجاری، پاسخ های مبتنی بر متن می تواند سخت باشد.
به عنوان مثال، وقتی از رهبران کسب و کار در مورد فروش تاریخی سؤال می شود، معمولاً ترجیح می دهند داده ها را در نمودار ببینند تا قالب متنی. برای این منظور، بخشی از نقشه‌برداری برنامه های تجاری، فرمت خروجی مورد نظر را تعیین میکند. برنامه ها ممکن است داده های به دست آمده را به آن فرمت تبدیل کنند.
توسعه این امر مستلزم درک اطلاعات برای نمایش و بهترین روش نمایش آن است، که اکثر مدل های خارج از محیط امروزی از آن پشتیبانی نمی کنند.
اهمیت دانش هوش مصنوعی مولد
با تبدیل شدن LLM های خارج از محیط به یکی از اصلی ترین ابزارهای نرم افزاری، کاربران اکنون کارایی های جدیدی دارند.
اینجاست که هوش مصنوعی با دانش تجاری تفاوت ایجاد می کند. این میتواند به کسب و کارها اجازه دهد تا از داده های خود به روش های غیرقابل تصوری استفاده کنند و به طور بالقوه سطحی از نوآوری و رشد را که ما هنوز شاهد آن نبوده‌ایم، هدایت کنند.
