Dom Couldwell
Nga menaxhimi i të dhënave te sistemet e shkallëzimit, te iniciativat e financimit për një kohë të gjatë, çdo pjesë e udhëtimit tuaj gjenerues do të jetë një sfidë. Inteligjenca artificiale gjeneruese vlerësohet të shtojë nga 2.6 trilion deri në 4.4 trilion dollarë përfitime ekonomike për ekonominë globale çdo vit, sipas McKinsey. Ky parashikim bazohet në 63 raste të reja përdorimi që mund të ofrojnë përmirësime, efikasitete dhe produkte të reja për klientët nëpër tregje të shumta. Kjo është një mundësi e madhe për zhvilluesit dhe drejtuesit e IT-së.
Në thelb të premtimit gjenerues të AI janë të dhënat. Të dhënat mundësojnë AI gjeneruese të kuptojë, analizojë dhe ndërveprojë me botën përreth nesh, duke nxitur aftësitë e saj transformuese. Për të pasur sukses me AI gjeneruese, kompania juaj do të duhet të menaxhojë dhe të përgatisë mirë të dhënat e saj. Në të njëjtën kohë, do t’ju duhet të vendosni bazat për ndërtimin dhe funksionimin e shërbimeve të AI në shkallë, dhe do t’ju duhet të financoni iniciativën tuaj gjeneruese të AI në një mënyrë të zgjuar dhe të qëndrueshme. Fillimi i ngadaltë dhe zvogëlimi nuk është mënyrë për të fituar garën e AI. Nëse nuk përmirësojmë mënyrën se si menaxhojmë të dhënat, ose nuk i qasemi shkallës dhe kostove në mënyrën e duhur, atëherë potenciali i natyrshëm i AI gjeneruese do të humbasë. Këtu janë disa mendime se si mund t’i përmirësojmë qasjet tona të menaxhimit të të dhënave dhe si mund të mbështesim iniciativat tona gjeneruese të AI për një afat të gjatë.
Të dhënat vijnë në forma të ndryshme. Çdo formë e të dhënave mund të përmirësojë pasurinë dhe cilësinë e njohurive gjeneruese të AI nëse përdoret si duhet.
Forma e parë e të dhënave janë të dhënat e strukturuara, të cilat bashkohen në një mënyrë të regjimentuar dhe konsistente. Të dhënat e strukturuara do të përfshinin artikuj si informacioni i produktit, demografia e klientit ose nivelet e stokut. Këto lloj të dhënash ofrojnë një bazë faktesh të organizuara që mund të shtohen në projektet gjeneruese të AI për të përmirësuar cilësinë e përgjigjeve. Krahas kësaj, mund të keni burime të jashtme të të dhënave që mund të plotësojnë burimet tuaja të brendshme të strukturuara të të dhënave. Shembujt e zakonshëm këtu do të përfshijnë raportet e motit, çmimet e aksioneve ose nivelet e trafikut – të dhëna që mund të sjellin më shumë kontekst në kohë reale dhe në botën reale në një proces vendimmarrjeje. Këto të dhëna mund të përzihen në projektet tuaja për të ofruar të dhëna shtesë cilësore, por mund të mos ketë kuptim t’i gjeneroni ato vetë.
Një grup tjetër i zakonshëm i të dhënave janë të dhënat e derivuara, të cilat mbulojnë të dhënat e krijuara përmes skenarëve të analizës dhe modelimit. Këto njohuri më të thella mund të përfshijnë raporte të qëllimit të klientit, parashikime sezonale të shitjeve ose analiza të grupit. Forma e fundit e zakonshme e të dhënave janë të dhënat e pastrukturuara. Në vend të raporteve të rregullta ose formateve të të dhënave me të cilat janë mësuar analistët, kjo kategori përfshin formate si imazhet, dokumentet dhe skedarët audio. Këto të dhëna kapin nuancat e komunikimit dhe të shprehjes njerëzore. Programet gjeneruese të AI shpesh punojnë rreth imazheve ose audios, të cilat janë hyrje dhe dalje të zakonshme të modeleve gjeneruese të AI.
Bërja që AI gjeneruese të funksionojë në shkallë
Të gjitha këto grupe të ndryshme të dhënash do të ekzistojnë në mjediset e tyre. Në të njëjtën kohë, bërja e tyre të dobishme për projektet gjeneruese të AI përfshin bërjen e këtij peizazhi të larmishëm të të dhënave të aksesueshëm në kohë reale. Me kaq shumë të dhëna potenciale të përfshira, çdo qasje duhet të shkallëzohet në mënyrë dinamike sipas kërkesës dhe të kopjojë të dhënat globalisht në mënyrë që çdo burim të jetë afër përdoruesve kur vijnë kërkesat. Kjo është e nevojshme për të parandaluar ndërprerjen dhe për të zvogëluar vonesën brenda kërkesave të transaksionit.
Këto të dhëna gjithashtu duhet të përgatiten në mënyrë që sistemi gjenerues i AI të mund t’i përdorë ato në mënyrë efektive. Kjo përfshin krijimin e përfshirjeve, të cilat janë vlera matematikore, d.m.th., vektorë, që përfaqësojnë kuptimin semantik.
Embeddings (janë paraqitje numerike të objekteve të botës reale që sistemet e mësimit të makinerive (ML) dhe inteligjencës artificiale (AI) përdorin për të kuptuar domenet komplekse të njohurive siç bëjnë njerëzit) mundësojnë që sistemi gjenerues i AI të kërkojë përtej përputhjeve specifike të tekstit dhe në vend të kësaj të përfshijë kuptimin dhe kontekstin e ngulitur brenda të dhënave. Cilado qoftë forma origjinale e të dhënave, krijimi i futjeve do të thotë që të dhënat mund të kuptohen dhe përdoren nga sistemi gjenerues i AI dhe të ruajnë kuptimin dhe kontekstin e tyre.
Duke përdorur këto përfshirje, kompanitë mund të mbështesin kërkimin vektorial ose kërkimin hibrid në të gjitha të dhënat e tyre, duke kombinuar vlerën dhe kuptimin në të njëjtën kohë. Këto rezultate më pas mund të mblidhen dhe t’i kalojnë përsëri modelit të gjuhës së madhe (LLM) që përdoret për të mbledhur rezultatin. Duke vënë në dispozicion më shumë të dhëna nga burime të shumta, në vend që të mbështeteni vetëm në LLM, projekti juaj gjenerues i AI mund të japë rezultate më të mira përsëri te përdoruesi dhe të reduktojë halucinacionet.
Për ta bërë këtë të funksionojë në praktikë, ju duhet të zgjidhni strukturën e duhur të të dhënave themelore. Si pjesë e kësaj, do të dëshironi të shmangni sa më shumë që të jetë e mundur një copëz të fragmentuar të dhënash të mbajtura në zgjidhje të ndryshme, pasi secila prej tyre përfaqëson një silos tjetër që duhet të mbështetet, merret në pyetje dhe menaxhohet me kalimin e kohës. Përdoruesit duhet të jenë në gjendje t’i bëjnë një pyetje LLM-së dhe të marrin një përgjigje shpejt, në vend që të presin që disa komponentë të përgjigjen dhe modeli të peshojë përgjigjet e tyre. Një strukturë e unifikuar e të dhënave duhet të ofrojë integrim të pandërprerë të të dhënave, duke mundësuar AI gjeneruese të përdorë spektrin e plotë të të dhënave të disponueshme.
Përfitimet e një qasjeje modulare
Për të rritur zbatimin gjenerues të inteligjencës artificiale, do t’ju duhet të balanconi se sa shpejt mund ta rritni adoptimin kundër mbajtjes së kontrollit mbi asetet tuaja kritike. Miratimi i një qasjeje modulare për ndërtimin e agjentëve tuaj gjenerues të AI e bën këtë më të lehtë pasi mund të prishni zbatimin tuaj dhe të shmangni pengesat e mundshme. Ngjashëm me dizajnet e mikroshërbimeve për aplikacionet, një qasje modulare ndaj shërbimeve të AI inkurajon gjithashtu praktikat më të mira rreth dizajnit të aplikacioneve dhe softuerëve për të hequr pikat e dështimit, si dhe për të hapur akses në teknologji për më shumë përdorues të mundshëm. Gjithashtu e bën më të lehtë monitorimin e performancës së agjentit në të gjithë ndërmarrjen dhe zbulimin më të saktë se ku ndodhin problemet.
Përfitimi i parë i modularitetit është shpjegueshmëria. Duke qenë se komponentët e përfshirë në sistemin gjenerues të AI janë të ndarë nga njëri-tjetri, kjo e bën më të lehtë analizimin e funksionimit të agjentëve dhe marrjen e vendimeve. AI shpesh përshkruhet si një “kuti e zezë”. Ndarja e bën gjurmimin dhe shpjegimin e rezultateve shumë më të lehtë. Përfitimi i dytë këtu është siguria, pasi komponentët mund të mbrohen nga mekanizmat më të mirë në klasë të vërtetimit dhe autorizimit, duke siguruar që vetëm përdoruesit e autorizuar të kenë akses në të dhënat dhe funksionalitetin e ndjeshëm. Modulariteti gjithashtu e bën më të lehtë përputhshmërinë dhe qeverisjen, pasi informacioni personalisht i identifikueshëm (PII) ose pronësia intelektuale (IP) mund të ruhen dhe mbahen të ndara nga LLM-ja themelore.
Financimi i iniciativës suaj gjeneruese të AI
Krahas qasjes së mikroshërbimeve, duhet të adoptoni një mentalitet platformash për programin tuaj të përgjithshëm gjenerues të AI. Kjo përfshin zëvendësimin e modelit tradicional të financimit të bazuar në projekte për projektet softuerike dhe ofrimin e një modeli financimi të qëndrueshëm dhe fleksibël. Kjo qasje i fuqizon pjesëmarrësit të marrin vendime të bazuara në vlera, t’i përgjigjen mundësive në zhvillim dhe të zhvillojnë praktikat më të mira pa u kufizuar nga cikle të ngurta financimi ose raste biznesi.
Trajtimi i buxhetit tuaj në këtë mënyrë gjithashtu inkurajon zhvilluesit dhe ekipet e biznesit të marrin në konsideratë AI gjeneruese si pjesë të infrastrukturës së përgjithshme që organizata ka. Kjo e bën më të lehtë shmangien e disa prej kulmeve që mund të ndikojnë ndryshe në planifikimin e ngarkesës së punës dhe e bën më të lehtë marrjen e një qasjeje të “qendrës së përsosmërisë” që mbetet e qëndrueshme me kalimin e kohës. Një qasje e ngjashme është trajtimi i AI gjeneruese si një produkt që biznesi e operon më vete, dhe jo si softuer. Agjentët e AI duhet të menaxhohen si produkte sepse kjo përfaqëson vlerën që ata krijojnë në mënyrë më efektive, si dhe e bën më të lehtë marrjen e burimeve mbështetëse rreth integrimit, mjeteve dhe kërkesave.
Thjeshtimi i këtij modeli inkurajon një kuptim më të gjerë rreth AI gjeneruese dhe adoptimin e praktikave më të mira në të gjithë organizatën, duke nxitur një kulturë të ekspertizës së përbashkët dhe bashkëpunimit në zhvillimin gjenerues të AI. Inteligjenca artificiale gjeneruese ka një potencial të madh dhe kompanitë po nxitojnë të zbatojnë mjete, agjentë dhe kërkesa të reja në operacionet e tyre. Sidoqoftë, futja në prodhim e këtyre projekteve të mundshme përfshin menaxhimin efektiv të të dhënave tuaja, vendosjen e një themeli për shkallëzimin e sistemeve dhe vendosjen e modelit të duhur të buxhetit për të mbështetur ekipin tuaj. Marrja e duhur e proceseve dhe prioriteteve tuaja do t’ju ndihmojë ju dhe ekipin tuaj të zhbllokoni potencialin transformues të kësaj teknologjie.