Δημιουργία ενός προϊόντος γενετικής τεχνητής νοημοσύνης: Τι πρέπει να γνωρίζετε πρώτα

Εισαγωγή

Η γενετική τεχνητή νοημοσύνη (AI) είναι εύκολο να δοκιμαστεί, αλλά πολύ πιο δύσκολο να μετατραπεί σε ένα προϊόν στο οποίο μπορούν να βασίζονται οι άνθρωποι. Μια ομάδα μπορεί να συνδέσει ένα γλωσσικό μοντέλο με μια διεπαφή συνομιλίας μέσα σε λίγες ημέρες. Το να καταφέρει όμως αυτή η διεπαφή να χειρίζεται πραγματικά αιτήματα πελατών, να τηρεί τα δικαιώματα πρόσβασης, να λειτουργεί με εταιρικά δεδομένα και να ανακάμπτει από λανθασμένες απαντήσεις είναι εντελώς διαφορετική υπόθεση.

Για τις επιχειρήσεις που εξετάζουν τη χρήση της γενετικής τεχνητής νοημοσύνης για επιχειρηματικές εφαρμογές, η πρώτη απόφαση δεν είναι ποιο μοντέλο θα χρησιμοποιήσουν. Είναι αν το πρόβλημα απαιτεί καθόλου ένα νέο προϊόν. Τα έτοιμα εργαλεία τεχνητής νοημοσύνης ενδέχεται να καλύπτουν το μεγαλύτερο μέρος των αναγκών, ενώ μια εξατομικευμένη υλοποίηση έχει περισσότερο νόημα όταν το υπάρχον λογισμικό δεν μπορεί να προσαρμοστεί στην απαιτούμενη ροή εργασίας. Οι εταιρείες που αξιολογούν τη δεύτερη επιλογή μπορούν να συμβουλευτούν τους μηχανικούς γενετικής τεχνητής νοημοσύνης της SysGears για να διερευνήσουν τις τεχνικές απαιτήσεις ενός προϊόντος που θα βασίζεται στη συγκεκριμένη περίπτωση χρήσης τους.

Ένα προϊόν γενετικής τεχνητής νοημοσύνης περιλαμβάνει πολύ περισσότερα από την απλή τοποθέτηση ενός μοντέλου πίσω από μια διεπαφή με το εταιρικό λογότυπο. Το μοντέλο μπορεί να χειρίζεται τη γλώσσα, αλλά το υπόλοιπο της εφαρμογής καθορίζει ποιες πληροφορίες μπορεί να αξιοποιήσει, αν μπορεί να αλληλεπιδράσει με άλλο λογισμικό και τι συμβαίνει όταν η απάντησή του δεν είναι σωστή. Αυτές οι αποφάσεις επηρεάζουν τη χρησιμότητα του προϊόντος εξίσου με την ίδια την επιλογή του μοντέλου.

Ένας εσωτερικός βοηθός μπορεί να παραπλανήσει τους υπαλλήλους αν ανακτήσει ένα παρωχημένο έγγραφο πολιτικής. Αν του δοθεί πρόσβαση στα αρχεία πελατών, τα δικαιώματα πρόσβασης γίνονται εξίσου σημαντικά με την ποιότητα των απαντήσεων. Αν η εφαρμογή μπορεί επίσης να τροποποιήσει τα αρχεία, μια πειστική αλλά λανθασμένη απάντηση θα μπορούσε να προκαλέσει πραγματική ζημιά.

Δεν πρόκειται για λεπτομέρειες που μπορούν να διορθωθούν μετά την κυκλοφορία. Επηρεάζουν την αρχιτεκτονική, τον απαιτούμενο τεχνικό όγκο εργασίας και το κόστος ανάπτυξης της τεχνητής νοημοσύνης, συμπεριλαμβανομένων των δαπανών που απαιτούνται για τη διατήρηση της λειτουργίας του προϊόντος. Μια επιχείρηση πρέπει να τις εξετάσει διεξοδικά πριν δεσμευτεί στην ανάπτυξη, ενώ υπάρχει ακόμα περιθώριο να περιορίσει το πεδίο εφαρμογής ή να αποφασίσει ότι ένα υπάρχον εργαλείο θα μπορούσε να καλύψει τις ανάγκες.

Ξεκινήστε με ένα πρόβλημα που απαιτεί γενετική τεχνητή νοημοσύνη

Μια πειστική επίδειξη μπορεί να συγκαλύψει ένα αρκετά συνηθισμένο επιχειρηματικό πρόβλημα. Αν, για παράδειγμα, οι υπάλληλοι ξοδεύουν υπερβολικά πολύ χρόνο αναζητώντας εσωτερική τεκμηρίωση, ένα σύστημα σημασιολογικής αναζήτησης μπορεί να είναι αρκετό. Αν, όμως, πρέπει να ερμηνεύσουν μακρά έγγραφα, να εξάγουν συγκεκριμένες λεπτομέρειες και να συντάξουν απαντήσεις χρησιμοποιώντας πληροφορίες από διάφορες πηγές, ένα γλωσσικό μοντέλο μπορεί να προσφέρει κάτι πιο ουσιαστικό.

Η διάκριση αυτή έχει σημασία από την αρχή. Η γενετική τεχνητή νοημοσύνη αποδεικνύει την αξία της όταν το λογισμικό πρέπει να κατανοήσει ακατάστατο, αδόμητο υλικό ή να συντάξει κάτι που εξαρτάται από το πλαίσιο. Για μια εργασία που διέπεται από σταθερούς κανόνες, ωστόσο, ένα συνηθισμένο σενάριο είναι συχνά φθηνότερο στην εκτέλεση και πιο αξιόπιστο.

Ας πάρουμε ως παράδειγμα έναν διανομέα που αντιμετωπίζει μια σταθερή ροή ερωτήσεων σχετικά με προϊόντα. Οι πελάτες περιγράφουν το ίδιο προϊόν με κάθε είδους τρόπους, οπότε μια εφαρμογή γενετικής τεχνητής νοημοσύνης θα μπορούσε να κατανοήσει τα αιτήματά τους, να ανακτήσει τις σχετικές προδιαγραφές και να συντάξει μια απάντηση. Τα επίπεδα αποθεμάτων είναι ένα άλλο θέμα. Αυτά πρέπει να προέρχονται από ζωντανά αρχεία αποθεμάτων, ενώ μια προσφερόμενη τιμή πρέπει να ακολουθεί τους κανόνες τιμολόγησης της εταιρείας, και όχι οποιοδήποτε αριθμό τυχαίνει να παράγει το μοντέλο.

Αξίζει να διατηρηθεί σαφής αυτή η κατανομή εργασίας: αφήστε το μοντέλο να ασχοληθεί με τη γλώσσα και αναθέστε τις προβλέψιμες λειτουργίες στο συμβατικό λογισμικό, όπου είναι δυνατόν.

Πριν ξεκινήσει οποιαδήποτε ανάπτυξη, προσδιορίστε τι ακριβώς πρέπει να βελτιωθεί. Το προσωπικό πωλήσεων ίσως χρειαστεί λιγότερο χρόνο για να συντάξει μια προσφορά· οι πελάτες ίσως λάβουν απάντηση χωρίς να περιμένουν έναν εκπρόσωπο υποστήριξης. Σε κάθε περίπτωση, καταγράψτε πώς λειτουργεί η διαδικασία σήμερα. Διαφορετικά, μια ομάδα μπορεί να καταλήξει να γιορτάζει την υιοθέτηση της νέας διεπαφής τεχνητής νοημοσύνης χωρίς να γνωρίζει αν αυτή έχει διευκολύνει καθόλου την εργασία.

Δημιουργία ή αγορά: Πόσο έλεγχο χρειάζεστε πραγματικά;

Η απόφαση «δημιουργία ή αγορά» παρουσιάζεται συχνά ως επιλογή μεταξύ πλήρους ιδιοκτησίας και ευκολίας. Στην πράξη, υπάρχουν αρκετές ενδιάμεσες επιλογές.

Τα έτοιμα εργαλεία τεχνητής νοημοσύνης αποτελούν ένα λογικό σημείο εκκίνησης όταν μια επιχείρηση χρειάζεται γνωστές λειτουργίες, όπως βοήθεια στη σύνταξη κειμένων, περιλήψεις συσκέψεων, ανάλυση εγγράφων ή έρευνα γενικού χαρακτήρα. Αυτά τα προϊόντα συνήθως απαιτούν λιγότερη τεχνική εργασία, ενώ οι προμηθευτές τους διαχειρίζονται μεγάλο μέρος της υποκείμενης υποδομής. Μια εταιρεία μπορεί να ελέγξει αν οι υπάλληλοι θεωρούν μια λειτουργία χρήσιμη χωρίς να χρηματοδοτήσει πρώτα ένα ειδικό έργο ανάπτυξης.

Το πρόβλημα αρχίζει όταν ένα γενικό εργαλείο πρέπει να προσαρμοστεί σε μια διαδικασία για την οποία δεν έχει σχεδιαστεί. Μπορεί, για παράδειγμα, να μην επικοινωνεί με μια παλαιότερη βάση δεδομένων ή να μην εφαρμόζει τα σωστά δικαιώματα πρόσβασης όταν οι εργαζόμενοι έχουν διαφορετικούς ρόλους. Τα αποτελέσματά του μπορεί επίσης να χρειαστεί να αναδιαμορφωθούν προτού μπορέσει να τα χρησιμοποιήσει ένα άλλο επιχειρηματικό σύστημα. Τα API και οι επιλογές διαμόρφωσης μπορούν να βοηθήσουν στη γεφύρωση αυτών των κενών, αλλά δεν καλύπτουν απαραίτητα τις ιδιαιτερότητες μιας καθιερωμένης ροής εργασίας.

Ένα εξατομικευμένο προϊόν τεχνητής νοημοσύνης καθίσταται πιο δικαιολογημένο όταν η ίδια η ροή εργασίας αποτελεί ανταγωνιστικό πλεονέκτημα, όταν τα υπάρχοντα προϊόντα δεν μπορούν να ικανοποιήσουν μια ουσιώδη απαίτηση ή όταν η εφαρμογή απαιτεί στενή ενσωμάτωση με ιδιόκτητα δεδομένα και εσωτερικά συστήματα.

Μια τρίτη επιλογή είναι να δημιουργήσετε τη δική σας εφαρμογή βασισμένη σε ένα μοντέλο που φιλοξενείται από έναν εξωτερικό πάροχο. Η εταιρεία αναπτύσσει τη διεπαφή και τη λογική που βρίσκεται πίσω από αυτήν, ενσωματώνει το σύστημα στο υπάρχον λογισμικό της και καθορίζει τον δικό της τρόπο για τη δοκιμή των αποτελεσμάτων. Η πρόσβαση στο ίδιο το μοντέλο γίνεται μέσω ενός API, οπότε δεν υπάρχει ανάγκη να εκπαιδεύσει κανείς ένα βασικό μοντέλο από το μηδέν. Αυτό δίνει στην επιχείρηση περιθώριο να διαμορφώσει το προϊόν γύρω από τη ροή εργασιών της, αν και εξακολουθεί να εξαρτάται από την τιμολόγηση του παρόχου, τη διαθεσιμότητα του μοντέλου και τα όρια της υπηρεσίας.

Αυτή η τελευταία διάκριση αξίζει προσοχή. Η ανάπτυξη μιας προσαρμοσμένης εφαρμογής τεχνητής νοημοσύνης και η ανάπτυξη ενός νέου μοντέλου τεχνητής νοημοσύνης είναι διαφορετικές διαδικασίες. Η εκπαίδευση ενός βασικού μοντέλου απαιτεί σημαντικούς υπολογιστικούς πόρους, εξειδικευμένη τεχνογνωσία, κατάλληλα δεδομένα και συνεχή πειραματισμό. Οι περισσότερες επιχειρήσεις δεν χρειάζεται να αναλάβουν αυτό το βάρος. Ένα υπάρχον μοντέλο, συμπληρωμένο με ανάκτηση δεδομένων από εταιρικά έγγραφα ή προσεκτικά σχεδιασμένη πρόσβαση σε εργαλεία, μπορεί να είναι επαρκές.

Επιλέξτε την αρχιτεκτονική με βάση τη ροή εργασίας

Μόλις καταστεί σαφής η επιχειρηματική περίπτωση, η επόμενη πρόκληση είναι να αποφασιστεί πώς θα λειτουργεί η εφαρμογή. Το μοντέλο αποτελεί μόνο ένα συστατικό στοιχείο και ενδέχεται να μην είναι αυτό που απαιτεί τον περισσότερο χρόνο ανάπτυξης.

Για έναν βοηθό εγγράφων, αξίζει συχνά να εξεταστεί η «δημιουργία ενισχυμένη με ανάκτηση» (RAG). Αντί να βασίζεται αποκλειστικά σε ό,τι έμαθε ένα μοντέλο κατά τη διάρκεια της εκπαίδευσης, η εφαρμογή ανακτά σχετικά αποσπάσματα από μια εγκεκριμένη πηγή πληροφοριών και τα συμπεριλαμβάνει στην προτροπή. Στη συνέχεια, το μοντέλο διατυπώνει μια απάντηση χρησιμοποιώντας αυτό το υλικό.

Οι απαντήσεις που βασίζονται σε εσωτερικές πολιτικές ή σε τρέχουσες πληροφορίες για τα προϊόντα μπορούν να είναι πιο σχετικές, υπό την προϋπόθεση ότι η ανάκτηση λειτουργεί σωστά. Αυτό όμως δεν είναι σίγουρο. Η αναζήτηση μπορεί να αναδείξει ένα παρωχημένο έγγραφο, να παραλείψει μια κρίσιμη προειδοποίηση ή να παραδώσει στο μοντέλο ένα απόσπασμα το οποίο στη συνέχεια θα ερμηνεύσει λανθασμένα.

Η ανάκτηση πρέπει να ελέγχεται ξεχωριστά. Ο τρόπος με τον οποίο τα έγγραφα χωρίζονται σε τμήματα μπορεί να επηρεάσει τα αποτελέσματα που βρίσκει το σύστημα, και ακόμη και ένα καλό αποτέλεσμα αναζήτησης είναι άχρηστο αν προέρχεται από πηγή που ο χρήστης δεν πρέπει να δει. Τα δικαιώματα πρόσβασης ενός υπαλλήλου πρέπει να ισχύουν και στη διαδικασία ανάκτησης, αντί να παρακάμπτονται επειδή η αναζήτηση έφερε τυχαία στην επιφάνεια υλικό με περιορισμένη πρόσβαση. Η ίδια η εφαρμογή πρέπει να επιβάλλει την εξουσιοδότηση. Δεν πρέπει να εμπιστευόμαστε ένα μοντέλο για να λάβει αυτή την απόφαση.

Η λεπτομερής ρύθμιση εξυπηρετεί διαφορετικό σκοπό. Μπορεί να βοηθήσει στην προσαρμογή της συμπεριφοράς ενός μοντέλου, της μορφής απόκρισης ή του χειρισμού επαναλαμβανόμενων προτύπων εργασιών, όταν υπάρχουν κατάλληλα παραδείγματα εκπαίδευσης. Δεν αποτελεί απλό υποκατάστατο της ανάκτησης όταν το κύριο πρόβλημα είναι η πρόσβαση σε μεταβαλλόμενα δεδομένα. Ένα μοντέλο που έχει ρυθμιστεί με βάση τον κατάλογο προϊόντων του περασμένου έτους δεν θα γνωρίζει αυτόματα τι άλλαξε σήμερα το πρωί.

Μια προτροπή και ένα API μοντέλου μπορεί να είναι όλα όσα χρειάζεται μια εφαρμογή περιορισμένου πεδίου εφαρμογής, τουλάχιστον στην αρχή. Αυτό εξαρτάται από το πόσο προβλέψιμες είναι οι εισόδους και τι αναμένεται να κάνει το σύστημα με την έξοδο του. Εάν κάθε απάντηση πρέπει να ελέγχεται σε σχέση με ένα μεγάλο σώμα εσωτερικής τεκμηρίωσης, η ανάκτηση μπορεί να καταστεί απαραίτητη· για μια απλούστερη εργασία, θα μπορούσε απλώς να προσθέσει επιπλέον φόρτο.

Διατηρήστε την πρώτη έκδοση απλή και δοκιμάστε την σε πραγματικά αιτήματα, όχι μόνο σε προσεγμένες εισόδους επίδειξης. Δείτε πώς χειρίζεται μια ασαφή ερώτηση ή ελλείπουσες πληροφορίες. Εάν προσποιείται αντί να παραδεχτεί ένα κενό, αυτό είναι κάτι που πρέπει να διορθωθεί πριν προστεθούν περισσότερα κινούμενα μέρη.