چگونه هوش مصنوعی مولد را مدیریت کنیم

از مدیریت داده‌ها گرفته تا مقیاس‌گذاری سیستم‌ها تا تأمین مالی طرح‌های طولانی مدت، هر بخش از سفر تولیدی شما یک چالش خواهد بود.

هوش مصنوعی مولد تخمین زده می شود سالانه بین ۲.۶ تریلیون دلار تا ۴.۴ تریلیون دلار منافع اقتصادی به اقتصاد جهانی اضافه کند، طبق گفته مک کینزی. این پیش بینی بر اساس ۶۳ مورد استفاده جدید است که می تواند بهبودها، کارایی ها و محصولات جدید را برای مشتریان در بازارهای مختلف ارائه دهد. این یک فرصت بزرگ برای توسعه دهندگان و رهبران فناوری اطلاعات است.

در هسته وعده مولد هوش مصنوعی داده است. داده‌ها هوش مصنوعی مولد را قادر می‌سازد تا دنیای اطراف ما را درک، تجزیه و تحلیل و با آن تعامل داشته باشد و به قابلیت‌های دگرگون‌کننده آن دامن بزند. برای موفقیت با هوش مصنوعی مولد، شرکت شما باید داده های خود را به خوبی مدیریت و آماده کند.

در همان زمان، شما باید بستری برای ساخت و اجرای خدمات هوش مصنوعی در مقیاس داشته باشید، و باید ابتکار هوش مصنوعی مولد خود را به روشی هوشمندانه و پایدار تأمین مالی کنید. شروع آهسته و باریک‌تر راهی برای برنده شدن در مسابقه هوش مصنوعی نیست.

اگر نحوه مدیریت داده‌ها را بهبود بخشیم، یا به مقیاس‌بندی و هزینه‌ها به روشی صحیح برخورد کنیم، در این صورت پتانسیل ذاتی در هوش مصنوعی مولد از بین خواهد رفت. در اینجا چند فکر در مورد اینکه چگونه می‌توانیم رویکردهای مدیریت داده خود را بهبود بخشیم، و چگونه می‌توانیم از ابتکارات هوش مصنوعی مولد خود برای بلندمدت حمایت کنیم، وجود دارد.

داده ها از کجا می آیند

داده ها به شکل های مختلفی ارائه می شوند. هر شکل از داده‌ها در صورت استفاده صحیح می‌توانند غنا و کیفیت بینش‌های هوش مصنوعی تولیدی را بهبود بخشند.

نخستین شکل داده، داده های ساختار یافته است که به روشی منظم و منسجم کنار هم قرار می گیرند. داده های ساختاریافته شامل مواردی مانند اطلاعات محصول، جمعیت شناسی مشتری یا سطح سهام می شود. این نوع داده‌ها پایه‌ای از حقایق سازمان‌یافته را فراهم می‌کنند که می‌توانند به پروژه‌های هوش مصنوعی مولد اضافه شوند تا کیفیت پاسخ‌ها را افزایش دهند.

علاوه بر این، ممکن است منابع داده خارجی داشته باشید که می توانند منابع داده ساخت یافته داخلی شما را تکمیل کنند. مثال‌های رایج در اینجا شامل گزارش‌های آب‌وهوا، قیمت سهام، یا سطح ترافیک می‌شود – داده‌هایی که می‌توانند زمینه‌های زمان واقعی و دنیای واقعی بیشتری را به فرآیند تصمیم‌گیری بیاورند. این داده‌ها را می‌توان با پروژه‌های شما ترکیب کرد تا داده‌های با کیفیت بیشتری ارائه کند، اما ممکن است تولید آن توسط خودتان منطقی نباشد.

یکی دیگر از مجموعه داده های رایج، داده های مشتق شده است که داده های ایجاد شده از طریق تحلیل و سناریوهای مدل سازی را پوشش می دهد. این بینش‌های عمیق‌تر می‌تواند شامل گزارش‌های هدف مشتری، پیش‌بینی‌های فروش فصلی یا تجزیه و تحلیل گروهی باشد.

آخرین شکل رایج داده ها، داده های بدون ساختار است. به‌جای گزارش‌های معمولی یا قالب‌های داده‌ای که تحلیل‌گران به آن عادت دارند، این دسته شامل قالب‌هایی مانند تصاویر، اسناد و فایل‌های صوتی می‌شود. این داده ها تفاوت های ظریف ارتباط و بیان انسانی را در بر می گیرند. برنامه‌های هوش مصنوعی مولد اغلب حول تصاویر یا صدا کار می‌کنند که ورودی و خروجی‌های رایج مدل‌های هوش مصنوعی مولد هستند.

کارکرد هوش مصنوعی مولد در مقیاس

همه این مجموعه های متنوع از داده ها در محیط های خود وجود خواهند داشت. در عین حال، مفید ساختن آنها برای پروژه‌های هوش مصنوعی مستلزم دسترسی به این چشم‌انداز داده‌های متنوع در زمان واقعی است. با وجود داده‌های بالقوه بسیار درگیر، هر رویکردی باید به صورت پویا بر اساس تقاضا مقیاس‌بندی شود و داده‌ها را در سطح جهانی تکرار کند تا هر منبعی در هنگام ورود درخواست به کاربران نزدیک باشد. این برای جلوگیری از خرابی و کاهش تأخیر در درخواست‌های تراکنش ضروری است.

این داده ها نیز باید آماده شوند تا سیستم هوش مصنوعی مولد بتواند به طور موثر از آن استفاده کند. این شامل ایجاد تعبیه‌هایی است که مقادیر ریاضی هستند، یعنی بردارهایی که معانی معنایی را نشان می‌دهند. تعبیه‌ها سیستم هوش مصنوعی مولد را قادر می‌سازد تا فراتر از منطبق‌های متن خاص جستجو کند و درعوض معنا و زمینه تعبیه‌شده در داده‌ها را در بر بگیرد. شکل اصلی داده‌ها هرچه که باشد، ایجاد جاسازی به این معنی است که داده‌ها می‌توانند توسط سیستم هوش مصنوعی مولد درک و استفاده شوند و معنا و زمینه خود را حفظ کنند.

با استفاده از این جاسازی‌ها، شرکت‌ها می‌توانند از جستجوی برداری یا جستجوی ترکیبی در تمام داده‌های خود، با ترکیب ارزش و معنا به طور همزمان پشتیبانی کنند. سپس می توان این نتایج را جمع آوری کرد و به مدل زبان بزرگ (LLM) که برای جمع آوری نتیجه استفاده می شود، بازگرداند. با در دسترس قرار دادن داده های بیشتر از منابع متعدد، به جای تکیه بر LLM تنها، پروژه هوش مصنوعی شما می تواند نتایج بهتری را به کاربر ارائه دهد و توهمات را کاهش دهد.

برای اینکه این کار در عمل انجام شود، باید بافت داده زیربنایی مناسب را انتخاب کنید. به عنوان بخشی از این، می‌خواهید تا حد امکان از تکه تکه‌ای از داده‌ها که در راه‌حل‌های مختلف نگهداری می‌شوند اجتناب کنید، زیرا هر یک از اینها نشان‌دهنده سیلو دیگری است که باید در طول زمان پشتیبانی، بازجویی و مدیریت شود. کاربران باید بتوانند یک سوال از LLM بپرسند و به سرعت پاسخ را دریافت کنند، نه اینکه منتظر باشند تا چندین مؤلفه پاسخ دهند و مدل پاسخ آنها را بسنجید. یک پارچه داده یکپارچه باید یکپارچه سازی یکپارچه داده را ارائه دهد و هوش مصنوعی مولد را قادر می سازد تا از طیف کامل داده های موجود استفاده کند.

مزایای رویکرد مدولار

برای افزایش مقیاس اجرای هوش مصنوعی مولد خود، باید سرعت رشد پذیرش را در مقابل حفظ کنترل بر دارایی های حیاتی خود متعادل کنید. اتخاذ یک رویکرد مدولار برای ساخت عوامل هوش مصنوعی مولد شما این کار را آسان‌تر می‌کند زیرا می‌توانید پیاده‌سازی خود را شکسته و از تنگناهای احتمالی جلوگیری کنید.

مشابه طراحی‌های microservices برای برنامه‌ها، رویکرد ماژولار به خدمات هوش مصنوعی همچنین بهترین شیوه‌ها را در مورد طراحی برنامه‌ها و نرم‌افزارها برای حذف نقاط شکست و همچنین باز کردن دسترسی به فناوری برای پتانسیل‌های بیشتر تشویق می‌کند. کاربران همچنین نظارت بر عملکرد نماینده در سراسر شرکت و تشخیص دقیق‌تر محل بروز مشکلات را آسان‌تر می‌کند.

اولین مزیت مدولار بودن، توضیح پذیری است. از آنجایی که اجزای درگیر در سیستم هوش مصنوعی مولد از یکدیگر جدا شده‌اند، تحلیل نحوه عملکرد و تصمیم‌گیری عوامل آسان‌تر می‌شود. هوش مصنوعی اغلب به عنوان “جعبه سیاه” توصیف می شود. تقسیم بندی ردیابی و توضیح نتایج را بسیار آسان تر می کند.

دومین مزیت در اینجا امنیت است، زیرا اجزا می توانند با بهترین مکانیسم های تأیید هویت و مجوز محافظت شوند و اطمینان حاصل شود که فقط کاربران مجاز به داده ها و عملکردهای حساس دسترسی دارند. مدولار بودن همچنین انطباق و حاکمیت را آسان‌تر می‌کند، زیرا اطلاعات شناسایی شخصی (PII) یا مالکیت معنوی (IP) را می‌توان محافظت کرد و از LLM اصلی جدا نگه داشت.

تأمین مالی ابتکار هوش مصنوعی مولد شما

در کنار رویکرد میکروسرویس‌ها، باید یک طرز فکر پلتفرم برای برنامه کلی هوش مصنوعی مولد خود اتخاذ کنید. این شامل جایگزینی مدل سنتی تامین مالی مدل مبتنی بر پروژه برای پروژه های نرم افزاری و ارائه یک مدل تامین مالی سازگار و انعطاف پذیر است. این رویکرد به شرکت‌کنندگان اجازه می‌دهد تا تصمیم‌های مبتنی بر ارزش اتخاذ کنند، به فرصت‌های نوظهور پاسخ دهند و بهترین شیوه‌ها را توسعه دهند بدون اینکه توسط چرخه‌های مالی سفت و سخت یا موارد تجاری محدود شوند.

برخورد با بودجه خود به این روش همچنین توسعه دهندگان و تیم های تجاری را تشویق می کند تا هوش مصنوعی مولد را به عنوان بخشی از زیرساخت کلی سازمان در نظر بگیرند. این امر اجتناب از برخی از اوج‌ها و فرودهایی را که می‌توانند بر برنامه‌ریزی حجم کار تأثیر بگذارند، آسان‌تر می‌کند و اتخاذ رویکرد «مرکز تعالی» را که در طول زمان ثابت می‌ماند، آسان‌تر می‌کند.

رویکردی مشابه این است که هوش مصنوعی مولد را به‌عنوان محصولی که کسب‌وکار به تنهایی از آن استفاده می‌کند، نه به‌عنوان نرم‌افزار، در نظر بگیریم. عوامل هوش مصنوعی باید به عنوان محصولات مدیریت شوند، زیرا این نشان دهنده ارزشی است که آنها به طور مؤثرتری ایجاد می کنند، و همچنین دریافت منابع پشتیبانی پیرامون یکپارچه سازی، ابزارها و درخواست ها را آسان تر می کند. ساده‌سازی این مدل، درک گسترده‌تری را در مورد هوش مصنوعی مولد و اتخاذ بهترین شیوه‌ها در سراسر سازمان تشویق می‌کند و فرهنگ تخصص مشترک و همکاری در توسعه هوش مصنوعی مولد را تقویت می‌کند.

هوش مصنوعی مولد پتانسیل بسیار زیادی دارد و شرکت‌ها برای پیاده‌سازی ابزارها، عوامل و دستورات جدید در عملیات خود عجله دارند. با این حال، تولید این پروژه‌های بالقوه شامل مدیریت مؤثر داده‌های شما، ایجاد پایه‌ای برای افزایش مقیاس سیستم‌ها و ایجاد مدل بودجه مناسب برای پشتیبانی از تیم شما است. درست کردن فرآیندها و اولویت‌هایتان به شما و تیمتان کمک می‌کند پتانسیل تحول‌آفرین این فناوری را باز کنید.

Dom Couldwell رئیس مهندسی میدانی، EMEA، در DataStax است.

—

Generative AI Insights مکانی را برای رهبران فناوری – از جمله فروشندگان و سایر مشارکت‌کنندگان خارجی – فراهم می‌کند تا چالش‌ها و فرصت‌های هوش مصنوعی مولد را بررسی و بحث کنند. این انتخاب گسترده است، از غواصی عمیق فناوری گرفته تا مطالعات موردی گرفته تا نظرات متخصص، اما همچنین ذهنی است، بر اساس قضاوت ما در مورد اینکه کدام موضوعات و درمان ها به بهترین وجه به مخاطبان فنی پیشرفته InfoWorld خدمت می کنند. InfoWorld وثیقه بازاریابی را برای انتشار نمی پذیرد و حق ویرایش تمام محتوای ارائه شده را برای خود محفوظ می دارد. تماس با doug_dineley@foundryco.com.