به گفته گارتنر ، هشتاد درصد از برنامه های تجاری تولید AI در سیستم عامل های مدیریت داده های موجود تا سال 2028 توسعه می یابد و به گفته گارتنر ، پیچیدگی و کاهش زمان تحویل را 50 ٪ کاهش می دهد.
در حال حاضر ، برنامه های تجاری Genai با ادغام مدل های بزرگ زبان (LLM) با داده های داخلی سازمان و همچنین فناوری های به سرعت در حال تحول مانند جستجوی بردار ، مدیریت ابرداده ، طراحی سریع و تعبیه توسعه داده می شوند. با این حال ، سازمان ها خطر پذیرش “فن آوری های پراکنده” با زمان تحویل طولانی تر و هزینه های بالاتر بدون رویکرد مدیریت یکپارچه را دارند ، شرکت اعلام شد در طول اجلاس داده های گارتنر و تجزیه و تحلیل ، هفته گذشته در بمبئی برگزار شد.
نقش RAG در ساخت برنامه های دقیق تر Genai
بازیابی نسل (RAG)-چارچوبی برای افزایش صحت و قابلیت اطمینان مدل های تولید کننده هوش مصنوعی-نقش مهمی در کاهش این موضوعات خواهد داشت.
گارتنر گفت: RAG برای استقرار برنامه های Genai بنیادی است ، زیرا “انعطاف پذیری اجرای ، توضیح بیشتر و ترکیب با LLM ها” را ارائه می دهد.
Prasad Pore ، تحلیلگر ارشد گارتنر ، به TechRepublic گفت: “یكی از موارد مهم استفاده از RAG ، بهبود فرآیند و اتوماسیون وظایف در بسیاری از كاركردهای تجاری مانند فروش ، منابع انسانی ، IT و مدیریت داده ها است.” “در حال حاضر ، مهندسین داده یا متخصصان داده هنگام توسعه ، آزمایش ، استقرار و از همه مهمتر حفظ خطوط لوله و برنامه های پیچیده داده ها با چالش های زیادی روبرو هستند.”
این امر به این دلیل است که فرآیندهای فعلی پیرامون مدیریت داده ها زمان و تلاش زیادی را انجام می دهند ، که منافذ گفت با استفاده از RAG کاهش می یابد و در عین حال باعث افزایش بهره وری نیز می شود. وی افزود: “همچنین ، حاکمیت داده ها از نظر ماهیت پیچیده است” ، و می تواند از RAG در مناطقی از جمله کشف داده ها ، تولید زمینه تجارت و تشخیص ناهنجاری امنیتی با تجزیه و تحلیل ورود به سیستم بهره مند شود.
علاوه بر این ، مدل های تولیدی مانند LLMS استاتیک و از آخرین اطلاعات ، جدا از داده هایی که در مورد آنها آموزش دیده اند ، بی خبر هستند. این مدل ها بیشتر با استفاده از داده های در دسترس عموم آموزش دیده اند. وی گفت که آنها می توانند برای کارهای عمومی مورد استفاده قرار گیرند اما برای کارهای خاص تجاری/سازمان مفید نیستند زیرا آنها فاقد زمینه هستند.
RAG جدیدترین داده های تجاری یا سازمان خاص/اختصاصی را ادغام می کند “و حتی آخرین داده های عمومی ، به عنوان زمینه ، به مدل LLM [and] تصمیم[ing] منافذ گفت: کدام عمل بر اساس سؤال/ورودی انجام می شود.
انواع برنامه های تجاری Genai
با توجه به انواع برنامه های تجاری گارتنر در حال مراجعه به آن است ، منافذ گفت موارد استفاده بسیاری از موارد و کاربردهای Genai برای صنایع و بخش های مختلف وجود دارد. در سطح بالایی ، می توان آن را در این سه دسته گسترده طبقه بندی کرد.
- بهبود فرآیند و اتوماسیون: به عنوان مثال ، مدیریت دانش سازمانی ، اتوماسیون پردازش اسناد ، تحقیق ، توسعه نرم افزار و عملیات و میز کمک داخلی.
- تجربه کاربر: به عنوان مثال ، اتوماسیون پشتیبانی مشتری ، چت بابات برای نمایش داده های مربوط به محصول ، تجربه خرید شخصی ، دستیاران مسافرتی و رابط زبان طبیعی برای بسیاری از ابزارهای فناوری اطلاعات.
- بینش و پیش بینی ها: به عنوان مثال ، ابزارهای BI و تجزیه و تحلیل مکالمه ، کشف داده ها ، مدیریت داده های افزوده و هوش تجاری ، اتوماسیون BI/Analytics سنتی و پردازش زبان طبیعی.
3 نکته در مورد ایجاد و استقرار برنامه های Genai
گارتنر هنگام ساخت و استقرار برنامه های Genai ، به شرکتها توصیه می کند که در نظر بگیرند:
- ارزیابی اینکه آیا سیستم عامل های مدیریت داده در حال حاضر در حال استفاده می توانند به یک پلت فرم سرویس RAG-AS-A-Service تبدیل شوند و جایگزین فروشگاه های اسناد/داده مستقل به عنوان منبع دانش برای برنامه های Genai Business Genai شوند.
- ساختن RAG در اولویت و ادغام فن آوری هایی مانند جستجوی بردار ، نمودار و chunking ، از سیستم های مدیریت داده های موجود یا شرکای اکوسیستم آنها ، هنگام ساخت برنامه های Genai. اختلالات فنی با فن آوری های RAG کمتر اتفاق می افتد ، و همچنین با داده های سازمانی سازگار است.
- استفاده از ابرداده و داده های عملیاتی در زمان اجرا در سیستم عامل های مدیریت داده. این امر در برابر استفاده مخرب ، به نگرانی های مربوط به حریم خصوصی و جلوگیری از نشت مالکیت معنوی محافظت می کند.
پوشش اخیر TechRepublic در مورد هوش مصنوعی تولیدی که در چرخه اعتیاد به مواد مخدره گارتنر وارد سرنخ استبشر
