این روزها هوش مصنوعی در همه جا وجود دارد و دلیل خوبی دارد، زیرا توانایی مدل‌های زبان بزرگ (LLM) برای تقویت و سرعت بخشیدن به فرآیندهای تجاری، نحوه عملکرد شرکت‌ها را تغییر می‌دهد. بسیاری از سناریوهای مورد بحث همان مواردی هستند که من آن را موارد استفاده «برنامه» می نامم. اینها مواردی مانند استفاده از ChatGPT برای نوشتن محتوای بازاریابی، خلاصه کردن ضبط مرکز تماس یا حتی ارائه کد برای الگوریتم مرتب‌سازی حبابی در پایتون هستند. اینها قابلیت های چشمگیری هستند، اما اگر به هر نمونه نگاه کنید متوجه خواهید شد که آنها درخواست های مولد خاصی هستند. ما از LLM برای ارائه یک عملکرد تجاری خاص و نسبتاً محدود استفاده می کنیم. همانطور که هوش مصنوعی بهبود می یابد، ما شروع به مشاهده فرآیندهای تجاری پیچیده ای خواهیم کرد که از هوش مصنوعی بهره می برند، که تأثیر سونامی بر تجارت خواهد داشت.
یکی از نمونه های فراتر از این موارد استفاده از برنامه های کاربردی، استفاده از هوش مصنوعی برای اتصال تمام منابع محتوایی است که کسب و کار ما را اداره می کنند. هوش مصنوعی مانند تمام شرکت هایی که من تا به حال برای آنها کار کرده ام، بر روی داده ها کار می کند. ما داده‌ها را از طریق ایمیل‌ها، موضوعات شلوغ، تماس‌های زوم، گزارش‌های مالی و هزاران برنامه تجاری دیگر جمع‌آوری و تولید می‌کنیم. این داده ها گنجینه ای از اطلاعات در مورد نحوه عملکرد و بهینه سازی یک کسب و کار است و برنامه های تحلیلی وجود دارد که در هضم و تجزیه و تحلیل این داده ها عالی هستند.
در InMoment، ما روی چنین برنامه‌هایی کار می‌کنیم و می‌توانم با قاطعیت بگویم که چالش‌برانگیزترین بخش کار ما دسترسی به همه این سیلوهای اطلاعات و کشف چگونگی عادی‌سازی این منابع متفاوت است تا بتوانیم به وسعت اطلاعات خود نگاه کنیم. داده های مشتریان درک ناگفته ای در صنعت وجود دارد که سخت ترین بخش کار نرم افزار B2B یکپارچه سازی داده ها بین سیستم ها است. در این زمینه، حل مسائل مربوط به اتصال داده ها اغلب راه را برای موفقیت پروژه هموار می کند.
برنامه های B2B را تصور کنید که در آن هوش مصنوعی تعاملات داده بین کسب و کارها را مذاکره می کند. این مبادله اغلب “نقشه برداری و تبدیل داده های هوشمند” نامیده می شود. برای ساخت‌های omni-source بزرگ که در آن منابع داده متنوعی به یک برنامه تحلیلی فشار داده می‌شوند، این کار یکپارچه‌سازی داده اغلب بیشتر از ۵۰ درصد پروژه است. اگر بتوانیم یک پروژه دو ماهه یکپارچه سازی داده ها را به دو هفته کاهش دهیم، ارزش اقتصادی آن می تواند میلیاردها دلار باشد. در این مرحله، هوش مصنوعی ها هنوز به کمک ما نیاز دارند تا همه این منابع نامتجانس را به هم متصل کنند و آنها را در یک مجموعه منسجم پیوند دهند. با این حال، همانطور که LLM ها در استفاده از فناوری هایی مانند Langchain برای اتصال LLM پیچیده تر می شوند، ما به تبادل داده ماشین به ماشین نزدیک تر می شویم.
همه اینها به طور همزمان اتفاق نمی افتد، اما اکنون می توانیم شروع به استقرار اولین برش در چنین سیستمی کنیم. برنامه‌های «Text to SQL» از LLM برای ترجمه سؤالات زبان طبیعی به تماس‌های پایگاه داده استفاده می‌کنند، اما نیاز به مستنداتی درباره نحوه و مکان ذخیره اطلاعات دقیق دارند. فرآیند رسیدن به آن درک، اکتشافی و محاوره ای است. این فرآیند با شناسایی فیلدهای داده مورد نیاز از نیازهای مبهم کاربر آغاز می شود.
یافتن جایی که این اطلاعات در سیستم‌های ذخیره‌سازی بزرگ سازمانی ذخیره می‌شود، نیاز به جستجو و پرسش از کاربران سیستم‌های مختلف دارد. تصمیم گیری در مورد اینکه آیا دو جدول می توانند روی یک کلید خاص به یکدیگر بپیوندند، نیاز به تجزیه و تحلیل منطقی و اشکال زدایی دقیق نتایج دارد. در حالی که اعلان‌های ساده به مهندسی داده کاملاً خودکار منجر نمی‌شوند، سیستم‌های پیچیده‌تر LLM امیدوارکننده هستند. این سیستم‌های پیشرفته می‌توانند داده‌ها را کاوش کنند، سؤال بپرسند و در نهایت به منابع خبره برای سایر LLMها تبدیل شوند تا در طول وظایف یکپارچه‌سازی داده‌ها با آنها مشورت کنند. این قابلیت امکان کشف و طبقه بندی منابع داده را فراهم می کند که می تواند منجر به توسعه شبکه های عامل شود. این شبکه ها می توانند منابع داده داخلی را تقویت کرده و مجدداً از آنها استفاده کنند و مشکلات پیچیده سازمانی را در سیلوهای داده حل کنند. مهمتر از همه، آنها می توانند این کار را در حالی که مجوزهای مناسب را حفظ می کنند و شناسایی درآمد را در خود جای داده اند، انجام دهند.
این فناوری از قبل برای شروع فرآیند ادغام داده‌های ماشین به ماشین وجود دارد. البته این مشکل فراتر از فناوری است. شرکت‌ها مالک این ماشین‌ها هستند و نگرانی‌های معتبری در مورد نحوه مبادله داده‌ها دارند. غیر معمول نیست که چند ماه اول یک پروژه توسط چک لیست ها و تأیید امنیت داده ها و انطباق مصرف شود. با مذاکرات ماشین به ماشین، شرکت ها بر حفظ امنیت اصرار بیشتری خواهند داشت. سپس کل نگرانی وجود دارد “این ترسناک است که ماشین ها با یکدیگر مذاکره کنند” و من موافقم، این یک پیشنهاد بسیار دلهره آور است.
با این حال، مزایای مالی این امر احتمالاً روز را پیروز خواهد کرد، زیرا در حالی که به دست آوردن مقادیر دقیق دلار دشوار است، ما درباره میلیاردها، شاید تریلیون ها دلار صحبت می کنیم که شرکت ها هر ساله برای تبادل داده های B2B خرج می کنند. دو پروژه چند میلیون دلاری آخری که ما مدیریت کردیم تحت سلطه تبادل داده و مهندسی داده بود. در یک پروژه شش ماهه، حداقل سه ماه صرف کار داده‌ای شد که از با تجربه‌ترین و با تجربه‌ترین منابع مهندسی ما استفاده کرد. کاهش آن حتی تا 50 درصد منجر به میلیون‌ها دلار صرفه‌جویی در این پروژه‌ها می‌شود، و این فقط دو پروژه اخیر ما هستند. پتانسیل صرفه جویی قابل توجه در هزینه ها دلیل قانع کننده ای برای پذیرش ادغام داده های مبتنی بر هوش مصنوعی است.
ظرف دو یا سه سال، ارزش اقتصادی عظیم مبادله داده مبتنی بر هوش مصنوعی، استقرار گسترده این سیستم‌های هوش مصنوعی را هدایت خواهد کرد. این تغییر روند تجزیه و تحلیل بین سازمانی را که در حال حاضر در حال انجام است تسریع و تقویت می کند و به طور اساسی محیط کسب و کار را تغییر می دهد. همانطور که از برنامه های کاربردی هوش مصنوعی خاص و مولد امروزی عبور می کنیم، شاهد تغییر هوش مصنوعی در فرآیندهای پیچیده تجاری و تعاملات داده خواهیم بود و عصر جدیدی از کارایی و نوآوری در صنایع را آغاز می کند.