生成式 AI 和数据管理：转变 B2B 实践

在数据驱动运营的时代，各组织都在努力应对丰富的数据，这是高级数据管理主管和首席数据官（CDO）最关注的挑战。有效管理、分析庞大的数据资源并从中提取有价值的见解，仍然是推进战略目标的巨大障碍。

海量数据的普遍存在需要超越传统管理方法的先进解决方案，而传统管理方法往往在处理其复杂性和海量数据时显得力不从心。因此，能够处理海量数据的更新技术应运而生。然而，在数据管理对话中，不成功的项目和被放弃的计划比比皆是。究其根本原因，除了基础设施和处理能力之外，还需要大量高质量的数据，这是一个看似简单却难以实现的要求。

数据质量和管理一直是持久的挑战，需要耗费大量的时间和资源。这种长期斗争导致错失良机和成本上升，迫使数据管理专业人员和领导者通过新技术和工具寻求更快、更有效的解决方案。其中一项技术就是被称为 Gen AI 的生成式人工智能（Generative AI），它在几个月的讨论中一直占据着主导地位。它在技术新闻中无处不在，展示了它的感知能力，ChatGPT 或 Google Bard 等耳熟能详的名字就是例证。

根据 SAP 的定义，生成式人工智能包括人工智能模型，旨在生成新鲜的内容，包括文字、音频、图像或视频。它的应用横跨多个领域，展示了其多功能性。生成式人工智能的功能可以扩展到制作与特定作家风格相似的叙事，制作不存在的个人的逼真图像，创作与著名作曲家相似的交响乐，或将文字描述转化为生动的视频剪辑。

由生成对抗网络（GANs）这一复杂概念驱动的 Gen AI 为解决 CDO 的议程提供了令人信服的潜力。它能够快速生成各种内容类型（文本、图像、音频和合成数据），是解决关键数据管理难题的希望灯塔。通过其机器学习算法，Gen AI 可镜像现有数据，迅速生成新内容，有望缓解数据管理的若干复杂问题。

现代企业中生成式人工智能与数据管理的融合

生成式人工智能和大型语言模型已悄然兴起，引发了整个会议室和家庭的讨论。其变革性影响源于其无与伦比的理解和生成具有上下文意识的类人文本的能力。这些能力扩展到语言翻译、情感分析、代码生成和创意写作等任务，标志着可能重塑行业的关键转变。

毕马威会计师事务所的一项调查显示，77% 的企业领导者预计，在新兴技术中，生成式人工智能将对其业务产生最重大的影响。71%的人打算在未来两年内实施生成式人工智能解决方案。

行业领先企业已经推出了突破性创新。例如，摩根士丹利财富管理公司（Morgan Stanley Wealth Management）利用 OpenAI 的 GPT-4 LLM 向每位客户无缝传授其顶级专业知识。同样，可汗学院（Khan Academy）的虚拟人工智能辅导员 Khanmigo 正在彻底改变教育。

生成式人工智能的采用方式反映了技术供应商之间的竞争格局。继 ChatGPT 取得成功后，OpenAI 宣布了 GPT-4，而谷歌推出了 PaLM 2，Meta 推出了 Llama-v2。众多资金雄厚的初创公司也在精心打造各种基于 LLM 的产品，将通用 LLM 定位为基础工具，类似于云计算时代的公共云服务。

探索采用 LLM 的企业会考虑几种务实的方法：

提示工程：迭代改进输入 LLM 的提示，以获得一致的响应。
微调 LLM：利用特定领域的数据调整现有的 LLM，以获得与上下文相关的响应。
检索增强生成（RAG）：通过检索相关信息并将其作为 LLM 的上下文输入，利用特定领域的数据更有效地利用人工智能。
定制 LLM：一种定制的 LLM 开发方法，需要大量的人工智能专业知识和资源。

各组织强调利用自己的数据和知识库，在同类公共龙8国际娱乐城盛行的环境中脱颖而出。提示和微调的有效性取决于数据利用的最大化。例如，摩根士丹利雇佣了 300 名员工来完善 GPT-4 结果，从而提高了知识库的可访问性。

LLM 与特定领域数据的匹配有望带来切实的解决方案和更高的效率，73% 的企业领导者预计生成式人工智能将提高员工的工作效率。然而，企业也在努力应对预期风险–92%的企业承认在实施生成式人工智能过程中存在中度到高度风险问题。

管理不断增长的数据量需要人工智能驱动的自动化，从数据分类到数据管道开发。生成式人工智能通过自然语言界面实现数据民主化的潜力有望提升数据管理效率。

新一代人工智能对数据管理流程的影响

数据导入：生成式人工智能彻底改变了非结构化数据的提取方式，但其在结构化数据提取方面的潜力仍是未来发展的重点。
数据转换：人工智能使数据工程师能够生成转换代码，从而增强数据质量维护流程。
模式映射：利用人工智能对提取的数据进行现场上下文分析，可简化连接，提高映射任务的准确性和效率。
全面自动化：人工智能的深远影响在于将整个框架和开发过程中的重复性任务自动化，从而显著提高运营效率。
可用性和用户体验：增强的用户体验能让非技术用户以前所未有的方式探索数据。将聊天机器人集成到解决方案（如 Astera 的 Data Prep）中，可促进用户友好的英语互动，使用户能够指示人工智能执行特定的数据任务，从而优化功能。

使用案例

文档分析和汇总：合同或政策等冗长的文档对各行业都是挑战，通常需要大量的人工工作。人为总结可能会带来主观性、偏差和错误，影响总结的准确性和完整性。
研究和知识管理：在文件中搜索关键信息需要耗费大量人力，而且容易出现疏忽和错误。高效的数据管理和从广泛的知识库中提取信息对企业来说至关重要。
简历筛选：传统的简历筛选费时费力，而且可能导致错过潜在候选人或与职位要求不匹配。生成式人工智能可精确简化招聘流程。人工智能利用先进的算法准确分析简历和职位描述，确保候选人与职位标准的最佳匹配。这种集成简化了初步筛选，为人力资源团队腾出时间，专注于招聘的战略方面。
客户服务：电子邮件和支持：客户服务方面的挑战往往会带来令人沮丧的体验，包括等待时间过长、答案相互矛盾以及难以找到即时帮助。这些问题会导致客户不满，并给支持团队带来压力。
扫盲和教育聊天机器人：对客户进行服务教育往往会让他们不知所措，并且由于信息过载而造成混乱。为解决这一问题，一个用户友好、按需提供的金融信息系统变得至关重要，它能让客户独立做出明智的决定，最大限度地减少决策瘫痪。