استكشاف الذكاء الاصطناعي التوليدي لتحقيق أقصى استفادة من التجربة وصناعة القرار والقيمة التجارية

في الجزء الأول من هذه السلسلة المكونة من ثلاثة أجزاء، تم وصف الذكاء الاصطناعي التوليدي وكيفية عمله.

ترى IBM Consulting قيمة تجارية ملموسة في تعزيز نشر الذكاء الاصطناعي الحالي باستخدام الذكاء الاصطناعي التوليدي لتحسين الأداء وتسريع الوقت المناسب للقيمة. وهناك أربع فئات من القدرات الُمحسنة بشكل كبير تقدمها هذه النماذج:

• الملخص كما يظهر في أمثلة مثل تفاعلات مركز الاتصالات، والوثائق مثل التقارير المالية، ومقالات المحللين، البريد الإلكتروني، والأخبار واتجاهات الإعلام.
• البحث الدلالي كما يظهر في أمثلة مثل التقييمات وقاعدة المعرفة وأوصاف المنتجات.
• إنشاء المحتوى كما يظهر في أمثلة مثل الوثائق التقنية، وقصص المستخدمين، وحالات الاختبار، والبيانات، وتوليد الصور، وواجهة المستخدم (UI) المخصصة، الشخصيات ونصوص التسويق.
• إنشاء الرمز كما هو موضح في أمثلة مثل الرمز المساعد، والمسارات، وملفات Docker، ونصوص Terraform، وتحويل قصص المستخدم إلى تنسيق Gherkin، والرسوم البيانية كرمز، والتحف المعمارية، ونماذج التهديد، ورمز للتطبيق.

مع هذه التحسينات، من السهل أن نرى كيف يمكن لكل صناعة إعادة تصور عملياتها الأساسية باستخدام الذكاء الاصطناعي التوليدي.

تؤدي حالات الاستخدام الرائدة إلى أكثر من مجرد خفض التكاليف. فإنها تساهم في رضا الموظفين وتحقيق ثقة العملاء وتنمية الأعمال. وهذه ليست احتمالات مستقبلية لأن الشركات تستخدم الذكاء الاصطناعي التوليدي اليوم لتحقيق قيمة تجارية سريعة، بما في ذلك تحسين الدقة والرؤى شبه الفورية لشكاوى العملاء لتقليل زمن اكتشاف الرؤى، وتقليل الوقت اللازم للتدقيقات الداخلية للحفاظ على الامتثال التنظيمي وتحقيق مكاسب كفاءة للاختبار والتصنيف.

في حين أن هذه الحالات المبكرة والنتائج التي قدمتها مثيرة، فإن العمل المتعلق ببناء حلول الذكاء الاصطناعي التوليدي يجب تطويره بعناية مع الاهتمام الحساس بالمخاطر المحتملة التي تنطوي عليها بما في ذلك:

التحيز: كما هو الحال مع أي نماذج ذكاء اصطناعي، فإن بيانات التدريب لها تأثير على النتائج التي ينتجها النموذج. ويتم تدريب نموذج الأساس على أجزاء كبيرة من البيانات المستخرجة من الإنترنت. وبالتالي، فإن التحيزات الموجودة بطبيعتها في بيانات الإنترنت تلتقطها النماذج المُدرّبة ويمكن أن تظهر في النتائج التي تنتجها النماذج. وفي حين أن هناك طرقًا للتخفيف من هذا التأثير، فإن الشركات بحاجة إلى وضع آليات حوكمة لفهم هذا الخطر والتعامل معه.
    الافتقار إلى الشفافية: نماذج الأساس أيضا ليست قابلة للتدقيق أو الشفافية بالكامل بسبب الطبيعة "المراقبة الذاتية" لتدريب الخوارزمية.
    الهلوسة: يمكن أن تنتج النماذج اللغوية الكبيرة "هلوسات"، وهي نتائج تلبي المتطلبات النحوية للسؤال لكنها غير صحيحة من الناحية الواقعية. ومرة أخرى، تحتاج الشركات إلى آليات حوكمة قوية للتخفيف من هذه المخاطر.
  الملكية الفكرية: هناك أسئلة لم تتم الإجابة عنها تتعلق بالتبعات القانونية ومن قد يمتلك حقوق المحتوى الذي تم إنشاؤه بواسطة النماذج التي جرى تدريبها على مواد يُحتمل أن تكون مكتوبة بموجب قانون.
    الأمان: هذه النماذج عرضة للبيانات والمخاطر الأمنية بما في ذلك هجمات الحقن الموجه.

عند الانخراط في مشاريع الذكاء الاصطناعي التوليدي، يجب على قادة الأعمال التأكد من وضع آليات قوية للأخلاقيات والحوكمة في الذكاء الاصطناعي لتقليل المخاطر المرتبطة بها. وباستخدام منهجية IBM Garage، يمكن لشركة IBM مساعدة قادة الأعمال في تقييم كل مبادرة من مبادرة الذكاء الاصطناعي التوليدي من حيث مدى خطورة ودقة الناتج المطلوب. في الموجة الأولى، يمكن للعملاء إعطاء الأولوية لحالة الاستخدام التي تواجه الموظفين حيث يتم تقييم المخرجات من قبل البشر ولا تتطلب درجة عالية من الدقة.

يقدم الذكاء الاصطناعي التوليدي والنماذج الكبيرة مخاطر جديدة إلى مجال الذكاء الاصطناعي، ولا ندعي أن لدينا كل الإجابات على الأسئلة التي تطرحها هذه الحلول الجديدة. IBM Consulting تلتزم بتطبيق التأمل الذاتي المدرس أثناء التفاعلات مع المؤسسات والحكومة والمجتمع بشكل عام، وضمان تمثيل متنوع لوجهات النظر أثناء بحثنا عن إجابات لتلك الأسئلة.

تعرف على المزيد حول هذه السلسلة المكونة من ثلاثة أجزاء بقراءة الجزء الأول أو الثالث ، وتواصل مع خبير لبدء محادثة حول احتياجاتك.