Generativna AI ima potencijal preoblikovati poslovni pejzaž, pružajući nove mogućnosti i povećavajući učinkovitost zaposlenika. Prema insightsima industrije iz McKinseya, generativna AI postala je ključan fokus tvrtki, pri čemu više od četvrtine poslovnih lidera prepoznaje njezinu važnost na razini upravnog odbora. Zapravo, značajnih 79 posto ispitanih lidera već je prihvatilo generativnu AI u svojim operacijama.
Utjecaj ovih tehnologija osjeća se u različitim industrijama, posebno u razvoju softvera. Studija IDC-a otkrila je da 40 posto IT izvršnih direktora vjeruje da će generativna AI potaknuti inovacije u kreiranju softvera. Dodatno, GBK Collective procjenjuje da otprilike 78 posto tvrtki planira iskoristiti AI za razvoj softvera u iduće tri do pet godina. Čak i unutar sektora igara, oko polovice tvrtki za videoigre već je prihvatila generativnu AI kako bi optimizirali svoje radne procese, prema istraživanju provedenom na Konferenciji razvojitelja igara.
Ovi trendovi jasno ukazuju na rastuću usvajanje generativne AI. Međutim, jedan od značajnih izazova leži u nedostatku developera s potrebnim vještinama za izgradnju aplikacija pokrenutih generativnom AI. I dok mnoge tvrtke mogu odabrati iskorištavanje usluga generativne AI od pružatelja, poduzeća koja žele razvijati i upravljati vlastitim AI-pokretnim servisima moraju prioritetno integrirati svoje podatke kako bi ih učinkovito iskoristili.
Istraživanje Praznina: Izazovi u Generativnoj AI
Dakle, koji su specifični izazovi koji okružuju generativnu AI? Prvo, tu je pitanje pripreme podataka za sustave generativne AI. Drugo, integriranje ovih sustava i razvoj softvera koji učinkovito iskorištava mogućnosti generativne AI postavlja dodatne prepreke.
Za mnoge organizacije, generativna AI je usko povezana s velikim jezičnim modelima (LLM) i uslugama poput ChatGPT. Ti alati omogućuju da se tekstualni unos prevede u upite koje servis može razumjeti, pružajući odgovore na temelju trening podataka. I dok odgovori ChatGPT-a mogu biti dovoljni za jednostavne upite, tvrtke zahtijevaju dublje razumijevanje svojih specifičnih domena.
Za rješavanje ove ograničenosti, postaju nučni tehnike poput Retrieval Augmented Generation (RAG). RAG omogućuje tvrtkama da učine svoje podatke upitnim i uključe ih u operacije LLM-a. Ti podaci mogu biti u različitim formatima, poput baza znanja tvrtke, kataloga proizvoda ili tekstualnog sadržaja u PDF-ovima i ostalim dokumentima. Kako bi se ti podaci pretvorili u smislene informacije, potrebno je koristiti tehnike poput “chunking” za podjelu teksta na diskretne jedinice koje se mogu numerički prikazati. Chunking može uzeti u obzir pojedinačne riječi, rečenice ili odlomke, pri čemu svaki pristup ima svoje kompromise u pogledu točnosti i računalnih troškova. I dok je chunking i dalje razvijajuće područje, kontinuirana eksperimentacija ključna je za optimalne rezultate.
Jednom kada su podaci podijeljeni u chunk-ove i pretvoreni u vektore, oni moraju biti dostupni unutar sustava generativne AI. Kada se primi zahtjev korisnika, on se pretvara u vektor koji se zatim koristi za pretraživanje podataka tvrtke i pronalaženje najboljih semantičkih podudaranja. Ta podudaranja pružaju kontekst LLM-u, pomažući u generiranju visokokvalitetnih odgovora.
RAG podaci nude dvije ključne prednosti. Prvo, omogućuju tvrtkama da koriste osjetljive podatke u generativnoj AI, a da ih ne ugrađuju izravno u LLM. Ta kontrola nad
korištenjem podataka ključna je za privatnost i sigurnost. Drugo, RAG omogućuje pružanje podataka osjetljivih na vrijeme, osiguravajući da informacije ostanu ažurirane za korisnike.
Iako implementacija RAG-a predstavlja izazov zbog evoluirajuće prirode uključenih tehnologija, ključno je olakšati širi pristup generativnoj AI za developere. Potražnja za vještim developerima koji dobro poznaju chunking podataka, vektorske ugniježđenosti i LLM-ove premašuje trenutnu ponudu. Pojednostavljenje procesa rada s RAG-om i generativnom AI koristit će čitavoj industriji.
Astrahiranje AI pomoću API-ja: Osnaživanje Developera
Učiniti generativnu AI dostupnijom developerima uključuje podršku programskim jezicima koje oni često koriste. Python, često povezan s generativnom AI, preferirani je jezik za znanstvenike podataka. Međutim, prema istraživanju Stack Overflow-a iz 2023. godine, nalazi se na trećem mjestu po popularnosti. Kako bi se proširila participacija u izgradnji aplikacija generativne AI i njihovoj integraciji s drugim sustavima, ključno je proširiti podršku za jezike poput JavaScripta, najpopularnijeg programskog jezika.
Jedan pristup koji pojednostavljuje ovaj proces je pružanje API-ja koji se usklađuju s preferiranim jezicima developer. Nudeći standardizirane API-je za najčešće korištene programske jezike, developeri mogu efikasnije raditi s generativnom AI.
Ovaj API-centric pristup također adresira još jedan značajan izazov za developere – učinkovito integriranje različitih komponenti unutar aplikacija generativne AI. Od chatbotova za korisničku podršku do autonomnih agenata koji rješavaju kompleksne radne procese, generativna AI obuhvaća širok spektar upotreba. Svaka upotreba uključuje više komponenti koje surađuju kako bi ispunile zahtjeve. Bez apstrahiranja ove složenosti pomoću API-ja, developeri bi se suočili s upravljanjem i ažuriranjem brojnih veza kako funkcionalnost raste ili se novi elementi uvode u AI aplikaciju. Standardizirani API-ji olakšavaju ovaj teret, pojednostavljujući dugoročno upravljanje developerima.
Često Postavljana Pitanja (FAQ)
The source of the article is from the blog dk1250.com