Poboljšani poslovni prosuđe postaje sve važniji kako tvrtke traže taktičku prednost s implementacijom AI tehnologija koje generiraju tekstualne i slikovne podatke, poznate kao “generativna AI.” Među najintrigantnijim mogućnostima za tvrtke je prijelaz s javnih velikih modela jezika (LLM) na prilagođene, privatno upravljane LLM-ove.
Javni LLM-ovi obučeni su na široko dostupnim podacima, ali tvrtke se suočavaju s tri glavne brige pri korištenju tih modela. Prvo, postoji rizik od povreda privatnosti podataka, jer podaci poslani za LLM-ove često prolaze kroz poslužitelje trećih strana. Tvrtke moraju biti oprezne kada koriste osjetljive informacije o tvrtki ili prepoznatljive osobne podatke. Dodatno, transparentnost LLM-ova može biti upitna, zbog njihove ‘crne kutije’ prirode gdje proces donošenja odluka ostaje nejasan. Konačno, preciznost odgovora LLM-a uvelike ovisi o kvaliteti podataka za obuku modela, izazivajući zabrinutost oko konzistentnosti podataka i potencijalne dezinformacije ili pristranosti.
Usred tih izazova, neke tvrtke nameću ograničenja ili čak zabranjuju njihovu upotrebu. CTO kompanije SAP, Jürgen Müller, priznaje korisnost LLM-ova, ali ističe poteškoće u njihovoj učinkovitoj primjeni u poslovanju bez pristupa ažuriranim, specifičnim informacijama tvrtke.
Tvrtke sve više razmišljaju o razvoju svojih privatnih LLM-ova kako bi prevladale rizike povezane s javnim modelima. Spajanjem tih prilagođenih modela s njihovim patentnim podacima, tvrtke mogu optimizirati točnost odgovora i osigurati sigurno implementiranje LLM-ova. Primjer takve inovacije dolazi od PricewaterhouseCoopers (PwC), koja je prilagodila svoj alat za poreznu AI pomoć obučen na pravnim tekstovima, studijama slučaja i intelektualnom vlasništvu PwC-a. Redovitim ažuriranjem podataka kako bi odražavali promjene u poreznom zakonodavstvu, privatni LLM tvrtke PwC pruža preciznije, transparentnije i pouzdanije informacije u području oporezivanja u usporedbi s konvencionalnim javnim LLM-ovima.
The source of the article is from the blog toumai.es