-
生成式 AI
生成式 AI 已然到來:
您準備好了嗎?內建 Intel® 創新技術
-
-
-
從何處開始
全新的生成式 AI 時代
組織與個人正在大規模運用生成式 AI (GenAI),因而造成顯著的社會影響。ChatGPT 和 DALL-E 等消費者級 AI 已運用其內容生成能力激發了所有人的想像力。然而,GenAI 對組織的影響可創造更多的價值,包括提高生產力、降低成本,並改變工作方式。
-
GenAI 將改變組織
GenAI 不僅帶來好處,也帶來全新的挑戰與風險。組織在展開生成式 AI 之旅時,他們無法冒險用客戶的信任和資料的高價值,來換取率先奪標的報酬。
-
-
-
資料在生成式 AI 中扮演的重要角色
資料與風險密切相關。資料將帶動生成式 AI 專案的進展,但您也需要評估在公有雲中存放生成式 AI 模型的潛在風險,包括:失去智慧財產權、資料外洩、隱私權爭議、違反法規、失去信譽和誠信、偏差,以及 IP 侵權。
-
-
管理風險並提高價值
在旅程開始之際,您必須在技術和訓練方面做出相等的投資,才能提高操作成熟度、降低風險、強化控制能力,並為貴組織創造最大價值。透過企業就緒 GenAI,您可以控制哪些人有權存取您的資料。
-
-
比較不成熟生成式 AI 和企業就緒生成式 AI 的風險與操作成熟度。
-
-
-
達成生成式 AI 應用目標
儘管企業在每一個垂直市場都已發掘數百個使用案例,但採用合適的使用案例才是關鍵所在。
-
-
-
-
-
-
將 AI 技術導入資料中
運用正確的資料
最佳的使用案例可以利用您豐富的資料,其表現取決於您的 AI 整備度,也需要適當的技能組合、預算和資源來提供支援。企業和 IT 團隊必須互相合作來訂定優先順序。
部署 GenAI 大型語言模型 (LLM) 的私有執行個體 (例如 Llama 2 或 Falcon) 有利於加快速度和部署作業,但此類模型也可能成本較高且有其他缺點。無論哪種方式,內部 GenAI 都可能讓您的早期工作發揮最大價值。
-
-
-
內容生成
-
自然語言搜尋
-
程式碼生成
-
支援助理
-
設計和資料建立
-
文件自動化
-
-
-
-
將生成式 AI 模型部署於資料鄰近處
-
-
在配置工作負載時,GenAI 與任何其他工作負載並無區別。若要取得最佳成果,請根據您的業務和技術需求,將其置於最合理的環境中。
下方圖表說明了決定 GenAI 工作負載配置時用到的概念和架構。
-
-
-
應該將 AI 應用在您的資料的 5 大理由
-
-
私有和公有雲中的生成式 AI 工作負載配置比較。
-
-
生成式 AI 適用的資料管理
許多組織正採取雙管齊下的 GenAI 策略。他們正在實驗策略性部署來學習並避免落於人後,同時也制定一套長期策略,以因應隨時間不斷出現的大量使用案例。此方法需要採取雙層式資料管理策略。
資料準備資料工程 -
-
-
資料準備
-
短期:資料準備
資料準備包括識別資料集並定義資料需求,接著清理、加標籤及匿名化資料資料,然後跨資料來源進行資料標準化。此外也需要建立資料管道,才能將資料整合至模型中。
-
-
-
資料工程
-
長期:資料工程
組織需要結構良好的資料存放庫 (例如資料湖或資料湖區),才能整合資料與 GenAI 模型。請考慮以迭代方式建置資料湖,以便一邊逐步擴展 GenAI 資料存放庫的功能,一邊讓團隊增強資料管理和 GenAI 技能。
-
-
-
-
-
-
「這項 [與 Dell Technologies 的] 合作可讓公司運用開放原始碼社群的驚人創新能力建立自家的 AI 系統,同時享有 Dell 系統的安全性、合規性及效能。」
-
-
-
-
-
-
適當調整 AI 規模
定義基礎結構並適當調整 AI 規模
您的獨特資料使您能夠運用領域和企業專屬的使用案例,透過掌握獨有資料的特定工作或職能來創造業界價值。不同類型的 GenAI 有相對應的進入點和投資項目,以確保順利運作。接受過大量文字訓練的 LLM 就如同百科全書,非常適合一般用途,但可能不適合用於解答與貴組織資料相關的特定問題。
-
-
-
您的資料可大幅提高 GenAI 的效率和價值
-
模型類型比較,包括企業專屬、領域專屬和大型語言模型 (LLM)。
-
-
-
AI 部署模型:評估成本與價值權衡
以下前三種部署模型是大多數組織目前正在導入的項目,從「模型增強」開始,然後在最後決定「微調模型」。您選擇的 AI 模型將取決於貴組織的資料科學整備度、部署模式,以及各模型的相關影響。
-
預先訓練模型
這種稱為「提示工程」的方法會向預先訓練模型提出問題並接收結果。
範例:ChatGPT模型增強
新增資料以增強您的 GenAI 模型,藉此為模型的答案 (例如推論) 提供更多內容,此類使用案例包括檢索增強生成 (RAG)。
微調模型
這包括調整模型權重並整合您的資料。儘管這樣做能改善結果,但也需要在設定時付出更多心力。
模型訓練
包括建置特定的模型,以及使用資料集加以訓練。這通常需要最多的工作和資源,而且通常是保留用來解決複雜的問題。
工作量 成本 價值與
差異性資料整合 基礎架構 用戶端 – 伺服器 用戶端 – 伺服器 GPU 最佳化 大型 GPU 部署 技能 IT 作業人員 開發人員 資料科學家 資料科學家
-
為模型選擇合適的基礎結構
支援 GenAI 部署的基礎結構主要取決於運算需求,並且會受模型類型、模型規模和使用者數量影響。此外也需要考量必要的儲存容量,以便儲存在部署、訓練及改進模型時使用的資料。
-
模型類型、模型規模和使用者數量如何影響您部署的生成式 AI 基礎結構。
-
-
-
-
讓我們協助加速您的旅程
Dell 採用從辦公桌到資料中心的端對端全方位措施,協助您消除障礙,在整個企業採用 GenAI。
-