CHAT MED EN
FORRETNINGSRÅDGIVER
-
Generativ AI
Generativ AI er her:
Er du klar?Indbygget Intel®-innovation
-
-
-
Kom godt i gang
En ny tid med generativ AI
Generativ AI (GenAI) udnyttes i massiv skala af organisationer og enkeltpersoner, hvilket har markant indvirkning på samfundet. AI i forbrugerklassen, f.eks. ChatGPT og DALL-E, har sat fantasien i sving hos et hav af brugere med dens evne til at generere indhold. Men GenAI's betydning for organisationer byder på endnu mere værdi, herunder øget produktivitet, omkostningsreduktion og en omstilling til det bedre i den måde, vi arbejder på.
-
af it-ledere mener, at GenAI vil have en betydningsfuld, hvis ikke transformerende effekt på deres organisation.76%
GenAI vil transformere organisationer
GenAI giver belønninger, men kommer også med nye udfordringer og risici. Når organisationer starter deres GenAI-rejse, kan de ikke risikere at miste kundernes tillid og den høje værdi, deres data har, i jagten på at være de første i rækken.
af it-ledere mener, at GenAI vil have en betydningsfuld, hvis ikke transformerende effekt på deres organisation.76%
-
-
-
Dine datas vigtige rolle inden for generativ AI
Data og risiko går hånd i hånd. Data vil drive dine GenAI-projekter frem, men du er også nødt til at vurdere de potentielle risici, der er ved at hoste GenAI-modeller i offentlige clouds, herunder: tab af intellektuel ejendom, datalækage, problemer med beskyttelse af personlige oplysninger, overtrædelser af lovkrav, tab af tillid og integritet, partiskhed og IP-krænkelse.
-
-
Risikohåndtering og værdiforøgelse
Når du begynder din rejse, er det vigtigt at tilpasse investeringer i teknologi og uddannelse for at booste driftsmodenheden, reducere risici, forbedre kontrollen og maksimere værdien for din organisation. Med virksomhedsklar GenAI får du kontrol over, hvem der kan få adgang til dine data.
-
-
Risiko vs. driftsmodenhed af primitiv generativ AI og virksomhedsklar generativ AI.
-
-
-
Opnå succes med generativ AI
Virksomheder har afdækket hundredvis af brugsscenarier på tværs af alle markeder, men det er afgørende at vælge de rigtige brugsscenarier.
-
Medarbejdere og teams
Forbered din organisation på at håndtere mulighederne med GenAI – med it-organisationer, der har blikket rettet indad, og virksomheden, der har det rettet udad.
-
Processer og politikker
Definer og kommuniker, hvordan din organisation skal udnytte kunstig intelligens, og gør det til et vigtigt aspekt for virksomheden at engagere medarbejderne.
-
Teknologi
Levér sikker adgang til GenAI på tværs af organisationen, og undgå ikke-godkendt brug af AI hos medarbejdere for at sikre dataintegritet og overholdelse.
-
Strategi
Registrer dit miljøs aktuelle "as-is"-tilstand for at bestemme den strategiske vision og de vejledende principper for fremtidige GenAI-projekter.
-
-
-
-
-
-
Brug AI til dine data
Udnyt de rigtige data
De bedste brugsscenarier gør brug af dine omfattende data og din AI-parathed, samtidig med at de også kræver den rette blanding af kompetencer, budgetter og ressourcer til at understøtte dem. Det er vigtigt for virksomheds- og it-teams at samarbejde om at fastlægge prioriteter.
Selvom implementeringen af private forekomster af GenAI-baserede store sprogmodeller (LLM'er) som f.eks. Llama 2 eller Falcon giver fordele med hensyn til hastighed og implementering, kan den også medføre højere omkostninger og andre ulemper. Intern GenAI vil dog sandsynligvis levere mest værdi for den tidlige indsats uanset hvad.
-
-
-
Oprettelse af indhold
-
Naturlig sprogsøgning
-
Kodegenerering
-
Support Assistant
-
Design og oprettelse af data
-
Dokumentautomatisering
-
-
-
-
Hold generativ AI-modeller tæt på dine data
-
-
Hvad angår workloadplacering, er GenAI ikke anderledes end noget andet workload. Opnå de bedste resultater ved at placere det i det miljø, der giver mest mening ud fra dine forretningsmæssige og tekniske behov.
Nedenstående diagram beskriver de koncepter og strukturer, som kommer i spil, når der skal bestemmes en placering for GenAI-workloadet.
-
-
-
5 grunde til, at du bør bruge kunstig intelligens til dine data
-
-
Generativ AI-workloadplacering i private vs. offentlige clouds.
-
-
Dataadministration til generativ AI
De fleste organisationer benytter en tostrenget tilgang til deres GenAI-strategi. De eksperimenterer med taktisk implementering for at lære samt undgå at komme bagud, samtidig med at de udvikler en langsigtet strategi, der imødekommer de mange brugsscenarier, som opstår med tiden. Denne tilgang kræver en todelt strategi for dataadministration.
DATAFORBEREDELSEDATA ENGINEERING -
-
-
Dataforberedelse
-
Dataregistrering
Identificer datasæt, og definer databehov
-
Datakortlægning og -forbedring
Design og implementer datapipelines for at mærke, rense, kategorisere og anonymisere data
-
På kort sigt: Dataforberedelse
Dataforberedelse omfatter identificering af datasæt og definering af databehov efterfulgt af rensning, mærkning og anonymisering af data for derefter at normalisere dem på tværs af datakilder. Det kræver også opbygning af datapipelines med henblik på at integrere dataene i en model.
-
-
-
Data engineering
-
Databehandling
Integrer virksomhedsdata i store sprogmodeller
-
Overvågning og ydeevne
Verificer, at transformerede data lever op til målsætningerne
-
På langt sigt: Data engineering
Organisationer har brug for et velstruktureret datalager, f.eks. en Data Lake eller Data Lakehouse, for at kunne integrere deres data med GenAI-modeller. Overvej at opbygge din Data Lake iterativt for gradvist at udvide GenAI-datalagerets funktionalitet, samtidig med at teamet forbedrer deres dataadministration og GenAI-kompetencer.
-
-
-
-
-
-
"Dette samarbejde [med Dell Technologies] vil sætte virksomheder i stand til at opbygge deres egne AI-systemer og udnytte den utrolige innovation med open source-fællesskabet, samtidig med at de kan drage fordel af sikkerheden, overholdelsen og ydeevnen i Dell-systemer."
-
-
-
-
-
-
AI I DEN RIGTIGE STØRRELSE
Definer infrastrukturen, og få AI i den rigtige størrelse
Dine unikke data giver dig mulighed for at udnytte domæne- og virksomhedsspecifikke brugsscenarier, så du kan skabe brancheværdi gennem opgaver eller funktioner, til hvilke du har eksklusivt ejerskab over dataene. Forskellige typer af GenAI har tilsvarende adgangspunkter og investeringer, der er nødvendige for at opnå et vellykket resultat. LLM'er, der er trænet på enorme mængder tekst, er ligesom opslagsværker – de er nyttige til generel brug, men de er ikke nødvendigvis egnede til at besvare specifikke spørgsmål om dine organisationsdata.
-
-
-
Dine data forbedrer effektiviteten og værdien af GenAI betydeligt
-
En sammenligning af modeltyper, herunder virksomhedsspecifikke, domænespecifikke, og store sprogmodeller (LLM'er).
-
-
-
AI-implementeringsmodeller: Vurdering af afvejninger af omkostninger og værdi
De første tre typer implementeringsmodeller, der vises nedenfor, er, hvad de fleste organisationer implementerer i øjeblikket, hvor der startes med "Modelforstærkning" for til sidst at vælge "Finjustering af modeller". Den AI-model, du vælger, afhænger af din organisations niveau af data science-parathed, implementeringsmønstre og implikationerne for hver enkelt.
-
Forudtrænet model
Denne tilgang kaldes "prompt engineering" og indebærer, at der stilles et spørgsmål til en forudtrænet model for at modtage et svar.
Eksempel: ChatGPT
Modelforstærkning
Gør din GenAI-model bedre ved at tilføje dine data med henblik på at give ekstra kontekst til modellens svar, f.eks. inferens, der omfatter brugsscenarier som RAG (Retrieval-Augmented Generation).
Finjustering af modeller
Dette indebærer justering af modelvægtning og import af dine data. Selvom det giver bedre resultater, kræver det også en større indsats under opsætningen.
Modeltræning
Dette omfatter opbygning af en specifik model og træning af den med et datasæt. Det kræver typisk mest arbejde og de fleste ressourcer og er ofte forbeholdt til at løse komplekse problemer.
Indsats 
Omkostninger 
Værdi og
differentiering
Dataintegration Infrastruktur Klient – server Klient – server GPU-optimeret Implementering af stor GPU Færdigheder Intern it-afdeling Udvikler Dataforsker(e) Dataforsker(e)
-
Vælg den rette infrastruktur for din model
Infrastrukturen, der understøtter din GenAI-implementering, afhænger primært af databehandlingskrav, hvilket påvirkes af modeltypen, modelstørrelsen og antallet af brugere. Yderligere overvejelser omfatter den nødvendige storagekapacitet til data, der bruges under implementeringen, træningen og modelforbedringen.
-
Hvordan modeltype, modelstørrelse og antallet af brugere påvirker generativ AI-infrastrukturen til din implementering.
-
-
-
-
-
Sæt fart på din AI-rejse
Start med en tidlig fordel
RAG (Retrieval-Augmented Generation) er et ideelt tidligt brugsscenarie for mange organisationer, der anvender yderligere ressourcer, f.eks. dine egne data, til at forstærke en model uden at skulle gentræne den. Få mere at vide om opsætningen af RAG-brugsscenarier, der kan anvendes til at forbedre din virksomhed og dine data.
-
RAG-brugsscenarie
Anvend RAG på et brugerdefineret PDF-datasæt
-
DELL VALIDATED DESIGN TIL RAG
Implementer en digital assistent på Dell APEX Cloud Platform for Red Hat OpenShift
-
-
Lad os hjælpe dig med at sætte skub i din rejse
Dell kan hjælpe dig med at bryde barrierer ned og muliggøre implementering af GenAI for hele virksomheden gennem en holistisk tilgang i alle aspekter fra skrivebordet til datacentret.
-