-
Generatywna sztuczna inteligencja
Generatywna sztuczna inteligencja już tu jest
Czy udało Ci się na nią przygotować?Intel®, Innowacyjność to nasze DNA
-
-
-
Od czego zacząć
Nowa era generatywnej sztucznej inteligencji
Generatywna sztuczna inteligencja (GenAI) jest wykorzystywana na skalę masową przez organizacje i osoby, co wywiera znaczny wpływ społeczny. Sztuczna inteligencja klasy konsumenckiej, taka jak ChatGPT i DALL-E, podbiła wyobraźnię wszystkich dzięki możliwości generowania treści. Jednakże wpływ generatywnej sztucznej inteligencji na organizacje zapewnia jeszcze większą wartość dodaną, w tym większą produktywność, redukcję kosztów i transformację sposobu pracy.
-
Generatywna sztuczna inteligencja odmieni organizacje
Generatywna sztuczna inteligencja zapewnia korzyści, lecz również stwarza nowe wyzwania i zagrożenia. Gdy organizacje rozpoczynają korzystanie z generatywnej sztucznej inteligencji, nie mogą ryzykować zaufania klientów i wysokiej wartości swoich danych, jeśli jedyną korzyścią będzie bycie pionierem w tej dziedzinie.
-
-
-
Istotna rola danych w zakresie generatywnej sztucznej inteligencji
Dane i ryzyko idą ze sobą w parze. Dane napędzają realizację projektów GenAI, ale należy także ocenić potencjalne ryzyko związane z hostingiem modeli GenAI w chmurach publicznych, w tym utratę własności intelektualnej, wyciek danych, problemy z prywatnością, naruszenia zasad zgodności, utratę wiarygodności i integralności, uprzedzenia i naruszenie własności intelektualnej.
-
-
Zarządzanie ryzykiem i zwiększanie wartości dodanej
Na początku drogi niezwykle ważne jest, aby odpowiednio dostosować inwestycje w technologie i szkolenia w celu zwiększenia dojrzałości operacyjnej, zmniejszenia ryzyka, zwiększenia kontroli i maksymalizacji wartości dodanej dla organizacji. Dzięki GenAI dla przedsiębiorstw zyskujesz kontrolę nad tym, kto ma dostęp do Twoich danych.
-
-
Ryzyko w zakresie dojrzałości operacyjnej niedojrzałej generatywnej sztucznej inteligencji i generatywnej sztucznej inteligencji dla przedsiębiorstw.
-
-
-
Osiągnięcie sukcesu w zakresie generatywnej sztucznej inteligencji
Przedsiębiorstwa zgłaszały problemy z setkami przypadków użycia w każdym pionie, więc wybór właściwych zastosowań ma kluczowe znaczenie.
-
-
-
-
-
-
Zastosuj AI do analizy danych
Wykorzystuj właściwe dane
W ramach najlepszych przypadków użycia wykorzystano bogate dane i polegano na odpowiednim przygotowaniu do wprowadzenia sztucznej inteligencji, co jednocześnie wymagało właściwego zestawu umiejętności, budżetów i zasobów w celu zapewnienia wsparcia. Zespoły biznesowe i IT muszą współpracować nad ustalaniem priorytetów.
Mimo że wprowadzenie prywatnych instancji dużych modeli językowych GenAI (LLM), takich jak Llama 2 lub Falcon, zapewnia korzyści w zakresie szybkości i wdrażania, może ono również wiązać się z wyższymi kosztami i innymi wadami. Tak czy inaczej, wbudowana GenAI będzie prawdopodobnie zapewniać największą wartość dodaną na początku wdrożenia.
-
-
-
Tworzenie zawartości
-
Wyszukiwanie w języku naturalnym
-
Generowanie kodu
-
Asystent pomocy technicznej
-
Projektowanie i tworzenie danych
-
Automatyzacja dokumentów
-
-
-
-
Trzymaj modele generatywnej sztucznej inteligencji blisko swoich danych
-
-
Jeśli chodzi o rozmieszczenie obciążeń roboczych, GenAI nie różni się od jakiegokolwiek innego obciążenia. Aby uzyskać najlepsze rezultaty, należy wprowadzić rozwiązanie w środowisku, które zostanie uznane za najbardziej odpowiednie w oparciu o wymagania biznesowe i potrzeby techniczne.
Poniższy schemat przedstawia pojęcia i struktury, które wchodzą w grę przy określaniu rozmieszczenia obciążeń roboczych GenAI.
-
-
-
5 powodów, dla których warto wprowadzać sztuczną inteligencję w zakresie danych
-
-
Rozmieszczenie obciążeń roboczych generatywnej sztucznej inteligencji w chmurach prywatnych i publicznych.
-
-
Zarządzanie danymi na potrzeby generatywnej sztucznej inteligencji
Większość organizacji stosuje dwutorowe podejście do strategii związanej z GenAI. Eksperymentują one z taktycznymi wdrożeniami, aby wyciągać wnioski i unikać pozostawania w tyle, a jednocześnie opracowują długoterminową strategię umożliwiającą dostosowanie się do wielu przypadków użycia, które pojawią się wraz z upływem czasu. Takie podejście wymaga dwuwarstwowej strategii zarządzania danymi.
PRZYGOTOWANIE DANYCHINŻYNIERIA DANYCH -
-
-
Przygotowanie danych
-
Krótkoterminowe: przygotowanie danych
Przygotowanie danych obejmuje identyfikację zestawów danych i zdefiniowanie wymagań w zakresie danych, a następnie czyszczenie, etykietowanie i anonimizowanie danych oraz ich normalizowanie między źródłami danych. Wymaga również tworzenia kanałów przepływu danych w celu integracji danych z modelem.
-
-
-
Inżynieria danych
-
Długoterminowe: inżynieria danych
Organizacje potrzebują odpowiednio ustrukturyzowanego repozytorium danych, takiego jak jezioro danych lub magazyn danych, aby zintegrować swoje dane z modelami GenAI. Rozważ iteracyjne budowanie jeziora danych w celu stopniowego rozszerzania możliwości repozytorium danych GenAI, podczas gdy zespół będzie zwiększał swoje umiejętności w zakresie zarządzania danymi i GenAI.
-
-
-
-
-
-
„Ta współpraca [z Dell Technologies] umożliwi firmom budowanie własnych systemów sztucznej inteligencji z wykorzystaniem niesamowitych innowacje społeczności open source i jednoczesne czerpanie korzyści z zabezpieczeń, zgodności i wydajności systemów firmy Dell”.
-
-
-
-
-
-
SZTUCZNA INTELIGENCJA DOPASOWANA DO POTRZEB
Zdefiniowanie infrastruktury i dopasowanie sztucznej inteligencji do potrzeb
Unikatowe dane umożliwiają korzystanie z zastosowań specyficznych dla domeny i przedsiębiorstwa, co tworzy wartość branżową dzięki zadaniom lub funkcjom, a użytkownik jest wyłącznym właścicielem danych. Różne rodzaje GenAI są powiązane z poszczególnymi punktami wejścia i inwestycjami, które są niezbędne do osiągnięcia sukcesu. Modele LLM przeszkolone w zakresie ogromnej ilości tekstu są jak encyklopedia, dzięki czemu przydają się do ogólnego użytku, ale mogą nie być odpowiednie do odpowiadania na konkretne pytania dotyczące danych organizacyjnych.
-
-
-
Dane znacznie zwiększają wydajność i wartość rozwiązania GenAI
-
Porównanie typów modeli, w tym modeli specyficznych dla przedsiębiorstw, modeli specyficznych dla domeny i dużych modeli językowych (LLM).
-
-
-
Modele wdrażania sztucznej inteligencji: ocena kompromisów w zakresie kosztów i wartości
Trzy pierwsze rodzaje modeli wdrażania przedstawione poniżej są obecnie wdrażane przez większość organizacji, począwszy od „rozszerzenia modelu”, aż po podjęcie decyzji o „dostrajaniu modeli”. Model sztucznej inteligencji, który wybierzesz, będzie zależał od poziomu gotowości organizacji do nauki o danych, wzorców wdrażania i konsekwencji wynikających z obranej ścieżki.
-
Wstępnie przeszkolony model
Podejście to, nazywane „inżynierią promptów”, obejmuje zadawanie pytania wstępnie przeszkolonemu modelowi i uzyskiwanie wyniku.
Przykład: ChatGPTRozszerzenie modelu
Ulepsz model GenAI, dodając dane, aby zapewnić dodatkowy kontekst odpowiedzi, np. wnioskowanie, który obejmuje przypadki użycia, takie jak pobieranie rozszerzonej generacji (RAG).
Dostrajanie modeli
Obejmuje wyważenie modelu i uwzględnienie danych. Choć prowadzi to do lepszych wyników, wymaga również większego wysiłku podczas konfiguracji.
Szkolenie w zakresie modelu
Obejmuje zbudowanie określonego modelu i szkolenie go z wykorzystaniem zestawu danych. Zazwyczaj wymaga to największej ilości pracy i zasobów. Często zarezerwowane do rozwiązywania złożonych problemów.
Nakłady Koszt Wartość i
zróżnicowanieIntegracja danych Infrastruktura Klient-serwer Klient-serwer Optymalizacja pod kątem procesorów GPU Wdrożenie z wieloma procesorami GPU Umiejętności Operacje działu IT Programista Badacze danych Badacze danych
-
Wybierz odpowiednią infrastrukturę dla swojego modelu
Infrastruktura wspierająca wdrożenie GenAI zależy w dużej mierze od wymagań obliczeniowych, na które wpływ wywiera typ modelu, rozmiar modelu i liczba użytkowników. Dodatkowe kwestie obejmują niezbędną pojemność pamięci masowej dla danych wykorzystywanych podczas wdrażania, szkolenia i udoskonalania modelu.
-
W jaki sposób typ modelu, jego rozmiar i liczba użytkowników mają wpływ na infrastrukturę generatywnej sztucznej inteligencji w ramach wdrożenia.
-
-
-
-
-
Przyspiesz drogę do AI
Zacznij od korzyści uzyskiwanych na wczesnym etapie
Generowanie rozszerzonego pobierania (RAG) jest idealnym wczesnym przypadkiem użycia w wielu organizacjach, które wykorzystują dodatkowe zasoby, takie jak własne dane, aby poszerzyć model bez ponownego szkolenia. Zapoznaj się z konfiguracją przypadków użycia RAG, które można zastosować w celu polepszenia działalności i danych.
-
Przypadek użycia RAG
Zastosuj RAG wobec niestandardowego zestawu danych PDF
-
DELL VALIDATED DESIGN FOR RAG
Wdrożenie cyfrowego asystenta na platformie Dell APEX Cloud Platform for Red Hat OpenShift
-
-
Uzyskaj pomoc, aby skrócić drogę do wdrożenia
Firma Dell pomaga usunąć bariery i umożliwia wdrożenie GenAI w całym przedsiębiorstwie dzięki kompleksowemu i holistycznemu podejściu do całego procesu — od biurka do centrum przetwarzania danych.
-