• 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.

      • 76%

        liderów IT uważa, że generatywna sztuczna inteligencja odegra znaczącą, jeśli nie transformacyjną rolę w ich organizacji.

        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.

        76%

        liderów IT uważa, że generatywna sztuczna inteligencja odegra znaczącą, jeśli nie transformacyjną rolę w ich organizacji.

      • 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.

        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.

      • People and teams

        Pracownicy i zespoły

        Odpowiednio przygotuj swoją organizację do rozwiązywania problemów związanych z GenAI, ponieważ organizacje IT koncentrują się na działaniach wewnętrznych, a działalność jest kierowana na zewnątrz.

      • Processes and policies

        Procesy i zasady

        Określ i przekazuj informacje na temat sposobu wykorzystania sztucznej inteligencji przez Twoją organizację i używaj jej jako kluczowego aspektu działalności w celu zwiększenia zaangażowania pracowników.

      • Technology

        Technologia

        Zapewnij bezpieczny dostęp do GenAI w całej organizacji, unikając przypadków Shadow AI, aby zagwarantować integralność i zgodność danych.

      • Strategy

        Strategia

        Określ bieżący stan swojego środowiska, aby zdefiniować strategiczną wizję i zasady przewodnie dla przyszłych projektów GenAI.

        • 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.

        • Content Creation

          Tworzenie zawartości

        • Natural Language Search

          Wyszukiwanie w języku naturalnym

        • Code Generation

          Generowanie kodu

        • Support Assistant

          Asystent pomocy technicznej

        • Design & Data Creation

          Projektowanie i tworzenie danych

        • Document Automation

          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.

      • Rozmieszczenie obciążeń roboczych generatywnej sztucznej inteligencji w chmurach prywatnych i publicznych.

        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 DANYCH
        INŻYNIERIA DANYCH

        • Przygotowanie danych

        • GEN AI Data discovery

          Wykrywanie danych

          Identyfikacja zestawów danych i zdefiniowanie wymagań dotyczących danych

        • GEN AI Data exploration and enrichment

          Eksploracja i wzbogacenie danych

          Projektowanie i wdrażanie kanału przepływu danych na potrzeby oznaczania, czyszczenia, etykietowania i anonimizacji 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

        • GEN AI Data ingestion

          Przyswajanie danych

          Integracja danych firmowych z dużymi modelami językowymi

        • GEN AI Observability and performance

          Możliwość obserwacji i wydajność

          Sprawdzanie, czy zmodyfikowane dane pozwalają realizować poszczególne cele

        • 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”.

          Jeff Boudier, Dyrektor ds. produktu i rozwoju, Hugging Face

      • 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).

        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

        Wstępnie przeszkolony model

        Podejście to, nazywane „inżynierią promptów”, obejmuje zadawanie pytania wstępnie przeszkolonemu modelowi i uzyskiwanie wyniku.
        Przykład: ChatGPT

        		 Rozszerzenie modelu

        Rozszerzenie 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

        Dostrajanie modeli

        Obejmuje wyważenie modelu i uwzględnienie danych. Choć prowadzi to do lepszych wyników, wymaga również większego wysiłku podczas konfiguracji.

        		 Szkolenie w zakresie modelu

        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 Niewielkie nakłady Średnie nakłady Duże nakłady Znaczne nakłady
        Koszt Niski koszt Średni koszt Wysoki koszt Znaczny koszt
        Wartość i
        zróżnicowanie        		 Minimalna wartość i zróżnicowanie Średnia wartość i zróżnicowanie Wysoka wartość i zróżnicowanie Znaczna wartość i zróżnicowanie
        Integracja danych Bez integracji danych Wysoki zakres integracji danych Wysoki zakres integracji danych Znaczny zakres integracji 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.

        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.

    • 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.

    • Serwery PowerEdge do obsługi sztucznej inteligencji

    • Pamięć masowa na potrzeby sztucznej inteligencji

    • Zarządzanie danymi na potrzeby sztucznej inteligencji

    • Stacje robocze Precision

    • Usługi profesjonalne w zakresie sztucznej inteligencji