Pievienojieties mūsu ikdienas un nedēļas biļeteniem, lai iegūtu jaunākos atjauninājumus un ekskluzīvu saturu par nozares vadošo AI pārklājumu. Uzziniet vairāk
Uzņēmējdarbības AI komandas saskaras ar dārgu dilemmu: izveidojiet sarežģītas aģentu sistēmas, kas tās ieslēdz īpašā lielās valodas modelī (LLM) pārdevējus vai pastāvīgi pārraksta uzvednes un datu cauruļvadus, pārejot starp modeļiem. Finanšu tehnoloģiju gigants Intuts ir atrisinājis šo problēmu ar izrāvienu, kas varētu pārveidot, kā organizācijas tuvojas daudzmodeļu AI arhitektūrai.
Tāpat kā daudzi uzņēmumi, Intuit ir izveidojis ģeneratīvus AI darbināmus risinājumus, izmantojot vairākus lielas valodas modeļus (LLM). Pēdējo vairāku gadu laikā Intuit Generatīvās AI operētājsistēmas (Genos) platforma ir nepārtraukti virzījusies, nodrošinot uzlabotas iespējas uzņēmuma izstrādātājiem un tiešajiem lietotājiem, piemēram, Intuit Help. Uzņēmums arvien vairāk koncentrējas uz aģentu AI darbplūsmām, kurām ir bijusi izmērāma ietekme uz Intuit produktu lietotājiem, kas ietver QuickBooks, Credit score Karma un Turbotax.
Intuit tagad paplašina genos ar virkni atjauninājumu, kuru mērķis ir uzlabot produktivitāti un vispārējo AI efektivitāti. Uzlabojumi ietver aģenta sākuma komplektu, kas ļāva 900 iekšējiem izstrādātājiem piecu nedēļu laikā būvēt simtiem AI aģentu. Uzņēmums arī debitē to, ko tas sauc par “inteliģentu datu izziņas slāni”, kas pārsniedz tradicionālās izguves, kas atrodas uz paaudzes pieejas.
Iespējams, ka vēl vairāk ietekmējis to, ka Intuit ir atrisinājis vienu no uzņēmuma AI vissmagākajām problēmām: kā veidot aģentu sistēmas, kas nemanāmi darbojas vairākos lielās valodas modeļos, nepiespiežot izstrādātājus pārrakstīt uzvednes katram modelim.
“Galvenā problēma ir tā, ka, rakstot uzvedni vienam modelim, modelim A, tad jums ir tendence domāt par to, kā modelis A ir optimizēts, kā tas tika uzbūvēts un kas jums jādara, un kad jums ir jāpārslēdzas uz B modeli,” Ashok Srivastava, galvenais datu virsnieks Intuit stāstīja VentureBeat. “Jautājums ir, vai jums tas ir jāpārraksta? Un agrāk tas būtu jāpārraksta.”
Kā ģenētiskie algoritmi novērš pārdevēja ieslodzījumu un samazina AI darbības izmaksas
Organizācijas ir atradušas vairākus veidus, kā ražošanā izmantot dažādus LLM. Viena pieeja ir izmantot kāda veida LLM modeļa maršrutēšanas tehnoloģiju, kas izmanto mazāku LLM, lai noteiktu kur nosūtīt vaicājumu.
Intuit uzvednes optimizācijas pakalpojums ir atšķirīga pieeja. Tas ne vienmēr ir par labākā vaicājuma modeļa atrašanu, wager drīzāk par uzvedības optimizēšanu daudziem dažādiem LLM. Sistēma izmanto ģenētiskos algoritmus, lai automātiski izveidotu un pārbaudītu uzvednes variantus.
“Veids, kā darbojas tūlītējs tulkošanas pakalpojums, ir tas, ka tam faktiski ir ģenētiski algoritmi savā komponentā, un šie ģenētiskie algoritmi faktiski rada uzvednes variantus un pēc tam veic iekšēju optimizāciju,” skaidroja Srivastava. “Viņi sāk ar bāzes komplektu, viņi izveido variantu, pārbauda variantu, ja šis variants faktiski ir efektīvs, tad teikts, ka es izveidošu šo jauno bāzi un tad tas turpina optimizēt.”
Šī pieeja nodrošina tūlītējus darbības ieguvumus ārpus ērtībām. Sistēma nodrošina automātiskas kļūmjpārlēces iespējas uzņēmumiem, kas attiecas uz pārdevēju ieslodzījumu vai pakalpojumu uzticamību.
“Ja jūs izmantojat noteiktu modeli un jebkura iemesla dēļ šis modelis samazinās, mēs to varam tulkot, lai mēs varētu izmantot jaunu modeli, kas faktiski varētu darboties,” atzīmēja Srivastava.
Ārpus lupatas: saprātīga datu izziņa uzņēmuma datiem
Kaut arī uzvednes optimizācija atrisina modeļa pārnesamības izaicinājumu, Intuit inženieri identificēja vēl vienu kritisku sašaurinājumu: laiku un zināšanas, kas nepieciešama AI integrēšanai ar sarežģītām uzņēmuma datu arhitektūrām.
Intuit ir izstrādājis to, ko tas sauc par “inteliģentu datu izziņas slāni”, kas risina sarežģītākas datu integrācijas problēmas. Šī pieeja pārsniedz vienkāršu dokumentu iegūšanu un iegūšanas papildināto paaudzi (RAG).
Piemēram, ja organizācija saņem datu kopu no trešās puses ar noteiktu īpašu shēmu, kuru organizācija lielākoties nezina, izziņas slānis var palīdzēt. Viņš atzīmēja, ka izziņas slānis saprot oriģinālo shēmu, kā arī mērķa shēmu un to, kā tās kartēt.
Šī spēja pievēršas reālās pasaules uzņēmuma scenārijiem, kad dati nāk no vairākiem avotiem ar dažādām struktūrām. Sistēma var automātiski noteikt kontekstu, ka vienkārša shēmas saskaņošana to palaidīs garām.
Papildus Gen AI, kā Intuit “tremendous modelis” palīdz uzlabot prognozēšanu un ieteikumus
Saprātīgais datu izziņas slānis ļauj sarežģītai datu integrācijai, wager Intuit konkurences priekšrocības pārsniedz ģeneratīvo AI līdz tam, kā tas apvieno šīs iespējas ar pārbaudītu paredzamo analītiku.
Uzņēmums darbojas to, ko tā sauc par “tremendous modeli” – ansambļu sistēmu, kas apvieno vairākus prognozēšanas modeļus un dziļas mācīšanās pieejas prognozēšanai, kā arī sarežģītus ieteikumu motorus.
Srivastava paskaidroja, ka supermodele ir uzraudzības modelis, kurā apskatītas visas pamatā esošās ieteikumu sistēmas. Tajā tiek ņemts vērā, cik labi šie ieteikumi ir darbojušies eksperimentos un jomā, un, pamatojoties uz visiem šiem datiem, ir nepieciešama ansambļa pieeja galīgā ieteikuma sniegšanai. Šī hibrīda pieeja ļauj paredzamās iespējas, kuras nevar saskaņot Pure LLM balstītas sistēmas.
Aģentu AI kombinācija ar prognozēm palīdzēs organizācijām izpētīt nākotni un redzēt, kas varētu notikt, piemēram, ar ar naudas plūsmu saistītu problēmu. Pēc tam aģents varētu ieteikt izmaiņas, kuras tagad var veikt ar lietotāja atļauju, lai palīdzētu novērst turpmākās problēmas.
Ietekme uz uzņēmuma AI stratēģiju
Intuit pieeja piedāvā vairākas stratēģiskas nodarbības uzņēmumiem, kas vēlas vadīt AI adopciju.
Pirmkārt, ieguldot LLM-agnostiskajās arhitektūrās no paša sākuma, var nodrošināt ievērojamu darbības elastību un riska mazināšanu. Ģenētiskā algoritma pieeja, lai pamudinātu optimizāciju, varētu būt īpaši vērtīga uzņēmumiem, kas darbojas vairākiem mākoņu pakalpojumu sniedzējiem vai tiem, kas saistīti ar modeļa pieejamību.
Otrkārt, uzsvars uz tradicionālo AI iespēju apvienošanu ar ģeneratīvu AI liek domāt, ka uzņēmumiem nevajadzētu atteikties no esošajām prognozēšanas un ieteikumu sistēmām, būvēšanas aģentu arhitektūrā. Tā vietā viņiem jāmeklē veidi, kā šīs iespējas integrēt sarežģītākās spriešanas sistēmās.
Šīs ziņas nozīmē, ka tiek piesaistīta sarežģīta aģenta ieviešanas joma, kas tiek pieņemta uzņēmumiem, kas vēlāk pieņem AI. Organizācijām ir jādomā ārpus vienkāršiem tērzēšanas robotiem vai dokumentu izguves sistēmām, lai saglabātu konkurētspēju, tā vietā koncentrējoties uz vairāku aģentu arhitektūrām, kas var rīkoties ar sarežģītām biznesa darbplūsmām un prognozējošo analītiku.
Galvenā līdzņemšana tehniskajiem lēmumu pieņēmējiem ir tā, ka veiksmīgai uzņēmuma AI ieviešanai ir nepieciešami sarežģīti ieguldījumi infrastruktūrā, nevis tikai API zvani uz fonda modeļiem. Intuit’s Genos parāda, ka konkurences priekšrocības rodas no tā, cik labi organizācijas var integrēt AI iespējas ar esošajiem datiem un biznesa procesiem.
avots
