(原标题:数据就绪:生成式AI发挥作用的关键前提)图片来源于网络,如有侵权,请联系删除
随着生成式人工智能(Generative AI)的兴起,企业正站在全新的技术前沿。AI不仅改变了我们处理数据的方式,也为业务创新提供了无限可能。但在拥抱未来之前,我们首先需要回答一个关键问题:我的数据准备好了吗?
数据准备是解锁AI潜力的钥匙,但也是堵点所在,有近一半(47%)的CXO将其定义为企业应用生成式AI的最大障碍。随着AI技术的飞速发展,对数据量和种类的需求正在发生变化。在这条日趋复杂的数据准备之路上,我们需要找到正确的方向,以在这场数据革命中取得领先。
根据埃森哲1000多个生成式AI的项目经验,我们识别出生成式AI时代企业必需掌握的六大关键事项。
01 专有数据奠定企业竞争优势
公司内部生成的专有数据(如客户信息、产品细节、运营流程)是企业竞争优势的核心。这些数据不同于公开数据集,能提供独特视角和深入洞察。
尽管现有的预训练模型功能强大,但它们通常缺少具体企业的内部信息,导致在特定企业场景应用时,准确率仅约30%。埃森哲与各大企业合作,将专有数据整合进大语言模型中,可使模型性能和效率提升高达85%。
通过整合历史数据和实时信息,企业能够基于更丰富、更精准的知识资源优化决策流程,降低风险,识别效率提升点,并探索新的收入机会,创造额外经济价值。
关键考虑因素:
- 价值导向的数据资产管理。数据资产管理已不再是企业的纯支出,而是对于一种全新生产资料的开发和维护。企业需要像开发产品那样,采取积极措施保证数据质量(如准确性与相关性),确保其能有效支撑关键的投资决策;通过投资于数据的收集、清洗、分析及应用等过程来增值。
- 多元化数据源的整合与利用。企业应当识别在不同业务流程阶段生成的独特数据,无论它们是源自于自身、合作伙伴还是其他第三方机构。在对其进行区分、筛选的基础上,这些多维度的数据来源将共同构建一个全面而立体的信息网络,为企业带来更广阔的战略视野和更深入的市场洞察。
02 非结构化数据蕴藏巨大潜力
非结构化数据包括文本、图像、音频和视频等多种形式,通常包含丰富的上下文信息。尽管这些数据不容易被传统的数据库处理,但它们却蕴含着大量关于用户行为、情感和环境的细节。
生成式AI特别擅长处理这类数据,能够将其转化为对业务有实际价值的洞察和应用。例如,它可以将一个教学视频转换成产品功能列表,总结电话会议的内容,或者生成营销文案。
当非结构化数据与结构化数据(如表格、数字等)结合使用时,可以提供更加人性化和情境化的沟通体验。非结构化数据中的语调、个性、外观和感觉等信号,能丰富人机交互的层次,使交流更加自然和深入。
关键考虑因素:
- 数据可访问性。企业可以通过扩展数据架构、加强安全性并完善治理策略,使其更易于访问和使用。
03 合成数据填补数据空白
AI的系统性能和准确度往往取决于其训练数据的数量和多样性。随着任务的复杂度增加,对数据量的要求也随之上升。合成数据能解决现实世界中数据不足的问题,又避免了直接使用大规模真实数据所带来的高成本和潜在的法律、商业、道德等风险。
合成数据还可以用于风险管理,设计假设情景,以及消除模型中的偏见。这对于确保AI系统公平性和可靠性至关重要。此外,它还能在不侵犯隐私的情况下训练AI模型,避免了真实数据可能带来的隐私泄露风险。
关键考虑因素:
- 成本效益。生成式AI本身就能用于创造合成数据,通过使用大语言模型(LLM)来生成小模型所需的训练数据,是一种成本效益高、不影响准确性的方法。
04 生成式AI解锁数据新关联
许多数据都被困在信息孤岛和各自的功能领域中,这限制了其潜力的发挥和跨部门协作。生成式AI通过促进跨功能数据的使用,使企业能够重新设计贯穿各个部门和价值链的端到端业务流程,从而打破壁垒。
生成式AI的一个重要功能是在正确的时间将正确的信息呈现给正确的用户。试想一下,如果客户服务部门能够“看到”产品研发部门提供的精确规格的必要更新,或者营销部门能够立即了解到供应链能否跟上他们的促销活动,工作将会变得更为高效和顺畅。
案例:过去,宝马销售人员必须查阅实物手册才能了解可能的汽车配置,但在埃森哲所开发的新一代人工智能平台EKHO的帮助下,这一过程只需要几分钟就能完成。EKHO还适用于客户的各项业务,比如在制造环节,它可以通过回答库存和物流问题来优化供应链流程。它甚至能够通过从过去的场景中学习来解决全新的挑战。目前,这一平台已帮助宝马在北美市场将效率提升了30%至40%。
05 生成式AI加速数据风险
大多数新机遇都伴随着新风险,生成式AI也不例外,它带来了一系列与数据治理和安全相关的挑...