در چیزی که می‌تواند نگاهی به آینده یکپارچه‌سازی هوش مصنوعی در شرکت‌ها باشد، MicroStrategy روز سه‌شنبه افزوده‌ای جدید به پلتفرم خود اعلام کرد که دسترسی به داده‌های تحلیلی تجاری در سازمان‌ها را ساده می‌کند.
MicroStrategy Auto یک ربات هوش مصنوعی قابل تنظیم است که به گفته این شرکت، راه سریع‌تر و ساده‌تری برای ارائه هوش تجاری به هر فردی در یک سازمان ارائه می‌کند. Auto آخرین پیشرفت هوش مصنوعی MicroStrategy است که در اکتبر 2023 منتشر شد، راه حلی برای ساخت سریع برنامه های هوش مصنوعی بر روی داده های قابل اعتماد.
این شرکت خاطرنشان کرد که Auto را می توان به عنوان یک برنامه مستقل یا جاسازی در برنامه های شخص ثالث استفاده کرد و سفارشی سازی کامل را ارائه می دهد. ظاهر، سبک زبان و سطح جزئیات آن همگی می توانند با مشخصات کاربر تنظیم شوند.
از آنجایی که هوش مصنوعی مولد به Auto قدرت می دهد، کاربران می توانند با استفاده از زبان طبیعی با ربات تعامل داشته باشند.
Saurabh Abhyankar معاون اجرایی MicroStrategy و مدیر ارشد محصول توضیح داد: “ما از GPT4 برای Backend استفاده می کنیم – برای اینکه بفهمیم کاربر چه چیزی می خواهد و چگونه به سوال پاسخ دهد.”
او به TechNewsWorld گفت: “تفاوت بین MicroStrategy و یک مدل زبان بزرگ با هدف عمومی در این است که علاوه بر مهارت شناختی LLM، ما یک ساختار داده تحلیلی نیز اضافه می کنیم.” بنابراین اگر بپرسید چند کلاه در فروشگاه X دارم، LLM متوجه می‌شود که کاربر چه می‌پرسد، و لایه MicroStrategy پرس‌وجو را اجرا می‌کند، داده‌ها را برمی‌گرداند و امنیت و قوانینی را برای محاسبه موجودی اعمال می‌کند.
او افزود: «شما به هر دو چیز در یک سناریوی تجزیه و تحلیل سازمانی نیاز دارید، زیرا چت بات‌هایی مانند ChatGPT زمینه، دانش تجاری، امنیت و حاکمیت لازم برای پاسخ به سؤالی مانند آن را ندارد.
باز کردن قفل ارزش کاربری
به گفته این شرکت، Auto با استفاده از هوش مصنوعی می‌تواند موانع تصمیم‌گیری سریع و مؤثر را با هوشمند کردن برنامه‌ها و قرار دادن تجزیه و تحلیل سازمانی در دست کاربران بدون توجه به سطح مهارت یا برنامه‌ای که استفاده می‌کنند، از بین ببرد.
نیازی به استفاده از داشبورد پیچیده برای دریافت بینش نیست، و کاربران می‌توانند اطلاعات را به زبان معمولی بپرسند، و این امر باعث می‌شود که هوش تجاری در تصمیم‌گیری‌های تجاری بگنجانند.
ما فکر می‌کنیم که استفاده از هوش مصنوعی MicroStrategy با ارائه بینش‌های عمیق‌تری به کاربران مختلف که قبلاً برای درک آن نیاز به کلیک‌های بیشتر و جزئیات بیشتری داشت، ارزش بسیار زیادی را باز می‌کند. ننا پیدسکالنی، مدیر استراتژی زنجیره تامین و برنامه‌ریزی فدرال تعاونی‌های محدود، در بیانیه‌ای گفت: این برای خودسرویس کاربر قدرتمند است.
مارک ان. وینا، رئیس جمهور افزود: «دسترسی بیشتر کارمندان به داده‌های هوش تجاری می‌تواند با تقویت تصمیم‌گیری آگاهانه در بخش‌ها، ایجاد چابکی در واکنش به تغییرات بازار، و ترویج فرهنگ تصمیم‌گیری مبتنی بر داده‌ها، به نفع شرکت باشد.» و تحلیلگر اصلی در SmartTech Research در سن خوزه، کالیفرنیا.
او به TechNewsWorld گفت: “با این حال، دسترسی آسان تر به داده های هوش تجاری ممکن است منجر به آسیب های احتمالی مانند نقض داده ها، سوء استفاده از اطلاعات حساس و به خطر انداختن مزیت رقابتی شود.”
Rob Enderle، رئیس و تحلیلگر اصلی در Enderle Group، یک شرکت خدمات مشاوره در Bend، Ore، خاطرنشان کرد: ربات‌های AI مولد سفارشی نسبت به ربات‌های همه منظوره مانند ChatGPT، Gemini و Claude مزایایی دارند. او به TechNewsWorld گفت که می تواند یک یا چند کار را به خوبی و بالقوه بهتر انجام دهد. “آنها همچنین می توانند به صورت محلی اجرا شوند زیرا از کتابخانه های کوچکتر استفاده می کنند.”
Enderle اضافه کرد که ربات های سازمانی سفارشی شده نیز می توانند ایمن تر از ربات های همه منظوره باشند. او توضیح داد: «آنها عموماً مشتقات LLM های بزرگ هستند، اما از آنجایی که آنها کاهش یافته و تمرکز بیشتری دارند، در تئوری، کمتر احتمال دارد کارهایی را انجام دهند که شما نمی خواهید انجام شود.»
رفع نگرانی های مربوط به هوش مصنوعی
ربات‌های AI مولد سفارشی همچنین می‌توانند نگرانی‌های کسب‌وکارها در مورد اشتراک‌گذاری داده با ربات‌های چت بزرگ را برطرف کنند. ویل دافیلد، تحلیلگر سیاستگذاری در این موسسه گفت: «اگر اطلاعات اختصاصی خود یا مشتریانتان را به ابزاری ارائه دهید که بر روی آن داده‌ها تکرار می‌شود و ممکن است آنها را به نحوی در آینده دوباره ارائه کند، همیشه نگرانی وجود دارد. موسسه کاتو، اندیشکده واشنگتن دی سی.
او به TechNewsWorld گفت: «ربات‌های مصرف‌کننده‌محور به شرکت‌های پشتیبان خود اجازه می‌دهند تا از مکالمات شما برای بهتر کردن ربات‌ها استفاده کنند». “این مورد در مورد بسیاری از این ابزارهای تجاری صدق نمی کند زیرا نحوه استفاده از اطلاعات به صورت قراردادی مشخص خواهد شد.”
ابیانکار افزود: «شرکت ها نمی خواهند تمام داده های خود را به یک LLM همه منظوره ارسال کنند. “آنها نمی خواهند LLM را با داده های خود آموزش دهند زیرا خطر نشت آن داده ها وجود دارد.”
او توضیح داد که با MicroStrategy، داده ها در محیط مشتری ذخیره می شوند. فقط بیت‌هایی از ابرداده به LLM ما ارسال می‌شود و LLM با آن داده‌ها آموزش ندیده است. او توضیح داد: «ما می‌توانیم این کار را انجام دهیم، زیرا MicroStrategy محاسبات را اجرا می‌کند، و چون LLM نیازی به انجام این کار ندارد، به همه داده‌ها نیاز ندارد».
به همین دلیل می توان از توهم LLM جلوگیری کرد. ابیانکار گفت: “LLM ها، به دلیل ماهیتشان، احتمالی هستند.” می‌توانید از آن سؤال بپرسید، اما می‌توانید برای یک سؤال پاسخ‌های متفاوتی دریافت کنید. این برای یک سناریوی تجاری ایده آل نیست.”
او ادامه داد: با اجرای محاسبات در لایه MicroStrategy و انجام آنها بر اساس منطق تجاری که مشتری در پلتفرم ما کدگذاری کرده است، می توانیم از مشکلات احتمالی جلوگیری کنیم.
او افزود: «بنابراین چالش‌های اشتراک‌گذاری داده‌ها و توهم‌ها تا حد زیادی حذف می‌شوند، زیرا ما از LLM فقط برای مهارت‌های شناختی استفاده می‌کنیم، و از داده‌های مشتری در لایه MicroStrategy به شکلی قابل اعتماد استفاده می‌کنیم.»
افزایش بهره وری
در دسترس قرار دادن هوش تجاری برای پرسنل سازمانی می تواند مزایای بهره وری داشته باشد. اندرل گفت: “این باید به تصمیم گیرندگان اجازه دهد تا تصمیمات بهتر و به موقع تری اتخاذ کنند و در نتیجه موفقیت عملیاتی بیشتری کسب کنند.”
تحلیلگران داده، به ویژه، باید دستاوردهای بهره وری را از جنبه سلف سرویس MicroStrategy Auto ببینند. ابیانکار گفت: «این کار تحلیلگران داده را بهره‌ورتر می‌کند زیرا می‌توانند کارهای بیشتری را در مدت زمان مشابه انجام دهند.» این یک افزایش بهره وری برای آنها است.»
او ادامه داد: «وقتی کاربر نهایی بتواند به خودش خدمت کند، مزایای کلیدی را برای تحلیلگر فراهم می‌کند.
شاراد وارشنی، مدیرعامل OvalEdge، یک مشاور حاکمیت داده و ارائه‌دهنده راه‌حل‌های کاتالوگ داده سرتاسر در Alpharetta، گا.، خاطرنشان کرد که فناوری‌های هوش مصنوعی مولد عمیقاً بر تجزیه و تحلیل داده‌ها در سراسر جهان تأثیر می‌گذارند. او به TechNewsWorld گفت: «آنها پیچیدگی کشف داده‌ها را حذف می‌کنند و به تیم‌هایی مانند بازاریابی یا منابع انسانی که به طور سنتی بر تجزیه و تحلیل متمرکز نیستند، این امکان را می‌دهند تا به راحتی از دارایی‌های داده شرکت استفاده کنند.
او گفت: «با این حال، داده های دریافتی باید به طور دقیق کنترل شوند. در حالی که یک ابزار هوش مصنوعی مولد می‌تواند به سرعت داده‌ها را بیابد و زمینه‌سازی کند، کیفیت داده، اصل و نسب یا دسترسی را در نظر نمی‌گیرد.»
وی ادامه داد: «هنگامی که داده‌ها کشف شد، باید سیاست‌هایی وجود داشته باشد که اطمینان حاصل کند کاربر درخواست کننده داده‌ها مجوزهای دسترسی مربوطه برای استخراج آن را دارد. سپس، قبل از طبقه‌بندی و فهرست‌بندی، باید اندازه‌گیری‌های کیفی مختلفی را برای تکرار، ناسازگاری و عوامل دیگر انجام دهد. تنها در این صورت است که برای تحلیل مناسب خواهد بود.»
او افزود: «خوشبختانه، ابزارهایی در دسترس هستند که می‌توانند این فرآیندهای حاکمیتی و سایر مواردی را که تجزیه و تحلیل و تجسم داده‌ها را بسیار ساده می‌کنند، خودکار کنند.»