生成式人工智能：企业集成领域的开拓性进展及经验教训

生成式人工智能正迅速从一项新兴技术转变为企业解决方案不可或缺的一部分，并获得了显著的 trac。Uniphore 联合创始人 Neha Gupta 指出了这些转变：将层级模型 (LLM) 和多模态架构统一起来，不仅带来了挑战，而且可以通过深度学习有效地解决现实生活中的难题。这场变革使机器的角色从数据传递者转变为不仅理解数据，而且能够生成必要数据的主体，其影响力仍然无限，足以像互联网曾经那样推动商业发展。.

实际应用中的挑战

对于那些使用单一模型解决问题而无需针对特定场景进行手动训练的逻辑引擎而言，存在一些局限性。企业面临着一些根本性问题，例如必须处理不同类型的响应（包括封闭领域和开放领域），如何确保安全性（例如应对有害内容和冒犯性内容等事件），以及系统评估所需的诸多工作。.

企业在尝试将人工智能技术融入日常运营时，经常会遇到人员和流程方面的问题。关于人工智能专家应该集中管理还是分散在多个部门，以更有效地解决这些问题，一直存在争议。.

Uniphore 的原则构成了路线图的核心理念。这一理念如同指路明灯，即使遇到可能阻碍人工智能实施进程的障碍，也能确保企业步入 trac。该框架由三个主要层级组成，每一层都旨在支持和增强其他层级的能力：这三个层级自下而上排列，每一层都为下一层级的服务人员的准备和绩效奠定基础。.

知识层

这一基础层旨在使人工智能模型能够服务于先前的记录和现有数据，而不是从外部网站生成数据。它结合了文档采集器（同时也是数据连接器）和人工智能模型与特定企业数据库和文件的直接连接。在此阶段，内部模型和第三方模型共同构建了人工智能服务。然而，这并不意味着该方案能够解决所有需要关注的问题。相反，它应该包含针对具体情况的预处理和后处理安全措施。.

首要职责是与客户互动服务直接相关的功能，包括聊天机器人、语言翻译服务和产品专用工具。这类程序通常基于更底层的系统，而这些底层系统则提供精准且最新的数据。.

建立一套统一的衡量体系至关重要，它不仅能帮助我们了解人工智能的优劣，还能将人工智能与实际性能联系起来。精度、延迟和成本是决定人工智能系统最大吞吐量或并发能力的主要参数。这些关键指标反映了人工智能系统在运行效率方面的不同表现，涵盖了从输出准确性到所需计算资源等各个方面。.

数据收集是另一项重要任务。随着人工智能系统从初始设置发展到更专业的精细化配置，选择相关的数据材料变得至关重要。企业应有意识地基于公司自有数据、外部服务供应商数据以及公开数据集来开发机器学习模型，以确保所需模型的有效性，并使其能够像在真实环境中一样运行。.

前瞻性战略

这些企业并非仅仅依靠这些战略和行动勉强生存，而是能够成功适应人工智能技术的持续发展。像Neha Gupta这样的商业领袖的智慧，对于为企业提供亟需的路线图至关重要，该路线图能够帮助企业最大限度地利用生成式人工智能技术，同时规避由此产生的风险和挑战。.

人工智能的出现及其生成创意内容的能力，很可能对商业运作方式产生深远影响，这将标志着技术所有权的一个转折点，彻底改变企业的运营方式，从商品和服务的生产到市场营销，乃至整个商业模式。这一历程充满挑战，但也蕴藏着开辟现代商业新道路的可能，这正是我所说的商业领域的领导力。.