هر انقلاب تکنولوژیکی لحظه مشخصی دارد که یک مورد استفاده خاص ، فناوری را به سمت پذیرش گسترده سوق می دهد. آن زمان برای AI مولد (Genai) با گسترش سریع کوپیل ها فرا رسیده است.
Genai به عنوان یک فناوری در چند سال گذشته گام های قابل توجهی برداشته است. با وجود همه عناوین و اعتیاد به مواد مخدره ، تصویب آن توسط شرکت ها هنوز در مراحل اولیه است. در 2024 Gartner CIO و بررسی اجرایی فناوری فرزندخواندگی را تنها 9 ٪ از افراد مورد بررسی قرار می دهد و 34 ٪ آنها می گویند قصد دارند این کار را در سال آینده انجام دهند. یک بررسی جدید توسط گروه استراتژی سازمانی پذیرش Genai را 30 ٪ قرار می دهد. اما نظرسنجی ها همه در حدود سال 2025 به نتیجه می رسند.
پیش بینی 1. اکثر شرکت ها تا پایان سال 2025 از Genai در تولید استفاده می کنند
اتخاذ Genai برای بهبود بهره وری و سودآوری بسیار مهم است و برای اکثر مشاغل به عنوان اولویت اصلی شناخته شده است. اما این بدان معنی است که شرکت ها باید بر چالش های تجربه شده در پروژه های Genaii ، از جمله:
- کیفیت ضعیف داده ها: Genai فقط به اندازه داده های مورد استفاده در پایان به پایان می رسد و بسیاری از شرکت ها هنوز به داده های خود اعتماد ندارند. کیفیت داده ها به همراه داده های ناقص یا مغرضانه همه موضوعاتی بوده اند که منجر به نتایج ضعیف می شوند.
- هزینه های Genai: آموزش مدل های Genai مانند ChatGPT فقط توسط بهترین تیم های بهترین Genai انجام شده است و برای محاسبات میلیون ها میلیون دلار هزینه دارد. بنابراین در عوض ، مردم از تکنیکی به نام بازیابی تقویت شده نسل (RAG) استفاده کرده اند. اما حتی با وجود RAG ، دسترسی و تهیه داده ها به سرعت گران می شود و متخصصان مورد نیاز برای موفقیت را جمع می کنید.
- مجموعه مهارتهای محدود: بسیاری از استقرارهای اولیه Genai به یک گروه کوچک از متخصصان Genai نیاز به برنامه نویسی زیادی داشتند. در حالی که این گروه در حال رشد است ، هنوز کمبود واقعی وجود دارد.
- توهم: Genai کامل نیست. وقتی فکر می کند درست است ، می تواند توهم شود و پاسخ های اشتباهی بدهد. شما برای جلوگیری از تأثیر پاسخ های اشتباه بر تجارت خود به یک استراتژی نیاز دارید.
- امنیت داده ها: Genai داده ها را در معرض افراد اشتباه قرار داده است زیرا از آن برای آموزش ، تنظیم دقیق یا RAG استفاده شده است. برای محافظت در برابر این نشت ها باید اقدامات امنیتی را اجرا کنید.
خوشبختانه صنعت نرم افزار طی چند سال گذشته با این چالش ها مقابله کرده است. 2025 به نظر می رسد سالی است که چندین مورد از این چالش ها شروع به حل می کنند و Genai به جریان اصلی تبدیل می شود.
پیش بینی 2. کپی های پارچه ای مدولار رایج ترین استفاده از Genai خواهند بود
متداول ترین استفاده از Genai ایجاد دستیاران یا کوپل ها است که به افراد کمک می کند تا اطلاعات را سریعتر پیدا کنند. کپی ها معمولاً با استفاده از خطوط لوله RAG ساخته می شوند. RAG راه است. این متداول ترین روش برای استفاده از Genai است. از آنجا که مدل های بزرگ زبان (LLM) مدلهای هدف کلی هستند که تمام یا حتی جدیدترین داده ها را ندارند ، برای دریافت یک پاسخ دقیق تر باید پرس و جوهای را که در غیر این صورت به عنوان اعلان ها شناخته می شود ، تقویت کنید.
کوپیل ها به کارگران دانش کمک می کنند تا تولیدی بیشتری داشته باشند ، به سؤالات غیر قابل پاسخ پرداخته و راهنمایی های خبره ارائه دهند در حالی که گاهی اوقات کارهای روزمره را نیز انجام می دهند. شاید موفق ترین مورد استفاده از Copilot تا به امروز نحوه کمک به توسعه دهندگان نرم افزار یا نوسازی کد میراث باشد.
اما انتظار می رود که کپی ها هنگام استفاده در خارج از آن تأثیر بیشتری داشته باشند. مثالها شامل:
- در خدمات به مشتری ، کپی ها می توانند یک پرس و جو پشتیبانی دریافت کنند و یا برای مداخله به یک انسان تشدید شوند یا وضوح ارائه شده برای نمایش داده های ساده مانند تنظیم مجدد رمز عبور یا دسترسی به حساب ، و در نتیجه نمرات بالاتر CSAT ارائه می دهند.
- در ساخت ، خلبان های مشترک می توانند به تکنسین ها کمک کنند تا اقدامات یا تعمیرات خاصی را برای ماشین آلات پیچیده تشخیص داده و باعث کاهش خرابی شوند.
- در مراقبت های بهداشتی ، پزشکان می توانند از کپی ها برای دسترسی به تاریخچه بیمار و تحقیقات مربوطه استفاده کنند و به راهنمای تشخیص و مراقبت های بالینی کمک کنند ، که این باعث افزایش کارآیی و نتایج بالینی می شود.
خطوط لوله Rag بیشتر به همان روش کار کرده اند. اولین قدم بارگیری یک پایگاه دانش در یک پایگاه داده بردار است. هر وقت شخصی از این سؤال سؤال می کند ، از خط لوله Rag Genai استفاده می شود. این سؤال را مجدداً به صورت سریع ، با رمزگذاری سریع برای یافتن اطلاعات مناسب ، از پایگاه داده بردار پرس و جو می کند ، با استفاده از اطلاعات بازیابی شده به عنوان زمینه ، یک LLM را با استفاده از سریع فراخوانی می کند ، نتایج را ارزیابی می کند و قالب می گیرد و آنها را به کاربر نشان می دهد بشر
اما به نظر می رسد که شما نمی توانید از همه کپی ها به همان اندازه با یک خط لوله RAG استفاده کنید. بنابراین RAG به یک معماری مدولار تر به نام Rag Modular تبدیل شده است که در آن می توانید از ماژول های مختلف برای هر یک از مراحل بسیاری استفاده کنید:
- نمایه سازی از جمله داده ها و سازماندهی
- قبل از بازآفرینی از جمله پرس و جو (سریع) مهندسی و بهینه سازی
- بازیابی با تنظیم دقیق و تکنیک های دیگر
- انتخاب مجدد و انتخاب پس از بازگشت
- نسل با تنظیم دقیق ژنراتور ، استفاده و مقایسه LLM های متعدد و تأیید
- ارکستراسیون که این فرآیند را مدیریت می کند ، و کمک به دریافت بهترین نتیجه را تکرار می کند
برای پشتیبانی از چندین کوپیلوت ، باید یک معماری پارچه ای مدولار را پیاده سازی کنید.
پیش بینی 3. ابزارهای Genai بدون کد/کم کد به یک راه تبدیل می شوند
در حال حاضر ، ممکن است متوجه شوید که Genai Rag بسیار پیچیده و به سرعت در حال تغییر است. این فقط بهترین شیوه های جدید به طور مداوم در حال ظهور نیست. تمام فناوری های درگیر در خطوط لوله Genai آنقدر سریع در حال تغییر است که شما در نهایت نیاز به تعویض برخی از آنها یا پشتیبانی از چندین مورد دارید. همچنین ، Genai فقط مربوط به پارچه مدولار نیست. بازیابی تنظیم خوب تنظیم شده (RAFT) و آموزش کامل مدل نیز مقرون به صرفه می شوند. معماری شما باید از این تغییر پشتیبانی کند و پیچیدگی مهندسان خود را پنهان کند.
خوشبختانه بهترین ابزارهای Genai بدون کد/کم کد این معماری را ارائه می دهند. آنها دائماً پشتیبانی از منابع داده های پیشرو ، بانکهای اطلاعاتی وکتور و LLM ها را اضافه می کنند و امکان ایجاد داده های پارچه ای مدولار یا خوراک را در LLM ها برای تنظیم دقیق یا آموزش امکان پذیر می کنند. شرکت ها با موفقیت از این ابزارها برای استقرار کوپیل ها با استفاده از منابع داخلی خود استفاده می کنند.
Nexla فقط از Genai برای ساده تر کردن ادغام استفاده نمی کند. این شامل یک معماری خط لوله Rag Modular با استفاده از داده های پیشرفته ، مهندسی پرس و جو ، انتخاب مجدد و انتخاب ، پشتیبانی چند LLM با رتبه بندی و انتخاب نتایج ، ارکستراسیون و موارد دیگر-همه پیکربندی شده بدون کدگذاری است.
پیش بینی 4. خط بین کوپیل ها و نمایندگان تار می شود
کوپیل های Genai مانند چت بابات عاملانی هستند که از مردم پشتیبانی می کنند. در پایان مردم تصمیم می گیرند که با نتایج حاصل از چه کاری انجام دهند. اما عوامل Genai می توانند بدون درگیر شدن افراد ، پاسخ ها را به طور کامل خودکار کنند. این موارد اغلب به عنوان عوامل یا AI عامل شناخته می شوند.
برخی از افراد اینها را دو رویکرد جداگانه می دانند. اما واقعیت پیچیده تر است. کپی ها در حال حاضر شروع به خودکار سازی برخی از کارهای اساسی کرده اند ، به صورت اختیاری به کاربران امکان تأیید اقدامات و خودکار کردن مراحل لازم برای تکمیل آنها را می دهند.
انتظار داشته باشید که کپی ها به مرور زمان به ترکیبی از کپیل ها و عوامل تبدیل شوند. دقیقاً مانند برنامه ها به مهندس مجدد و ساده سازی فرآیندهای تجاری ، دستیاران می توانند و باید برای اتوماسیون مراحل میانی کارهایی که از آنها پشتیبانی می کنند ، استفاده شوند. عوامل مستقر در Genai همچنین باید شامل افراد برای رسیدگی به استثنائات یا تصویب طرحی شوند که با استفاده از LLM تولید شده است.
پیش بینی 5. Genai باعث می شود پارچه های داده ، محصولات داده و استانداردهای داده باز شود
پیش بینی می شود Genai بزرگترین محرک تغییر در آن در طی چند سال آینده باشد زیرا نیاز به سازگاری دارد تا شرکت ها بتوانند سود کامل Genai را تحقق بخشند.
به عنوان بخشی از چرخه های اعتیاد به مواد مخدره گارتنر برای مدیریت داده ها ، 2024 ، گارتنر 3 و تنها 3 فناوری را به عنوان تحول برای مدیریت داده ها و سازمانهایی که به داده ها وابسته هستند ، شناسایی کرده است: پارچه های داده ، محصولات داده و قالب های جدول باز. همه 3 به داده ها کمک می کنند تا برای استفاده با Genai در دسترس باشند زیرا آنها استفاده از داده ها توسط این مجموعه های جدید ابزارهای Genai را آسان تر می کنند.
Nexla به همین دلیل معماری محصول داده ساخته شده بر روی پارچه داده را اجرا کرد. پارچه داده بدون در نظر گرفتن تفاوت در قالب ها ، سرعت ها یا پروتکل های دسترسی ، یک لایه یکپارچه را برای مدیریت همه داده ها به همان روش فراهم می کند. سپس محصولات داده برای پشتیبانی از نیازهای خاص داده ها ، مانند RAG ایجاد می شوند.
به عنوان مثال ، یک شرکت بزرگ خدمات مالی در حال اجرای Genai برای تقویت مدیریت ریسک است. آنها از Nexla برای ایجاد پارچه داده یکپارچه استفاده می کنند. Nexla به طور خودکار طرحواره را تشخیص می دهد و سپس اتصالات و محصولات داده را تولید می کند. سپس این شرکت محصولات داده ای را برای معیارهای خطر خاص تعریف می کند که جمع آوری ، پاکسازی و تبدیل داده ها به قالب مناسب به عنوان ورودی هایی که عوامل RAG را برای گزارشگری نظارتی پویا اجرا می کنند. NEXLA کنترل های حاکمیت داده ها از جمله داده های داده و کنترل دسترسی را برای اطمینان از انطباق نظارتی فراهم می کند. پلت فرم ادغام ما برای تجزیه و تحلیل ، عملیات ، B2B و Genai بر روی یک معماری پارچه داده اجرا می شود که در آن Genai برای ایجاد اتصالات قابل استفاده مجدد ، محصولات داده و گردش کار استفاده می شود. پشتیبانی از استانداردهای داده باز مانند Apache Iceberg دسترسی به داده های بیشتر و بیشتر را آسانتر می کند.
چگونه می توان راه خود را به سمت عامل AI کپی کرد
بنابراین چگونه باید بر اساس این پیش بینی ها آماده شوید تا جریان اصلی Genai را در شرکت خود ایجاد کنید؟
اول ، اگر هنوز این کار را نکرده اید ، اولین دستیار Genai Rag خود را برای مشتریان یا کارمندان خود شروع کنید. یک مورد استفاده مهم و نسبتاً ساده را در جایی که در حال حاضر پایگاه دانش درست برای موفقیت دارید ، شناسایی کنید.
دوم ، حتماً تیم کوچکی از متخصصان Genai داشته باشید که می توانند به قرار دادن معماری مناسب پارچه مدولار ، با ابزارهای ادغام مناسب برای پشتیبانی از اولین پروژه های خود کمک کنند. از ارزیابی فروشندگان جدید با ابزارهای بدون کد/کم کد نترسید.
سوم ، شروع به شناسایی بهترین شیوه های مدیریت داده ها که برای موفقیت لازم دارید. این نه تنها شامل یک پارچه داده و مفاهیمی مانند محصولات داده است. شما همچنین باید داده های خود را برای هوش مصنوعی اداره کنید.
اکنون زمان است. 2025 سالی است که اکثریت موفق می شوند. پشت سر نگذار
