Unternehmens-KI

Enterprise AI ist eine Reihe von Produkten und Dienstleistungen, die angeboten werden enterprise Unternehmen, basierend auf der Erstellung benutzerdefinierter Modelle für maschinelles Lernen, die verschiedene Aufgaben übernehmen und in großem Maßstab in den Workflow eines großen Unternehmens integriert werden können.

Inhaltsverzeichnis

Die kambrische Explosion von KI-Unternehmen

Seit 2019 verkaufe ich KI-Dienstleistungen bei einem enterprise Ebene.

Der wirkliche Wendepunkt kam Anfang 2019, als GPT-2 veröffentlicht wurde. Ich erinnere mich noch, als Gründer eines Tech-Startups, das ich mit aufgebaut habe Geschäft Seite, demoed mir die Modell.

Bei den vorherigen Demos war ich enttäuscht gewesen, und eigentlich hatte ich gedacht, das Ganze sei lächerlich, aber dieses Mal war ich beeindruckt!

Der von der Maschine generierte Text war nicht nur sinnvoll, sondern auch sehr gut.

GPT-2 und später GPT-3 sind Sprachmodelle, die von OpenAI entwickelt wurden.

Sie haben eine ganz neue KI-Industrie angespornt, die auf der Generierung von Inhalten in großem Maßstab basiert.

Ich dachte mir, wie das die gesamte Verlagsbranche verändern würde.

Es ist jedoch auch wichtig, auf die verschiedenen Nachteile dieser Sprachmodelle hinzuweisen.

Zum Beispiel habe ich vor ein paar Tagen GPT-3 gebeten, mir etwas über „Geschäftsvalidierung“ zu sagen, und das ist das Ergebnis:

Geschäftsvalidierung ist der Prozess der Verifizierung, dass a Geschäft die Idee gut ist und dass es einen Markt für das Produkt oder die Dienstleistung gibt. Validierung kann durch Marktforschung, Umfragen, Interviews und Fokusgruppen erfolgen.

Gut, nicht wahr?

Es macht sehr viel Sinn.

Es ist jedoch falsch!
Ich habe mein ganzes Berufsleben dem gewidmet Geschäft Validierung, und ich habe meine eigene Betrachtungsweise entwickelt.

Daher ist diese generische, mittelmäßige Definition, die GPT-3 bereitgestellt hat, sinnvoll. Aber es ist wertlos und eigentlich sehr schlecht.

In der Tat ist mein Argument, dass das Letzte, was Sie tun wollen, die Validierung von a Geschäft ist der Einsatz von Marktforschung, Umfragen, Interviews und Fokusgruppen.

Stattdessen wollen Sie andere Ansätze verwenden.

Kurz gesagt, das soll keine Debatte gegen die Maschine sein, sondern ein Weg, um zu verstehen, wo die Maschine nützlich ist und wo nicht.

Wenn es beispielsweise darum geht, „Geschäftsvalidierung“ zu definieren, ist die Maschine nicht nur ein mittelmäßiger Berater, sondern ihre Definition ist irreführend.

Bedeutet es, dass es wertlos ist?
Als ein Geschäft Person, ich denke, die Wert was ich tue, steht in der persönlichen Erfahrung, die ich im Laufe der Jahre entwickelt habe, in der Konsistenz der bereitgestellten Botschaften und in der Tatsache, dass Sie hier Dinge finden, die Sie sonst nirgendwo finden.

So das Ganze Wert was Sie von mir bekommen könnten, ergibt sich aus meinem persönlichen Stil, einer Kombination aus Fachwissen, Erfahrung, Verständnis und vielen Fehlern, die ich gemacht habe, die ich möchte, dass Sie sie entweder vermeiden oder nutzen, um Ihre Reise zu beschleunigen.

So baut man Vertrauen auf.
Das heißt, wenn ich dieses Zeug benutzen würde, würde ich meine töten Geschäft und Glaubwürdigkeit, ziemlich schnell!

Aber wenn die Maschine nicht gut darin sein kann, ihren eigenen Stil zu haben, was kann sie dann effektiv tun?

Wo macht die KI betriebswirtschaftlich Sinn?

Basierend auf meiner Erfahrung in den letzten drei Jahren, Veredelung enterprise Dienstleistungen, in der KI Marketing Space, dies sind die Anwendungen, die ich als erfolgreich angesehen habe:

Menschen in der Schleife

Ein entscheidendes Element ist, dass der Mensch vorerst auf dem Laufenden bleiben muss. Für welche Unternehmensanwendung Sie sich auch entscheiden, es ist von entscheidender Bedeutung, über ein Team erfahrener Mitarbeiter zu verfügen, die verstehen, wie diese Modelle im großen Maßstab gehandhabt werden.

Beim Erstellen von KI-Modellen können diese benutzerdefinierten Modelle (die für bestimmte Aufgaben des Unternehmens erstellt wurden) im Laufe der Zeit immer relevanter werden.

Es ist jedoch auch wichtig, den Menschen auf dem Laufenden zu halten, sowohl auf der Eingangs- als auch auf der Ausgangsebene.

Auf der Eingabeseite ist es entscheidend, dass die Mitarbeiter Zeit damit verbringen, die für die verfügbaren Daten zu bereichern Modell und verbessern (stellen Sie sich vor, Sie wollen eine Sprache machen Modell die Ihre Produkte beschreibt, je mehr Informationen Sie über diese Produkte, Details und Eigenschaften der Produkte geben, desto besser ist die Modell).

Auf der Ausgangsseite, als die Modell erzeugt Dinge, die abgehen, die müssen korrigiert und auditiert werden, was zum nächsten Punkt führt.

Modell-Auditing – so argumentiere ich – wird größer sein als das Modellieren selbst!

Meiner Meinung nach wird es ein Kernproblem geben, wenn diese Modelle des maschinellen Lernens immer beliebter werden und die nächste Billionen-Dollar-Industrie antreiben.

Da diese Modelle hauptsächlich Deep Learning nutzen, bedeutet dies, dass Sie die Eingabe und Ausgabe kennen, aber in der Mitte ist es eine Black Box. Kurz gesagt, es gibt keine einfache Möglichkeit, die zu prüfen Modell, um zu wissen, wie es von der Eingabe zur Ausgabe gelangt ist.

In diesem Szenario ist es äußerst wertvoll, intelligente Methoden zur Prüfung von Modellen für maschinelles Lernen entwickeln zu können.

Wenn Sie mich fragen, wo ich ein KI-Unternehmen gründen würde, würde ich Ihnen direkt sagen, dass ich mit dem Aufbau einer Toolbox zur Prüfung von Modellen für maschinelles Lernen beginnen würde.

Wieso den? Denn jedes Unternehmen, das KI-Dienste nutzt, muss in der Lage sein, diese Modelle zu prüfen, und es gibt derzeit keinen richtigen Weg, dies zu tun. Es ist immer noch ein Wilder Westen!

Commodifizierbarer Inhalt ist der Ausgangspunkt

Wenn Sie mit der Nutzung dieser Modelle für maschinelles Lernen beginnen möchten, sollten Sie sich zunächst den Teil von ansehen Geschäft die das Potenzial hat, kommerzialisiert zu werden.

Zum Beispiel, wenn Sie einen E-Commerce-Shop mit Tausenden oder Millionen von Produktbeschreibungen haben.

Sprachmodelle können bei der Generierung in großem Maßstab ziemlich effektiv sein.

Tatsächlich ist der Vorteil hier, dass die Sprache Modell kann die Produktbeschreibung dynamisch ändern, auch basierend auf saisonalen Suchanfragen von Benutzern. Dies ist eine Anwendung, von der ich gesehen habe, dass sie sehr effektiv eingesetzt wird.

Eine Sache ist jedoch, der Maschine die Möglichkeit zu geben, ein Textbyte auf einer Produktseite zu ändern, eine andere, die Maschine die ganze Seite neu schreiben zu lassen.

Kurz gesagt, Sie möchten von einem kleinen Abschnitt ausgehen, der von dort aus kontrolliert, leicht gemessen, iteriert, korrigiert und skaliert werden kann.

Skalierung von Modellen

Einer der schwierigsten Teile bei der Verwendung von Modellen für maschinelles Lernen auf Unternehmensebene wird darin bestehen, diese Modelle zuverlässig zu skalieren.

Wenn Sie beispielsweise die Maschine Text für 100 Produktseiten generieren lassen, ist dies völlig anders als für tausend oder zehntausend.

Auf jeder Skalierungsebene wächst die Komplexität, die die Maschine handhabt, exponentiell, und die Chance, dass ein paar Produktbeschreibungen weit abfallen, wird möglich.

Kampagnenoptimierungen

Eine weitere interessante Anwendung von Deep-Learning-Modellen liegt im Bereich der Optimierung bezahlter Kampagnen, wo die Maschine auf zwei Arten arbeiten kann.

Zuerst nimmt die Maschine unstrukturierte Daten und macht daraus strukturierte Daten. Stellen Sie sich vor, Sie geben Millionen für Facebook-Werbekampagnen aus.

Diese werden meist von einem Leistungsmanager bearbeitet.

Denn wie organisiert diese Person bei der Abwicklung dieser Kampagnen sein kann, wenn das Budget sehr groß wird, kann es auch sehr komplex werden, Kampagnen zu verstehen, die eine gute Leistung erbringen.

Das liegt daran, dass diese Kampagnen möglicherweise nicht richtig gekennzeichnet sind. Kurz gesagt, die triviale, aber zeitaufwändige Aufgabe, diese Kampagnen zu kennzeichnen (wie sie in sinnvollen Clustern zu organisieren), wird sehr schwierig.

Zweitens kann die Abwicklung einer großen Anzahl von Kampagnen auch den Experimentierprozess verlangsamen.

Tatsächlich müssen erfolgreiche Kampagnen im Laufe der Zeit kontinuierlich optimiert, geändert und erneut getestet werden, um den ROI dieser Kampagnen stabil zu halten.

Deep Learning mit neuronalen Netzen könnte darin sehr gut sein! Kennzeichnen, Anpassen, Testen und Iterieren dieser Kampagnen in großem Maßstab.

Wie bepreisen Sie KI-Dienste?

Bisher habe ich gearbeitet und diese primär gesehen gebühr Modelle:

Abonnement / Retainer

Hier baut die KI-Firma eine Sonderanfertigung Modell, über einen Piloten (entweder kostenlos oder gegen eine Pauschalgebühr).

Sobald die Modell fertig ist, geht es durch eine Übergangsphase, die wie ein Lauf beginnt Abonnement/retainer (basierend auf dem Volumen, das von der Modell).

Von dort aus trägt der Preis, sobald er für die Skalierung bereit ist, eine Basis Abonnement, die ab einem bestimmten Volumen sprunghaft ansteigt.

Der Abonnement muss eine Schwelle haben, nach der die Lautstärke die Modell kann unbegrenzt sein (dies geschieht in einer sehr fortgeschrittenen Phase, deren Entwicklung je nach Dienst mindestens 18-24 Monate dauern kann).

Pay-as-you-go

Diese umfassen Dienste von KI-Unternehmen, die möglicherweise Standardbibliotheken von Modellen für maschinelles Lernen bereitstellen, und das Unternehmen, das eines auswählt, zahlt basierend auf dem Verbrauch.

Hybride Preise

Diese umfassen KI-Modelle, die Standard sind, aber bis zu einem gewissen Grad angepasst werden können.

In diesem Fall a Abonnement Modell, kombiniert mit einem Pay-as-you-go Modell könnte tun.

Ein Schnitt der Ersparnis

Im Falle eines Unternehmens, das KI-Modelle verwendet, um die Kampagnenleistung zu verbessern, kann das Unternehmen dem Kunden diese Modelle mit einem kostenlosen Pilotprojekt oder einer Pauschalgebühr vorstellen und, sobald sich dies als erfolgreich erweist, nur einen Prozentsatz der Einsparungen berechnen.

Dieser Modell könnte effektiver sein, um die Reibungs- und Akquisekosten des Unternehmenskunden zu reduzieren.

Schlüssel-Höhepunkte

Unternehmens-KI definiert: Enterprise AI bietet Produkte und Dienstleistungen, die benutzerdefinierte Modelle für maschinelles Lernen in die Arbeitsabläufe großer Unternehmen integrieren, um Aufgaben in großem Maßstab zu automatisieren.
Die Auswirkungen von GPT-2 und GPT-3: Die Veröffentlichung der Sprachmodelle GPT-2 und GPT-3 im Jahr 2019 löste einen erheblichen Wandel in der KI-Branche aus, insbesondere bei der Generierung von Inhalten in großem Maßstab.
Nachteile von Sprachmodellen: Während Sprachmodelle wie GPT-3 kohärenten Text erzeugen, mangelt es ihnen möglicherweise an domänenspezifischem Fachwissen, sodass menschliche Eingaben für bestimmte Aufgaben unerlässlich sind.
Erfolgreiche Anwendungen von KI in Unternehmen: Basierend auf Erfahrungen bei der Weiterentwicklung der KI Marketing Zu den erfolgreichen Anwendungen gehört der Einsatz von Menschen im Kreislauf, Modell Prüfung, Umgang mit kommerziell nutzbaren Inhalten, zuverlässige Skalierung von Modellen und Optimierung bezahlter Kampagnen.
Preismodelle für KI-Dienste: KI-Unternehmen nutzen verschiedene gebühr Modelle, wie Abonnement/Retainer-basierte, nutzungsbasierte Pay-as-you-go-Modelle und innovative Modelle wie die Berechnung eines Prozentsatzes der Einsparungen, die sich aus KI-Verbesserungen ergeben.
Bedeutung menschlicher Expertise bei der KI-Implementierung: Menschliches Fachwissen ist nach wie vor von entscheidender Bedeutung für den Umgang mit KI-Modellen, die Anreicherung von Dateneingaben und die Prüfung des Black-Box-Charakters von Deep-Learning-Modellen.
Das zukünftige Potenzial der KI-Prüfung: Die Entwicklung ausgefeilter Tools zur Prüfung von Modellen für maschinelles Lernen stellt eine bedeutende Chance für Unternehmer in der KI-Branche dar.
Schrittweise Einführung von KI-Lösungen: Unternehmen können damit beginnen, KI in kontrollierten Bereichen einzusetzen und so iterative Verbesserungen zu ermöglichen, bevor sie auf komplexere Anwendungen umsteigen.
KI für Kampagnenoptimierungen: Deep-Learning-Modelle können bezahlte Kampagnen optimieren, indem sie unstrukturierte Daten strukturieren und Kampagnen kontinuierlich anpassen und testen, um den ROI zu maximieren.
Die Notwendigkeit menschlichen Eingreifens in die KI-Ausgabe: Für die Aufrechterhaltung der Genauigkeit und Qualität von KI-Anwendungen ist es unerlässlich, dass Menschen bei der Korrektur und Prüfung maschinell generierter Inhalte dabei sind.
Strategischer Ansatz zur KI-Implementierung: Die KI-Implementierung in Unternehmen sollte mit Anwendungen beginnen, die das Potenzial haben, kommerzialisiert zu werden, was kontrollierte Tests und eine Skalierung auf der Grundlage von Erfolgen ermöglicht.
Die sich entwickelnde KI-Branche: KI-Dienste und -Anwendungen entwickeln sich weiterhin rasant weiter, und Unternehmen sollten über neue Möglichkeiten und Möglichkeiten auf dem Laufenden bleiben gebühr Modelle, um die besten Entscheidungen für ihre Bedürfnisse zu treffen.