大量基于GenAI的工具和應(yīng)用涌入市場。其中一些應(yīng)用非常聰明且富有創(chuàng)意，但它們大多是ChatGPT等應(yīng)用背后的大型語言模型(LLM)的包裝器。這并不是要貶低LLM的語言、概念和單詞關(guān)系知識(shí)可以提供新的效率和生產(chǎn)力的數(shù)千種潛在場景。

但LLM和ChatGPT無法解決組織的所有信息問題。機(jī)器學(xué)習(xí)是人工智能應(yīng)用的核心。企業(yè)技術(shù)堆棧中的傳統(tǒng)工具(例如ERP、數(shù)據(jù)倉庫、電子商務(wù)和內(nèi)容/知識(shí)管理)越來越多地將機(jī)器學(xué)習(xí)納入核心功能。

檢索增強(qiáng)生成(RAG)

檢索增強(qiáng)生成(RAG)克服了這些限制。這種方法使用企業(yè)的數(shù)據(jù)作為事實(shí)來源。它不依賴于LLM對(duì)世界的了解，而是解釋用戶的查詢，通過多種機(jī)制之一檢索信息，并使答案易于人類理解和對(duì)話。但它需要組織的信息作為參考點(diǎn)——企業(yè)真相的來源，這是競爭差異化的源泉。

這些信息是什么樣的?它從客戶、交易和產(chǎn)品數(shù)據(jù)和內(nèi)容以及目標(biāo)市場特有的知識(shí)和專業(yè)知識(shí)以及企業(yè)的核心能力開始。您如何解決客戶遇到的問題?您如何通過產(chǎn)品和服務(wù)吸引目標(biāo)客戶?您的供應(yīng)商關(guān)系和供應(yīng)鏈理解如何幫助您擊敗競爭對(duì)手?

這些都是競爭差異化的來源。每一項(xiàng)都通過了解從供應(yīng)商到制造和分銷到最終客戶的數(shù)據(jù)、知識(shí)和內(nèi)容流來管理，包括了解接觸他們的最佳方式以及使用哪些營銷內(nèi)容。

GenAI似乎可以為創(chuàng)建營銷內(nèi)容提供很大幫助。但你們的GenAI營銷內(nèi)容與其他人有何不同?更好的提示?更多創(chuàng)意問題?上下文信息?仍然需要有人性和創(chuàng)造性的元素。機(jī)器可以實(shí)現(xiàn)自動(dòng)化，但仍然需要人類來連接。我們不能將人類的能力外包給機(jī)器。

雖然機(jī)器學(xué)習(xí)和新一代人工智能工具可以使人類的許多日?；顒?dòng)和死記硬背的活動(dòng)自動(dòng)化，但仍然需要填寫訂單和在目錄中組織產(chǎn)品。用戶需要搜索感興趣的產(chǎn)品。他們需要了解、選擇、購買、使用和維護(hù)您組織的產(chǎn)品或解決方案。

這些功能中的每一個(gè)都需要一個(gè)數(shù)據(jù)存儲(chǔ)庫，而數(shù)據(jù)需要一定的結(jié)構(gòu)。企業(yè)中數(shù)據(jù)的核心結(jié)構(gòu)被稱為主數(shù)據(jù)。主數(shù)據(jù)有多種類型——客戶產(chǎn)品、財(cái)務(wù)、交易和內(nèi)容。市場上有許多不同的工具來解決該領(lǐng)域的特定用例。

主數(shù)據(jù)忽略了細(xì)微差別

但僅靠主數(shù)據(jù)就忽略了數(shù)據(jù)的許多細(xì)微差別和價(jià)值。通過了解一條信息如何與另一條信息相關(guān)，可以得出并應(yīng)用真正的見解。客戶身份圖是一種數(shù)據(jù)表示形式，它說明了各種屬性(例如客戶類型、興趣、過去的購買情況、購買意圖等)之間的關(guān)系?？蛻羯矸輬D可以幫助電子商務(wù)應(yīng)用向該客戶展示最相關(guān)的產(chǎn)品。這來自于整個(gè)客戶旅程中每個(gè)接觸點(diǎn)的數(shù)據(jù)耗盡時(shí)捕獲的客戶詳細(xì)信息。

接觸點(diǎn)留下數(shù)據(jù)痕跡

每個(gè)客戶接觸點(diǎn)都由各種客戶體驗(yàn)技術(shù)支持，并且每個(gè)接觸點(diǎn)都在數(shù)據(jù)模型中捕獲客戶詳細(xì)信息-客戶描述符：人口統(tǒng)計(jì)、企業(yè)結(jié)構(gòu)、市場細(xì)分、技術(shù)素養(yǎng)、購買的產(chǎn)品以及更多詳細(xì)信息。這些描述符在機(jī)器學(xué)習(xí)中被稱為特征，它們也可以被稱為“屬性”，描述潛在客戶或客戶特征的元數(shù)據(jù)。他們是誰?我們對(duì)他們了解多少?他們?yōu)槭裁匆?guī)模的組織工作?他們的角色或地位是什么?他們的興趣是什么?他們的技術(shù)熟練程度如何?他們?cè)噲D實(shí)現(xiàn)什么目標(biāo)?他們對(duì)企業(yè)的總體職責(zé)是什么?

使用RAG減少幻覺

RAG顯著擴(kuò)展了大型語言模型(LLM)在企業(yè)環(huán)境中的范圍。通常，雖然LLM擅長文本創(chuàng)作，但他們無法從企業(yè)數(shù)據(jù)庫中提取具體、詳細(xì)的數(shù)據(jù)。RAG通過檢索必要的信息來解決這個(gè)問題，以確保人工智能生成的響應(yīng)既相關(guān)又準(zhǔn)確。

信息預(yù)處理類似于現(xiàn)實(shí)世界圖書館中的編目。這包括將信息組織成類別并向每條信息分配關(guān)鍵字以便于檢索和識(shí)別。這個(gè)過程有助于使數(shù)據(jù)更容易訪問、更容易搜索和理解。

構(gòu)建參考庫

將組織好的數(shù)據(jù)存儲(chǔ)在矢量數(shù)據(jù)庫或合適的位置，為無縫集成到文本生成過程中奠定基礎(chǔ)。它涉及根據(jù)相關(guān)關(guān)鍵字或術(shù)語創(chuàng)建層次結(jié)構(gòu)，然后可以使用該結(jié)構(gòu)快速輕松地定位相關(guān)文檔或文本。這可以比作在圖書館根據(jù)相關(guān)主題或類型將書籍上架的過程，這可以幫助顧客快速找到他們需要的資料。

編目系統(tǒng)以客戶身份圖為基礎(chǔ)(以及其他圖數(shù)據(jù)結(jié)構(gòu))。讓LLM能夠?yàn)榭蛻艋騿T工獲得正確的答案意味著根據(jù)他們的背景檢索信息。這種背景來自他們?cè)诼猛局袙伋龅臄?shù)字肢體語言。LLM是令人驚嘆的算法。但他們需要企業(yè)數(shù)據(jù)來提供真正的效用和競爭優(yōu)勢(shì)。這需要對(duì)這些數(shù)據(jù)、內(nèi)容和客戶目錄進(jìn)行建模，以便LLM可以檢索正確的信息，而不是將其留給自己的、可能產(chǎn)生幻覺的設(shè)備。獲得這些問題的答案取決于是否有適當(dāng)策劃和結(jié)構(gòu)化的企業(yè)信息。