Перед любой компаний, которая планирует системную работу с корпоративной информацией, встают различные проблемы, связанные с эффективностью взаимодействия с такими данными. Например, высокая стоимость организации сквозного процесса работы с хранилищами и разграничения в уровнях доступа.
Что это значит для бизнеса?
Как это работает на практике — в полной версии материала.
Перед любой компаний, которая хочет структурировано работать с корпоративной информацией, встаёт несколько ключевых проблем:
Каждая из этих проблем может быть решена полностью или частично с помощью генеративного AI. Такие инструменты можно применять в том числе и без существенного изменения целевого процесса. Важно отметить, что на оптимизацию при помощи ИИ можно смотреть через две оптики:
Как внедрение AI может изменить скорость процессов*
* На основании опыта работы MTS AI с разными компаниями.
Приведённые выше примеры описывают работу AI с текстовой информацией — это основная точка применения больших языковых моделей. Однако LLM в контексте этого подхода практически все можно назвать языком: видео, аудио, изображения, любая последовательность байтов. Поэтому и легко представить себе, как мультимодальная языковая модель оптимизирует отдельную пользовательскую операцию детекции предметов на фотографиях или сценарий поиска, где на запрос пользователя в качестве ответа приходит не только статья из базы знаний, но и схемы, и видеоролики, содержащие релевантную информацию, а системы BI или big data начинают оперировать не только таблицами, но и неструктурированным контентом различных форматов.
Примеры использования нейросетей клиентами MTS AI
Новая концепция поиска
Поговорим о расширении функциональности поиска с помощью искусственного интеллекта. Это очевидная точка применения AI: языковые модели позволяют создать универсальный слой работы с разноформатными данными из различных источников, снимая проблемы, указанные ранее.
Меняется сам сценарий поиска по корпоративной базе. Обычный поиск выдаёт ссылки на документы или релевантные абзацы. Поиск с генеративным AI предоставляет ответы в соответствии с заданным вопросом и форматом. Модель собирает информацию из нескольких источников и генерирует связный ответ. Пользователь получает нужные данные: цифру, рекомендацию, инструкцию или краткое содержание, собранные из авторизованных корпоративных источников, включая закрытые.
Запрашиваемая информация будет представлена в требуемом формате вне зависимости от стиля изложения исходных документов. Пользователь получит ответ на свой вопрос: цифру, значение, рекомендацию, инструкцию, краткое содержание или разъяснение. Ответ будет сформирован из авторизованных корпоративных данных, включая информацию из закрытого контура.
On premise и контроль доступа
Инструменты AI могут быть интегрированы в ИТ-инфраструктуру без изменения процессов и дополнительных мер безопасности. При работе с поиском и доступом к информации AI полагается на существующую ролевую модель, генерируя ответы только из авторизованных источников.
Важно, что для поисковой модели не требуется обучение на корпоративных данных. Модель использует индекс источников, которые живут своей жизнью, постоянно изменяясь. Обучать модель на этих данных невозможно и не нужно — она лишь интерпретирует запросы на естественном языке и готовит ответы.
Обучение может понадобиться только для сценариев поиска и форматов ответов, например если необходимо выдавать топ-5 проектов с указанием клиентов, продуктов, вендоров и стоимостей. Но это обучение не трудоёмкое.
Языковая модель, обученная только на сценариях, в случае утечки не будет содержать защищённых корпоративных данных.
Суммаризация и генерация
Генеративные функции языковых моделей, такие как суммаризация, позволяют сотрудникам быстро просматривать краткие содержания совещаний, докладов, вебинаров и других длинных документов. Поисковая система на основе языковой модели даёт возможность задавать уточняющие вопросы.
Помимо создания удобных представлений существующих данных, модели могут генерировать принципиально новый контент: документы, отчёты, маркетинговые материалы, вопросы для собеседований и описания товаров.
Реальный пример — генерация текстов для PR-службы на основе заголовка и брифа. Модель анализирует прошлые новости и создаёт заготовку в соответствующем стиле.
Аналогично работают решения для обработки обращений граждан: входящее обращение интерпретируется как поисковый запрос к нормативным документам, релевантные положения собираются, и генерируется персонализированный ответ.
Будущее наступило
Недавно меня попросили сформулировать, как могли бы выглядеть бизнес-коммуникации и работа в компаниях в будущем. Мне пришло в голову, что, подобно тому, как во многих компаниях уже отказались от классической электронной почты в пользу корпоративных мессенджеров, а от офисных приложений в пользу майнд-карт и прочих более гибких и разнообразных инструментов, в условном 2030 году мы придём к тому, что проекты, сделки, исследования и коммуникации вокруг них будут происходить в своих выделенных пространствах («цифровых чертогах разума»). У каждого участника будет свой срез/доступ и арсенал виртуальных помощников. Некоторые из этих «ассистентов» будут автоматическими. Среди их задач — насыщение пространств результатами переговоров/проектов, обмен материалами, хайлайты, аналитика, подготовка схем, выводов, автоответов, плюс автоисполнение поручений). Другие — ручными, например они будут представлять собой копайлот, учитывающий любой контекст и принимающий любую команду на естественном языке; виртуальный копирайтер, оформляющий любую мысль, задачу и инициирующий воздействие; умный поиск, дающий полный ответ. В итоге любой артефакт будет доступен в актуальном виде в нужный момент каждому участнику. Всё это мы уже наблюдаем — будущее наступило, просто оно неравномерно распределено. И генеративный AI будет ключевым инструментом в наполнении этих пространств и поддержании структуры в них. Это и есть майнинг всего.