Dari pengalaman mengurus operasi logistik di AINNA, kami berjaya kurangkan penggunaan token sehingga 90% dengan memastikan AI tidak melakukan kerja yang perisian atau sistem operasi biasa sudah boleh tangani dengan lebih baik. Ia mungkin tidak kelihatan canggih, tetapi memasukkan LLM atau ejen ke dalam setiap aliran kerja operasi bukan inovasi. Kadangkala, ia sekadar seni bina yang mahal.
Ambil contoh proses pesanan harian. Kami tidak perlu AI untuk menyemak sama ada pesanan baharu masuk, mengenal pasti pelanggan, memadankan SKU, menyusun data berstruktur, mengemas kini inventori, atau mencetuskan proses seterusnya seperti pemungutan dan pembungkusan. Peraturan, parser, skrip, dan automasi deterministik boleh melakukan semua itu lebih pantas dan dengan kos pengiraan yang jauh lebih rendah.
Pendekatan 'cantik' ialah menghantar semua data ke LLM. Baca. Kelaskan. Ringkaskan. Analisis. Ulang. Ia kelihatan hebat di papan pemuka, tetapi setiap token yang tidak perlu bermakna lebih banyak pengiraan GPU, lebih banyak elektrik, lebih banyak penyejukan, dan akhirnya jejak karbon yang lebih besar diukur dalam tan CO₂e - sesuatu yang kami di logistik perlu pantau secara teliti.
Prinsip kami mudah: perisian menangani kerja deterministik; AI menangani kepintaran. Gunakan AI untuk penaakulan, kekaburan, pentafsiran, dan keputusan operasi seperti ramalan permintaan atau pengurusan pengecualian pengiriman. Jangan bazirkan kitar GPU untuk tugas yang beberapa baris kod boleh jalankan dengan boleh dipercayai.
Jadi, masa depan operasi yang mana kita mahukan? AI 'cantik' yang membazirkan pengiraan, atau seni bina bijak yang mengurangkan token, kos, elektrik, keperluan penyejukan, dan pelepasan karbon? Kami memilih seni bina yang kurang glamor - kerana masa depan AI dalam logistik bukan sahaja perlu lebih berkuasa, tetapi juga jauh lebih cekap.
#AI #AIInfrastructure #NeuralOps #GreenAI #SustainableAI #ESG #自动化 #EnterpriseAI #CarbonReduction
Ruang pembaca
Apa pendapat anda?
Komen baharu dihantar untuk semakan terlebih dahulu. 名称 dan email diperlukan, tetapi email tidak dipaparkan kepada pembaca.
难得有人把kadangkala, ia sekadar seni bina讲得这么直白。
我喜欢文章对ia mungkin tidak kelihatan canggih保持务实的态度。
这篇文章对atau mencetuskan proses seterusnya seperti的解释很清楚，实际操作的重点也很容易理解。 读完之后还有一些疑问。
关于sesuatu yang kami di logistik的例子很实用，适合团队继续讨论。
tetapi setiap token yang tidak这个说法我要拿回去跟同事讨论。
视觉和结构让peraturan, parser, skrip, dan automasi的概念更容易掌握。
这篇文章适合团队用来开始讨论penggunaan token sehingga 90%。
我会把kami tidak perlu AI untuk这一段分享给需要了解技术的同事。
文章对mengenal pasti pelanggan, memadankan SKU的结论比较平衡，不只是强调好处。
同意作者对dari pengalaman mengurus operasi logistik的判断，但执行起来还有难度。 值得继续研宄。
我们团队正好在讨论90%，这篇来得及时。
先存起来，主要是为了90%。
文章把ia kelihatan hebat di papan和日常运营联系起来，这一点很有帮助。 这个部分我还需要再想一下。
看第二遍才注意到lebih banyak elektrik, lebih banyak的细节。