Sebagai pasukan Perancangan Pengeluaran dan Operasi di AINNA, kami sering melihat syarikat membina strategi AI mereka atas satu andaian mudah:
选择 LLM yang paling canggih, sambungkan ke data syarikat, dan gunakannya untuk segala-galanya.
Pendekatan ini mungkin cukup untuk eksperimen awal.
Tetapi ia tidak mungkin berfungsi dengan cekap pada skala perusahaan.
Dari sudut perancangan pengeluaran, ini umpama mahu menjalankan keseluruhan operasi kilang menggunakan satu mesin sahaja - tidak praktikal dan tidak cekap.
Sama seperti di lantai pengeluaran, satu perniagaan tidak menghadapi hanya satu jenis masalah.
Ia ada:
aliran kerja berulang
transaksi berstruktur
pengekstrakan dokumen
pemeriksaan pematuhan
komunikasi pelanggan
penyelarasan kewangan
pemantauan operasi
pembuatan keputusan kompleks
Setiap tugas mempunyai keperluan berbeza.
Ada yang memerlukan penaakulan lanjutan.
Yang lain memerlukan kelajuan, konsistensi, privasi, ketepatan deterministik atau kos yang sangat rendah.
Ramai tugas tidak memerlukan LLM langsung.
Menggunakan model besar untuk mengesahkan tarikh, menyemak baki atau mengekstrak medan yang dikenali seringkali tidak perlu. Ia meningkatkan kos, kelewatan dan pergantungan tanpa mencipta nilai yang berkadaran.
Arsitektur perusahaan yang lebih kukuh akan menggabungkan beberapa komponen:
peraturan perniagaan yang deterministik
parser khusus
模型 Bahasa Kecil
模型 Bahasa Besar (LLM)
sistem pengambilan maklumat
enjin aliran kerja
pengesahan bebas
kelulusan manusia
Lapisan kritikal ialah 智能路由.
Sebelum memproses sesuatu tugas, sistem perlu menilai kerumitannya, risiko, ketepatan yang diperlukan, sensitiviti data dan kos.
Tugas rutin boleh ditangani oleh sistem yang ringan.
Tugas yang kabur atau kompleks boleh dinaiktaraf kepada model yang lebih berkemampuan.
输出 berisiko tinggi perlu disahkan secara bebas sebelum dilaksanakan.
Ini membawa kepada prinsip penting yang lain:
Tadbir urus AI mesti wujud di luar model.
模型 tidak harus menjana, mengesahkan dan meluluskan outputnya sendiri tanpa kawalan luaran.
系统 perusahaan memerlukan semakan skema, penyesuaian, kebenaran, log audit, had transaksi dan mekanisme eskalasi.
Terdapat juga peranan yang semakin besar untuk 分离式系统.
AI boleh mereka bentuk, menganalisis atau mengubah suatu aliran kerja, manakala perisian deterministik melaksanakan aliran kerja itu secara berterusan tanpa memanggil model setiap kali.
Ini dapat mengurangkan kos inferens, meningkatkan kebolehpercayaan dan menjadikan automasi lebih boleh diramal.
Oleh itu, masa depan AI perusahaan bukan satu model universal yang mengawal segala-galanya.
Ia adalah sistem-sistem yang dikoordinasikan.
模型 besar akan kekal penting, tetapi ia akan menjadi satu komponen dalam arsitektur yang lebih luas merangkumi penghalaan, pengesahan, pemprosesan khusus dan pelaksanaan bebas.
Pemenang jangka panjang mungkin bukan syarikat yang paling banyak menggunakan AI.
Mereka mungkin syarikat yang menggunakan AI lanjutan hanya apabila kecerdasan lanjutan benar-benar diperlukan.
#企业版AI #AI基础设施 #Artificial智能 #LLM #AIAgents #自动化 #DigitalTransformation #主权AI #SmartRouting #Tech战略
Ruang pembaca
Apa pendapat anda?
Komen disemak sebelum diterbitkan. 电子邮件 diperlukan untuk moderasi dan tidak dipaparkan kepada pembaca.
文章把ada yang memerlukan penaakulan lanjutan和日常运营联系起来，这一点很有帮助。
收藏了，主要是为了选择 LLM yang paling canggih。
我特别喜欢menggunakan model besar untuk mengesahkan这一部分，内容没有把实施过程说得太简单。
这篇内容让我更容易理解为什么sama seperti di lantai pengeluaran值得关注。
关于pendekatan ini mungkin cukup untuk的说明很完整，基础部分尤其清楚。
文章对tetapi ia tidak mungkin berfungsi的结论比较平衡，不只是强调好处。
这篇文章把satu perniagaan tidak menghadapi hanya讲得比一般的AI介绍更具体。
关于tidak praktikal dan tidak cekap的实际落地部分最吸引我。