Som du måske ved, har mit team og jeg bragt en browserudvidelse til Qlik-fællesskabet, der integrerer Qlik og Git for at gemme dashboard-versioner problemfrit, hvilket laver thumbnails til dashboards uden at skifte til andre vinduer. På den måde sparer vi Qlik-udviklere for en betydelig mængde tid og reducerer stress på daglig basis.
Jeg leder altid efter måder at forbedre Qlik-udviklingsprocessen og optimere daglige rutiner. Det er derfor, det er for svært at undgå det mest hypede emne, ChatGPT og GPT-n, af OpenAI eller Large Language Model til fælles.
Lad os springe delen over, hvordan store sprogmodeller, GPT-n, fungerer. I stedet kan du spørge ChatGPT eller læse den bedste menneskelige forklaring af Steven Wolfram.
Jeg vil tage udgangspunkt i den upopulære afhandling, "GPT-n Generated Insights from the data is a Curiosity-Quenching Toy," og derefter dele eksempler fra det virkelige liv, hvor en AI-assistent, vi arbejder på, kan automatisere rutineopgaver, ledig tid til mere komplekse analyse og beslutningstagning for BI-udviklere/analytikere.
AI-assistent fra min barndom
Lad ikke GPT-n føre dig på afveje
… det er bare at sige ting, der "lyder rigtigt" baseret på, hvad tingene "lød som" i dets træningsmateriale. © Steven Wolfram
Så du chatter med ChatGPT hele dagen lang. Og pludselig dukker en genial idé op: "Jeg vil bede ChatGPT om at generere handlingsegnet indsigt fra dataene!"
At fodre GPT-n-modeller ved hjælp af OpenAI API med alle forretningsdata og datamodeller er en stor fristelse til at få handlingsorienteret indsigt, men her er det afgørende - den primære opgave for Large Language Model som GPT-3 eller højere er at finde ud af, hvordan for at fortsætte et stykke tekst, som det har fået. Med andre ord, det "følger mønsteret" af, hvad der er derude på nettet og i bøger og andre materialer, der bruges i det.
Baseret på denne kendsgerning er der seks rationelle argumenter for, hvorfor GPT-n-genereret indsigt blot er et stykke legetøj til at slukke din nysgerrighed og brændstofleverandør til idégeneratoren kaldet den menneskelige hjerne:
- GPT-n, ChatGPT kan generere indsigt, der ikke er relevant eller meningsfuld, fordi den mangler den nødvendige kontekst til at forstå dataene og deres nuancer – mangel på kontekst.
- GPT-n, ChatGPT kan generere unøjagtig indsigt på grund af fejl i databehandling eller defekte algoritmer - manglende nøjagtighed.
- Ved udelukkende at stole på GPT-n kan ChatGPT for indsigt føre til mangel på kritisk tænkning og analyse fra menneskelige eksperter, hvilket potentielt kan føre til forkerte eller ufuldstændige konklusioner - overdreven afhængighed af automatisering.
- GPT-n, ChatGPT kan generere partisk indsigt på grund af de data, det blev trænet på, hvilket potentielt kan føre til skadelige eller diskriminerende resultater - risikoen for bias.
- GPT-n, ChatGPT kan mangle en dyb forståelse af de forretningsmål og -mål, der driver BI-analyse, hvilket fører til anbefalinger, der ikke stemmer overens med den overordnede strategi - en begrænset forståelse af forretningsmål.
- At stole på forretningskritiske data og dele dem med en "sort boks", der kan selvlære, vil afføde tanken i TOP-ledelsens lyse hoveder, at du lærer dine konkurrenter at vinde - mangel på tillid. Det havde vi allerede set, da de første cloud-databaser som Amazon DynamoDB begyndte at dukke op.
For at bevise mindst ét argument, lad os undersøge, hvordan ChatGPT kunne lyde overbevisende. Men i nogle tilfælde er det ikke korrekt.
Jeg vil bede ChatGPT om at løse den simple beregning 965 * 590 og derefter bede den om at forklare resultaterne trin-for-trin.
568 350?! UPPS... noget går galt.
I mit tilfælde brød en hallucination igennem i ChatGPT-svaret, fordi svaret 568,350 er forkert.
Lad os tage det andet skud og bede ChatGPT om at forklare resultaterne trin for trin.
Godt skud! Men stadig forkert...
ChatGPT forsøger at være overbevisende i en trin-for-trin forklaring, men det er stadig forkert.
Konteksten betyder noget. Lad os prøve igen, men fodre det samme problem med "ager som ..."-prompten.
BINGO! 569 350 er det rigtige svar
Men dette er et tilfælde, hvor den form for generalisering, et neuralt net let kan udføre - hvad er 965*590 - ikke vil være nok; en egentlig beregningsalgoritme er nødvendig, ikke kun en statistisk-baseret tilgang.
Hvem ved... måske har AI netop aftalt med matematiklærere i fortiden og bruger ikke lommeregneren før de øverste klassetrin.
Da min prompt i det foregående eksempel er ligetil, kan du hurtigt identificere fejlen i svaret fra ChatGPT og prøve at rette det. Men hvad nu hvis hallucinationen bryder igennem som svar på spørgsmål som:
- Hvilken sælger er den mest effektive?
- Vis mig omsætningen for det sidste kvartal.
Det kunne føre os til den HALLUCINATIONSDRIVEDE BESLUTNING, uden svampe.
Jeg er selvfølgelig sikker på, at mange af mine ovenstående argumenter bliver irrelevante i løbet af et par måneder eller år på grund af udviklingen af snævert fokuserede løsninger inden for generativ AI.
Selvom GPT-n's begrænsninger ikke bør ignoreres, kan virksomheder stadig skabe en mere robust og effektiv analytisk proces ved at udnytte styrkerne hos menneskelige analytikere (det er sjovt, at jeg skal fremhæve HUMAN) og AI-assistenter. Overvej for eksempel et scenario, hvor menneskelige analytikere forsøger at identificere faktorer, der bidrager til kundeafgang. Ved at bruge AI-assistenter drevet af GPT-3 eller højere kan analytikeren hurtigt generere en liste over potentielle faktorer, såsom prissætning, kundeservice og produktkvalitet, derefter evaluere disse forslag, undersøge dataene yderligere og i sidste ende identificere de mest relevante faktorer som driver kundeafgang.
VIS MIG DE MENNESKELIGNENDE TEKSTER
HUMAN ANALYTIKER laver prompter til ChatGPT
AI-assistenten kan bruges til at automatisere opgaver, som du bruger utallige timer på lige nu. Det er indlysende, men lad os se nærmere på området, hvor AI-assistenter drevet af store sprogmodeller såsom GPT-3 og højere testes godt - genererer menneskelignende tekster.
Der er en masse af dem i BI-udvikleres daglige opgaver:
- Skrive diagrammer, arktitler og beskrivelser. GPT-3 og højere kan hjælpe os med hurtigt at generere informative og kortfattede titler, hvilket sikrer, at vores datavisualisering er nem at forstå og navigere for beslutningstagere og ved at bruge "ager som .."-prompten.
- Kode dokumentation. Med GPT-3 og højere kan vi hurtigt skabe veldokumenterede kodestykker, hvilket gør det nemmere for vores teammedlemmer at forstå og vedligeholde kodebasen.
- Oprettelse af masteremner (virksomhedsordbog). AI-assistenten kan hjælpe med at opbygge en omfattende forretningsordbog ved at give præcise og kortfattede definitioner for forskellige datapunkter, reducere tvetydighed og fremme bedre teamkommunikation.
- Oprettelse af et fængende thumbnail (omslag) til arkene/dashboards i appen. GPT-n kan generere engagerende og visuelt tiltalende thumbnails, forbedre brugeroplevelsen og opmuntre brugerne til at udforske de tilgængelige data.
- Skrivning af beregningsformler ved sæt-analyseudtryk i Qlik Sense / DAX-forespørgsler i Power BI. GPT-n kan hjælpe os med at udarbejde disse udtryk og forespørgsler mere effektivt, hvilket reducerer tiden brugt på at skrive formler og giver os mulighed for at fokusere på dataanalyse.
- Skrivning af dataindlæsningsscripts (ETL). GPT-n kan hjælpe med at skabe ETL-scripts, automatisere datatransformation og sikre datakonsistens på tværs af systemer.
- Fejlfinding af data og applikationsproblemer. GPT-n kan give forslag og indsigt for at hjælpe med at identificere potentielle problemer og tilbyde løsninger på almindelige data- og applikationsproblemer.
- Omdøbning af felter fra teknisk til forretning i Data Model. GPT-n kan hjælpe os med at oversætte tekniske termer til et mere tilgængeligt forretningssprog, hvilket gør datamodellen nemmere at forstå for ikke-tekniske interessenter med få klik.
AI-assistenter drevet af GPT-n-modeller kan hjælpe os med at være mere effektive i vores arbejde ved at automatisere rutineopgaver og frigøre tid til mere kompleks analyse og beslutningstagning.
Og dette er området, hvor vores browserudvidelse til Qlik Sense kan levere værdi. Vi har forberedt os på den kommende udgivelse — af AI-assistent, som vil bringe titler og beskrivelsesgenerering til Qlik-udviklere bare i appen, mens de udvikler analyseapps.
Ved at bruge finjusteret GPT-n af OpenAI API til disse rutineopgaver kan Qlik-udviklere og analytikere forbedre deres effektivitet betydeligt og allokere mere tid til komplekse analyser og beslutningstagning. Denne tilgang sikrer også, at vi udnytter GPT-n's styrker, mens vi minimerer risikoen ved at stole på den til kritisk dataanalyse og generering af indsigt.
Konklusion
Afslutningsvis, lad mig venligst give plads til ChatGPT:
Anerkendelse af både begrænsningerne og potentielle anvendelser af GPT-n inden for rammerne af Qlik Sense og andre business intelligence-værktøjer hjælper organisationer med at få mest muligt ud af denne kraftfulde AI-teknologi, samtidig med at potentielle risici mindskes. Ved at fremme samarbejde mellem GPT-n-genereret indsigt og menneskelig ekspertise kan organisationer skabe en robust analytisk proces, der udnytter styrkerne hos både AI og menneskelige analytikere.
For at være blandt de første til at opleve fordelene ved vores kommende produktudgivelse, vil vi gerne invitere dig til at udfylde formularen til vores program for tidlig adgang. Ved at deltage i programmet får du eksklusiv adgang til de nyeste funktioner og forbedringer, der hjælper dig med at udnytte AI-assistentens kraft i dine Qlik-udviklingsarbejdsgange. Gå ikke glip af denne mulighed for at være på forkant og frigøre det fulde potentiale af AI-drevet indsigt til din organisation.
