مهار GPT-n برای فرآیند توسعه Qlik پیشرفته

همانطور که ممکن است بدانید، من و تیم من به انجمن Qlik یک افزونه مرورگر آورده‌ایم که Qlik و Git را برای ذخیره نسخه‌های داشبورد یکپارچه و ایجاد تصاویر کوچک برای داشبوردها بدون تغییر به پنجره‌های دیگر ادغام می‌کند. با انجام این کار، ما مقدار قابل توجهی در زمان توسعه دهندگان Qlik صرفه جویی می کنیم و استرس را به صورت روزانه کاهش می دهیم.

من همیشه به دنبال راه هایی برای بهبود فرآیند توسعه Qlik و بهینه سازی روال های روزانه هستم. به همین دلیل اجتناب از پرهیاهوی ترین موضوع، ChatGPT، و GPT-n، توسط OpenAI یا مدل زبان بزرگ مشترک بسیار سخت است.

بیایید از بخش نحوه عملکرد مدل‌های زبان بزرگ، GPT-n بگذریم. در عوض، می توانید از ChatGPT بپرسید یا بهترین توضیح انسانی توسط استیون ولفرام را بخوانید.

من از این تز نامطلوب شروع می کنم، "بینش های تولید شده GPT-n از داده ها یک اسباب بازی کنجکاوی است" و سپس مثال های واقعی را به اشتراک می گذارم که در آن یک دستیار هوش مصنوعی که ما روی آن کار می کنیم می تواند کارهای روتین را خودکار کند، وقت آزاد برای پیچیده تر تجزیه و تحلیل و تصمیم گیری برای توسعه دهندگان / تحلیلگران BI.

دستیار هوش مصنوعی از دوران کودکی من

اجازه ندهید GPT-n شما را به بیراهه بکشاند

... این فقط گفتن چیزهایی است که "درست به نظر می رسد" بر اساس آنچه در مطالب آموزشی آن "به نظر می رسد". © استیون ولفرام

بنابراین، شما در تمام طول روز با ChatGPT چت می کنید. و ناگهان، یک ایده درخشان به ذهن خطور می کند: "من از ChatGPT می خواهم تا بینش های عملی را از داده ها ایجاد کند!"

تغذیه مدل‌های GPT-n با استفاده از OpenAI API با تمام داده‌های کسب‌وکار و مدل‌های داده، وسوسه بزرگی برای دریافت بینش‌های عملی است، اما نکته مهم اینجاست – وظیفه اصلی برای مدل زبان بزرگ به عنوان GPT-3 یا بالاتر این است که بفهمیم چگونه برای ادامه بخشی از متنی که داده شده است. به عبارت دیگر، «از الگوی» آنچه در وب و در کتاب‌ها و سایر مواد استفاده شده در آن وجود دارد، پیروی می‌کند.

بر اساس این واقعیت، شش استدلال منطقی وجود دارد که چرا بینش های تولید شده GPT-n فقط یک اسباب بازی برای رفع کنجکاوی شما و تامین کننده سوخت برای تولید کننده ایده به نام مغز انسان است:

1. GPT-n، ChatGPT ممکن است بینش‌هایی ایجاد کند که مرتبط یا معنی‌دار نیستند، زیرا فاقد زمینه لازم برای درک داده‌ها و تفاوت‌های ظریف آن هستند - فقدان زمینه.
2. GPT-n، ChatGPT ممکن است بینش های نادرستی به دلیل خطا در پردازش داده ها یا الگوریتم های معیوب ایجاد کند - عدم دقت.
3. تنها با تکیه بر GPT-n، ChatGPT برای بینش‌ها می‌تواند منجر به فقدان تفکر انتقادی و تجزیه و تحلیل از سوی متخصصان انسانی شود که به طور بالقوه منجر به نتیجه‌گیری‌های نادرست یا ناقص می‌شود - اتکای بیش از حد به اتوماسیون.
4. GPT-n، ChatGPT ممکن است به دلیل داده‌هایی که روی آن آموزش داده شده، بینش‌های مغرضانه ایجاد کند، که به طور بالقوه منجر به نتایج مضر یا تبعیض‌آمیز می‌شود - خطر سوگیری.
5. GPT-n، ChatGPT ممکن است درک عمیقی از اهداف و اهداف کسب‌وکار که تجزیه و تحلیل BI را هدایت می‌کنند، نداشته باشد، که منجر به توصیه‌هایی می‌شود که با استراتژی کلی همسو نیستند - درک محدودی از اهداف تجاری.
6. اعتماد به داده‌های حیاتی برای کسب‌وکار و به اشتراک‌گذاری آن‌ها با یک «جعبه سیاه» که می‌تواند خودآموزی کند، این ایده را در مدیران برتر ایجاد می‌کند که به رقبای خود یاد می‌دهید چگونه برنده شوند - عدم اعتماد. ما قبلاً این را دیده بودیم که اولین پایگاه داده های ابری مانند Amazon DynamoDB ظاهر شدند.

برای اثبات حداقل یک استدلال، بیایید بررسی کنیم که چگونه ChatGPT می تواند قانع کننده به نظر برسد. اما در برخی موارد درست نیست.

من از ChatGPT می خواهم که محاسبه ساده 965 * 590 را حل کند و سپس از آن می خواهم که نتایج را گام به گام توضیح دهد.

568 350 ؟! اوپس… مشکلی پیش می‌آید.

در مورد من، یک توهم در پاسخ ChatGPT رخ داد زیرا پاسخ 568,350 نادرست است.

بیایید عکس دوم را انجام دهیم و از ChatGPT بخواهیم که نتایج را مرحله به مرحله توضیح دهد.

شوت خوب! اما باز هم اشتباه…

ChatGPT سعی می کند در توضیح گام به گام متقاعد کننده باشد، اما هنوز اشتباه است.

زمینه مهم است. بیایید دوباره امتحان کنیم اما همان مشکل را با دستور "عمل به‌عنوان ..." وارد کنید.

بینگو! 569 350 پاسخ صحیح است

اما این موردی است که در آن نوعی تعمیم که یک شبکه عصبی می تواند به راحتی انجام دهد - آنچه 965*590 است - کافی نخواهد بود. یک الگوریتم محاسباتی واقعی مورد نیاز است، نه فقط یک رویکرد مبتنی بر آمار.

چه کسی می داند... شاید هوش مصنوعی در گذشته با معلمان ریاضی موافق بوده و تا کلاس های بالاتر از ماشین حساب استفاده نمی کند.

از آنجایی که درخواست من در مثال قبلی ساده است، می توانید به سرعت اشتباه پاسخ را از ChatGPT شناسایی کنید و سعی کنید آن را برطرف کنید. اما اگر توهم در پاسخ به سوالاتی مانند:

1. کدام فروشنده موثرتر است؟
2. درآمد سه ماهه آخر را به من نشان دهید.

این می تواند ما را به سمت تصمیم گیری مبتنی بر توهم، بدون قارچ سوق دهد.

مطمئناً، من مطمئن هستم که بسیاری از استدلال های بالا من در چند ماه یا چند سال به دلیل توسعه راه حل های متمرکز در زمینه هوش مصنوعی تولیدی بی ربط خواهند شد.

در حالی که نباید محدودیت‌های GPT-n را نادیده گرفت، کسب‌وکارها همچنان می‌توانند با بهره‌گیری از نقاط قوت تحلیل‌گران انسانی (این خنده‌دار است که باید HUMAN را برجسته کنم) و دستیاران هوش مصنوعی، فرآیند تحلیلی قوی‌تر و مؤثرتری ایجاد کنند. به عنوان مثال، سناریویی را در نظر بگیرید که در آن تحلیل‌گران انسانی سعی می‌کنند عواملی را که به ریزش مشتری کمک می‌کنند، شناسایی کنند. با استفاده از دستیارهای هوش مصنوعی مجهز به GPT-3 یا بالاتر، تحلیلگر می‌تواند به سرعت فهرستی از عوامل بالقوه مانند قیمت، خدمات مشتری و کیفیت محصول تولید کند، سپس این پیشنهادات را ارزیابی کند، داده‌ها را بیشتر بررسی کند و در نهایت مرتبط‌ترین عوامل را شناسایی کند. که باعث ریزش مشتری می شود.

متن‌های انسان‌مانند را به من نشان دهید

HUMAN ANALYST به ChatGPT دستور می دهد

از دستیار هوش مصنوعی می توان برای خودکارسازی کارهایی استفاده کرد که در حال حاضر ساعت های بی شماری را صرف انجام آنها می کنید. واضح است، اما بیایید به منطقه‌ای که دستیارهای هوش مصنوعی مجهز به مدل‌های زبان بزرگ مانند GPT-3 و بالاتر در آن به خوبی آزمایش می‌شوند و متونی شبیه انسان تولید می‌کنند، نگاه کنیم.

تعدادی از آنها در وظایف روزانه توسعه دهندگان BI وجود دارد:

1. نوشتن نمودارها، عناوین برگه ها و توضیحات. GPT-3 و بالاتر می تواند به ما کمک کند تا به سرعت عناوین آموزنده و مختصر تولید کنیم، اطمینان حاصل شود که درک و پیمایش داده های ما برای تصمیم گیرندگان و استفاده از اعلان "عمل به عنوان .." آسان است.
2. مستندات کد با GPT-3 و بالاتر، می‌توانیم به‌سرعت قطعه‌های کد مستندسازی شده ایجاد کنیم و درک و حفظ پایگاه کد را برای اعضای تیم آسان‌تر کنیم.
3. ایجاد آیتم های اصلی (فرهنگ لغت تجاری). دستیار هوش مصنوعی می تواند با ارائه تعاریف دقیق و مختصر برای نقاط مختلف داده، کاهش ابهام و تقویت ارتباطات تیمی بهتر، به ایجاد یک فرهنگ لغت جامع تجاری کمک کند.
4. ایجاد یک تصویر کوچک (جلدها) جذاب برای برگه ها/داشبوردها در برنامه. GPT-n می تواند تصاویر کوچک جذاب و بصری جذابی ایجاد کند، تجربه کاربر را بهبود بخشد و کاربران را تشویق به کاوش در داده های موجود کند.
5. نوشتن فرمول های محاسباتی با عبارات تحلیل مجموعه در کوئری های Qlik Sense / DAX در Power BI. GPT-n می تواند به ما کمک کند این عبارات و پرس و جوها را با کارآمدتر پیش نویس کنیم، زمان صرف شده برای نوشتن فرمول ها را کاهش می دهد و به ما امکان می دهد روی تجزیه و تحلیل داده ها تمرکز کنیم.
6. نوشتن اسکریپت های بارگذاری داده (ETL). GPT-n می‌تواند به ایجاد اسکریپت‌های ETL، خودکارسازی تبدیل داده‌ها و اطمینان از سازگاری داده‌ها در بین سیستم‌ها کمک کند.
7. عیب یابی داده ها و مشکلات برنامه. GPT-n می‌تواند پیشنهادات و بینش‌هایی را برای کمک به شناسایی مشکلات احتمالی و ارائه راه‌حل‌هایی برای مشکلات رایج داده‌ها و برنامه‌ها ارائه دهد.
8. تغییر نام فیلدها از فنی به تجاری در مدل داده. GPT-n می‌تواند به ما کمک کند تا اصطلاحات فنی را به یک زبان تجاری در دسترس‌تر ترجمه کنیم و درک مدل داده را برای سهامداران غیر فنی با چند کلیک آسان‌تر کند.

دستیارهای هوش مصنوعی مجهز به مدل‌های GPT-n می‌توانند به ما کمک کنند تا با خودکارسازی کارهای روزمره و آزاد کردن زمان برای تجزیه و تحلیل و تصمیم‌گیری پیچیده‌تر، در کار خود کارآمدتر و مؤثرتر باشیم.

و این منطقه ای است که افزونه مرورگر ما برای Qlik Sense می تواند ارزش ارائه دهد. ما برای نسخه آتی آماده شده ایم - دستیار هوش مصنوعی، که عناوین و تولید توضیحات را برای توسعه دهندگان Qlik فقط در برنامه در حالی که برنامه های تجزیه و تحلیل توسعه می دهند، به ارمغان می آورد.

با استفاده از GPT-n تنظیم شده توسط OpenAI API برای این وظایف معمول، توسعه دهندگان و تحلیلگران Qlik می توانند کارایی خود را به میزان قابل توجهی بهبود بخشند و زمان بیشتری را به تجزیه و تحلیل و تصمیم گیری پیچیده اختصاص دهند. این رویکرد همچنین تضمین می‌کند که از نقاط قوت GPT-n استفاده می‌کنیم و در عین حال خطرات تکیه بر آن را برای تجزیه و تحلیل داده‌های حیاتی و تولید بینش به حداقل می‌رسانیم.

نتیجه

در پایان، اجازه دهید، لطفاً جای خود را به ChatGPT بدهید:

شناخت محدودیت‌ها و کاربردهای بالقوه GPT-n در چارچوب Qlik Sense و سایر ابزارهای هوش تجاری به سازمان‌ها کمک می‌کند تا از این فناوری قدرتمند هوش مصنوعی بهترین استفاده را ببرند و در عین حال خطرات بالقوه را کاهش دهند. با تقویت همکاری بین بینش‌های GPT-n و تخصص انسانی، سازمان‌ها می‌توانند یک فرآیند تحلیلی قوی ایجاد کنند که بر روی نقاط قوت هوش مصنوعی و تحلیل‌گران انسانی سرمایه‌گذاری کند.

برای اینکه جزو اولین کسانی باشید که مزایای عرضه محصول آتی ما را تجربه می کنند، از شما دعوت می کنیم فرم برنامه دسترسی زودهنگام ما را پر کنید. با پیوستن به این برنامه، دسترسی انحصاری به آخرین ویژگی‌ها و پیشرفت‌هایی خواهید داشت که به شما کمک می‌کنند از قدرت دستیار هوش مصنوعی در گردش‌های کاری توسعه Qlik خود استفاده کنید. این فرصت را از دست ندهید تا از منحنی ها جلوتر بمانید و پتانسیل کامل بینش های مبتنی بر هوش مصنوعی را برای سازمان خود باز کنید.

به برنامه دسترسی اولیه ما بپیوندید