Como xa sabedes, o meu equipo e máis eu trouxemos á comunidade Qlik unha extensión de navegador que integra Qlik e Git para gardar versións do paneis sen problemas, facendo miniaturas dos paneis sen cambiar a outras fiestras. Ao facelo, aforramos moito tempo aos desenvolvedores de Qlik e reducimos o estrés a diario.
Sempre busco formas de mellorar o proceso de desenvolvemento de Qlik e optimizar as rutinas diarias. Por iso é demasiado difícil evitar o tema máis popular, ChatGPT e GPT-n, de OpenAI ou Large Language Model en común.
Omitamos a parte sobre como funcionan os modelos de linguas grandes, GPT-n. Pola contra, podes preguntarlle a ChatGPT ou ler a mellor explicación humana de Steven Wolfram.
Comezarei da tese impopular, "GPT-n Generated Insights from the data is a Curiosity-Quenching Toy" e, a continuación, compartirei exemplos da vida real onde un asistente de IA no que estamos a traballar pode automatizar tarefas rutineiras, tempo libre para máis complexos. análise e toma de decisións para desenvolvedores/analistas de BI.
Asistente de IA desde a miña infancia
Non deixes que GPT-n te desvíe
... é só dicir cousas que "soan ben" en función do que "soaban" as cousas no seu material de formación. © Steven Wolfram
Entón, estás conversando con ChatGPT durante todo o día. E, de súpeto, vén á mente unha idea brillante: "Vou pedir a ChatGPT que xere información útil a partir dos datos!"
Alimentar modelos GPT-n mediante a API de OpenAI con todos os datos empresariais e modelos de datos é unha gran tentación para obter información útil, pero aquí está o fundamental: a tarefa principal do modelo de linguaxe grande como GPT-3 ou superior é descubrir como para continuar un fragmento de texto que se lle deu. Noutras palabras, "segue o patrón" do que hai na web e nos libros e outros materiais utilizados nela.
Con base neste feito, hai seis argumentos racionais polos que os coñecementos xerados por GPT-n son só un xoguete para apagar a túa curiosidade e provedor de combustible para o xerador de ideas chamado cerebro humano:
- GPT-n, ChatGPT pode xerar informacións que non son relevantes nin significativas porque carece do contexto necesario para comprender os datos e os seus matices: falta de contexto.
- GPT-n, ChatGPT pode xerar información inexacta debido a erros no procesamento de datos ou a algoritmos defectuosos (falta de precisión).
- Dependendo unicamente de GPT-n, ChatGPT para obter información pode provocar unha falta de pensamento crítico e análise por parte dos expertos humanos, o que pode levar a conclusións incorrectas ou incompletas: depender excesivamente da automatización.
- GPT-n, ChatGPT pode xerar información nesgada debido aos datos nos que se adestraron, o que pode levar a resultados prexudiciais ou discriminatorios: o risco de sesgo.
- GPT-n, ChatGPT pode carecer dunha comprensión profunda dos obxectivos comerciais e dos obxectivos que impulsan a análise de BI, o que leva a recomendacións non aliñadas coa estratexia xeral: unha comprensión limitada dos obxectivos comerciais.
- Confiar nos datos críticos para a empresa e compartilos cunha "caixa negra" que pode autoaprender, xerará a idea de cabezas brillantes da xestión TOP de que estás ensinando aos teus competidores a gañar: falta de confianza. Xa o vimos cando comezaron a aparecer as primeiras bases de datos na nube como Amazon DynamoDB.
Para demostrar polo menos un argumento, examinemos como ChatGPT pode parecer convincente. Pero nalgúns casos, non é correcto.
Pedirei a ChatGPT que resolva o simple cálculo 965 * 590 e despois pedirei que explique os resultados paso a paso.
568 350 ?! OOPS... algo sae mal.
No meu caso, apareceu unha alucinación na resposta de ChatGPT porque a resposta 568,350 é incorrecta.
Imos facer o segundo tiro e pedirlle a ChatGPT que explique os resultados paso a paso.
Bo tiro! Pero aínda está mal...
ChatGPT tenta ser persuasivo nunha explicación paso a paso, pero aínda está mal.
O contexto importa. Tentemos de novo pero alimentamos o mesmo problema co indicador "actuar como...".
BINGO! 569 350 é a resposta correcta
Pero este é un caso no que o tipo de xeneralización que unha rede neuronal pode facer facilmente (o que é 965*590) non será suficiente; é necesario un algoritmo computacional real, non só un enfoque baseado na estatística.
Quen sabe... quizais a IA estivo de acordo cos profesores de matemáticas no pasado e non usa a calculadora ata os primeiros cursos.
Dado que o meu aviso no exemplo anterior é sinxelo, pode identificar rapidamente a falacia da resposta de ChatGPT e tentar solucionalo. Pero que pasa se a alucinación rompe en resposta a preguntas como:
- Que vendedor é o máis eficaz?
- Móstrame os ingresos do último trimestre.
Podería levarnos á toma de DECISIÓNS POR ALUCINACIÓNS, sen cogomelos.
Por suposto, estou seguro de que moitos dos meus argumentos anteriores se volverán irrelevantes nun par de meses ou anos debido ao desenvolvemento de solucións moi centradas no campo da IA xerativa.
Aínda que non se deben ignorar as limitacións de GPT-n, as empresas aínda poden crear un proceso analítico máis robusto e eficaz aproveitando os puntos fortes dos analistas humanos (é curioso que teña que destacar HUMAN) e dos asistentes de IA. Por exemplo, considere un escenario no que os analistas humanos intentan identificar os factores que contribúen á perda de clientes. Usando asistentes de IA con GPT-3 ou superior, o analista pode xerar rapidamente unha lista de factores potenciais, como o prezo, o servizo ao cliente e a calidade do produto, despois avaliar estas suxestións, investigar máis a fondo os datos e, finalmente, identificar os factores máis relevantes. que impulsan a rotación de clientes.
MOSTRAME OS TEXTOS HUMANOS
ANALISTA HUMANO facendo solicitudes a ChatGPT
O asistente de intelixencia artificial pódese usar para automatizar tarefas que pasas moitas horas facendo agora mesmo. É obvio, pero vexamos máis de cerca a área na que se proban ben os asistentes de IA impulsados por grandes modelos de linguaxe como GPT-3 e superiores, xerando textos semellantes aos humanos.
Hai unha morea deles nas tarefas diarias dos desenvolvedores de BI:
- Redacción de cadros, títulos de follas e descricións. GPT-3 ou superior poden axudarnos a xerar rapidamente títulos informativos e concisos, garantindo que a visualización de datos sexa fácil de entender e de navegar para os responsables da toma de decisións e utilizar o indicador "actuar como...".
- Documentación do código. Con GPT-3 ou superior, podemos crear rapidamente fragmentos de código ben documentados, facilitando que os membros do noso equipo comprendan e manteñan a base de código.
- Creación de elementos mestres (dicionario de empresas). O asistente de IA pode axudar a construír un dicionario empresarial completo proporcionando definicións precisas e concisas para varios puntos de datos, reducindo a ambigüidade e fomentando unha mellor comunicación do equipo.
- Creando unha miniatura (portadas) atractiva para as follas/paneis da aplicación. GPT-n pode xerar miniaturas atractivas e visualmente atractivas, mellorando a experiencia do usuario e animando aos usuarios a explorar os datos dispoñibles.
- Escribir fórmulas de cálculo mediante expresións de análise de conxuntos en consultas Qlik Sense/DAX en Power BI. GPT-n pode axudarnos a redactar estas expresións e consultas de forma máis eficiente, reducindo o tempo dedicado a escribir fórmulas e permitirnos centrarnos na análise de datos.
- Escritura de scripts de carga de datos (ETL). GPT-n pode axudar a crear scripts ETL, automatizar a transformación de datos e garantir a coherencia dos datos entre os sistemas.
- Resolución de problemas de datos e aplicacións. GPT-n pode proporcionar suxestións e información para axudar a identificar problemas potenciais e ofrecer solucións para problemas comúns de datos e aplicacións.
- Cambiando o nome dos campos de técnicos a empresariais en Data Model. GPT-n pode axudarnos a traducir termos técnicos a unha linguaxe empresarial máis accesible, facilitando a comprensión do modelo de datos para as partes interesadas non técnicas con poucos clics.
Os asistentes de IA con modelos GPT-n poden axudarnos a ser máis eficientes e eficaces no noso traballo automatizando tarefas rutineiras e liberando tempo para unha análise e toma de decisións máis complexas.
E esta é a área onde a nosa extensión de navegador para Qlik Sense pode ofrecer valor. Preparámonos para o próximo lanzamento do asistente de IA, que achegará títulos e xeración de descricións aos desenvolvedores de Qlik só na aplicación mentres desenvolven aplicacións de análise.
Usando GPT-n afinado pola API de OpenAI para estas tarefas rutineiras, os desenvolvedores e analistas de Qlik poden mellorar significativamente a súa eficiencia e dedicar máis tempo á análise complexa e á toma de decisións. Este enfoque tamén garante que aproveitamos os puntos fortes de GPT-n mentres minimizamos os riscos de confiar nel para a análise de datos críticos e a xeración de información.
Conclusión
En conclusión, permíteme dar paso a ChatGPT:
Recoñecer tanto as limitacións como as posibles aplicacións de GPT-n no contexto de Qlik Sense e outras ferramentas de intelixencia empresarial axuda ás organizacións a sacar o máximo proveito desta poderosa tecnoloxía de IA ao tempo que mitigan os riscos potenciais. Ao fomentar a colaboración entre os coñecementos xerados por GPT-n e a experiencia humana, as organizacións poden crear un proceso analítico robusto que aproveite os puntos fortes da intelixencia artificial e dos analistas humanos.
Para estar entre os primeiros en experimentar os beneficios do noso próximo lanzamento do produto, queremos invitarte a cubrir o formulario do noso programa de acceso anticipado. Ao unirte ao programa, terás acceso exclusivo ás funcións e melloras máis recentes que che axudarán a aproveitar o poder do asistente de IA nos teus fluxos de traballo de desenvolvemento de Qlik. Non perdas esta oportunidade de manterte á fronte e desbloquear todo o potencial das informacións dirixidas á IA para a túa organización.
