Seperti yang mungkin Anda ketahui, tim saya dan saya telah menghadirkan ekstensi browser ke komunitas Qlik yang mengintegrasikan Qlik dan Git untuk menyimpan versi dasbor dengan mulus, membuat thumbnail untuk dasbor tanpa beralih ke jendela lain. Dengan melakukan itu, kami menghemat banyak waktu bagi pengembang Qlik dan mengurangi stres setiap hari.
Saya selalu mencari cara untuk meningkatkan proses pengembangan Qlik dan mengoptimalkan rutinitas sehari-hari. Itulah mengapa terlalu sulit untuk menghindari topik yang paling populer, ChatGPT, dan GPT-n, oleh OpenAI atau Model Bahasa Besar yang sama.
Mari lewati bagian tentang cara kerja Model Bahasa Besar, GPT-n. Sebaliknya, Anda dapat meminta ChatGPT atau membaca penjelasan manusia terbaik oleh Steven Wolfram.
Saya akan mulai dari tesis yang tidak populer, “GPT-n Generated Insights from the data is a Curiosity-Quenching Toy,” dan kemudian membagikan contoh nyata di mana asisten AI yang sedang kami kerjakan dapat mengotomatiskan tugas-tugas rutin, waktu luang untuk lebih kompleks analisis dan pengambilan keputusan bagi pengembang/analis BI.
Asisten AI dari masa kecil saya
Jangan Biarkan GPT-n Menyesatkan Anda
… itu hanya mengatakan hal-hal yang “terdengar benar” berdasarkan hal-hal yang “terdengar seperti” dalam materi pelatihannya. ©Steven Wolfram
Jadi, Anda mengobrol dengan ChatGPT sepanjang hari. Dan tiba-tiba, sebuah ide cemerlang muncul di benak: "Saya akan meminta ChatGPT untuk menghasilkan wawasan yang dapat ditindaklanjuti dari data!"
Memasukkan model GPT-n menggunakan OpenAI API dengan semua data bisnis dan model data merupakan godaan besar untuk mendapatkan wawasan yang dapat ditindaklanjuti, tetapi inilah hal yang krusial — tugas utama Model Bahasa Besar sebagai GPT-3 atau lebih tinggi adalah mencari tahu caranya untuk melanjutkan sepotong teks yang telah diberikan. Dengan kata lain, Ini "mengikuti pola" dari apa yang ada di web dan di buku serta materi lain yang digunakan di dalamnya.
Berdasarkan fakta ini, ada enam argumen rasional mengapa wawasan yang dihasilkan GPT-n hanyalah mainan untuk memuaskan rasa ingin tahu Anda dan penyuplai bahan bakar bagi penghasil ide yang disebut otak manusia:
- GPT-n, ChatGPT dapat menghasilkan wawasan yang tidak relevan atau bermakna karena tidak memiliki konteks yang diperlukan untuk memahami data dan nuansanya—kurang konteks.
- GPT-n, ChatGPT dapat menghasilkan wawasan yang tidak akurat karena kesalahan dalam pemrosesan data atau algoritme yang salah — kurang akurat.
- Hanya mengandalkan GPT-n, ChatGPT untuk wawasan dapat menyebabkan kurangnya pemikiran kritis dan analisis dari pakar manusia, yang berpotensi mengarah pada kesimpulan yang salah atau tidak lengkap — terlalu mengandalkan otomatisasi.
- GPT-n, ChatGPT dapat menghasilkan wawasan yang bias karena data yang dilatihkan, berpotensi mengarah pada hasil yang berbahaya atau diskriminatif — risiko bias.
- GPT-n, ChatGPT mungkin kurang memahami tujuan dan sasaran bisnis yang mendorong analisis BI, yang mengarah ke rekomendasi yang tidak selaras dengan keseluruhan strategi — pemahaman yang terbatas tentang tujuan bisnis.
- Memercayai data penting bisnis dan membaginya dengan "kotak hitam" yang dapat dipelajari sendiri akan memunculkan ide di kepala manajemen TOP bahwa Anda mengajari pesaing Anda cara menang - kurangnya kepercayaan. Kami telah melihat ini ketika database cloud pertama seperti Amazon DynamoDB mulai muncul.
Untuk membuktikan setidaknya satu argumen, mari kita periksa bagaimana ChatGPT terdengar meyakinkan. Tetapi dalam beberapa kasus, itu tidak benar.
Saya akan meminta ChatGPT untuk menyelesaikan perhitungan sederhana 965 * 590 dan kemudian akan memintanya untuk menjelaskan hasilnya langkah demi langkah.
568 350 ?! OOPS… ada yang tidak beres.
Dalam kasus saya, halusinasi muncul di respons ChatGPT karena jawaban 568,350 salah.
Mari lakukan pengambilan gambar kedua dan minta ChatGPT untuk menjelaskan hasilnya selangkah demi selangkah.
Tembakan bagus! Tapi tetap salah…
ChatGPT mencoba persuasif dalam penjelasan langkah demi langkah, tetapi masih salah.
Konteksnya penting. Mari kita coba lagi tetapi beri makan masalah yang sama dengan prompt "bertindak sebagai ...".
BINGO! 569 350 adalah jawaban yang benar
Tetapi ini adalah kasus di mana jenis generalisasi yang dapat dilakukan jaringan saraf — yaitu 965*590 — tidak akan cukup; diperlukan algoritma komputasi yang sebenarnya, bukan hanya pendekatan berbasis statistik.
Siapa tahu… mungkin AI hanya setuju dengan guru matematika di masa lalu dan tidak menggunakan kalkulator sampai kelas atas.
Karena permintaan saya pada contoh sebelumnya sangat mudah, Anda dapat dengan cepat mengidentifikasi kekeliruan respons dari ChatGPT dan mencoba memperbaikinya. Tetapi bagaimana jika halusinasi menerobos sebagai jawaban atas pertanyaan seperti:
- Penjual mana yang paling efektif?
- Tunjukkan Pendapatan untuk kuartal terakhir.
Itu bisa membawa kita pada pengambilan KEPUTUSAN YANG DIGERAKKAN HALUSINASI, tanpa jamur.
Tentu saja, saya yakin banyak dari argumen saya di atas akan menjadi tidak relevan dalam beberapa bulan atau tahun karena pengembangan solusi dengan fokus sempit di bidang AI Generatif.
Meskipun batasan GPT-n tidak boleh diabaikan, bisnis masih dapat menciptakan proses analitik yang lebih kuat dan efektif dengan memanfaatkan kekuatan analis manusia (lucunya saya harus menyoroti MANUSIA) dan asisten AI. Misalnya, pertimbangkan skenario di mana analis manusia mencoba mengidentifikasi faktor yang berkontribusi terhadap churn pelanggan. Menggunakan asisten AI yang didukung oleh GPT-3 atau lebih tinggi, analis dapat dengan cepat membuat daftar faktor potensial, seperti harga, layanan pelanggan, dan kualitas produk, lalu mengevaluasi saran ini, menyelidiki data lebih lanjut, dan akhirnya mengidentifikasi faktor yang paling relevan yang mendorong churn pelanggan.
TAMPILKAN PADA SAYA TEKS-TEKS SEPERTI MANUSIA
HUMAN ANALYST membuat permintaan ke ChatGPT
Asisten AI dapat digunakan untuk mengotomatiskan tugas-tugas yang Anda habiskan berjam-jam saat ini. Sudah jelas, tetapi mari kita lihat lebih dekat area di mana asisten AI yang didukung oleh Model Bahasa Besar seperti GPT-3 dan yang lebih tinggi diuji dengan baik — menghasilkan teks mirip manusia.
Ada banyak dari mereka dalam tugas harian pengembang BI:
- Menulis bagan, judul lembar, dan deskripsi. GPT-3 dan yang lebih tinggi dapat membantu kami menghasilkan judul yang informatif dan ringkas dengan cepat, memastikan visualisasi data kami mudah dipahami dan dinavigasi oleh pembuat keputusan dan menggunakan prompt "bertindak sebagai ..".
- dokumentasi kode. Dengan GPT-3 dan yang lebih tinggi, kami dapat dengan cepat membuat cuplikan kode yang terdokumentasi dengan baik, sehingga memudahkan anggota tim kami untuk memahami dan memelihara basis kode.
- Membuat item master (kamus bisnis). Asisten AI dapat membantu membangun kamus bisnis yang komprehensif dengan memberikan definisi yang tepat dan ringkas untuk berbagai poin data, mengurangi ambiguitas, dan mendorong komunikasi tim yang lebih baik.
- Membuat gambar mini (sampul) yang menarik untuk seprai/dasbor di aplikasi. GPT-n dapat menghasilkan gambar mini yang menarik dan menarik secara visual, meningkatkan pengalaman pengguna, dan mendorong pengguna untuk menjelajahi data yang tersedia.
- Menulis rumus penghitungan dengan ekspresi set-analisis dalam kueri Qlik Sense/DAX di Power BI. GPT-n dapat membantu kami menyusun ekspresi dan kueri ini dengan lebih efisien, mengurangi waktu yang dihabiskan untuk menulis rumus dan memungkinkan kami berfokus pada analisis data.
- Menulis skrip pemuatan data (ETL). GPT-n dapat membantu membuat skrip ETL, mengotomatiskan transformasi data, dan memastikan konsistensi data di seluruh sistem.
- Memecahkan masalah data dan aplikasi. GPT-n dapat memberikan saran dan wawasan untuk membantu mengidentifikasi potensi masalah dan menawarkan solusi untuk masalah data dan aplikasi umum.
- Mengganti nama bidang dari teknis menjadi bisnis di Model Data. GPT-n dapat membantu kami menerjemahkan istilah teknis ke dalam bahasa bisnis yang lebih mudah diakses, membuat model data lebih mudah dipahami oleh pemangku kepentingan non-teknis dengan beberapa klik.
Asisten AI yang didukung oleh model GPT-n dapat membantu kita menjadi lebih efisien dan efektif dalam pekerjaan kita dengan mengotomatiskan tugas rutin dan meluangkan waktu untuk analisis dan pengambilan keputusan yang lebih kompleks.
Dan ini adalah area di mana ekstensi browser kami untuk Qlik Sense dapat memberikan nilai. Kami telah mempersiapkan rilis yang akan datang — asisten AI, yang akan menghadirkan pembuatan judul dan deskripsi untuk pengembang Qlik hanya di aplikasi sambil mengembangkan aplikasi analitik.
Menggunakan GPT-n yang disempurnakan oleh OpenAI API untuk tugas-tugas rutin ini, pengembang dan analis Qlik dapat meningkatkan efisiensi mereka secara signifikan dan mengalokasikan lebih banyak waktu untuk analisis dan pengambilan keputusan yang kompleks. Pendekatan ini juga memastikan bahwa kami memanfaatkan kekuatan GPT-n sambil meminimalkan risiko mengandalkannya untuk analisis data penting dan pembuatan wawasan.
Kesimpulan
Sebagai kesimpulan, izinkan saya memberi jalan ke ChatGPT:
Mengenali keterbatasan dan aplikasi potensial GPT-n dalam konteks Qlik Sense dan alat intelijen bisnis lainnya membantu organisasi memanfaatkan teknologi AI yang kuat ini sekaligus memitigasi potensi risiko. Dengan mendorong kolaborasi antara wawasan yang dihasilkan GPT-n dan keahlian manusia, organisasi dapat menciptakan proses analitis yang kuat yang memanfaatkan kekuatan AI dan analis manusia.
Untuk menjadi yang pertama merasakan manfaat dari rilis produk kami yang akan datang, kami ingin mengundang Anda untuk mengisi formulir untuk program akses awal kami. Dengan bergabung dalam program ini, Anda akan mendapatkan akses eksklusif ke fitur dan penyempurnaan terbaru yang akan membantu Anda memanfaatkan kekuatan asisten AI dalam alur kerja pengembangan Qlik Anda. Jangan lewatkan kesempatan ini untuk tetap menjadi yang terdepan dan membuka potensi penuh dari wawasan berbasis AI untuk organisasi Anda.
