Kaya sing sampeyan ngerteni, aku lan tim wis nggawa ekstensi browser menyang komunitas Qlik sing nggabungake Qlik lan Git kanggo nyimpen versi dashboard kanthi lancar, nggawe gambar cilik kanggo dashboard tanpa ngalih menyang windows liyane. Kanthi mengkono, kita nyimpen pangembang Qlik kanthi jumlah wektu sing signifikan lan nyuda stres saben dinane.
Aku tansah golek cara kanggo nambah proses pangembangan Qlik lan ngoptimalake rutinitas saben dina. Pramila angel banget kanggo ngindhari topik sing paling hyped, ChatGPT, lan GPT-n, dening OpenAI utawa Model Basa Gedhe sing umum.
Ayo nglewati bagean babagan carane Model Basa Gedhe, GPT-n, bisa digunakake. Nanging, sampeyan bisa takon ChatGPT utawa maca panjelasan manungsa paling apik dening Steven Wolfram.
Aku bakal miwiti saka tesis sing ora populer, "GPT-n Generated Insights saka data minangka Dolanan Penasaran-Quenching," banjur nuduhake conto nyata ing ngendi asisten AI sing lagi ditindakake bisa ngotomatisasi tugas rutin, wektu luang kanggo luwih rumit. analisis lan kaputusan-nggawe kanggo BI-pangembang / analis.
Asisten AI wiwit cilik
Aja nganti GPT-n mimpin sampeyan kesasar
… iku mung ngomong bab sing "suwene bener" adhedhasar apa iku "suwene kaya" ing materi latihan. © Steven Wolfram
Dadi, sampeyan lagi ngobrol karo ChatGPT sedina muput. Lan dumadakan, ana ide sing apik banget: "Aku bakal njaluk ChatGPT supaya bisa nggawe wawasan sing bisa ditindakake saka data!"
Feed model GPT-n nggunakake OpenAI API karo kabeh data bisnis lan model data minangka godaan gedhe kanggo entuk wawasan sing bisa ditindakake, nanging iki sing penting - tugas utama kanggo Model Basa Gedhe minangka GPT-3 utawa luwih dhuwur yaiku ngerteni kepiye carane kanggo nerusake potongan teks sing diwenehake. Ing tembung liyane, Iku "nuruti pola" apa sing metu ana ing web lan ing buku lan bahan liyane digunakake ing.
Adhedhasar kasunyatan kasebut, ana enem argumentasi rasional kenapa wawasan sing digawe GPT-n mung minangka dolanan kanggo ngilangi rasa penasaran lan pemasok bahan bakar kanggo generator ide sing diarani otak manungsa:
- GPT-n, ChatGPT bisa ngasilake wawasan sing ora cocog utawa migunani amarga ora ana konteks sing dibutuhake kanggo mangerteni data lan nuansa-kurang konteks.
- GPT-n, ChatGPT bisa ngasilake pemahaman sing ora akurat amarga kesalahan ing pangolahan data utawa algoritma sing salah - kurang akurasi.
- Mung gumantung ing GPT-n, ChatGPT kanggo wawasan bisa nyebabake kekurangan pamikiran kritis lan analisis saka pakar manungsa, sing bisa nyebabake kesimpulan sing ora bener utawa ora lengkap - gumantung banget marang otomatisasi.
- GPT-n, ChatGPT bisa ngasilake wawasan bias amarga data sing dilatih, sing bisa nyebabake asil sing mbebayani utawa diskriminasi - risiko bias.
- GPT-n, ChatGPT bisa uga ora duwe pangerten sing jero babagan tujuan bisnis lan tujuan sing nyurung analisis BI, sing nyebabake rekomendasi sing ora cocog karo strategi sakabèhé - pemahaman sing winates babagan tujuan bisnis.
- Dipercaya data bisnis-kritis lan nuduhake karo "kothak ireng" sing bisa poto-sinau bakal ngasilake gagasan ing manajemen TOP padhang kepala sing sampeyan mulang saingan carane menang - lack saka kapercayan. Kita wis weruh iki nalika database maya pisanan kaya Amazon DynamoDB wiwit katon.
Kanggo mbuktekake paling ora siji argumentasi, ayo mriksa kepiye ChatGPT bisa ngyakinake. Nanging ing sawetara kasus, iku ora bener.
Aku bakal takon ChatGPT kanggo ngatasi pitungan prasaja 965 * 590 lan banjur bakal takon kanggo nerangake asil langkah-langkah dening-.
568 350 ! OOPS… ana sing salah.
Ing kasusku, ana halusinasi ing respon ChatGPT amarga jawaban 568,350 ora bener.
Ayo nggawe gambar kaping pindho lan takon ChatGPT kanggo nerangake asil langkah-langkah.
Tembakan sing apik! Nanging tetep salah…
ChatGPT nyoba dadi persuasif ing panjelasan langkah-langkah, nanging isih salah.
Konteks penting. Ayo nyoba maneh nanging menehi masalah sing padha karo pituduh "tumindak minangka ...".
BINGO! 569 350 iku jawaban sing bener
Nanging iki minangka kasus ing ngendi jinis generalisasi sing bisa ditindakake dening jaringan saraf - apa 965 * 590 - ora bakal cukup; algoritma komputasi nyata dibutuhake, ora mung pendekatan basis statistik.
Sapa ngerti… Mungkin AI mung setuju karo guru matematika ing jaman kepungkur lan ora nggunakake kalkulator nganti kelas ndhuwur.
Wiwit pituduh ing conto sadurunge iku langsung, sampeyan bisa kanthi cepet ngenali fallacy respon saka ChatGPT lan nyoba kanggo ndandani iku. Nanging kepiye yen halusinasi kasebut dadi nanggepi pitakonan kaya:
- Penjual endi sing paling efektif?
- Tampilake Revenue kanggo waktu pungkasan.
Bisa nuntun kita menyang nggawe KEPUTUSAN HALUSINASI, tanpa jamur.
Mesthi wae, aku yakin manawa akeh argumen ing ndhuwur bakal dadi ora relevan sajrone sawetara wulan utawa taun amarga pangembangan solusi sing fokus ing bidang Generatif AI.
Nalika watesan GPT-n ora kudu diabaikan, bisnis isih bisa nggawe proses analitis sing luwih mantep lan efektif kanthi nggunakake kekuwatan analis manungsa (lucu yen aku kudu nyorot HUMAN) lan asisten AI. Contone, nimbang skenario ing ngendi analis manungsa nyoba kanggo ngenali faktor sing nyumbang kanggo churn pelanggan. Nggunakake asisten AI sing didhukung dening GPT-3 utawa luwih dhuwur, analis bisa kanthi cepet nggawe dhaptar faktor potensial, kayata rega, layanan pelanggan, lan kualitas produk, banjur ngevaluasi saran kasebut, neliti data luwih lanjut, lan pungkasane ngenali faktor sing paling relevan. sing drive churn pelanggan.
TUNJUKKAN Tèks sing kaya manungsa
MANUNGSA ANALYST nggawe pituduh menyang ChatGPT
Asisten AI bisa digunakake kanggo ngotomatisasi tugas sing sampeyan lakoni pirang-pirang jam saiki. Cetha, nanging ayo goleki kanthi luwih cedhak ing wilayah ing ngendi asisten AI sing didhukung dening Model Basa Gedhe kayata GPT-3 lan luwih dhuwur diuji kanthi apik - ngasilake teks kaya manungsa.
Ana akeh ing tugas saben dina pangembang BI:
- Nulis bagan, judhul lembar, lan deskripsi. GPT-3 lan sing luwih dhuwur bisa nulungi kita kanthi cepet ngasilake judhul sing informatif lan ringkes, mesthekake visualisasi data gampang dimangerteni lan navigasi kanggo para pembuat keputusan lan nggunakake pituduh "tumindak minangka ..".
- Dokumentasi kode. Kanthi GPT-3 lan luwih dhuwur, kita bisa nggawe cuplikan kode sing didokumentasikake kanthi cepet, dadi luwih gampang kanggo anggota tim ngerti lan njaga basis kode kasebut.
- Nggawe item master (kamus bisnis). Asisten AI bisa mbantu nggawe kamus bisnis sing komprehensif kanthi menehi definisi sing tepat lan ringkes kanggo macem-macem titik data, nyuda ambiguitas, lan ningkatake komunikasi tim sing luwih apik.
- Nggawe gambar cilik (tutup) kanggo sheets/dasbor ing app. GPT-n bisa ngasilake gambar cilik sing narik kawigaten lan visual, nambah pengalaman pangguna lan nyengkuyung pangguna kanggo njelajah data sing kasedhiya.
- Nulis rumus pitungan kanthi ekspresi set-analisis ing pitakon Qlik Sense / DAX ing Power BI. GPT-n bisa mbantu kita ngrancang ekspresi lan pitakon iki kanthi luwih efisien, nyuda wektu kanggo nulis rumus lan ngidini kita fokus ing analisis data.
- Nulis skrip beban data (ETL). GPT-n bisa mbantu nggawe skrip ETL, ngotomatisasi transformasi data, lan njamin konsistensi data antarane sistem.
- Ngatasi masalah data lan aplikasi. GPT-n bisa menehi saran lan wawasan kanggo mbantu ngenali masalah potensial lan menehi solusi kanggo masalah data lan aplikasi sing umum.
- Ganti jeneng lapangan saka teknis dadi bisnis ing Model Data. GPT-n bisa mbantu nerjemahake istilah teknis menyang basa bisnis sing luwih gampang diakses, nggawe model data luwih gampang dimangerteni kanggo para pemangku kepentingan non-teknis kanthi sawetara klik.
Asisten AI sing didhukung dening model GPT-n bisa mbantu kita dadi luwih efisien lan efektif ing pakaryan kanthi ngotomatisasi tugas rutin lan mbebasake wektu kanggo analisis lan pengambilan keputusan sing luwih rumit.
Lan iki minangka area ing ngendi ekstensi browser kita kanggo Qlik Sense bisa menehi nilai. Kita wis siyap kanggo rilis sing bakal teka - asisten AI, sing bakal nggawa judhul lan generasi deskripsi menyang pangembang Qlik mung ing app nalika ngembangake aplikasi analytics.
Nggunakake GPT-n sing didenda dening OpenAI API kanggo tugas-tugas rutin kasebut, pangembang lan analis Qlik bisa ningkatake efisiensi kanthi nyata lan nyedhiakke wektu luwih akeh kanggo analisis lan pengambilan keputusan sing rumit. Pendekatan iki uga mesthekake yen kita nggunakake kekiyatan GPT-n nalika nyilikake risiko gumantung ing analisis data kritis lan generasi wawasan.
kesimpulan
Pungkasane, aku menehi cara kanggo ChatGPT:
Ngenali watesan lan aplikasi potensial GPT-n ing konteks Qlik Sense lan alat intelijen bisnis liyane mbantu organisasi ngoptimalake teknologi AI sing kuat iki nalika ngurangi risiko potensial. Kanthi ngembangake kolaborasi antarane wawasan sing digawe GPT-n lan keahliane manungsa, organisasi bisa nggawe proses analitis sing kuat sing nggunakake kekuwatane AI lan analis manungsa.
Kanggo dadi salah sawijining sing pertama nemu keuntungan saka rilis produk sing bakal teka, kita pengin ngajak sampeyan ngisi formulir program akses awal. Kanthi melu program kasebut, sampeyan bakal entuk akses eksklusif menyang fitur lan dandan paling anyar sing bakal mbantu sampeyan nggunakake kekuwatan asisten AI ing alur kerja pangembangan Qlik. Aja kantun kesempatan iki kanggo tetep maju ing kurva lan mbukak kunci potensial lengkap wawasan sing didorong AI kanggo organisasi sampeyan.
