Som du kanskje vet, har teamet mitt og jeg brakt til Qlik-fellesskapet en nettleserutvidelse som integrerer Qlik og Git for å lagre dashbordversjoner sømløst, og lage miniatyrbilder for dashbord uten å bytte til andre vinduer. Ved å gjøre det sparer vi Qlik-utviklere for en betydelig mengde tid og reduserer stress på daglig basis.
Jeg ser alltid etter måter å forbedre Qlik-utviklingsprosessen på og optimalisere daglige rutiner. Det er derfor det er for vanskelig å unngå det mest hypede emnet, ChatGPT og GPT-n, av OpenAI eller Large Language Model til felles.
La oss hoppe over delen om hvordan store språkmodeller, GPT-n, fungerer. I stedet kan du spørre ChatGPT eller lese den beste menneskelige forklaringen av Steven Wolfram.
Jeg vil ta utgangspunkt i den upopulære oppgaven, "GPT-n Generated Insights from the data is a Curiosity-Quenching Toy," og deretter dele virkelige eksempler der en AI-assistent vi jobber med kan automatisere rutineoppgaver, ledig tid for mer komplekse analyse og beslutningstaking for BI-utviklere/analytikere.
AI-assistent fra min barndom
Ikke la GPT-n føre deg på villspor
... det er bare å si ting som "høres riktig ut" basert på hvordan ting "hørtes ut" i opplæringsmaterialet. © Steven Wolfram
Så du chatter med ChatGPT hele dagen lang. Og plutselig dukker det opp en strålende idé: "Jeg vil be ChatGPT om å generere handlingsdyktig innsikt fra dataene!"
Å mate GPT-n-modeller ved hjelp av OpenAI API med alle forretningsdata og datamodeller er en stor fristelse til å få praktisk innsikt, men her er det avgjørende – hovedoppgaven for Large Language Model som GPT-3 eller høyere er å finne ut hvordan for å fortsette et tekststykke som det har fått. Med andre ord, det "følger mønsteret" av det som er der ute på nettet og i bøker og annet materiale som brukes i det.
Basert på dette faktum er det seks rasjonelle argumenter for hvorfor GPT-n-generert innsikt bare er et leketøy for å slukke nysgjerrigheten din og drivstoffleverandøren for idégeneratoren kalt den menneskelige hjernen:
- GPT-n, ChatGPT kan generere innsikt som ikke er relevant eller meningsfylt fordi den mangler den nødvendige konteksten for å forstå dataene og dens nyanser – mangel på kontekst.
- GPT-n, ChatGPT kan generere unøyaktig innsikt på grunn av feil i databehandling eller feilaktige algoritmer – mangel på nøyaktighet.
- Ved å stole utelukkende på GPT-n, kan ChatGPT for innsikt føre til mangel på kritisk tenkning og analyse fra menneskelige eksperter, noe som potensielt kan føre til uriktige eller ufullstendige konklusjoner – overdreven avhengighet av automatisering.
- GPT-n, ChatGPT kan generere partisk innsikt på grunn av dataene den ble trent på, noe som potensielt kan føre til skadelige eller diskriminerende utfall – risikoen for skjevhet.
- GPT-n, ChatGPT kan mangle en dyp forståelse av forretningsmålene og -målene som driver BI-analysen, noe som fører til anbefalinger som ikke stemmer overens med den overordnede strategien – en begrenset forståelse av forretningsmålene.
- Å stole på forretningskritiske data og dele dem med en "svart boks" som kan lære seg selv, vil skape ideen i toppledelsens lyse hoder om at du lærer konkurrentene dine hvordan de kan vinne – mangel på tillit. Vi hadde allerede sett dette da de første skydatabasene som Amazon DynamoDB begynte å dukke opp.
For å bevise minst ett argument, la oss undersøke hvordan ChatGPT kan høres overbevisende ut. Men i noen tilfeller er det ikke riktig.
Jeg vil be ChatGPT om å løse den enkle beregningen 965 * 590 og deretter be den forklare resultatene trinn for trinn.
568 350 ?! OOPS... noe går galt.
I mitt tilfelle brøt en hallusinasjon gjennom i ChatGPT-svaret fordi svaret 568,350 XNUMX er feil.
La oss ta det andre skuddet og be ChatGPT om å forklare resultatene trinn for trinn.
Bra skudd! Men fortsatt feil...
ChatGPT prøver å være overbevisende i en trinn-for-trinn-forklaring, men det er fortsatt feil.
Konteksten er viktig. La oss prøve igjen, men mate det samme problemet med "oppfør som ..."-ledeteksten.
BINGO! 569 350 er det riktige svaret
Men dette er et tilfelle der den typen generalisering et nevralt nett lett kan gjøre - det som er 965*590 - ikke vil være nok; en faktisk beregningsalgoritme er nødvendig, ikke bare en statistisk-basert tilnærming.
Hvem vet ... kanskje AI bare var enig med mattelærere i det siste og bruker ikke kalkulatoren før høyere klassetrinn.
Siden spørsmålet mitt i forrige eksempel er enkelt, kan du raskt identifisere feilen i svaret fra ChatGPT og prøve å fikse det. Men hva om hallusinasjonen bryter gjennom som svar på spørsmål som:
- Hvilken selger er den mest effektive?
- Vis meg inntektene for siste kvartal.
Det kan føre oss til HALLUSINASJONSDRIVET BESLUTNING, uten sopp.
Selvfølgelig er jeg sikker på at mange av mine argumenter ovenfor vil bli irrelevante i løpet av et par måneder eller år på grunn av utviklingen av snevert fokuserte løsninger innen Generativ AI.
Mens GPT-n sine begrensninger ikke bør ignoreres, kan bedrifter fortsatt lage en mer robust og effektiv analytisk prosess ved å utnytte styrkene til menneskelige analytikere (det er morsomt at jeg må fremheve HUMAN) og AI-assistenter. Vurder for eksempel et scenario der menneskelige analytikere prøver å identifisere faktorer som bidrar til kundefragang. Ved å bruke AI-assistenter drevet av GPT-3 eller høyere, kan analytikeren raskt generere en liste over potensielle faktorer, som prissetting, kundeservice og produktkvalitet, deretter evaluere disse forslagene, undersøke dataene videre og til slutt identifisere de mest relevante faktorene som driver kundefragang.
VIS MEG DE MENNESKELIGNENDE TEKSTERNE
HUMAN ANALYTIKER gir meldinger til ChatGPT
AI-assistenten kan brukes til å automatisere oppgaver som du bruker utallige timer på å gjøre akkurat nå. Det er åpenbart, men la oss se nærmere på området der AI-assistenter drevet av store språkmodeller som GPT-3 og høyere blir testet godt – genererer menneskelignende tekster.
Det er en haug med dem i BI-utvikleres daglige oppgaver:
- Skrive diagrammer, arktitler og beskrivelser. GPT-3 og høyere kan hjelpe oss med raskt å generere informative og konsise titler, og sikre at datavisualiseringen vår er enkel å forstå og navigere for beslutningstakere og ved å bruke "oppfør som .."-prompten.
- Kodedokumentasjon. Med GPT-3 og høyere kan vi raskt lage godt dokumenterte kodebiter, noe som gjør det enklere for teammedlemmene våre å forstå og vedlikeholde kodebasen.
- Opprette hovedelementer (bedriftsordbok). AI-assistenten kan hjelpe til med å bygge en omfattende forretningsordbok ved å gi presise og konsise definisjoner for ulike datapunkter, redusere tvetydighet og fremme bedre teamkommunikasjon.
- Lage et fengende miniatyrbilde (omslag) for arkene/dashbordene i appen. GPT-n kan generere engasjerende og visuelt tiltalende miniatyrbilder, forbedre brukeropplevelsen og oppmuntre brukere til å utforske tilgjengelige data.
- Skrive beregningsformler ved sett-analyseuttrykk i Qlik Sense / DAX-spørringer i Power BI. GPT-n kan hjelpe oss med å utarbeide disse uttrykkene og spørringene mer effektivt, redusere tiden brukt på å skrive formler og tillate oss å fokusere på dataanalyse.
- Skrive datainnlastingsskript (ETL). GPT-n kan hjelpe til med å lage ETL-skript, automatisere datatransformasjon og sikre datakonsistens på tvers av systemer.
- Feilsøking av data og applikasjonsproblemer. GPT-n kan gi forslag og innsikt for å identifisere potensielle problemer og tilby løsninger for vanlige data- og applikasjonsproblemer.
- Gi nytt navn til felt fra teknisk til virksomhet i Data Model. GPT-n kan hjelpe oss med å oversette tekniske termer til et mer tilgjengelig forretningsspråk, noe som gjør datamodellen enklere å forstå for ikke-tekniske interessenter med få klikk.
AI-assistenter drevet av GPT-n-modeller kan hjelpe oss med å bli mer effektive i arbeidet vårt ved å automatisere rutineoppgaver og frigjøre tid til mer komplekse analyser og beslutningstaking.
Og dette er området hvor nettleserutvidelsen vår for Qlik Sense kan levere verdi. Vi har forberedt oss på den kommende utgivelsen – av AI-assistenten, som vil bringe titler og beskrivelsesgenerering til Qlik-utviklere bare i appen mens de utvikler analyseapper.
Ved å bruke finjustert GPT-n av OpenAI API for disse rutineoppgavene kan Qlik-utviklere og analytikere forbedre effektiviteten betydelig og allokere mer tid til komplekse analyser og beslutningstaking. Denne tilnærmingen sikrer også at vi utnytter GPT-n sine styrker samtidig som vi minimerer risikoen ved å stole på den for kritisk dataanalyse og generering av innsikt.
konklusjonen
Avslutningsvis, la meg gi vei til ChatGPT:
Å gjenkjenne både begrensningene og potensielle anvendelser av GPT-n innenfor konteksten av Qlik Sense og andre business intelligence-verktøy hjelper organisasjoner med å få mest mulig ut av denne kraftige AI-teknologien samtidig som den reduserer potensielle risikoer. Ved å fremme samarbeid mellom GPT-n-generert innsikt og menneskelig ekspertise, kan organisasjoner skape en robust analytisk prosess som utnytter styrken til både AI og menneskelige analytikere.
For å være blant de første som opplever fordelene med vår kommende produktutgivelse, vil vi invitere deg til å fylle ut skjemaet for tidlig tilgangsprogrammet vårt. Ved å bli med i programmet får du eksklusiv tilgang til de nyeste funksjonene og forbedringene som vil hjelpe deg å utnytte kraften til AI-assistenten i Qlik-utviklingsarbeidsflytene dine. Ikke gå glipp av denne muligheten til å ligge i forkant og frigjøre det fulle potensialet til AI-drevet innsikt for organisasjonen din.
