Jak być może wiesz, mój zespół i ja wprowadziliśmy do społeczności Qlik rozszerzenie przeglądarki, które integruje Qlik i Git, aby bezproblemowo zapisywać wersje kokpitów, tworząc miniatury kokpitów bez przełączania się do innych okien. W ten sposób oszczędzamy programistom Qlik znaczną ilość czasu i zmniejszamy codzienny stres.
Zawsze szukam sposobów na usprawnienie procesu rozwoju Qlik i optymalizację codziennych czynności. Dlatego zbyt trudno jest uniknąć najbardziej popularnego tematu, ChatGPT i GPT-n, wspólnego OpenAI lub Large Language Model.
Pomińmy część o tym, jak działają duże modele językowe, GPT-n. Zamiast tego możesz zapytać ChatGPT lub przeczytać najlepsze ludzkie wyjaśnienie autorstwa Stevena Wolframa.
Zacznę od niepopularnej tezy: „Insights generowane przez GPT-n na podstawie danych to zabawka gasząca ciekawość”, a następnie podzielę się przykładami z życia wziętymi, w których asystent AI, nad którym pracujemy, może zautomatyzować rutynowe zadania, wolny czas na bardziej złożone analiza i podejmowanie decyzji dla programistów/analityków BI.
Asystent AI z dzieciństwa
Nie daj się zwieść GPT-n
… po prostu mówi rzeczy, które „brzmią dobrze” w oparciu o to, jak „brzmiały” w materiałach szkoleniowych. © Stevena Wolframa
Więc rozmawiasz z ChatGPT przez cały dzień. I nagle przychodzi mi do głowy genialny pomysł: „Zachęcę ChatGPT do wygenerowania użytecznych spostrzeżeń z danych!”
Zasilanie modeli GPT-n za pomocą OpenAI API wszystkimi danymi biznesowymi i modelami danych jest wielką pokusą, aby uzyskać praktyczne spostrzeżenia, ale tutaj jest kluczowa rzecz — podstawowym zadaniem modelu dużego języka, takiego jak GPT-3 lub wyższy, jest ustalenie, w jaki sposób aby kontynuować fragment tekstu, który został podany. Innymi słowy, „podąża za wzorcem” tego, co jest dostępne w Internecie, w książkach i innych użytych w nim materiałach.
W oparciu o ten fakt, istnieje sześć racjonalnych argumentów, dlaczego spostrzeżenia generowane przez GPT-n są tylko zabawką do zaspokojenia ciekawości i dostawcą paliwa dla generatora pomysłów zwanego ludzkim mózgiem:
- GPT-n, ChatGPT może generować spostrzeżenia, które nie są istotne lub znaczące, ponieważ brakuje kontekstu niezbędnego do zrozumienia danych i ich niuansów — brak kontekstu.
- GPT-n, ChatGPT mogą generować niedokładne spostrzeżenia z powodu błędów w przetwarzaniu danych lub wadliwych algorytmów — braku dokładności.
- Opierając się wyłącznie na GPT-n, ChatGPT w celu uzyskania wglądu może prowadzić do braku krytycznego myślenia i analizy ze strony ludzkich ekspertów, potencjalnie prowadząc do błędnych lub niekompletnych wniosków — nadmiernego polegania na automatyzacji.
- GPT-n, ChatGPT może generować tendencyjne spostrzeżenia ze względu na dane, na których został przeszkolony, potencjalnie prowadząc do szkodliwych lub dyskryminujących wyników — ryzyko stronniczości.
- GPT-n, ChatGPT może nie mieć głębokiego zrozumienia celów biznesowych i zadań, które napędzają analizę BI, co prowadzi do zaleceń niezgodnych z ogólną strategią — ograniczone zrozumienie celów biznesowych.
- Zaufanie do danych o krytycznym znaczeniu dla biznesu i udostępnianie ich „czarnej skrzynce”, która może się samouczyć, zrodzi pomysł w głowach NAJWYŻSZEGO kierownictwa, że uczysz swoich konkurentów, jak wygrywać — brak zaufania. Widzieliśmy to już, gdy zaczęły pojawiać się pierwsze bazy danych w chmurze, takie jak Amazon DynamoDB.
Aby udowodnić przynajmniej jeden argument, sprawdźmy, jak ChatGPT może brzmieć przekonująco. Ale w niektórych przypadkach nie jest to poprawne.
Poproszę ChatGPT o rozwiązanie prostego obliczenia 965 * 590, a następnie poproszę go o wyjaśnienie wyników krok po kroku.
568 350?! Ups… coś poszło nie tak.
W moim przypadku w odpowiedzi ChatGPT pojawiła się halucynacja, ponieważ odpowiedź 568,350 jest błędna.
Zróbmy drugie ujęcie i poproś ChatGPT o wyjaśnienie wyników krok po kroku.
Niezły strzał! Ale nadal źle…
ChatGPT stara się być przekonujący w wyjaśnieniu krok po kroku, ale wciąż jest źle.
Kontekst ma znaczenie. Spróbujmy ponownie, ale nakarm ten sam problem monitem „zachowuj się jak…”.
BINGO! 569 350 to poprawna odpowiedź
Ale jest to przypadek, w którym rodzaj uogólnienia, jaki może z łatwością wykonać sieć neuronowa — czyli 965*590 — nie wystarczy; potrzebny jest rzeczywisty algorytm obliczeniowy, a nie tylko podejście oparte na statystyce.
Kto wie… może AI po prostu w przeszłości zgadzało się z nauczycielami matematyki i nie używa kalkulatora aż do wyższych klas.
Ponieważ mój monit w poprzednim przykładzie jest prosty, możesz szybko zidentyfikować błąd w odpowiedzi z ChatGPT i spróbować go naprawić. Ale co, jeśli halucynacja przeradza się w odpowiedź na pytania typu:
- Który sprzedawca jest najskuteczniejszy?
- Pokaż mi przychody za ostatni kwartał.
Mogłoby to doprowadzić nas do podejmowania decyzji na podstawie halucynacji, bez grzybów.
Oczywiście jestem pewien, że wiele z moich powyższych argumentów stanie się nieistotnych za kilka miesięcy lub lat ze względu na rozwój wąsko ukierunkowanych rozwiązań w dziedzinie Generative AI.
Chociaż nie należy ignorować ograniczeń GPT-n, firmy wciąż mogą stworzyć solidniejszy i skuteczniejszy proces analityczny, wykorzystując mocne strony analityków (to zabawne, że muszę podkreślić LUDZI) i asystentów AI. Rozważmy na przykład scenariusz, w którym analitycy-ludzie próbują zidentyfikować czynniki przyczyniające się do utraty klientów. Korzystając z asystentów AI opartych na GPT-3 lub nowszym, analityk może szybko wygenerować listę potencjalnych czynników, takich jak ceny, obsługa klienta i jakość produktu, a następnie ocenić te sugestie, dokładniej zbadać dane i ostatecznie zidentyfikować najbardziej istotne czynniki które powodują odpływ klientów.
POKAŻ MI LUDZKIE TEKSTY
ANALITYK LUDZKI wysyłający monity do ChatGPT
Asystenta AI można wykorzystać do automatyzacji zadań, nad którymi spędzasz teraz niezliczone godziny. To oczywiste, ale przyjrzyjmy się bliżej obszarowi, w którym asystenci AI korzystający z modeli dużych języków, takich jak GPT-3 i nowsze, są dobrze testowani — generując teksty podobne do ludzkich.
W codziennych zadaniach programistów BI jest ich kilka:
- Pisanie wykresów, tytułów arkuszy i opisów. GPT-3 i nowsze mogą nam pomóc w szybkim generowaniu informacyjnych i zwięzłych tytułów, zapewniając, że nasza wizualizacja danych jest łatwa do zrozumienia i nawigacji dla decydentów oraz dzięki monitowi „działaj jako…”.
- Dokumentacja kodu. Dzięki GPT-3 i nowszym możemy szybko tworzyć dobrze udokumentowane fragmenty kodu, ułatwiając członkom naszego zespołu zrozumienie i utrzymanie bazy kodu.
- Tworzenie elementów wzorcowych (słownik biznesowy). Asystent AI może pomóc w zbudowaniu kompleksowego słownika biznesowego, zapewniając precyzyjne i zwięzłe definicje różnych punktów danych, zmniejszając niejednoznaczność i wspierając lepszą komunikację w zespole.
- Tworzenie chwytliwych miniatur (okładek) dla arkuszy/pulpitów w aplikacji. GPT-n może generować angażujące i atrakcyjne wizualnie miniatury, poprawiając komfort użytkowania i zachęcając użytkowników do przeglądania dostępnych danych.
- Pisanie formuł obliczeniowych za pomocą wyrażeń analizy zestawów w zapytaniach Qlik Sense / DAX w Power BI. GPT-n może pomóc nam wydajniej redagować te wyrażenia i zapytania, skracając czas poświęcany na pisanie formuł i pozwalając nam skupić się na analizie danych.
- Pisanie skryptów ładowania danych (ETL). GPT-n może pomóc w tworzeniu skryptów ETL, automatyzacji transformacji danych i zapewnianiu spójności danych w różnych systemach.
- Rozwiązywanie problemów z danymi i aplikacjami. GPT-n może dostarczyć sugestii i spostrzeżeń, które pomogą zidentyfikować potencjalne problemy i zaoferować rozwiązania typowych problemów z danymi i aplikacjami.
- Zmiana nazw pól z technicznych na biznesowe w modelu danych. GPT-n może pomóc nam przetłumaczyć terminy techniczne na bardziej przystępny język biznesowy, dzięki czemu model danych będzie łatwiejszy do zrozumienia dla interesariuszy nietechnicznych za pomocą kilku kliknięć.
Asystenci AI wspierani przez modele GPT-n mogą pomóc nam zwiększyć wydajność i efektywność naszej pracy, automatyzując rutynowe zadania i uwalniając czas na bardziej złożone analizy i podejmowanie decyzji.
I to jest obszar, w którym nasze rozszerzenie przeglądarki dla Qlik Sense może przynieść korzyści. Przygotowaliśmy się na nadchodzące wydanie — asystenta AI, który umożliwi programistom Qlik generowanie tytułów i opisów bezpośrednio w aplikacji podczas tworzenia aplikacji analitycznych.
Używając precyzyjnie dostrojonego GPT-n API OpenAI do tych rutynowych zadań, programiści i analitycy Qlik mogą znacznie poprawić swoją wydajność i przeznaczyć więcej czasu na złożone analizy i podejmowanie decyzji. Takie podejście gwarantuje również, że wykorzystujemy mocne strony GPT-n, jednocześnie minimalizując ryzyko związane z poleganiem na nim przy krytycznej analizie danych i generowaniu spostrzeżeń.
Wnioski
Podsumowując, pozwól mi ustąpić miejsca ChatGPT:
Rozpoznanie zarówno ograniczeń, jak i potencjalnych zastosowań GPT-n w kontekście Qlik Sense i innych narzędzi analizy biznesowej pomaga organizacjom w pełni wykorzystać tę potężną technologię sztucznej inteligencji, jednocześnie ograniczając potencjalne ryzyko. Wspierając współpracę między spostrzeżeniami generowanymi przez GPT-n a ludzką wiedzą, organizacje mogą stworzyć solidny proces analityczny, który wykorzystuje mocne strony zarówno sztucznej inteligencji, jak i analityków.
Aby być jednymi z pierwszych, którzy doświadczą korzyści z nadchodzącej premiery naszego produktu, chcielibyśmy zaprosić Cię do wypełnienia formularza dotyczącego naszego programu wczesnego dostępu. Dołączając do programu, uzyskasz wyłączny dostęp do najnowszych funkcji i ulepszeń, które pomogą Ci okiełznać moc asystenta AI w przepływach pracy programistycznej Qlik. Nie przegap tej okazji, aby wyprzedzić konkurencję i odblokować pełny potencjał analiz opartych na sztucznej inteligencji dla swojej organizacji.
