Som ni kanske vet har mitt team och jag tagit med Qlik-communityt ett webbläsartillägg som integrerar Qlik och Git för att spara instrumentpanelsversioner sömlöst, vilket gör miniatyrbilder för instrumentpaneler utan att byta till andra fönster. Genom att göra det sparar vi Qlik-utvecklare en betydande mängd tid och minskar stress på daglig basis.
Jag letar alltid efter sätt att förbättra Qlik-utvecklingsprocessen och optimera dagliga rutiner. Det är därför det är för svårt att undvika det mest hajpade ämnet, ChatGPT och GPT-n, av OpenAI eller Large Language Model gemensamt.
Låt oss hoppa över delen om hur stora språkmodeller, GPT-n, fungerar. Istället kan du fråga ChatGPT eller läsa den bästa mänskliga förklaringen av Steven Wolfram.
Jag kommer att utgå från den impopulära avhandlingen, "GPT-n Generated Insights from the data is a Curiosity-Quenching Toy," och sedan dela med mig av verkliga exempel där en AI-assistent som vi arbetar med kan automatisera rutinuppgifter, ledig tid för mer komplexa analys och beslutsfattande för BI-utvecklare/analytiker.
AI-assistent från min barndom
Låt inte GPT-n leda dig vilse
... det är bara att säga saker som "låter rätt" baserat på hur saker "lät som" i utbildningsmaterialet. © Steven Wolfram
Så du chattar med ChatGPT hela dagen lång. Och plötsligt kommer en briljant idé att tänka på: "Jag kommer att uppmana ChatGPT att generera handlingsbara insikter från data!"
Att mata GPT-n-modeller med OpenAI API med all affärsdata och datamodeller är en stor frestelse att få handlingskraftiga insikter, men här är det avgörande – den primära uppgiften för den stora språkmodellen som GPT-3 eller högre är att ta reda på hur för att fortsätta en text som den har fått. Med andra ord, det "följer mönstret" av vad som finns där ute på webben och i böcker och annat material som används i det.
Baserat på detta faktum finns det sex rationella argument för varför GPT-n-genererade insikter bara är en leksak för att släcka din nyfikenhet och bränsleleverantör för idégeneratorn som kallas den mänskliga hjärnan:
- GPT-n, ChatGPT kan generera insikter som inte är relevanta eller meningsfulla eftersom det saknar det nödvändiga sammanhanget för att förstå data och dess nyanser – brist på sammanhang.
- GPT-n, ChatGPT kan generera felaktiga insikter på grund av fel i databehandling eller felaktiga algoritmer — bristande noggrannhet.
- Att enbart förlita sig på GPT-n, kan ChatGPT för insikter leda till brist på kritiskt tänkande och analys från mänskliga experter, vilket potentiellt kan leda till felaktiga eller ofullständiga slutsatser – alltför beroende av automatisering.
- GPT-n, ChatGPT kan generera partiska insikter på grund av den data som den har tränats på, vilket kan leda till skadliga eller diskriminerande resultat – risken för partiskhet.
- GPT-n, ChatGPT kan sakna en djup förståelse för affärsmålen och målen som driver BI-analys, vilket leder till rekommendationer som inte är i linje med den övergripande strategin - en begränsad förståelse för affärsmål.
- Att lita på affärskritisk data och dela den med en "svart låda" som kan lära sig själv kommer att skapa idén i toppledningens ljusa huvuden att du lär dina konkurrenter hur man vinner - brist på förtroende. Vi hade redan sett detta när de första molndatabaserna som Amazon DynamoDB började dyka upp.
För att bevisa minst ett argument, låt oss undersöka hur ChatGPT kunde låta övertygande. Men i vissa fall är det inte korrekt.
Jag kommer att be ChatGPT att lösa den enkla beräkningen 965 * 590 och kommer sedan att be den förklara resultaten steg-för-steg.
568 350 ?! OOPS... något går fel.
I mitt fall slog en hallucination igenom i ChatGPT-svaret eftersom svaret 568,350 XNUMX är felaktigt.
Låt oss göra det andra skottet och be ChatGPT att förklara resultaten steg för steg.
Snyggt skott! Men fortfarande fel...
ChatGPT försöker vara övertygande i en steg-för-steg-förklaring, men det är fortfarande fel.
Kontexten spelar roll. Låt oss försöka igen men mata samma problem med "agera som ..."-prompten.
BINGO! 569 350 är rätt svar
Men det här är ett fall där den typ av generalisering som ett neuralt nät lätt kan göra - vad är 965*590 - inte kommer att räcka; Det behövs en verklig beräkningsalgoritm, inte bara ett statistiskt tillvägagångssätt.
Vem vet... AI kanske bara höll med matematiklärare tidigare och använder inte kalkylatorn förrän i de högre klasserna.
Eftersom min uppmaning i föregående exempel är okomplicerad kan du snabbt identifiera felet i svaret från ChatGPT och försöka fixa det. Men tänk om hallucinationen bryter igenom som svar på frågor som:
- Vilken säljare är mest effektiv?
- Visa mig intäkterna för det senaste kvartalet.
Det kan leda oss till HALLUCINATIONSDRIVANDE BESLUT, utan svamp.
Naturligtvis är jag säker på att många av mina ovanstående argument kommer att bli irrelevanta inom ett par månader eller år på grund av utvecklingen av snävt fokuserade lösningar inom området Generativ AI.
Även om GPT-n:s begränsningar inte bör ignoreras, kan företag fortfarande skapa en mer robust och effektiv analytisk process genom att utnyttja styrkorna hos mänskliga analytiker (det är roligt att jag måste lyfta fram HUMAN) och AI-assistenter. Tänk till exempel på ett scenario där mänskliga analytiker försöker identifiera faktorer som bidrar till kundförlust. Med hjälp av AI-assistenter som drivs av GPT-3 eller högre kan analytikern snabbt generera en lista över potentiella faktorer, såsom prissättning, kundservice och produktkvalitet, sedan utvärdera dessa förslag, undersöka data ytterligare och i slutändan identifiera de mest relevanta faktorerna som driver kundförlusten.
VISA MIG DE MÄNNISKA TEXTER
HUMAN ANALYT ger uppmaningar till ChatGPT
AI-assistenten kan användas för att automatisera uppgifter som du lägger otaliga timmar på att göra just nu. Det är uppenbart, men låt oss titta närmare på området där AI-assistenter som drivs av stora språkmodeller som GPT-3 och högre testas väl – genererar mänskliga texter.
Det finns ett gäng av dem i BI-utvecklares dagliga uppgifter:
- Skriva diagram, arktitlar och beskrivningar. GPT-3 och högre kan hjälpa oss att snabbt generera informativa och koncisa titlar, vilket säkerställer att vår datavisualisering är lätt att förstå och navigera för beslutsfattare och med hjälp av "agera som .."-prompten.
- Koddokumentation. Med GPT-3 och högre kan vi snabbt skapa väldokumenterade kodavsnitt, vilket gör det lättare för våra teammedlemmar att förstå och underhålla kodbasen.
- Skapa masterobjekt (affärsordbok). AI-assistenten kan hjälpa till att bygga en omfattande affärsordbok genom att tillhandahålla exakta och koncisa definitioner för olika datapunkter, minska tvetydighet och främja bättre teamkommunikation.
- Skapa en catchy miniatyrbild (omslag) för arken/dashboards i appen. GPT-n kan generera engagerande och visuellt tilltalande miniatyrer, förbättra användarupplevelsen och uppmuntra användare att utforska tillgänglig data.
- Skriva beräkningsformler genom uppsättningsanalysuttryck i Qlik Sense / DAX-frågor i Power BI. GPT-n kan hjälpa oss att formulera dessa uttryck och frågor mer effektivt, vilket minskar tiden för att skriva formler och låter oss fokusera på dataanalys.
- Skriver dataladdningsskript (ETL). GPT-n kan hjälpa till att skapa ETL-skript, automatisera datatransformation och säkerställa datakonsistens mellan system.
- Felsökning av data och applikationsproblem. GPT-n kan ge förslag och insikter för att hjälpa till att identifiera potentiella problem och erbjuda lösningar för vanliga data- och applikationsproblem.
- Byta namn på fält från teknisk till affärsverksamhet i Data Model. GPT-n kan hjälpa oss att översätta tekniska termer till ett mer tillgängligt affärsspråk, vilket gör datamodellen lättare att förstå för icke-tekniska intressenter med några få klick.
AI-assistenter som drivs av GPT-n-modeller kan hjälpa oss att bli mer effektiva och effektiva i vårt arbete genom att automatisera rutinuppgifter och frigöra tid för mer komplex analys och beslutsfattande.
Och det här är området där vårt webbläsartillägg för Qlik Sense kan leverera värde. Vi har förberett oss för den kommande releasen — av AI-assistent, som kommer att generera titlar och beskrivningar till Qlik-utvecklare bara i appen samtidigt som de utvecklar analysappar.
Genom att använda finjusterad GPT-n av OpenAI API för dessa rutinuppgifter kan Qlik-utvecklare och analytiker avsevärt förbättra sin effektivitet och tilldela mer tid till komplex analys och beslutsfattande. Detta tillvägagångssätt säkerställer också att vi drar nytta av GPT-n:s styrkor samtidigt som vi minimerar riskerna med att lita på den för kritisk dataanalys och generering av insikter.
Slutsats
Sammanfattningsvis, låt mig ge vika för ChatGPT:
Att erkänna både begränsningarna och potentiella tillämpningar av GPT-n inom ramen för Qlik Sense och andra affärsintelligensverktyg hjälper organisationer att få ut det mesta av denna kraftfulla AI-teknik samtidigt som potentiella risker minskas. Genom att främja samarbete mellan GPT-n-genererade insikter och mänsklig expertis kan organisationer skapa en robust analytisk process som drar nytta av styrkorna hos både AI och mänskliga analytiker.
För att vara bland de första att uppleva fördelarna med vår kommande produktrelease vill vi bjuda in dig att fylla i formuläret för vårt program för tidig åtkomst. Genom att gå med i programmet får du exklusiv tillgång till de senaste funktionerna och förbättringarna som hjälper dig att utnyttja kraften hos AI-assistenten i dina Qlik-utvecklingsarbetsflöden. Missa inte detta tillfälle att ligga steget före och frigöra den fulla potentialen av AI-drivna insikter för din organisation.
