Як ви, можливо, знаєте, ми з моєю командою представили спільноті Qlik розширення для веб-переглядача, яке інтегрує Qlik і Git, щоб легко зберігати версії інформаційних панелей, створюючи мініатюри для інформаційних панелей без переходу до інших вікон. Таким чином ми економимо розробникам Qlik значну кількість часу та зменшуємо щоденний стрес.
Я завжди шукаю способи покращити процес розробки Qlik і оптимізувати повсякденні справи. Ось чому дуже важко уникнути найпопулярнішої теми, ChatGPT і GPT-n, спільно з OpenAI або Large Language Model.
Давайте пропустимо частину про те, як працюють великі мовні моделі, GPT-n. Замість цього ви можете запитати ChatGPT або прочитати найкраще людське пояснення Стівена Вольфрама.
Я почну з непопулярної тези «GPT-n Generated Insights from the data is a Curiosity-Quenching Toy», а потім поділюся прикладами з реального життя, коли помічник зі штучним інтелектом, над яким ми працюємо, може автоматизувати рутинні завдання, звільнити час для більш складних аналіз і прийняття рішень для BI-розробників/аналітиків.
ШІ-помічник з дитинства
Не дозволяйте GPT-n збити вас зі шляху
… він просто говорить те, що «звучить правильно» на основі того, як речі «звучать» у його навчальному матеріалі. © Стівен Вольфрам
Отже, ви спілкуєтесь із ChatGPT цілий день. І раптом на думку спадає геніальна ідея: «Я запропоную ChatGPT генерувати корисну інформацію на основі даних!»
Подача моделей GPT-n за допомогою API OpenAI усіма бізнес-даними та моделями даних є великою спокусою отримати корисну інформацію, але ось найважливіше — основне завдання для великої мовної моделі GPT-3 або вище — з’ясувати, як щоб продовжити наданий фрагмент тексту. Іншими словами, він «наслідує шаблон» того, що є в Інтернеті, у книгах та інших матеріалах, які використовуються в ньому.
Виходячи з цього факту, є шість раціональних аргументів, чому генеровані GPT-n ідеї є лише іграшкою, щоб вгамувати вашу цікавість, і постачальником палива для генератора ідей, який називається людський мозок:
- GPT-n, ChatGPT може генерувати інформацію, яка не є релевантною чи значущою, оскільки їй бракує необхідного контексту для розуміння даних та їхніх нюансів — відсутність контексту.
- GPT-n, ChatGPT можуть генерувати неточні дані через помилки в обробці даних або несправні алгоритми — недостатня точність.
- Покладаючись виключно на GPT-n, ChatGPT для аналізу може призвести до відсутності критичного мислення та аналізу з боку експертів-людей, що потенційно може призвести до неправильних або неповних висновків — надмірна залежність від автоматизації.
- GPT-n, ChatGPT може генерувати упереджену інформацію через дані, на яких він навчався, що потенційно може призвести до шкідливих або дискримінаційних результатів — ризик упередженості.
- GPT-n, ChatGPT може не мати глибокого розуміння бізнес-цілей і завдань, які керують аналізом BI, що призводить до рекомендацій, які не узгоджуються із загальною стратегією — обмежене розуміння бізнес-цілей.
- Довіра до критично важливих даних для бізнесу та надання ними «чорної скриньки», яка може самонавчатися, породить у розумних голов ТОП-менеджменту думку про те, що ви вчите своїх конкурентів, як перемагати — відсутність довіри. Ми вже бачили це, коли почали з’являтися перші хмарні бази даних, такі як Amazon DynamoDB.
Щоб підтвердити хоча б один аргумент, давайте перевіримо, як ChatGPT може звучати переконливо. Але в деяких випадках це не правильно.
Я попрошу ChatGPT вирішити простий розрахунок 965 * 590, а потім попрошу його пояснити результати крок за кроком.
568 350?! УПС… щось пішло не так.
У моєму випадку у відповіді ChatGPT прорвалася галюцинація, тому що відповідь 568,350 XNUMX невірна.
Давайте зробимо другий знімок і попросимо ChatGPT пояснити результати крок за кроком.
Гарний постріл! Але все одно неправильно…
ChatGPT намагається бути переконливим у покроковому поясненні, але це все одно неправильно.
Контекст має значення. Давайте спробуємо ще раз, але передамо ту саму проблему за допомогою підказки «діяти як…».
БІНГО! 569 350 правильна відповідь
Але це той випадок, коли типу узагальнення, яке може легко зробити нейронна мережа — 965*590 — буде недостатньо; потрібен справжній обчислювальний алгоритм, а не просто статистичний підхід.
Хто знає… можливо, ШІ просто домовився з учителями математики в минулому і не використовує калькулятор до старших класів.
Оскільки моя підказка в попередньому прикладі проста, ви можете швидко визначити помилковість відповіді від ChatGPT і спробувати її виправити. Але що, якщо галюцинація проривається у відповідь на такі запитання, як:
- Який продавець найефективніший?
- Покажіть мені дохід за останній квартал.
Це може призвести нас до прийняття РІШЕНЬ НА СТАЛІ ГАЛЮЦИНАЦІЇ, без грибів.
Звичайно, я впевнений, що багато з моїх наведених аргументів через пару місяців або років стануть неактуальними через розвиток вузьконаправлених рішень у сфері Generative AI.
Незважаючи на те, що обмеження GPT-n не слід ігнорувати, підприємства можуть створити більш надійний і ефективний аналітичний процес, використовуючи сильні сторони людей-аналітиків (кумедно, що мені доводиться виділяти ЛЮДИНУ) і помічників ШІ. Наприклад, розглянемо сценарій, коли люди-аналітики намагаються визначити фактори, що сприяють відтоку клієнтів. Використовуючи AI-помічників на базі GPT-3 або новішої версії, аналітик може швидко створити список потенційних факторів, таких як ціноутворення, обслуговування клієнтів і якість продукту, а потім оцінити ці пропозиції, дослідити дані далі та, зрештою, визначити найбільш релевантні фактори. що сприяє відтоку клієнтів.
ПОКАЖІТЬ МЕНІ ТЕКСТИ, ПОДОБНІ НА ЛЮДИНУ
АНАЛІТИК ЛЮДИНИ надсилає підказки до ChatGPT
Помічник зі штучним інтелектом можна використовувати для автоматизації завдань, над якими ви зараз витрачаєте незліченну кількість годин. Це очевидно, але давайте подивимося ближче на область, де помічники штучного інтелекту на базі великих мовних моделей, таких як GPT-3 і вище, добре перевірені — генерування текстів, схожих на людей.
У щоденних завданнях BI-розробників їх багато:
- Написання схем, заголовків аркушів та описів. GPT-3 і вище можуть допомогти нам швидко генерувати інформативні та лаконічні заголовки, гарантуючи, що наша візуалізація даних буде легкою для розуміння та навігації для осіб, які приймають рішення, і використовуючи підказку «діяти як ..».
- Код документації. За допомогою GPT-3 і новіших версій ми можемо швидко створювати добре задокументовані фрагменти коду, що полегшує членам нашої команди розуміння та підтримку кодової бази.
- Створення майстер-елементів (діловий словник). Помічник зі штучним інтелектом може допомогти створити повний бізнес-словник, надаючи точні та лаконічні визначення для різних точок даних, зменшуючи неоднозначність і сприяючи кращій комунікації команди.
- Створення привабливих ескізів (обкладинок) для аркушів/інформаційних панелей у програмі. GPT-n може створювати привабливі та візуально привабливі мініатюри, покращуючи взаємодію з користувачем і заохочуючи користувачів досліджувати доступні дані.
- Написання формул обчислення за допомогою виразів аналізу набору в запитах Qlik Sense / DAX у Power BI. GPT-n може допомогти нам створювати ці вирази та запити ефективніше, скорочуючи час, витрачений на написання формул, і дозволяючи нам зосередитися на аналізі даних.
- Написання скриптів завантаження даних (ETL). GPT-n може допомогти у створенні сценаріїв ETL, автоматизації перетворення даних і забезпеченні узгодженості даних у системах.
- Усунення проблем з даними та додатками. GPT-n може надати пропозиції та інформацію, щоб допомогти виявити потенційні проблеми та запропонувати рішення для типових проблем із даними та програмами.
- Перейменування полів із технічних на ділові в моделі даних. GPT-n може допомогти нам перекласти технічні терміни на більш доступну ділову мову, зробивши модель даних легшою для розуміння нетехнічним зацікавленим сторонам кількома клацаннями миші.
Помічники штучного інтелекту на базі моделей GPT-n можуть допомогти нам бути ефективнішими в нашій роботі, автоматизуючи рутинні завдання та звільняючи час для більш складного аналізу та прийняття рішень.
І це та область, де наше розширення браузера для Qlik Sense може принести користь. Ми підготувалися до майбутнього випуску — помічника зі штучним інтелектом, який надасть змогу розробникам Qlik генерувати заголовки та описи просто в програмі під час розробки аналітичних програм.
Використовуючи налаштований GPT-n OpenAI API для цих рутинних завдань, розробники та аналітики Qlik можуть значно підвищити свою ефективність і приділяти більше часу комплексному аналізу та прийняттю рішень. Цей підхід також гарантує, що ми використовуємо сильні сторони GPT-n, мінімізуючи ризики покладатися на нього для критичного аналізу даних і формування ідей.
Висновок
На завершення дозвольте мені, будь ласка, поступитися місцем ChatGPT:
Визнання як обмежень, так і потенційних застосувань GPT-n у контексті Qlik Sense та інших інструментів бізнес-аналітики допомагає організаціям максимально використати цю потужну технологію штучного інтелекту, одночасно зменшуючи потенційні ризики. Сприяючи співпраці між ідеями, створеними за допомогою GPT-n, і людським досвідом, організації можуть створити надійний аналітичний процес, який використовує сильні сторони штучного інтелекту та аналітиків-людей.
Щоб одними з перших відчути переваги нашого майбутнього випуску продукту, ми хотіли б запросити вас заповнити форму для нашої програми раннього доступу. Приєднавшись до програми, ви отримаєте ексклюзивний доступ до найновіших функцій і вдосконалень, які допоможуть вам використовувати потужність AI Assistant у робочих процесах розробки Qlik. Не пропустіть цю можливість бути на випередженні та розкрити повний потенціал AI-керованої інформації для вашої організації.
