您可能知道，我和我的團隊為 Qlik 社區帶來了一個瀏覽器擴展，它集成了 Qlik 和 Git 以無縫保存儀表板版本，無需切換到其他窗口即可為儀表板製作縮略圖。 這樣一來，我們為 Qlik 開發人員節省了大量時間並減輕了他們每天的壓力。
我一直在尋找改進 Qlik 開發流程和優化日常工作的方法。 這就是為什麼很難通過 OpenAI 或大型語言模型來避免最熱門的話題，ChatGPT 和 GPT-n。
讓我們跳過有關大型語言模型 GPT-n 工作原理的部分。 相反，您可以詢問 ChatGPT 或閱讀 Steven Wolfram 的最佳人工解釋。
我將從不受歡迎的論文“GPT-n Generated Insights from the data is a Curiosity-Quenching Toy”開始，然後分享現實生活中的例子，我們正在研究的人工智能助手可以自動執行日常任務，空閒時間可以處理更複雜的任務BI 開發人員/分析師的分析和決策。
我小時候的AI助手
不要讓 GPT-n 誤導您
......它只是根據其培訓材料中“聽起來像”的東西說出“聽起來不錯”的東西。 ©史蒂文沃爾夫拉姆
所以，你整天都在用 ChatGPT 聊天。 突然，一個絕妙的想法浮現在腦海中：“我將提示 ChatGPT 從數據中生成可操作的見解！”
使用 OpenAI API 為 GPT-n 模型提供所有業務數據和數據模型是獲得可操作見解的巨大誘惑，但關鍵是——大型語言模型（如 GPT-3 或更高版本）的主要任務是弄清楚如何繼續一段已經給出的文本。 換句話說，它“遵循網絡上、書籍和其中使用的其他材料中的內容的模式”。
基於這一事實，GPT-n 生成的見解只是一個玩具，可以消除你的好奇心，並為稱為人腦的想法生成器提供燃料，因此有六個合理的論點：
- GPT-n、ChatGPT 可能會產生不相關或無意義的見解，因為它缺乏理解數據及其細微差別的必要上下文——缺乏上下文。
- GPT-n、ChatGPT 可能會由於數據處理錯誤或錯誤算法而產生不准確的見解——缺乏準確性。
- 僅依靠 GPT-n，ChatGPT 的洞察力可能導致人類專家缺乏批判性思維和分析，可能導致不正確或不完整的結論——過度依賴自動化。
- GPT-n、ChatGPT 可能會因其接受訓練的數據而產生有偏見的見解，可能導致有害或歧視性的結果——偏見的風險。
- GPT-n，ChatGPT 可能缺乏對驅動 BI 分析的業務目標和目標的深刻理解，導致建議與整體戰略不一致——對業務目標的理解有限。
- 信任關鍵業務數據並與可以自學的“黑匣子”共享它會在 TOP 管理聰明的頭腦中產生這樣的想法，即你正在教你的競爭對手如何取勝——缺乏信任。 當像 Amazon DynamoDB 這樣的第一個雲數據庫開始出現時，我們已經看到了這一點。
為了至少證明一個論點，讓我們看看 ChatGPT 聽起來如何令人信服。 但在某些情況下，這是不正確的。
我會請 ChatGPT 解決簡單的計算 965 * 590，然後會請它逐步解釋結果。
568 350 ？！ 糟糕……出了點問題。
在我的案例中，ChatGPT 響應出現幻覺，因為答案 568,350 不正確。
讓我們進行第二次拍攝，並請 ChatGPT 逐步解釋結果。
好球！ 但是還是錯了……
ChatGPT 試圖在一步一步的解釋中具有說服力，但它仍然是錯誤的。
上下文很重要。 讓我們再試一次，但用“充當……”提示來解決同樣的問題。
答對了！ 569 350 是正確答案
但在這種情況下，神經網絡可以輕鬆完成的那種泛化——965*590——是不夠的； 需要實際的計算算法，而不僅僅是基於統計的方法。
誰知道呢……也許 AI 過去只是同意數學老師的意見，直到高年級才使用計算器。
由於我在前面示例中的提示很簡單，您可以快速識別來自 ChatGPT 的響應的謬誤並嘗試修復它。 但是，如果幻覺突破到對以下問題的回答怎麼辦：
- 哪個銷售人員最有效？
- 顯示上一季度的收入。
它可以引導我們做出幻覺驅動的決策，而不是蘑菇。
當然，我確信我上面的許多論點在幾個月或幾年內將變得無關緊要，因為生成 AI 領域的解決方案範圍狹窄。
雖然 GPT-n 的局限性不容忽視，但企業仍然可以通過利用人類分析師（有趣的是我必須強調人類）和 AI 助手的優勢來創建更強大和有效的分析過程。 例如，考慮一個場景，其中人類分析師試圖確定導致客戶流失的因素。 使用由 GPT-3 或更高版本提供支持的 AI 助手，分析師可以快速生成潛在因素列表，例如定價、客戶服務和產品質量，然後評估這些建議，進一步調查數據，並最終確定最相關的因素導致客戶流失。
給我看類似人類的文本
人類分析師向 ChatGPT 發出提示
AI 助手可用於自動執行您現在花費無數小時完成的任務。 很明顯，但讓我們仔細看看由大型語言模型（如 GPT-3 及更高版本）提供支持的 AI 助手經過良好測試的領域——生成類似人類的文本。
BI 開發人員的日常基本任務中有很多：
- 編寫圖表、工作表標題和說明。 GPT-3 及更高版本可以幫助我們快速生成信息豐富且簡潔的標題，確保我們的數據可視化易於決策者理解和導航，並使用“充當 ..”提示。
- 代碼文檔。 使用 GPT-3 及更高版本，我們可以快速創建記錄良好的代碼片段，使我們的團隊成員更容易理解和維護代碼庫。
- 創建主條目（商業詞典）。 人工智能助手可以通過為各種數據點提供精確和簡潔的定義，減少歧義，促進更好的團隊溝通，幫助建立一個全面的商業詞典。
- 為應用程序中的工作表/儀表板創建醒目的縮略圖（封面）。 GPT-n 可以生成引人入勝且視覺上吸引人的縮略圖，改善用戶體驗並鼓勵用戶探索可用數據。
- 在 Power BI 的 Qlik Sense / DAX 查詢中通過集合分析表達式編寫計算公式。 GPT-n可以幫助我們更高效地起草這些表達式和查詢，減少寫公式的時間，讓我們專注於數據分析。
- 編寫數據加載腳本 (ETL)。 GPT-n 可以幫助創建 ETL 腳本、自動化數據轉換並確保跨系統的數據一致性。
- 解決數據和應用程序問題。 GPT-n 可以提供建議和見解，幫助識別潛在問題，並為常見的數據和應用程序問題提供解決方案。
- 在數據模型中將字段從技術重命名為業務。 GPT-n 可以幫助我們將技術術語翻譯成更易於理解的商業語言，讓非技術利益相關者只需點擊幾下鼠標就可以更輕鬆地理解數據模型。
由 GPT-n 模型提供支持的 AI 助手可以自動執行日常任務並騰出時間進行更複雜的分析和決策，從而幫助我們提高工作效率。
這就是我們的 Qlik Sense 瀏覽器擴展可以提供價值的領域。 我們已經為即將發布的 AI 助手做好了準備，它將在開發分析應用程序時僅在應用程序中為 Qlik 開發人員帶來標題和描述生成。
使用由 OpenAI API 微調的 GPT-n 來完成這些日常任務，Qlik 開發人員和分析師可以顯著提高他們的效率，並將更多時間分配給複雜的分析和決策制定。 這種方法還確保我們利用 GPT-n 的優勢，同時最大限度地降低依賴它進行關鍵數據分析和洞察力生成的風險。
結論
最後，讓我讓位給 ChatGPT：
在 Qlik Sense 和其他商業智能工具的背景下認識到 GPT-n 的局限性和潛在應用有助於組織充分利用這種強大的人工智能技術，同時降低潛在風險。 通過促進 GPT-n 生成的見解與人類專業知識之間的協作，組織可以創建一個強大的分析過程，以利用人工智能和人類分析師的優勢。
為了成為第一批體驗我們即將發布的產品的好處的人，我們想邀請您填寫我們的早期訪問計劃的表格。 通過加入該計劃，您將獲得對最新功能和增強功能的獨家訪問權，這些功能和增強功能將幫助您在 Qlik 開發工作流程中利用 AI 助手的強大功能。 不要錯過這個保持領先地位並為您的組織釋放 AI 驅動洞察的全部潛力的機會。
