راهنمای سازمانهای خود پشته تکنولوژیکی AI

مؤلفه های پشته تکنولوژیکی در Genai که سازمان باید در نظر بگیرد چیست؟

این مقاله لایه های بالقوه مورد نیاز برای ساخت پشته برای سازمان را تجزیه می کند. این توضیح این موضوع را ساده می کند ، بنابراین برای مدیرعامل ، CMO ، مشاوران AI و غیره مناسب است.

اگر فقط می خواهید یک چتپ باز را مشت کنید و کارمندان خود را به استفاده از آن تبدیل کنید ، فواید زیادی برای آن وجود دارد.

اما اگر سازمان بیشتری هستید که می خواهد کنترل بیشتری بر پاسخ ها داشته باشد ، باید در نظر داشته باشید که چند لایه به پشته خود اضافه کنید.

ممکن است بخواهید محصول را در داخل بسازید یا از محصولاتی استفاده کنید که دارای پشته تکنولوژیکی لازم باشند (به عنوان مثال Microsoft Copilot).

در این مقاله ، ما این پشته تکنولوژیکی را بیان می کنیم تا شما دانش بهتری در مورد آنچه در پشت صحنه لازم است برای ارائه سیستم بهتر به سازمان خود داشته باشید.

پس چرا فقط از برنامه chatgpt استفاده نمی کنیم؟

این گزینه خوبی برای بسیاری از مشاغل است.

با گذشت زمان می توانید از ChatGPT استفاده کرده و با پیشبرد ها بهبود پیدا کنید.

ChatGPT (یا ابزارهای مشابه) نیز با گذشت زمان توسعه می یابد و شروع به یادگیری بیشتر در مورد شما و سازمان خود می کند تا پاسخ های بهتری به شما بدهد.

آنها همچنین کنترل های بهتری خواهند داشت تا اطمینان حاصل شود که پاسخ های بهتر باز می گردند.

اما ممکن است بخواهید از سر رقبا پرش کنید

یک لایه دانش را به درخواست ها و پاسخ ها اضافه کنید …

یک لایه از تجزیه و تحلیل به درخواست و پاسخ ها اضافه کنید ..

حتی یک لایه امنیتی اضافه کنید !!!

پشته تولیدی فناوری هوش مصنوعی

در زیر لایه های پشته تکنولوژیکی در Genai نشان داده شده است. این بسته به پیچیدگی آنچه می خواهید اعمال کنید ، می تواند سازگار باشد ، اما ایده خوبی از لایه های شرکت کننده به شما می دهد.

بیایید از پایین به بالا توضیح دهیم.

زیرساخت

Genai از حجم زیادی از داده ها استفاده می کند و ما باید بتوانیم این داده ها را ذخیره و پردازش کنیم …

… و ما موجودات بسیار بی تاب هستیم ، بنابراین باید سریع مگا باشد.

هر جا که مدل ذخیره شود و درخواست ها در آن پردازش شود ، به تراشه های سریع مگا احتیاج خواهید داشت!

1 تریلیون دلار سرمایه گذاری که طی چند سال آینده وارد مراکز داده می شود تا با هوش مصنوعی مقابله کند

جیسون هوانگ – نویدیا

Nvidia یک سکوی هوش مصنوعی ساخته است که آنها ادعا می کنند مدرن ترین سکوی هوش مصنوعی است که تاکنون ساخته شده است. و آنها تراشه های بسیار سریع دارند که با او همراه شوند ……

بازار معتقد است که آنها این سیستم عامل را به خوبی اداره می کنند …

لایه داده ها

لایه داده مدل اصلی با:

• جمع آوری داده ها – شما باید داده ها را از منابع مختلف جمع آوری کنید ، به عنوان مثال خراش وب ، محتوای تولید شده توسط کاربران ، داده های عمومی در دسترس و غیره.
• ذخیره داده ها – داده ها باید به عنوان مثال در پایگاه داده ها ذخیره شوند. و شما باید بتوانید این اطلاعات را به سرعت بازیابی کنید!
• پیش پردازش داده ها – پس از انتخاب داده ها ، برخی از پردازش این داده ها وجود دارد. ممکن است خطاهای داده ، تاریخ تکراری و غیره وجود داشته باشد.
• برچسب زدن داده ها – آموزش کنترل شده جایی است که داده ها برچسب گذاری می شوند ، به جای اینکه مدل خود همه داده ها را درک کند. برچسب زدن توصیف می کند که قسمت های داده برای چه چیزی وجود دارد.
• نسخه و مدیریت داده – داده های شما با گذشت زمان توسعه می یابد ، بنابراین باید بدانید که در هر زمان خاص از چه نسخه ای استفاده می کنید.
• امنیت داده ها و حریم خصوصی – شما باید اطمینان حاصل کنید که داده ها در هر زمان محافظت می شوند. برخی از مقررات باید رعایت شود زیرا باید GDPR (قانون حمایت از داده های اروپا) رعایت شود.
• آموزش و نتیجه گیری آموزش داده ها – لایه داده باید بتواند انتشار داده ها را به مدل آموزش و نتیجه گیری ارائه دهد. نتیجه گیری زمانی است که مدل پس از آموزش کار را انجام می دهد!
• لایه ادغام – لایه داده نیاز به یکپارچه سازی بدون مشکل با مدل مربوط دارد.

لایه

در اینجا داده ها به بینش یا اقدامات تبدیل می شوند. این لایه می تواند از مدل های دیگری تشکیل شود.

شما می توانید موارد زیر را تصمیم بگیرید:

ساختن مدل شخصی شما به یک سرمایه گذاری گسترده نیاز دارد ، بنابراین احتمالاً این گزینه ای نیست که شما می خواهید بروید.

مدل منبع باز انعطاف پذیری بیشتری به شما می دهد ، اما شما باید زیرساخت های خود را برای کار تنظیم کنید.

مدل منبع بسته آنقدر انعطاف پذیری به شما نمی دهد ، اما شما نگران مدل نگهداری مدل نیستید.

همچنین می توانید خود را با ترکیبی از یک منبع باز و بسته پیدا کنید!

مقاله ما را از پایه و اساس مدل بخوانید تا اطلاعات بیشتری در مورد انواع مدل کسب کنید.

لایه

در سازمان شرکتی ، دانش زیادی وجود دارد که می تواند برای بهبود پاسخ های ارائه شده به افرادی که از این مدل سؤال می کنند ، استفاده شود. به عنوان مثال:

• بانکهای اطلاعاتی داخلی – این ممکن است شامل اطلاعات کارمندان ، اطلاعات مشتری ، موجودی محصول و غیره باشد.
• ذخیره سازی مستند – شما ممکن است یک پایگاه دانش داخلی یا ویکی داشته باشید ، پر از اطلاعات مفید و مناسب.
• منابع خارجی داده- ممکن است اطلاعات اضافی وجود داشته باشد که واقعاً با ارزش است اما از نظر بیرونی مقرون به صرفه است. بنابراین برای دسترسی به این داده ها نیاز به ایجاد یکپارچه سازی (اگر دیگر ساخته نشده باشد).

نمونه ای از یک لایه از دانش ، Microsoft Graph است. Copilot AI مایکروسافت است که با Pack Microsoft Apps یکپارچه شده است.

تمام درخواست های حاصل از برنامه های مایکروسافت از طریق Microsoft Graph می روند ، که کاربر را که سؤال را می پرسد درک می کند و به بسیاری از اطلاعات دیگر در مورد سازمان دسترسی دارد.

درخواست ها سازگار و به مدل های اصلی GPT4 (عمدتا برای پاسخ های متن) یا Dall-E (پاسخ های تصویر) ارسال شده و ارسال می شوند. هنگامی که پاسخ ها به Microsoft Graph ارسال می شوند ، قبل از ارسال پاسخ ها به برنامه ها ، پردازش اضافی وجود دارد.

ارکستراسیون

این مانند یک هادی در یک ارکستر است!

این مؤلفه های مختلف را هماهنگ می کند. به عنوان مثال:

• ادغام با سیستم های خارجی – این ادغام در سیستم عامل های CRM ، ERP ، CMS و غیره را مدیریت می کند.
• اجرای سیاست ها و پیروی از امنیت
• مدیریت فرآیندهای کاری – تعیین و انجام فرآیندهای کاری که به صورت خودکار وظایف تهیه داده ها ، آموزش ، ارائه نتایج و غیره را انجام می دهد.
• انتخاب مدل – خودکار سازی انتخاب مدل مربوطه
• توزیع منابع – تخصیص منابع محاسباتی برای مراحل مختلف چرخه زندگی هوش مصنوعی.
• او داده های حاصل از منابع مختلف را مدیریت می کند.

Microsoft Graph عمدتاً در لایه دانش قرار دارد ، اما برخی از ارکستراسیون را در جایی ایجاد می کند که بتواند فرآیندها را خودکار کند و خدمات را ادغام کند.

لایه ای از امنیت و انطباق

این می تواند در لایه ارکستراسیون یا به عنوان یک لایه جداگانه ساخته شود. این می تواند کاملاً پیچیده باشد ، بنابراین مزایایی وجود دارد که آن را از هم جدا می کند.

• امنیت – از داده ها ، مدل ها و زیرساخت ها در برابر دسترسی غیرمجاز ، تخلفات و تهدیدهای سایبری محافظت کنید.
• انطباق – پیروی از قوانین ، مقررات و استانداردها.

کاربرد

این لایه ای است که در آن قابلیت های مدل برای کاربران قابل دسترسی است.

این رابط مورد استفاده برای درخواست مدل و بازگشت پاسخ ها است.

ChatGPT برنامه ای است که در این لایه قرار دارد.

Copilot همچنین برنامه ای است که در این لایه قرار دارد.

خلاصه

اگرچه ممکن است شما یک پشته کامل از Gen AI را در سازمان خود ایجاد نکنید ، اما درک اجزای موجود در پشته مهم است. امیدوارم این مقاله را مفید بدانید!