2024企业AI入门_新手指南

企业AI入门：新手指南 目录 简介 第3页 第1章 AI迅速崛起 第6页 第2章 选择合适的AI模型 第9页 第3章 前期准备工作 第12页 第4章 在红帽的帮助下采用和扩展 第16页 了解更多 准备好在AI采用之旅中迈出下一步了吗？ 第20页 简介 企业组织越来越认识到人工智能（AI）为其业务的各个方面带来的机遇。 从客户参与、支持和销售，到IT基础架构、流程、代码开发和解决方案交付，AI的应用范围不断扩大，在各行各业内实现了蓬勃发展。 根据IDC的数据，预计到2027年，AI市场规模将超过 4,230亿美元，五年复合年增长率（CAGR）将达到26.9%，并且许多企业将其AI计划的重点放在提升运维效率、改善客户体验和提高生产力上1。 在这种快速发展的形势下，领导者们面临着识别、选择、构建和交付能够为他们的企业组织提供竞争优势的AI解决方案。但是，大多数企业组织的AI创新发展速度和提升AI成熟度的能力不匹配。这种情况导致难以释放AI的全部价值，并且在很多情况下，造成的问题数量要多于能够解决的问题数量。 题。 无论您是刚开启AI之旅，还是希望进一步了解AI对业务的影响，抑或是想知道如何扩大现有的AI实施规模，这本电子书主要回答了当今与AI有关的许多问 1IDCFutureScape网络研讨会。“2024年全球人工智能和自动化预测”。文档编号：US51901124，2024年3月。3 AI分为哪些类型？ 要充分利用AI，就必须全面了解它，包括当今企业组织正在使用的两种最主要的类型。 预测性AI：预测性AI可利用历史数据，帮助企业组织识别模式，并做出符合未来需求的明智决策。预测模型可为需求预测、预测性维护和运维规划等应用提供支持。预测性AI以完善成熟的数据科学和机器学习（ML）技术为基础，使AI能够随着处理的数据量增加而不断改进。 生成式人工智能（genAI）：生成式人工智能由转换器等深度学习模型提供支持，可以创建文本、图像和代码等新内容。它尤其适用于聊天机器人、自动化内容生成和创意工具等应用。生成式预训练转换器（GPT）等模型通过生成类似人类的文本和图像，在自然语言处理和创意领域掀起了一场革命。 4 实施AI的好处有哪些？ AI的全部潜能仍有待发掘，但了解这项快速发展的技术如何使各行各业中不同规模的企业组织受益，是确定从何处着手将AI整合到您企业组织中的好方法。 考虑AI的以下优势，以及这些优势如何使您的企业组织受益： 数据量。随着数据的指数级增长，企业组织往往难以管理他们收集到的大量信息并从中获得深刻的见解。AI可以快速处理和分析大型数据集，发现人工难以识别的宝贵见解和趋势。 运维效率欠佳。许多企业组织都明白，低效的流程和瓶颈会阻碍生产力的提高，导致需要花费更多的时间和精力来消除这些障碍。将自动化与AI结合使用，有助于简化运维，从 而减少错误并提高流程效率。例如，这包括一些简单的应用，比如自动生成包含行动项目和明确的后续步骤的会议记录，或加速网站或社交媒体的图形和视频创建。 客户期望。客户希望获得无忧的个性化体验。通过分析客户数据并提供量身定制的建议和互动体验，AI可以改善客户服务并提高个性化水平。 市场竞争力。要在瞬息万变的市场上保持竞争力，就需要不断的创新。AI可以帮助企业组织快速适应市场变化，保持竞争优势。生成式AI甚至可以在领导层使用它来寻找灵感时或者在准备重要会议时，用来完善具体方法。 5 第1章 AI迅速崛起 AI已经发展了数十年，推动了医疗卫生、金融和制造等行业的进步。 不过，最近大热的生成式AI因能够创造出类似人类的文本、逼真的图像甚至软件代码而备受关注。与自动执行任务或分析数据的传统AI不同，生成式AI能够创造性地解决问题和生成高级内容。 企业组织希望将生成式AI用于各种用例：2 知识管理类应用设计应用 46% 39% 营销类应用对话类应用 42% 37% 代码生成类应用 41% 图1： 生成式AI的预期用例（根据IDC的研究绘制）。 2IDCWeb会议记录。“利用生成式AI开启企业成功之路”。文档编号：US50789223，2023年6月。6 有助于加速创新的AI模型类型 大语言模型（LLM）和稳定扩散模型是促使生成式AI出现爆炸性增长的AI模型之一。GPT等LLM基于海量数据集进行了预训练，能够理解和生成自然语言，因此在客户支持自动化、营销文案生成等方面非常有价值。另一方面，稳定扩散模型可以创建超逼真的图像，推动娱乐、营销等领域的创新。 不容忽视的新兴趋势 企业组织越来越多地探索多模态AI，此类AI将文本、图像和数据处理功能整合到一个模型中，提供更全面的解决方案。要在企业内充分发挥AI的潜力，关键是要及时把握这些趋势。 开源：AI创新的基础 红帽的AI战略深深植根于开源，可帮助企业在透明、可信和成本更低的情况下推进生成式AI发展。通过使用红帽的开放式混合云平台，企业组织可以自由地进行创新，同时保持对其AI解决方案的掌控力。 进一步了解LLM及其运作方式 7 通过开源方法控制LLM 虽然AI正在改变商业领域的几乎所有方面（从软件的制造方式到我们的沟通方式），但作为实现生成式AI强大功能的模型 （LLM及其他类型）通常受到服务提供商的严格控制。这就意味着，企业需要具备专业技能，有时还要付出高昂的成本（金钱和时间），否则难以评估生成式AI服务的能力。 如果企业无法详细了解创建模型的数据集或模型使用数据的方式，那么企业在AI生成的内容方面会面临潜在风险。如果根据拥有版权的源代码训练代码生成模型呢？使用该模型生成的所有代码是否也属于受版权保护的代码？很多类似问题还没有明确的答案，但在了解到后果可能会很严重后，企业纷纷转为采用开源AI。 红帽的AI方法植根于开源，我们对IBMGranite系列基础模型等开源模型的支持也是如此。 红帽的AI解决方案甚至可以通过InstructLab（一种可增强LLM能力的社区驱动型解决方案）直接为AI模型的开发做贡献。 在GitHub上探索InstructLab 8 第2章 选择合适的 AI模型 不同的AI模型可用于许多不同的用例。 预测性AI、生成式AI和稳定扩散模型可在单一应用或服务中同时使用。每种模型的费用和优势各不相同。目前，所有这些模型都可以帮助企业组织缩短上市时间，以完成初步概念验证。图像分割、语音转文本和图像识别模型都是功能强大的常见模型，但关键在于评估哪种模型最适合您的用例。 基础模型是基于大量数据训练出来的，功能灵活多变，但由于规模庞大，可能会导致成本增加、管理要求提高并且复杂性增加，这意味着此类模型可能并不适合所有应用。 如果您希望对某个现有模型进行调优以满足您的要求，那么经过调优的小型模型（仍属于生成式AI系列）可能是更理想的 解决方案。在决定选择何种模型时，您可以选择预构建的模型，这种模型易于获取和使用，也能很轻松地集成到您的系统中。此类模型的一个常见示例是LLM，这是一种强大的工具，已使用大量数据进行训练。 但是，如果您有特定的业务要求、数据隐私方面的顾虑，或者希望对模型的行为有更大的控制权，则可能需要构建并自行托管一个自定义模型。 模型构建与模型调优 从零开始构建AI模型是一项艰巨的任务。您需要收集和准备与企业组织面临的业务挑战相关的大型数据集。然后，您必须选择合适的算法，并使用这些数据对其进行训练。此流程需要强大的计算能力和丰富的专业知识，因此是一项耗时耗力的工作。虽然构建传统或基础模型可以为用户提供自定义解决方案，但这并不总是最有效的途径。 另一方面，要对基础模型进行调优，需要根据具体要求调整预训练的模型。一种常见的方法是迁移学习，即使用大型数据集训练过的模型，在特定领域的较小数据集上对其进行再训练。这种方法可以让模型保留在初始训练中学到的一般知识，同时根据特定数据的细微差别进行调整。这也让您可以先在小范围内实施AI，然后随着时间的推移逐步扩大范围。 9 微调模型 另一种方法是微调模型，即调整模型的参数，以提升针对特定任务的性能。模型参数是指选定模型中的变量，可以通过将给定数据拟合到模型中来进行估算。微调可能涉及更改学习率、修改模型的架构或对模型中的某些层进行更加密集的训练。这些方法有助于强化模型的知识，使其对特定用例更加有效。 InstructLab采用这种方法，目的是降低对个人必须具备的AI知识方面的要求，让他们能 够在现有的Granite基础模型中添加企业知识，而无需成为数据科学家或AI专家。 微调模型的替代方案 研究人员正在研究如何调优基础模型，以提高速度和效率。检索增强生成（RAG）就是一种常见的方法，可从已对额外知识（背景信息）进行了编码的外部来源检索facts。 RAG主要使用一个或多个外部数据库（矢量数据库），为生成式AI提出的问题提供额外的背景信息。另一种新兴方法是代理式AI系统，它能将多个生成式AI代理整合到一起，从外部系统（例如内部数据库、企业内联网或互联网）查询知识，为生成式AI模型提供最准确的最新信息。 最后一个示例是提示词调优，即AI模型接收提示或前端提示词（包括额外的词语或AI生成的数字），引导模型做出所需的决策。RAG查询的结果将为提示词提供额外的背景信息，并且提示词调优和RAG协同发挥作用，提供更加出色的响应。通过 对现有LLM进行微调、使用RAG方法以及对提示词进行调优，数据有限的企业组织可以针对特定任务量身定制基础模型。 10 本报告来源于三个皮匠报告站（www.sgpjbg.com）,由用户Id:768394下载,文档Id:180782,下载日期:2024-11-13 支持AI模型的基础架构与模型本身同样重要。不同的任务需要不同类型的硬件。 中央处理单元 （CPU） 处理一般计算任务的传统处理器。它们用途广泛，但对于大规模AI工作负载来说可能并不高效。 图形处理单元 （GPU） 专为处理并行处理任务而设计的专用处理器，是训练需要同时处理大量数据的深度学习模型的理想选择。 神经处理单元 （NPU） 一种专为AI任务设计的新型处理器，可为某些类型的模型提供更高的效率和速度。 混合云在企业采用AI方面的作用 混合云环境在企业采用AI的过程中发挥着至关重要的作用。混合云将本地基础架构与公共云和私有云资源相结合，让您能够灵活选择如何以及何时部署和管理AI工作负载。例如，您可以使用功能强大的云端GPU来训练AI模型，然后出于安全性或合规性方面的考虑，将模型部署到本地或私有云中。因此，在利用混合云方法时，一个关键的考虑因素是所选工具和平台的一致性。 红帽的开放混合云方法有助于企业组织跨不同环境集成AI，从而提高一致性、可扩展性和灵活性。借助此方法，您可以跨多个云环境管理AI工作负载，优化数据放置并促进数据平稳迁移，从而更轻松地在企业范围内采用AI。 通过了解AI模型、数据和基础架构，您可以更好地应对AI采用的复杂性并充分发挥它的潜力。 11 第3章 前期准备工作 与采用任何新技术一样，采用AI的过程中也面临着一些挑战，企业组织必须克服这些挑战才能取得成功。 利用以下考虑因素来评估您的企业组织的准备情况，并确定您 可能需要重点关注的领域，以加快AI的采用。 评估数据质量和可用性。对于AI来说，能够访问相关的优质数据至关重要。数据质量对于训练准确的AI模型至关重要，因此很有必要评估数据的完整性、准确性和相关性。 评估技术基础架构。确定您当前的基础架构能否支持AI工作负载。这包括评估高性能计算资源、存储解决方案和网络功能的可用性。 确定哪些方面需要技能。评估您的企业组织内AI专业知识的可用性。评估当前的技能组合，确定哪些方面需要培训技能或专业技能。 审查战略一致性。确保您的AI计划与您的业务目标和战略保持一致。AI项目应支持企业组织的总体战略目标，并提供可衡量的业务价值。