行使铸造的自然人 Gen AI 援助手为您的业权能(汉) 2024

核心观点与关键数据

• 生成式AI对企业的重要性：定制的企业专用生成AI能够更快实现业务目标，产出更具洞察力和创新性的内容，是公司最大限度利用自身结构化和非结构化数据的最有效方式。2024年诺贝尔科学奖（物理学和化学）授予与人工智能相关的发现，确认了AI对现代生活的重要性，其重要性堪比工业革命。
• 通用大语言模型（LLM）的局限性：公开数据和增加处理能力不足以带来特定领域的改进，通用型LLM（如ChatGPT、Gemini）缺乏专门且高质量的数据，无法在公司的专业领域内具备专业知识，可能产生错误的答案或“幻觉”。68%的企业在尝试将AI集成到高度依赖内部数据的工作流程中时面临挑战（Gartner）。
• 定制私有生成式AI（代理AI）的优势：通过使用透明、可访问的来源和可验证的结果来提高准确性，专注于特定领域，并通过针对特定商业领域的精炼数据进行训练，产生上下文相关的结果。代理AI的实施允许在更复杂和高级的场景中扩展使用案例，能够提供更为深刻和原创的内容，是公司最大限度发挥其各种形式知识产权价值的最有效方式之一。
• 企业对生成AI式的谨慎态度：尽管生成式AI具有潜力，但组织对其整合到战略、流程和商业模式中可能带来的潜在益处持谨慎乐观态度，部分原因在于已有一些公开报道的生成式AI意外错误案例。
• 伦理和合规性：自定义私有Gen AI系统具有重要的伦理和合规理由，其闭环结构允许更加严格的治理、安全协议和持续监控，以确保其符合公司的自身伦理和安全标准，并在适用的情况下遵守数据隐私和主权要求。管理法律风险至关重要，已有可信的版权和商标侵权案例正在展开。
• 数据安全与运营韧性：数据安全因更为严格的运营韧性监管要求而上升至董事会议程的更高位置。自定义私有生成式AI助理使公司能够实施严格的数据安全措施、保留其知识产权的完整所有权，并更清晰地了解潜在的安全漏洞。

关键技术组件与实施策略

• 数据摄入框架（DIF）：自定义私有LLM的关键组件，对于分析数据集中的文档和其他材料并赋予其意义至关重要，通过提取、组织并准备数据以供将来检索，应用元数据进行本体论目的，确保模型能够在适当的时间访问到正确的信息。
• 检索增强生成（RAG）：支持使用定制化的RAG来辅助训练好的大规模语言模型（LLM），提高响应的准确性。RAG模型是动态的，能够在广泛匹配并提供最新信息的同时，由于缺乏精确性变得更为灵活，因此设置好边界条件至关重要。
• 多层“护栏”系统：大模型系统依赖于多个阶段的“护栏”以确保质量并减轻风险，包括输入过滤、中间防护栏（验证选定的数据是否与政策及查询上下文保持一致）和最终输出过滤器（确保响应符合关键要求，如保密性、适宜性，以及公司政策和监管标准的合规性）。
• 成本控制措施：运行大型语言模型（LLM）的成本可能急剧上升，集成到与RAG系统结合的定制大语言模型（LLM）中的成本控制措施，如通过token使用监控、总结或特定上下文的输出而非处理整个数据集，可以减少25-35%的计算成本，使企业能够在不出现财务意外的情况下利用生成式AI的强大功能。

应用场景示例

• 银行和保险：研究与开发、信用备忘录生成、契约监控、可疑活动报告及其他金融犯罪报告提交、PitchBook生成、索赔处理，例如法律案例包创建、承保助手。
• 医疗保健提供者：纵向患者总结、临床试验方案生成、个性化医疗、研究助理代理。
• Sales：通过使用生成性人工智能代理作为组合销售执行官来识别交叉销售机会、初次报价RFP/RFQ响应生成、客户意向/洞察代理。
• 其他：在财务报告、市场营销、运营和供应链管理中实现数据自动化分析；基于数据的主动推荐以减少手动分析时间。

研究结论

• 自定义私有生成式AI（代理AI）是企业实现数据价值最大化、提升生产力和创造力的关键工具，能够提供更为深刻和原创的内容，并支持更有效的知识管理和领域特定辅助。
• 通过实施严格的数据安全措施、保留知识产权的完整所有权，并利用如DIF和RAG等关键技术组件，企业可以在保护其关键资产的同时培养信任并增强运营韧性。
• 成本控制和有效的监控是成功实施生成式AI解决方案的重要因素，通过专注于特定任务的应用和简化的工作流程，组织可以更好地预测开支，并使其AI投资与业务优先事项保持一致。