En la actualidad, los modelos grandes se han convertido en un tema candente en el mundo empresarial a partir de la investigación de vanguardia en el mundo académico. En la actualidad, los gigantes tecnológicos nacionales y las nuevas empresas emergentes están explorando activamente la aplicación comercial del gran modelo, tratando de utilizarlo para aportar innovación y crecimiento a las empresas existentes.
Esta "marcha rápida" se manifiesta en dos aspectos: en primer lugar, el modelo grande se está integrando profundamente con los sistemas tradicionales de negocio central como ERP, CRM, BI, finanzas, marketing, operación y servicio al cliente para hacerlo más inteligente y automatizado; En segundo lugar, los modelos grandes han comenzado a utilizarse ampliamente en muchas industrias, como las finanzas, la fabricación, el comercio minorista, la energía y el entretenimiento, promoviendo la innovación y la transformación de la industria.
Según la prueba del modo de red de ChatGPT, Microsoft Bing, Baidu Wenxin Yiyan, Taobao Wenwen y otros productos, el autor descubrió que todavía existen problemas obvios en el uso comercial de modelos grandes.
En concreto, para conseguir el aterrizaje comercial hay que resolver estos tres problemas:
Acoplamiento del sistema
A medida que los grandes modelos se integran gradualmente en las operaciones comerciales diarias, sus funciones han ido más allá del mero procesamiento de datos y la computación. Este nuevo tipo de modelo inteligente debe ser capaz de interactuar con una amplia gama de sistemas empresariales en tiempo real y responder a una variedad de necesidades empresariales. En teoría, esta es la clave del verdadero valor de los modelos grandes, pero en la práctica, también es un gran desafío técnico.
Debemos reconocer que cada sistema empresarial tiene su propio trasfondo histórico y arquitectura técnica únicos, lo que le da una identidad única. No existen por casualidad, sino que se diseñan y desarrollan en función de contextos específicos, necesidades empresariales y tendencias tecnológicas.
Por ejemplo, el primer sistema ERP puede haber nacido en una era de recursos informáticos limitados y redes inmaduras, y su concepto de diseño, estructura de datos y características funcionales estaban estrechamente relacionados con el entorno técnico y empresarial de la época. Pueden basarse en bases de datos relacionales tradicionales y arquitecturas orientadas a servicios en lugar de microservicios modernos o tecnologías de contenedores.
Por el contrario, las plataformas modernas de automatización de marketing han crecido en la era de la computación en la nube y el big data, y naturalmente tienen potentes capacidades de procesamiento de datos, escalabilidad dinámica e interfaces API enriquecidas.
Esta diferencia en la tecnología determina fundamentalmente la dirección de la estrategia de integración entre el modelo grande y estos sistemas. Tratar de unificar todos los sistemas bajo un solo estándar es, sin duda, poco práctico.
Por lo tanto, la estrategia de integración con el modelo grande debe ser diversa, y debe tener en cuenta las características y necesidades de cada sistema. En concreto, en el caso de los sistemas basados en tecnologías heredadas, puede ser necesario introducir algunos "adaptadores" o "capas intermedias" para transformar los datos y la lógica empresarial de modo que puedan interactuar sin problemas con modelos grandes. En el caso de los sistemas que ya han adoptado la tecnología moderna, la integración puede ser más directa y sencilla, pero aún es necesario garantizar la coherencia y la integridad de los datos.
Además, en la amplia aplicación de la tecnología de la información, las interfaces desempeñan el papel de "puentes", responsables de la transmisión y comunicación de información entre diferentes sistemas. La estandarización de las interfaces se ha perseguido en el campo de la informática durante mucho tiempo, pero debido al desarrollo de la tecnología y la acumulación de historia, la diversidad de interfaces se ha vuelto inevitable.
Esta diversidad de interfaces plantea un serio desafío para la integración de grandes modelos, y detrás de cada estándar o protocolo de interfaz, hay estructuras de datos, métodos de invocación y mecanismos de seguridad específicos. Para que los modelos grandes interactúen sin problemas con estos sistemas, se desarrolla un adaptador para cada interfaz. Esto significa que, además del mantenimiento del modelo grande en sí, estos adaptadores también deben actualizarse y optimizarse con frecuencia para hacer frente a la iteración de los sistemas empresariales y a los cambios en las interfaces.
¿Cómo resolver estos problemas? La administración de API y la arquitectura de microservicios es una buena ruta de desarrollo, al adoptar herramientas de administración de API y arquitectura de microservicios, las empresas pueden modularizar la interacción entre modelos grandes y otros sistemas, haciéndolos más flexibles y escalables.
La idea central de una arquitectura de microservicios es descomponer un sistema grande y complejo en muchos servicios pequeños e independientes que se ejecutan de forma independiente e interactúan a través de API bien definidas. Esta arquitectura aporta importantes beneficios a la integración de modelos grandes, lo que hace que la interacción entre las partes individuales y el modelo grande sea más flexible al dividir la funcionalidad de todo el sistema en múltiples microservicios.
Cada microservicio se puede escalar, implementar y mantener de forma independiente sin afectar a otros servicios. Al mismo tiempo, las herramientas de administración de API proporcionan una plataforma unificada para que los desarrolladores interactúen con cada microservicio y modelo grande.
Acceso a datos
En la era actual basada en datos, los modelos grandes son como un "corazón" inteligente gigante que procesa, analiza y proporciona recomendaciones y decisiones inteligentes para varios sistemas empresariales. Estos sistemas empresariales, desde el CRM hasta el ERP, pasando por las finanzas y el marketing, son como vasos sanguíneos y órganos, entrelazados con el gran modelo, y se complementan entre sí. Y la sangre que fluye a través de este sistema son los datos.
Lo ideal es que cada transacción, cada acción del usuario, cada comentario del cliente, genere datos. Estos datos se transfieren del sistema empresarial al modelo grande, se analizan y procesan, y luego se devuelven al sistema empresarial correspondiente para proporcionar a los usuarios servicios o decisiones más precisos.
Veamos un ejemplo.
Supongamos que hay una señorita Wang, que es una usuaria leal de una conocida plataforma de compras en línea. Cada vez que navega por un producto, agrega un artículo a su carrito de compras o realiza una compra, el panel registra silenciosamente estos datos de comportamiento. Cuando los datos de comportamiento de la Sra. Wang se transmiten a la modelo grande en tiempo real, la modelo realizará inmediatamente un análisis en profundidad, combinado con su historial de compras anteriores y su historial de navegación. La gran modelo reconoció rápidamente que la señorita Wang había tenido recientemente un gran interés en la ropa femenina de verano y que podría necesitar algunos accesorios para combinar con su vestido recién comprado.
Cuando utiliza la aplicación de modelo grande de esta plataforma de comercio electrónico, puede interactuar con la aplicación en tiempo real y pedirle al modelo grande que le recomiende algunos productos. En este momento, la modelo grande puede recomendar una gama de zapatos, bolsos e incluso otros accesorios de verano para combinar con los vestidos de verano.
Digamos que hace clic en uno de los zapatos recomendados, explora los detalles y finalmente decide comprarlos. Esta vez, también se registra la compra y los datos se introducen en el modelo grande. En este proceso, podemos ver la importancia del flujo fluido de datos entre el modelo grande y el sistema empresarial para proporcionar servicios y decisiones precisos.
Sin embargo, lo anterior es solo una situación ideal, y en realidad puede haber una amplia variedad de problemas. En primer lugar, es un problema difícil conectar los datos entre varios sistemas empresariales y grandes modelos.
Tomando Taobao Ask como ejemplo, ahora Taobao Ask no se ha conectado al sistema Taobao, Taobao Ask no conoce las preferencias del usuario, es como una isla de información incrustada en Taobao y no está integrada orgánicamente en todo el sistema de datos de Taobao. **
Además, incluso si los datos están conectados entre el modelo grande y el sistema empresarial, debido a los diferentes antecedentes históricos, arquitecturas técnicas y estándares de datos de cada sistema empresarial, es probable que haya "bloqueos" o "puntos de fuga" en el proceso de circulación de datos. Esto puede conducir no solo a la pérdida de datos, sino también a resultados de análisis sesgados para modelos grandes.
Tomando como ejemplo las plataformas de comercio electrónico, cuando los usuarios naveguen por los productos y realicen compras, estos datos de comportamiento se transmitirán a un gran modelo para su análisis y recomendación de productos más adecuados para los usuarios. Sin embargo, si los datos se pierden en tránsito o no coinciden con el formato de datos de otros sistemas, es posible que el modelo grande no pueda recomendar productos con precisión, lo que puede afectar a la experiencia del usuario.
El flujo de datos entre grandes modelos y varios sistemas empresariales es particularmente importante, no solo por el aumento en la cantidad de datos, sino también porque el papel de los datos para aportar valor a la empresa está cambiando. Sin embargo, no es fácil lograr un flujo de datos fluido y fiel entre el modelo grande y los distintos sistemas.
Debemos entender que el flujo de datos entre el modelo grande y el sistema empresarial no es una simple migración o transferencia de datos, es un proceso complejo, bidireccional y continuo. En este proceso, cada sistema empresarial puede tener interacciones frecuentes con el modelo grande, y el modelo grande en sí mismo se actualiza, aprende y evoluciona constantemente.
Hay innumerables desafíos técnicos y empresariales detrás de este flujo de datos, como el hecho de que los datos del modelo grande pueden no ser coherentes con los datos de un sistema empresarial en un momento determinado debido a la diferente frecuencia y sincronización de las actualizaciones de diferentes sistemas. Además, los diferentes sistemas empresariales pueden adoptar diferentes arquitecturas técnicas, formatos de datos y estándares de interfaz, lo que da lugar a frecuentes transformaciones y ajustes en el flujo de datos.
Los problemas de seguridad y privacidad de los datos no se pueden ignorar, los datos pueden estar sujetos a diversas amenazas en el proceso de transmisión, almacenamiento y procesamiento, cómo garantizar la integridad, confidencialidad y no repudio de los datos se ha convertido en un problema importante al que se enfrentan las empresas. Especialmente en entornos entre regiones y redes, la transmisión de datos también puede sufrir retrasos, lo que es fatal para los sistemas empresariales que requieren una respuesta en tiempo real.
Convergencia empresarial
Los grandes modelos han penetrado gradualmente en diversas industrias y campos, convirtiéndose en un importante impulso para la inteligencia empresarial. Sin embargo, hacer que la tecnología realmente aporte valor al negocio no es solo una cuestión de implementación de tecnología, sino lo que es más importante, de la estrecha integración de la tecnología y el negocio. Para lograr esto, el modelo grande debe profundizar en los detalles del negocio, comprender la lógica del negocio y estar completamente integrado en todo el sistema del negocio. **
Imagina una gran empresa de comercio electrónico que busca optimizar su sistema de recomendación de productos con un modelo grande. Para ello, no basta con que el modelo reconozca el historial de compras del usuario, sino que también necesita comprender los hábitos de compra, los intereses, las preferencias, el historial de búsqueda y muchos otros detalles del usuario. Además, el modelo debe ser capaz de comprender las estrategias comerciales, como las temporadas, los festivales y las promociones, para garantizar que el contenido generado sea realmente valioso.
Esto plantea una pregunta clave: ¿cómo hacer que el gran modelo entienda e incorpore estos detalles comerciales? En concreto, se puede partir de los siguientes aspectos:
**1. La transferencia de conocimiento empresarial rompe las limitaciones de los datos. **
Los datos son, sin duda, el insumo central de un modelo grande, pero para lograr una verdadera comprensión del negocio, no basta con confiar en los datos. Gran parte del conocimiento empresarial está implícito y no está estructurado, lo que dificulta su entrega a través de los medios de datos tradicionales. Por ejemplo, es posible que los valores fundamentales de una empresa, sus relaciones a largo plazo con los clientes y los cambios sutiles en la industria no se reflejen directamente en los datos. Dicho conocimiento, si se ignora, puede llevar al modelo a tomar decisiones que se desvían del escenario real del negocio.
Por lo tanto, es esencial una estrecha cooperación con las unidades de negocio. Las unidades de negocio tienen mucha experiencia y un profundo conocimiento del negocio, y pueden proporcionar detalles que los datos no pueden cubrir. No se trata solo del conocimiento dentro de la empresa, sino también de lo que está sucediendo con los socios, los competidores e incluso la industria en su conjunto.
Un enfoque que vale la pena considerar es la creación de un equipo de conocimiento empresarial específico, que puede estar formado por expertos empresariales, científicos de datos e ingenieros de modelos, que trabajan juntos para garantizar que los modelos grandes reciban una formación empresarial completa y profunda.
**2. Adaptarse a la lógica empresarial compleja y al desarrollo personalizado de grandes modelos. **
La diversidad de industrias ha llevado a la complejidad de la lógica empresarial, y es poco probable que un modelo grande para la industria financiera sea directamente aplicable a las industrias minorista o de atención médica, ya que estas industrias tienen sus propias reglas y lógica comerciales únicas, lo que requiere un alto grado de personalización en el diseño y desarrollo del modelo grande.
Es posible que sea necesario ajustar la arquitectura, los parámetros e incluso los algoritmos de un modelo grande para servicios específicos. Por ejemplo, algunas industrias pueden poner más énfasis en el rendimiento en tiempo real, mientras que otras pueden poner más énfasis en las estrategias a largo plazo, lo que puede llevar a que los modelos necesiten hacer concesiones entre la velocidad computacional y el análisis en profundidad.
Adaptarse a los cambios del negocio, a la flexibilidad y capacidad de iteración de los grandes modelos. **
Los negocios no son estáticos, cambian con el tiempo, los mercados y la tecnología. Cuando la lógica y las reglas de negocio cambian, el modelo grande debe ajustarse en consecuencia.
Esto requiere no solo flexibilidad en el diseño del modelo, sino también la capacidad de iterar y optimizar rápidamente en una etapa posterior. La formación continua del modelo, la retroalimentación empresarial en tiempo real y la capacidad de aprendizaje en línea del modelo son clave para garantizar que el modelo grande esté sincronizado con el negocio.
En el futuro, prevemos que el gran modelo se integrará aún más en el negocio, ya no será solo una herramienta para el procesamiento y análisis de datos, sino que se convertirá en el motor central de todo el proceso comercial. No se trata solo de avances tecnológicos, se trata de una transformación completa de los modelos de negocio, las estructuras organizativas y las formas de trabajar.
Sin embargo, una transformación de este tipo no se produce de la noche a la mañana y requiere los esfuerzos combinados y la colaboración de los líderes empresariales, los equipos empresariales y los equipos técnicos. Se necesita un aprendizaje constante, experimentación y optimización para garantizar que los modelos grandes puedan aportar realmente valor al negocio. En el proceso, puede haber desafíos y dificultades, pero son estas experiencias las que construirán conocimientos y capacidades valiosos para que las empresas se destaquen de la competencia.
Ver originales
Esta página puede contener contenido de terceros, que se proporciona únicamente con fines informativos (sin garantías ni declaraciones) y no debe considerarse como un respaldo por parte de Gate a las opiniones expresadas ni como asesoramiento financiero o profesional. Consulte el Descargo de responsabilidad para obtener más detalles.
Si no se resuelven estos tres problemas, el aterrizaje comercial de modelos grandes es una palabra vacía.
Fuente del artículo: Data Ape
Autor: Una lluvia de humo y lluvia
En la actualidad, los modelos grandes se han convertido en un tema candente en el mundo empresarial a partir de la investigación de vanguardia en el mundo académico. En la actualidad, los gigantes tecnológicos nacionales y las nuevas empresas emergentes están explorando activamente la aplicación comercial del gran modelo, tratando de utilizarlo para aportar innovación y crecimiento a las empresas existentes.
Esta "marcha rápida" se manifiesta en dos aspectos: en primer lugar, el modelo grande se está integrando profundamente con los sistemas tradicionales de negocio central como ERP, CRM, BI, finanzas, marketing, operación y servicio al cliente para hacerlo más inteligente y automatizado; En segundo lugar, los modelos grandes han comenzado a utilizarse ampliamente en muchas industrias, como las finanzas, la fabricación, el comercio minorista, la energía y el entretenimiento, promoviendo la innovación y la transformación de la industria.
Según la prueba del modo de red de ChatGPT, Microsoft Bing, Baidu Wenxin Yiyan, Taobao Wenwen y otros productos, el autor descubrió que todavía existen problemas obvios en el uso comercial de modelos grandes.
En concreto, para conseguir el aterrizaje comercial hay que resolver estos tres problemas:
Acoplamiento del sistema
A medida que los grandes modelos se integran gradualmente en las operaciones comerciales diarias, sus funciones han ido más allá del mero procesamiento de datos y la computación. Este nuevo tipo de modelo inteligente debe ser capaz de interactuar con una amplia gama de sistemas empresariales en tiempo real y responder a una variedad de necesidades empresariales. En teoría, esta es la clave del verdadero valor de los modelos grandes, pero en la práctica, también es un gran desafío técnico.
Por ejemplo, el primer sistema ERP puede haber nacido en una era de recursos informáticos limitados y redes inmaduras, y su concepto de diseño, estructura de datos y características funcionales estaban estrechamente relacionados con el entorno técnico y empresarial de la época. Pueden basarse en bases de datos relacionales tradicionales y arquitecturas orientadas a servicios en lugar de microservicios modernos o tecnologías de contenedores.
Por el contrario, las plataformas modernas de automatización de marketing han crecido en la era de la computación en la nube y el big data, y naturalmente tienen potentes capacidades de procesamiento de datos, escalabilidad dinámica e interfaces API enriquecidas.
Esta diferencia en la tecnología determina fundamentalmente la dirección de la estrategia de integración entre el modelo grande y estos sistemas. Tratar de unificar todos los sistemas bajo un solo estándar es, sin duda, poco práctico.
Por lo tanto, la estrategia de integración con el modelo grande debe ser diversa, y debe tener en cuenta las características y necesidades de cada sistema. En concreto, en el caso de los sistemas basados en tecnologías heredadas, puede ser necesario introducir algunos "adaptadores" o "capas intermedias" para transformar los datos y la lógica empresarial de modo que puedan interactuar sin problemas con modelos grandes. En el caso de los sistemas que ya han adoptado la tecnología moderna, la integración puede ser más directa y sencilla, pero aún es necesario garantizar la coherencia y la integridad de los datos.
Además, en la amplia aplicación de la tecnología de la información, las interfaces desempeñan el papel de "puentes", responsables de la transmisión y comunicación de información entre diferentes sistemas. La estandarización de las interfaces se ha perseguido en el campo de la informática durante mucho tiempo, pero debido al desarrollo de la tecnología y la acumulación de historia, la diversidad de interfaces se ha vuelto inevitable.
Esta diversidad de interfaces plantea un serio desafío para la integración de grandes modelos, y detrás de cada estándar o protocolo de interfaz, hay estructuras de datos, métodos de invocación y mecanismos de seguridad específicos. Para que los modelos grandes interactúen sin problemas con estos sistemas, se desarrolla un adaptador para cada interfaz. Esto significa que, además del mantenimiento del modelo grande en sí, estos adaptadores también deben actualizarse y optimizarse con frecuencia para hacer frente a la iteración de los sistemas empresariales y a los cambios en las interfaces.
¿Cómo resolver estos problemas? La administración de API y la arquitectura de microservicios es una buena ruta de desarrollo, al adoptar herramientas de administración de API y arquitectura de microservicios, las empresas pueden modularizar la interacción entre modelos grandes y otros sistemas, haciéndolos más flexibles y escalables.
La idea central de una arquitectura de microservicios es descomponer un sistema grande y complejo en muchos servicios pequeños e independientes que se ejecutan de forma independiente e interactúan a través de API bien definidas. Esta arquitectura aporta importantes beneficios a la integración de modelos grandes, lo que hace que la interacción entre las partes individuales y el modelo grande sea más flexible al dividir la funcionalidad de todo el sistema en múltiples microservicios.
Cada microservicio se puede escalar, implementar y mantener de forma independiente sin afectar a otros servicios. Al mismo tiempo, las herramientas de administración de API proporcionan una plataforma unificada para que los desarrolladores interactúen con cada microservicio y modelo grande.
Acceso a datos
En la era actual basada en datos, los modelos grandes son como un "corazón" inteligente gigante que procesa, analiza y proporciona recomendaciones y decisiones inteligentes para varios sistemas empresariales. Estos sistemas empresariales, desde el CRM hasta el ERP, pasando por las finanzas y el marketing, son como vasos sanguíneos y órganos, entrelazados con el gran modelo, y se complementan entre sí. Y la sangre que fluye a través de este sistema son los datos.
Veamos un ejemplo.
Supongamos que hay una señorita Wang, que es una usuaria leal de una conocida plataforma de compras en línea. Cada vez que navega por un producto, agrega un artículo a su carrito de compras o realiza una compra, el panel registra silenciosamente estos datos de comportamiento. Cuando los datos de comportamiento de la Sra. Wang se transmiten a la modelo grande en tiempo real, la modelo realizará inmediatamente un análisis en profundidad, combinado con su historial de compras anteriores y su historial de navegación. La gran modelo reconoció rápidamente que la señorita Wang había tenido recientemente un gran interés en la ropa femenina de verano y que podría necesitar algunos accesorios para combinar con su vestido recién comprado.
Cuando utiliza la aplicación de modelo grande de esta plataforma de comercio electrónico, puede interactuar con la aplicación en tiempo real y pedirle al modelo grande que le recomiende algunos productos. En este momento, la modelo grande puede recomendar una gama de zapatos, bolsos e incluso otros accesorios de verano para combinar con los vestidos de verano.
Digamos que hace clic en uno de los zapatos recomendados, explora los detalles y finalmente decide comprarlos. Esta vez, también se registra la compra y los datos se introducen en el modelo grande. En este proceso, podemos ver la importancia del flujo fluido de datos entre el modelo grande y el sistema empresarial para proporcionar servicios y decisiones precisos.
Sin embargo, lo anterior es solo una situación ideal, y en realidad puede haber una amplia variedad de problemas. En primer lugar, es un problema difícil conectar los datos entre varios sistemas empresariales y grandes modelos.
Tomando Taobao Ask como ejemplo, ahora Taobao Ask no se ha conectado al sistema Taobao, Taobao Ask no conoce las preferencias del usuario, es como una isla de información incrustada en Taobao y no está integrada orgánicamente en todo el sistema de datos de Taobao. **
Además, incluso si los datos están conectados entre el modelo grande y el sistema empresarial, debido a los diferentes antecedentes históricos, arquitecturas técnicas y estándares de datos de cada sistema empresarial, es probable que haya "bloqueos" o "puntos de fuga" en el proceso de circulación de datos. Esto puede conducir no solo a la pérdida de datos, sino también a resultados de análisis sesgados para modelos grandes.
Tomando como ejemplo las plataformas de comercio electrónico, cuando los usuarios naveguen por los productos y realicen compras, estos datos de comportamiento se transmitirán a un gran modelo para su análisis y recomendación de productos más adecuados para los usuarios. Sin embargo, si los datos se pierden en tránsito o no coinciden con el formato de datos de otros sistemas, es posible que el modelo grande no pueda recomendar productos con precisión, lo que puede afectar a la experiencia del usuario.
El flujo de datos entre grandes modelos y varios sistemas empresariales es particularmente importante, no solo por el aumento en la cantidad de datos, sino también porque el papel de los datos para aportar valor a la empresa está cambiando. Sin embargo, no es fácil lograr un flujo de datos fluido y fiel entre el modelo grande y los distintos sistemas.
Debemos entender que el flujo de datos entre el modelo grande y el sistema empresarial no es una simple migración o transferencia de datos, es un proceso complejo, bidireccional y continuo. En este proceso, cada sistema empresarial puede tener interacciones frecuentes con el modelo grande, y el modelo grande en sí mismo se actualiza, aprende y evoluciona constantemente.
Hay innumerables desafíos técnicos y empresariales detrás de este flujo de datos, como el hecho de que los datos del modelo grande pueden no ser coherentes con los datos de un sistema empresarial en un momento determinado debido a la diferente frecuencia y sincronización de las actualizaciones de diferentes sistemas. Además, los diferentes sistemas empresariales pueden adoptar diferentes arquitecturas técnicas, formatos de datos y estándares de interfaz, lo que da lugar a frecuentes transformaciones y ajustes en el flujo de datos.
Los problemas de seguridad y privacidad de los datos no se pueden ignorar, los datos pueden estar sujetos a diversas amenazas en el proceso de transmisión, almacenamiento y procesamiento, cómo garantizar la integridad, confidencialidad y no repudio de los datos se ha convertido en un problema importante al que se enfrentan las empresas. Especialmente en entornos entre regiones y redes, la transmisión de datos también puede sufrir retrasos, lo que es fatal para los sistemas empresariales que requieren una respuesta en tiempo real.
Convergencia empresarial
Los grandes modelos han penetrado gradualmente en diversas industrias y campos, convirtiéndose en un importante impulso para la inteligencia empresarial. Sin embargo, hacer que la tecnología realmente aporte valor al negocio no es solo una cuestión de implementación de tecnología, sino lo que es más importante, de la estrecha integración de la tecnología y el negocio. Para lograr esto, el modelo grande debe profundizar en los detalles del negocio, comprender la lógica del negocio y estar completamente integrado en todo el sistema del negocio. **
Esto plantea una pregunta clave: ¿cómo hacer que el gran modelo entienda e incorpore estos detalles comerciales? En concreto, se puede partir de los siguientes aspectos:
**1. La transferencia de conocimiento empresarial rompe las limitaciones de los datos. **
Los datos son, sin duda, el insumo central de un modelo grande, pero para lograr una verdadera comprensión del negocio, no basta con confiar en los datos. Gran parte del conocimiento empresarial está implícito y no está estructurado, lo que dificulta su entrega a través de los medios de datos tradicionales. Por ejemplo, es posible que los valores fundamentales de una empresa, sus relaciones a largo plazo con los clientes y los cambios sutiles en la industria no se reflejen directamente en los datos. Dicho conocimiento, si se ignora, puede llevar al modelo a tomar decisiones que se desvían del escenario real del negocio.
Por lo tanto, es esencial una estrecha cooperación con las unidades de negocio. Las unidades de negocio tienen mucha experiencia y un profundo conocimiento del negocio, y pueden proporcionar detalles que los datos no pueden cubrir. No se trata solo del conocimiento dentro de la empresa, sino también de lo que está sucediendo con los socios, los competidores e incluso la industria en su conjunto.
Un enfoque que vale la pena considerar es la creación de un equipo de conocimiento empresarial específico, que puede estar formado por expertos empresariales, científicos de datos e ingenieros de modelos, que trabajan juntos para garantizar que los modelos grandes reciban una formación empresarial completa y profunda.
**2. Adaptarse a la lógica empresarial compleja y al desarrollo personalizado de grandes modelos. **
La diversidad de industrias ha llevado a la complejidad de la lógica empresarial, y es poco probable que un modelo grande para la industria financiera sea directamente aplicable a las industrias minorista o de atención médica, ya que estas industrias tienen sus propias reglas y lógica comerciales únicas, lo que requiere un alto grado de personalización en el diseño y desarrollo del modelo grande.
Es posible que sea necesario ajustar la arquitectura, los parámetros e incluso los algoritmos de un modelo grande para servicios específicos. Por ejemplo, algunas industrias pueden poner más énfasis en el rendimiento en tiempo real, mientras que otras pueden poner más énfasis en las estrategias a largo plazo, lo que puede llevar a que los modelos necesiten hacer concesiones entre la velocidad computacional y el análisis en profundidad.
Los negocios no son estáticos, cambian con el tiempo, los mercados y la tecnología. Cuando la lógica y las reglas de negocio cambian, el modelo grande debe ajustarse en consecuencia.
Esto requiere no solo flexibilidad en el diseño del modelo, sino también la capacidad de iterar y optimizar rápidamente en una etapa posterior. La formación continua del modelo, la retroalimentación empresarial en tiempo real y la capacidad de aprendizaje en línea del modelo son clave para garantizar que el modelo grande esté sincronizado con el negocio.
En el futuro, prevemos que el gran modelo se integrará aún más en el negocio, ya no será solo una herramienta para el procesamiento y análisis de datos, sino que se convertirá en el motor central de todo el proceso comercial. No se trata solo de avances tecnológicos, se trata de una transformación completa de los modelos de negocio, las estructuras organizativas y las formas de trabajar.
Sin embargo, una transformación de este tipo no se produce de la noche a la mañana y requiere los esfuerzos combinados y la colaboración de los líderes empresariales, los equipos empresariales y los equipos técnicos. Se necesita un aprendizaje constante, experimentación y optimización para garantizar que los modelos grandes puedan aportar realmente valor al negocio. En el proceso, puede haber desafíos y dificultades, pero son estas experiencias las que construirán conocimientos y capacidades valiosos para que las empresas se destaquen de la competencia.