À l’heure actuelle, les grands modèles sont devenus un sujet brûlant dans le monde des affaires grâce à la recherche de pointe dans le milieu universitaire. À l’heure actuelle, les géants nationaux de la technologie et les startups émergentes explorent activement l’application commerciale du grand modèle, en essayant de l’utiliser pour apporter de l’innovation et de la croissance aux entreprises existantes.
Cette « marche rapide » se manifeste sous deux aspects : premièrement, le grand modèle est profondément intégré aux systèmes d’entreprise traditionnels tels que l’ERP, le CRM, la BI, la finance, le marketing, l’exploitation et le service à la clientèle pour le rendre plus intelligent et automatisé ; Deuxièmement, les grands modèles ont commencé à être largement utilisés dans de nombreux secteurs tels que la finance, la fabrication, la vente au détail, l’énergie et le divertissement, favorisant l’innovation et la transformation de l’industrie.
Selon l’essai du mode réseau de ChatGPT, Microsoft Bing, Baidu Wenxin Yiyan, Taobao Wenwen et d’autres produits, l’auteur a constaté qu’il existe encore des problèmes évidents dans l’utilisation commerciale des grands modèles.
Plus précisément, pour réaliser l’atterrissage commercial, ces trois problèmes doivent être résolus :
Station d’accueil du système
Au fur et à mesure que les grands modèles sont intégrés dans les opérations quotidiennes de l’entreprise, leurs fonctions vont au-delà du simple traitement des données et de l’informatique. Ce nouveau type de modèle intelligent doit être capable d’interagir avec un large éventail de systèmes d’entreprise en temps réel et de répondre à une variété de besoins commerciaux. En théorie, c’est la clé de la vraie valeur des grands modèles, mais en pratique, c’est aussi un défi technique majeur.
Nous devons reconnaître que chaque système d’entreprise a son propre historique et sa propre architecture technique, ce qui lui confère une identité unique. Ils n’existent pas par hasard, mais sont conçus et développés en fonction de contextes spécifiques, de besoins commerciaux et de tendances technologiques.
Par exemple, le premier système ERP est peut-être né à une époque où les ressources informatiques étaient limitées et les réseaux immatures, et son concept de conception, sa structure de données et ses caractéristiques fonctionnelles étaient étroitement liés à l’environnement technique et commercial de l’époque. Ils peuvent être basés sur des bases de données relationnelles traditionnelles et des architectures orientées services plutôt que sur des microservices modernes ou des technologies de conteneurs.
En revanche, les plateformes modernes d’automatisation du marketing ont grandi à l’ère du cloud computing et du Big Data, et elles disposent naturellement de puissantes capacités de traitement des données, d’une évolutivité dynamique et d’interfaces API riches.
Cette différence de technologie détermine fondamentalement l’orientation de la stratégie d’intégration entre le grand modèle et ces systèmes. Essayer d’unifier tous les systèmes sous une seule norme est sans aucun doute impraticable.
Par conséquent, la stratégie d’intégration avec le grand modèle doit être diversifiée et doit tenir compte des caractéristiques et des besoins de chaque système. Plus précisément, pour les systèmes basés sur des technologies héritées, il peut être nécessaire d’introduire des « adaptateurs » ou des « couches intermédiaires » pour transformer les données et la logique métier afin qu’elles puissent s’interfacer en douceur avec de grands modèles. Pour les systèmes qui ont déjà adopté la technologie moderne, l’intégration peut être plus directe et plus simple, mais la cohérence et l’intégrité des données doivent toujours être assurées.
En outre, dans l’application large des technologies de l’information, les interfaces jouent le rôle de « ponts », responsables de la transmission et de la communication de l’information entre différents systèmes. La standardisation des interfaces est poursuivie depuis longtemps dans le domaine de l’informatique, mais en raison du développement de la technologie et de l’accumulation de l’histoire, la diversité des interfaces est devenue inévitable.
Cette diversité d’interfaces pose un sérieux défi à l’intégration de grands modèles, et derrière chaque norme ou protocole d’interface, il existe des structures de données, des méthodes d’appel et des mécanismes de sécurité spécifiques. Afin que les grands modèles puissent interagir de manière transparente avec ces systèmes, un adaptateur est développé pour chaque interface. Cela signifie qu’en plus de la maintenance du grand modèle lui-même, ces adaptateurs doivent également être mis à jour et optimisés fréquemment pour faire face à l’itération des systèmes d’entreprise et aux changements d’interfaces.
Comment résoudre ces problèmes ? La gestion des API et l’architecture des microservices sont une bonne voie de développement, en adoptant des outils de gestion des API et une architecture de microservices, les entreprises peuvent modulariser l’interaction entre les grands modèles et les autres systèmes, les rendant plus flexibles et évolutifs.
L’idée de base d’une architecture de microservices est de décomposer un système vaste et complexe en de nombreux petits services indépendants qui s’exécutent indépendamment et interagissent via des API bien définies. Cette architecture apporte des avantages significatifs à l’intégration de grands modèles, en rendant l’interaction entre les pièces individuelles et le grand modèle plus flexible en divisant la fonctionnalité de l’ensemble du système en plusieurs microservices.
Chaque microservice peut être mis à l’échelle, déployé et géré indépendamment sans impact sur les autres services. Dans le même temps, les outils de gestion des API fournissent une plate-forme unifiée permettant aux développeurs de s’interfacer avec chaque microservice et modèle de grande taille.
Accès aux données
À l’ère actuelle des données, les grands modèles sont comme un « cœur » intelligent géant qui traite, analyse et fournit des recommandations et des décisions intelligentes pour divers systèmes d’entreprise. Ces systèmes d’entreprise, du CRM à l’ERP, en passant par la finance et le marketing, sont comme des vaisseaux sanguins et des organes, entrelacés avec le grand modèle, et se complètent. Et le sang qui circule dans ce système, ce sont les données.
Idéalement, chaque transaction, chaque action de l’utilisateur, chaque retour d’expérience client, générera des données. Ces données sont transférées du système d’entreprise vers le grand modèle, analysées et traitées, puis renvoyées au système d’entreprise correspondant pour fournir aux utilisateurs des services ou des décisions plus précis.
Prenons un exemple.
Supposons qu’il y ait une Mlle Wang, qui est une utilisatrice fidèle d’une plate-forme d’achat en ligne bien connue. Chaque fois qu’elle parcourt un produit, ajoute un article à son panier ou effectue un achat, le tableau de bord enregistre silencieusement ces données de comportement. Lorsque les données comportementales de Mme Wang sont transmises au grand modèle en temps réel, le modèle effectue immédiatement une analyse approfondie, combinée à son historique d’achat et à son historique de navigation. Le grand mannequin s’est rapidement rendu compte que Mlle Wang avait récemment eu un vif intérêt pour la mode féminine d’été et qu’elle avait peut-être besoin d’accessoires assortis à sa robe nouvellement achetée.
Lorsqu’elle utilise l’application grand modèle de cette plateforme e-commerce, elle peut interagir avec l’application en temps réel et demander au grand modèle de lui recommander certains produits. À l’heure actuelle, le grand mannequin peut recommander une gamme de chaussures, de sacs et même d’autres accessoires d’été assortis aux robes d’été.
Disons qu’elle clique sur l’une des chaussures recommandées, qu’elle parcourt les détails et qu’elle décide finalement de les acheter. Cette fois, l’achat est également enregistré et les données sont transmises au grand modèle. Dans ce processus, nous pouvons voir l’importance d’un flux fluide de données entre le grand modèle et le système d’entreprise pour fournir des services et des décisions précis.
Cependant, ce qui précède n’est qu’une situation idéale, et en réalité, il peut y avoir une grande variété de problèmes. Tout d’abord, il est difficile de connecter les données entre divers systèmes d’entreprise et les grands modèles.
Si l’on prend l’exemple de Taobao Ask, Taobao Ask n’a pas été connecté au système Taobao, Taobao Ask ne connaît pas les préférences de l’utilisateur, c’est comme une île d’information intégrée dans Taobao, et il n’est pas organiquement intégré dans l’ensemble du système de données Taobao. **
De plus, même si les données sont connectées entre le grand modèle et le système d’entreprise, en raison des différents contextes historiques, des architectures techniques et des normes de données de chaque système d’entreprise, il est probable qu’il y aura des « blocages » ou des « points de fuite » dans le processus de circulation des données. Cela peut entraîner non seulement la perte de données, mais aussi des résultats d’analyse faussés pour les grands modèles.
Si l’on prend l’exemple des plateformes de commerce électronique, lorsque les utilisateurs parcourent les produits et effectuent des achats, ces données comportementales seront transmises à un grand modèle pour analyse afin de recommander des produits plus adaptés aux utilisateurs. Cependant, si les données sont perdues en transit ou ne correspondent pas au format de données d’autres systèmes, le grand modèle peut ne pas être en mesure de recommander des produits avec précision, ce qui peut affecter l’expérience utilisateur.
Le flux de données entre les grands modèles et les différents systèmes d’entreprise est particulièrement important, non seulement en raison de l’augmentation de la quantité de données, mais aussi parce que le rôle des données dans la création de valeur pour l’entreprise est en train de changer. Cependant, il n’est pas facile d’obtenir un flux de données fluide et fidèle entre le grand modèle et les différents systèmes.
Nous devons comprendre que le flux de données entre le grand modèle et le système d’entreprise n’est pas une simple migration ou transfert de données, c’est un processus complexe, bidirectionnel et continu. Dans ce processus, chaque système d’entreprise peut avoir des interactions fréquentes avec le grand modèle, et le grand modèle lui-même est constamment mis à jour, apprend et évolue.
Ce flux de données présente d’innombrables défis techniques et commerciaux, tels que le fait que les données du grand modèle peuvent ne pas être cohérentes avec les données d’un système d’entreprise à un moment donné en raison de la fréquence et du calendrier différents des mises à jour des différents systèmes. De plus, les différents systèmes d’entreprise peuvent adopter des architectures techniques, des formats de données et des normes d’interface différents, ce qui entraîne des transformations et des ajustements fréquents dans le flux de données.
Les questions de sécurité et de confidentialité des données ne peuvent être ignorées, les données peuvent être soumises à diverses menaces dans le processus de transmission, de stockage et de traitement, comment assurer l’intégrité, la confidentialité et la non-répudiation des données est devenu un problème majeur auquel les entreprises sont confrontées. En particulier dans les environnements interrégionaux et inter-réseaux, la transmission de données peut également subir des retards, ce qui est fatal pour les systèmes d’entreprise qui nécessitent une réponse en temps réel.
Convergence d’affaires
Les grands modèles ont progressivement pénétré dans diverses industries et domaines, devenant un coup de pouce important pour l’intelligence d’entreprise. Cependant, faire en sorte que la technologie apporte vraiment de la valeur à l’entreprise n’est pas seulement une question de mise en œuvre de la technologie, mais plus important encore, l’intégration étroite de la technologie et de l’entreprise. Pour y parvenir, le grand modèle doit aller en profondeur dans les détails de l’entreprise, comprendre la logique métier et être entièrement intégré dans l’ensemble du système d’entreprise. **
Imaginez une grande entreprise de commerce électronique qui cherche à optimiser son système de recommandation de produits avec un grand modèle. Pour ce faire, il ne suffit pas que le modèle reconnaisse l’historique d’achat de l’utilisateur, il doit également comprendre les habitudes d’achat, les intérêts, les préférences, l’historique de recherche et bien d’autres détails de l’utilisateur. De plus, le modèle doit être capable de comprendre les stratégies commerciales telles que les saisonniers, les festivals et les promotions pour s’assurer que le contenu généré est vraiment précieux.
Cela soulève une question clé : comment faire en sorte que le grand modèle comprenne et intègre ces détails commerciaux ? Plus précisément, vous pouvez commencer par les aspects suivants :
**1. Le transfert de connaissances métiers brise les limites des données. **
Les données sont sans aucun doute l’élément central d’un grand modèle, mais pour parvenir à une véritable compréhension de l’entreprise, il ne suffit pas de s’appuyer sur les données. Une grande partie des connaissances commerciales est implicite et non structurée, ce qui les rend difficiles à fournir par les moyens de données traditionnels. Par exemple, les valeurs fondamentales d’une entreprise, ses relations à long terme avec ses clients et les changements subtils dans le secteur peuvent ne pas être directement reflétés dans les données. Ces connaissances, si elles sont ignorées, peuvent conduire le modèle à prendre des décisions qui s’écartent du scénario commercial réel.
C’est pourquoi une coopération étroite avec les unités commerciales est essentielle. Les unités commerciales ont beaucoup d’expérience et une compréhension approfondie de l’entreprise, et elles peuvent fournir des détails que les données ne peuvent pas couvrir. Il ne s’agit pas seulement de connaissances au sein de l’entreprise, mais aussi de ce qui se passe avec les partenaires, les concurrents et même l’industrie dans son ensemble.
Une approche à envisager consiste à mettre en place une équipe de connaissances métier spécifique, qui peut être composée d’experts métier, de scientifiques des données et d’ingénieurs modèles, qui travaillent ensemble pour s’assurer que les grands modèles reçoivent une formation commerciale complète et approfondie.
**2. S’adapter à une logique métier complexe et au développement personnalisé de grands modèles. **
La diversité des industries a conduit à la complexité de la logique commerciale, et il est peu probable qu’un grand modèle pour le secteur financier soit directement applicable aux secteurs de la vente au détail ou de la santé, car ces industries ont leurs propres règles et logiques commerciales uniques, ce qui nécessite un degré élevé de personnalisation dans la conception et le développement du grand modèle.
L’architecture, les paramètres et même les algorithmes d’un grand modèle peuvent avoir besoin d’être ajustés pour des services spécifiques. Par exemple, certains secteurs peuvent mettre davantage l’accent sur les performances en temps réel, tandis que d’autres peuvent mettre davantage l’accent sur les stratégies à long terme, ce qui peut conduire les modèles à devoir faire des compromis entre la vitesse de calcul et l’analyse approfondie.
S’adapter aux changements de l’entreprise, à la flexibilité et à la capacité d’itération des grands modèles. **
Les affaires ne sont pas statiques, elles changent avec le temps, les marchés et la technologie. Lorsque la logique métier et les règles changent, le modèle de grande taille doit être ajusté en conséquence.
Cela nécessite non seulement de la flexibilité dans la conception du modèle, mais aussi la capacité d’itérer et d’optimiser rapidement à un stade ultérieur. L’entraînement continu du modèle, le retour d’information en temps réel de l’entreprise et la capacité d’apprentissage en ligne du modèle sont tous essentiels pour garantir que le grand modèle est synchronisé avec l’entreprise.
À l’avenir, nous prévoyons que le grand modèle sera davantage intégré dans l’entreprise, qu’il ne sera plus seulement un outil de traitement et d’analyse des données, mais qu’il deviendra le moteur principal de l’ensemble du processus commercial. Il ne s’agit pas seulement d’avancées technologiques, mais aussi d’une transformation complète des modèles d’affaires, des structures organisationnelles et des méthodes de travail.
Cependant, une telle transformation ne se fait pas du jour au lendemain et nécessite les efforts et la collaboration combinés des chefs d’entreprise, des équipes commerciales et des équipes techniques. Il faut un apprentissage, une expérimentation et une optimisation constants pour s’assurer que les grands modèles peuvent vraiment apporter de la valeur à l’entreprise. Au cours du processus, il peut y avoir des défis et des difficultés, mais ce sont ces expériences qui permettront aux entreprises d’acquérir des connaissances et des capacités précieuses pour les aider à se démarquer de la concurrence.
Voir l'original
Cette page peut inclure du contenu de tiers fourni à des fins d'information uniquement. Gate ne garantit ni l'exactitude ni la validité de ces contenus, n’endosse pas les opinions exprimées, et ne fournit aucun conseil financier ou professionnel à travers ces informations. Voir la section Avertissement pour plus de détails.
Si ces trois problèmes ne sont pas résolus, l’atterrissage commercial des grands modèles est un vain mot !
Source de l’article : Data Ape
Auteur : Une pluie de fumée et de pluie
À l’heure actuelle, les grands modèles sont devenus un sujet brûlant dans le monde des affaires grâce à la recherche de pointe dans le milieu universitaire. À l’heure actuelle, les géants nationaux de la technologie et les startups émergentes explorent activement l’application commerciale du grand modèle, en essayant de l’utiliser pour apporter de l’innovation et de la croissance aux entreprises existantes.
Cette « marche rapide » se manifeste sous deux aspects : premièrement, le grand modèle est profondément intégré aux systèmes d’entreprise traditionnels tels que l’ERP, le CRM, la BI, la finance, le marketing, l’exploitation et le service à la clientèle pour le rendre plus intelligent et automatisé ; Deuxièmement, les grands modèles ont commencé à être largement utilisés dans de nombreux secteurs tels que la finance, la fabrication, la vente au détail, l’énergie et le divertissement, favorisant l’innovation et la transformation de l’industrie.
Selon l’essai du mode réseau de ChatGPT, Microsoft Bing, Baidu Wenxin Yiyan, Taobao Wenwen et d’autres produits, l’auteur a constaté qu’il existe encore des problèmes évidents dans l’utilisation commerciale des grands modèles.
Plus précisément, pour réaliser l’atterrissage commercial, ces trois problèmes doivent être résolus :
Station d’accueil du système
Au fur et à mesure que les grands modèles sont intégrés dans les opérations quotidiennes de l’entreprise, leurs fonctions vont au-delà du simple traitement des données et de l’informatique. Ce nouveau type de modèle intelligent doit être capable d’interagir avec un large éventail de systèmes d’entreprise en temps réel et de répondre à une variété de besoins commerciaux. En théorie, c’est la clé de la vraie valeur des grands modèles, mais en pratique, c’est aussi un défi technique majeur.
Par exemple, le premier système ERP est peut-être né à une époque où les ressources informatiques étaient limitées et les réseaux immatures, et son concept de conception, sa structure de données et ses caractéristiques fonctionnelles étaient étroitement liés à l’environnement technique et commercial de l’époque. Ils peuvent être basés sur des bases de données relationnelles traditionnelles et des architectures orientées services plutôt que sur des microservices modernes ou des technologies de conteneurs.
En revanche, les plateformes modernes d’automatisation du marketing ont grandi à l’ère du cloud computing et du Big Data, et elles disposent naturellement de puissantes capacités de traitement des données, d’une évolutivité dynamique et d’interfaces API riches.
Cette différence de technologie détermine fondamentalement l’orientation de la stratégie d’intégration entre le grand modèle et ces systèmes. Essayer d’unifier tous les systèmes sous une seule norme est sans aucun doute impraticable.
Par conséquent, la stratégie d’intégration avec le grand modèle doit être diversifiée et doit tenir compte des caractéristiques et des besoins de chaque système. Plus précisément, pour les systèmes basés sur des technologies héritées, il peut être nécessaire d’introduire des « adaptateurs » ou des « couches intermédiaires » pour transformer les données et la logique métier afin qu’elles puissent s’interfacer en douceur avec de grands modèles. Pour les systèmes qui ont déjà adopté la technologie moderne, l’intégration peut être plus directe et plus simple, mais la cohérence et l’intégrité des données doivent toujours être assurées.
En outre, dans l’application large des technologies de l’information, les interfaces jouent le rôle de « ponts », responsables de la transmission et de la communication de l’information entre différents systèmes. La standardisation des interfaces est poursuivie depuis longtemps dans le domaine de l’informatique, mais en raison du développement de la technologie et de l’accumulation de l’histoire, la diversité des interfaces est devenue inévitable.
Cette diversité d’interfaces pose un sérieux défi à l’intégration de grands modèles, et derrière chaque norme ou protocole d’interface, il existe des structures de données, des méthodes d’appel et des mécanismes de sécurité spécifiques. Afin que les grands modèles puissent interagir de manière transparente avec ces systèmes, un adaptateur est développé pour chaque interface. Cela signifie qu’en plus de la maintenance du grand modèle lui-même, ces adaptateurs doivent également être mis à jour et optimisés fréquemment pour faire face à l’itération des systèmes d’entreprise et aux changements d’interfaces.
Comment résoudre ces problèmes ? La gestion des API et l’architecture des microservices sont une bonne voie de développement, en adoptant des outils de gestion des API et une architecture de microservices, les entreprises peuvent modulariser l’interaction entre les grands modèles et les autres systèmes, les rendant plus flexibles et évolutifs.
L’idée de base d’une architecture de microservices est de décomposer un système vaste et complexe en de nombreux petits services indépendants qui s’exécutent indépendamment et interagissent via des API bien définies. Cette architecture apporte des avantages significatifs à l’intégration de grands modèles, en rendant l’interaction entre les pièces individuelles et le grand modèle plus flexible en divisant la fonctionnalité de l’ensemble du système en plusieurs microservices.
Chaque microservice peut être mis à l’échelle, déployé et géré indépendamment sans impact sur les autres services. Dans le même temps, les outils de gestion des API fournissent une plate-forme unifiée permettant aux développeurs de s’interfacer avec chaque microservice et modèle de grande taille.
Accès aux données
À l’ère actuelle des données, les grands modèles sont comme un « cœur » intelligent géant qui traite, analyse et fournit des recommandations et des décisions intelligentes pour divers systèmes d’entreprise. Ces systèmes d’entreprise, du CRM à l’ERP, en passant par la finance et le marketing, sont comme des vaisseaux sanguins et des organes, entrelacés avec le grand modèle, et se complètent. Et le sang qui circule dans ce système, ce sont les données.
Prenons un exemple.
Supposons qu’il y ait une Mlle Wang, qui est une utilisatrice fidèle d’une plate-forme d’achat en ligne bien connue. Chaque fois qu’elle parcourt un produit, ajoute un article à son panier ou effectue un achat, le tableau de bord enregistre silencieusement ces données de comportement. Lorsque les données comportementales de Mme Wang sont transmises au grand modèle en temps réel, le modèle effectue immédiatement une analyse approfondie, combinée à son historique d’achat et à son historique de navigation. Le grand mannequin s’est rapidement rendu compte que Mlle Wang avait récemment eu un vif intérêt pour la mode féminine d’été et qu’elle avait peut-être besoin d’accessoires assortis à sa robe nouvellement achetée.
Lorsqu’elle utilise l’application grand modèle de cette plateforme e-commerce, elle peut interagir avec l’application en temps réel et demander au grand modèle de lui recommander certains produits. À l’heure actuelle, le grand mannequin peut recommander une gamme de chaussures, de sacs et même d’autres accessoires d’été assortis aux robes d’été.
Disons qu’elle clique sur l’une des chaussures recommandées, qu’elle parcourt les détails et qu’elle décide finalement de les acheter. Cette fois, l’achat est également enregistré et les données sont transmises au grand modèle. Dans ce processus, nous pouvons voir l’importance d’un flux fluide de données entre le grand modèle et le système d’entreprise pour fournir des services et des décisions précis.
Cependant, ce qui précède n’est qu’une situation idéale, et en réalité, il peut y avoir une grande variété de problèmes. Tout d’abord, il est difficile de connecter les données entre divers systèmes d’entreprise et les grands modèles.
Si l’on prend l’exemple de Taobao Ask, Taobao Ask n’a pas été connecté au système Taobao, Taobao Ask ne connaît pas les préférences de l’utilisateur, c’est comme une île d’information intégrée dans Taobao, et il n’est pas organiquement intégré dans l’ensemble du système de données Taobao. **
De plus, même si les données sont connectées entre le grand modèle et le système d’entreprise, en raison des différents contextes historiques, des architectures techniques et des normes de données de chaque système d’entreprise, il est probable qu’il y aura des « blocages » ou des « points de fuite » dans le processus de circulation des données. Cela peut entraîner non seulement la perte de données, mais aussi des résultats d’analyse faussés pour les grands modèles.
Si l’on prend l’exemple des plateformes de commerce électronique, lorsque les utilisateurs parcourent les produits et effectuent des achats, ces données comportementales seront transmises à un grand modèle pour analyse afin de recommander des produits plus adaptés aux utilisateurs. Cependant, si les données sont perdues en transit ou ne correspondent pas au format de données d’autres systèmes, le grand modèle peut ne pas être en mesure de recommander des produits avec précision, ce qui peut affecter l’expérience utilisateur.
Le flux de données entre les grands modèles et les différents systèmes d’entreprise est particulièrement important, non seulement en raison de l’augmentation de la quantité de données, mais aussi parce que le rôle des données dans la création de valeur pour l’entreprise est en train de changer. Cependant, il n’est pas facile d’obtenir un flux de données fluide et fidèle entre le grand modèle et les différents systèmes.
Nous devons comprendre que le flux de données entre le grand modèle et le système d’entreprise n’est pas une simple migration ou transfert de données, c’est un processus complexe, bidirectionnel et continu. Dans ce processus, chaque système d’entreprise peut avoir des interactions fréquentes avec le grand modèle, et le grand modèle lui-même est constamment mis à jour, apprend et évolue.
Ce flux de données présente d’innombrables défis techniques et commerciaux, tels que le fait que les données du grand modèle peuvent ne pas être cohérentes avec les données d’un système d’entreprise à un moment donné en raison de la fréquence et du calendrier différents des mises à jour des différents systèmes. De plus, les différents systèmes d’entreprise peuvent adopter des architectures techniques, des formats de données et des normes d’interface différents, ce qui entraîne des transformations et des ajustements fréquents dans le flux de données.
Les questions de sécurité et de confidentialité des données ne peuvent être ignorées, les données peuvent être soumises à diverses menaces dans le processus de transmission, de stockage et de traitement, comment assurer l’intégrité, la confidentialité et la non-répudiation des données est devenu un problème majeur auquel les entreprises sont confrontées. En particulier dans les environnements interrégionaux et inter-réseaux, la transmission de données peut également subir des retards, ce qui est fatal pour les systèmes d’entreprise qui nécessitent une réponse en temps réel.
Convergence d’affaires
Les grands modèles ont progressivement pénétré dans diverses industries et domaines, devenant un coup de pouce important pour l’intelligence d’entreprise. Cependant, faire en sorte que la technologie apporte vraiment de la valeur à l’entreprise n’est pas seulement une question de mise en œuvre de la technologie, mais plus important encore, l’intégration étroite de la technologie et de l’entreprise. Pour y parvenir, le grand modèle doit aller en profondeur dans les détails de l’entreprise, comprendre la logique métier et être entièrement intégré dans l’ensemble du système d’entreprise. **
Cela soulève une question clé : comment faire en sorte que le grand modèle comprenne et intègre ces détails commerciaux ? Plus précisément, vous pouvez commencer par les aspects suivants :
**1. Le transfert de connaissances métiers brise les limites des données. **
Les données sont sans aucun doute l’élément central d’un grand modèle, mais pour parvenir à une véritable compréhension de l’entreprise, il ne suffit pas de s’appuyer sur les données. Une grande partie des connaissances commerciales est implicite et non structurée, ce qui les rend difficiles à fournir par les moyens de données traditionnels. Par exemple, les valeurs fondamentales d’une entreprise, ses relations à long terme avec ses clients et les changements subtils dans le secteur peuvent ne pas être directement reflétés dans les données. Ces connaissances, si elles sont ignorées, peuvent conduire le modèle à prendre des décisions qui s’écartent du scénario commercial réel.
C’est pourquoi une coopération étroite avec les unités commerciales est essentielle. Les unités commerciales ont beaucoup d’expérience et une compréhension approfondie de l’entreprise, et elles peuvent fournir des détails que les données ne peuvent pas couvrir. Il ne s’agit pas seulement de connaissances au sein de l’entreprise, mais aussi de ce qui se passe avec les partenaires, les concurrents et même l’industrie dans son ensemble.
Une approche à envisager consiste à mettre en place une équipe de connaissances métier spécifique, qui peut être composée d’experts métier, de scientifiques des données et d’ingénieurs modèles, qui travaillent ensemble pour s’assurer que les grands modèles reçoivent une formation commerciale complète et approfondie.
**2. S’adapter à une logique métier complexe et au développement personnalisé de grands modèles. **
La diversité des industries a conduit à la complexité de la logique commerciale, et il est peu probable qu’un grand modèle pour le secteur financier soit directement applicable aux secteurs de la vente au détail ou de la santé, car ces industries ont leurs propres règles et logiques commerciales uniques, ce qui nécessite un degré élevé de personnalisation dans la conception et le développement du grand modèle.
L’architecture, les paramètres et même les algorithmes d’un grand modèle peuvent avoir besoin d’être ajustés pour des services spécifiques. Par exemple, certains secteurs peuvent mettre davantage l’accent sur les performances en temps réel, tandis que d’autres peuvent mettre davantage l’accent sur les stratégies à long terme, ce qui peut conduire les modèles à devoir faire des compromis entre la vitesse de calcul et l’analyse approfondie.
Les affaires ne sont pas statiques, elles changent avec le temps, les marchés et la technologie. Lorsque la logique métier et les règles changent, le modèle de grande taille doit être ajusté en conséquence.
Cela nécessite non seulement de la flexibilité dans la conception du modèle, mais aussi la capacité d’itérer et d’optimiser rapidement à un stade ultérieur. L’entraînement continu du modèle, le retour d’information en temps réel de l’entreprise et la capacité d’apprentissage en ligne du modèle sont tous essentiels pour garantir que le grand modèle est synchronisé avec l’entreprise.
À l’avenir, nous prévoyons que le grand modèle sera davantage intégré dans l’entreprise, qu’il ne sera plus seulement un outil de traitement et d’analyse des données, mais qu’il deviendra le moteur principal de l’ensemble du processus commercial. Il ne s’agit pas seulement d’avancées technologiques, mais aussi d’une transformation complète des modèles d’affaires, des structures organisationnelles et des méthodes de travail.
Cependant, une telle transformation ne se fait pas du jour au lendemain et nécessite les efforts et la collaboration combinés des chefs d’entreprise, des équipes commerciales et des équipes techniques. Il faut un apprentissage, une expérimentation et une optimisation constants pour s’assurer que les grands modèles peuvent vraiment apporter de la valeur à l’entreprise. Au cours du processus, il peut y avoir des défis et des difficultés, mais ce sont ces expériences qui permettront aux entreprises d’acquérir des connaissances et des capacités précieuses pour les aider à se démarquer de la concurrence.