Atualmente, os grandes modelos tornaram-se um tema quente no mundo dos negócios a partir da pesquisa de ponta na academia. Atualmente, gigantes da tecnologia nacional e startups emergentes estão explorando ativamente a aplicação comercial do modelo de grande porte, tentando usá-lo para trazer inovação e crescimento aos negócios existentes.
Esta "marcha rápida" manifesta-se em duas vertentes: primeiro, o modelo de grande dimensão está a ser profundamente integrado com os sistemas tradicionais de core business como ERP, CRM, BI, finanças, marketing, operação e atendimento ao cliente para o tornar mais inteligente e automatizado; Em segundo lugar, os grandes modelos começaram a ser amplamente utilizados em muitas indústrias, como finanças, manufatura, varejo, energia e entretenimento, promovendo a inovação e a transformação da indústria.
De acordo com o teste do modo de rede do ChatGPT, Microsoft Bing, Baidu Wenxin Yiyan, Taobao Wenwen e outros produtos, o autor descobriu que ainda existem problemas óbvios no uso comercial de modelos grandes.
Concretamente, para se conseguir a aterragem comercial, é necessário resolver estes três problemas:
Encaixe do sistema
À medida que os grandes modelos são gradualmente integrados nas operações diárias de negócios, suas funções foram além do mero processamento de dados e computação. Este novo tipo de modelo inteligente precisa ser capaz de interagir com uma ampla gama de sistemas de negócios em tempo real e responder a uma variedade de necessidades de negócios. Em teoria, esta é a chave para o verdadeiro valor dos grandes modelos, mas, na prática, é também um grande desafio técnico.
Precisamos reconhecer que cada sistema de negócios tem sua própria história única e arquitetura técnica, o que lhe dá uma identidade única. Eles não existem por acaso, mas são projetados e desenvolvidos com base em contextos específicos, necessidades de negócios e tendências tecnológicas.
Por exemplo, o sistema ERP inicial pode ter nascido em uma era de recursos de computação limitados e redes imaturas, e seu conceito de design, estrutura de dados e características funcionais estavam intimamente relacionados com o ambiente técnico e de negócios na época. Eles podem ser baseados em bancos de dados relacionais tradicionais e arquiteturas orientadas a serviços, em vez de microsserviços modernos ou tecnologias de contêiner.
Em contraste, as plataformas modernas de automação de marketing cresceram na era da computação em nuvem e do big data, e elas naturalmente têm recursos poderosos de processamento de dados, escalabilidade dinâmica e interfaces de API ricas.
Essa diferença de tecnologia determina fundamentalmente a direção da estratégia de integração entre o modelo de grande porte e esses sistemas. Tentar unificar todos os sistemas sob uma única norma é, sem dúvida, impraticável.
Portanto, a estratégia de integração com o modelo grande deve ser diversificada, e precisa levar em conta as características e necessidades de cada sistema. Especificamente, para sistemas baseados em tecnologias legadas, pode ser necessário introduzir alguns "adaptadores" ou "camadas intermediárias" para transformar dados e lógica de negócios para que possam interagir sem problemas com modelos grandes. Para sistemas que já adotaram tecnologia moderna, a integração pode ser mais direta e simples, mas a consistência e a integridade dos dados ainda precisam ser garantidas.
Além disso, na ampla aplicação das tecnologias da informação, as interfaces desempenham o papel de "pontes", responsáveis pela transmissão e comunicação de informações entre diferentes sistemas. A padronização de interfaces tem sido perseguida no campo de TI há muito tempo, mas devido ao desenvolvimento da tecnologia e ao acúmulo de história, a diversidade de interfaces tornou-se inevitável.
Essa diversidade de interfaces representa um sério desafio para a integração de grandes modelos e, por trás de cada padrão ou protocolo de interface, existem estruturas de dados específicas, métodos de invocação e mecanismos de segurança. Para que modelos grandes interajam perfeitamente com esses sistemas, um adaptador é desenvolvido para cada interface. Isso significa que, além da manutenção do modelo grande em si, esses adaptadores também precisam ser atualizados e otimizados com frequência para lidar com a iteração de sistemas de negócios e mudanças nas interfaces.
Como resolver estes problemas? Gerenciamento de API e arquitetura de microsserviços é um bom caminho de desenvolvimento, adotando ferramentas de gerenciamento de API e arquitetura de microsserviços, as empresas podem modularizar a interação entre grandes modelos e outros sistemas, tornando-os mais flexíveis e escaláveis.
A ideia central de uma arquitetura de microsserviços é decompor um sistema grande e complexo em muitos serviços pequenos e independentes que são executados de forma independente e interagem por meio de APIs bem definidas. Esta arquitetura traz benefícios significativos para a integração de modelos grandes, tornando a interação entre partes individuais e o modelo grande mais flexível, dividindo a funcionalidade de todo o sistema em vários microsserviços.
Cada microsserviço pode ser dimensionado, implantado e mantido de forma independente sem afetar outros serviços. Ao mesmo tempo, as ferramentas de gerenciamento de API fornecem uma plataforma unificada para os desenvolvedores interagirem com cada microsserviço e modelo grande.
Acesso a Dados
Na era atual orientada por dados, os grandes modelos são como um "coração" inteligente gigante que processa, analisa e fornece recomendações e decisões inteligentes para vários sistemas de negócios. Estes sistemas empresariais, do CRM ao ERP, passando pelas finanças e pelo marketing, são como vasos sanguíneos e órgãos, entrelaçados com o grande modelo, e complementam-se. E o sangue que flui através deste sistema são os dados.
O ideal é que cada transação, cada ação do usuário, cada feedback do cliente, gere dados. Esses dados são transferidos do sistema de negócios para o modelo grande, analisados e processados e, em seguida, retornados ao sistema de negócios correspondente para fornecer aos usuários serviços ou decisões mais precisas.
Vejamos um exemplo.
Suponhamos que haja uma senhorita Wang, que é uma usuária fiel de uma conhecida plataforma de compras online. Toda vez que ela navega por um produto, adiciona um item ao carrinho de compras ou faz uma compra, o painel registra silenciosamente esses dados de comportamento. Quando os dados de comportamento da Sra. Wang são transmitidos para o modelo grande em tempo real, o modelo conduzirá imediatamente uma análise aprofundada, combinada com seu histórico de compras anteriores e histórico de navegação. A grande modelo rapidamente reconheceu que Miss Wang tinha recentemente um grande interesse em moda feminina de verão e poderia precisar de alguns acessórios para combinar com seu vestido recém-comprado.
Quando ela usa o aplicativo de modelo grande desta plataforma de comércio eletrônico, ela pode interagir com o aplicativo em tempo real e pedir ao modelo grande para recomendar alguns produtos. Neste momento, o modelo grande pode recomendar uma gama de sapatos, bolsas e até mesmo outros acessórios de verão para combinar com vestidos de verão.
Digamos que ela clique em um dos sapatos recomendados, navegue pelos detalhes e, finalmente, decida comprá-los. Desta vez, a compra também é gravada e os dados são alimentados para o modelo grande. Neste processo, podemos ver a importância do fluxo suave de dados entre o modelo de grande porte e o sistema de negócios para fornecer serviços e decisões precisas.
No entanto, o acima exposto é apenas uma situação ideal e, na realidade, pode haver uma grande variedade de problemas. Em primeiro lugar, é um problema difícil conectar os dados entre vários sistemas de negócios e grandes modelos.
Tomando o Taobao Ask como exemplo, agora o Taobao Ask não foi conectado ao sistema Taobao, o Taobao Ask não sabe as preferências do usuário, é como uma ilha de informação embutida no Taobao, e não está organicamente integrado a todo o sistema de dados Taobao. **
Além disso, mesmo que os dados estejam conectados entre o modelo de grande porte e o sistema de negócios, devido aos diferentes antecedentes históricos, arquiteturas técnicas e padrões de dados de cada sistema de negócios, é provável que haja "bloqueios" ou "pontos de vazamento" no processo de circulação de dados. Isso pode levar não apenas à perda de dados, mas também a resultados de análise distorcidos para modelos grandes.
Tomando as plataformas de e-commerce como exemplo, quando os usuários navegam por produtos e fazem compras, esses dados comportamentais serão transmitidos para um grande modelo de análise para recomendar produtos que sejam mais adequados para os usuários. No entanto, se os dados forem perdidos em trânsito ou não corresponderem ao formato de dados de outros sistemas, o modelo grande pode não ser capaz de recomendar produtos com precisão, o que pode afetar a experiência do usuário.
O fluxo de dados entre grandes modelos e vários sistemas de negócios é particularmente importante, não só por causa do aumento na quantidade de dados, mas também porque o papel dos dados em trazer valor para a empresa está mudando. No entanto, não é fácil conseguir um fluxo de dados suave e fidelizado entre o modelo grande e os vários sistemas.
Precisamos entender que o fluxo de dados entre o grande modelo e o sistema de negócios não é uma simples migração ou transferência de dados, é um processo complexo, bidirecional e contínuo. Nesse processo, cada sistema de negócios pode ter interações frequentes com o modelo grande, e o próprio modelo grande está constantemente se atualizando, aprendendo e evoluindo.
Existem inúmeros desafios técnicos e de negócios por trás desse fluxo de dados, como o fato de que os dados no modelo grande podem não ser consistentes com os dados em um sistema de negócios em um determinado momento devido à frequência e tempo diferentes de atualizações de diferentes sistemas. Além disso, diferentes sistemas de negócios podem adotar diferentes arquiteturas técnicas, formatos de dados e padrões de interface, resultando em transformações e ajustes frequentes no fluxo de dados.
As questões de segurança e privacidade de dados não podem ser ignoradas, os dados podem estar sujeitos a várias ameaças no processo de transmissão, armazenamento e processamento, como garantir a integridade, confidencialidade e não repúdio dos dados tornou-se um grande problema enfrentado pelas empresas. Especialmente em ambientes entre regiões e entre redes, a transmissão de dados também pode sofrer atrasos, o que é fatal para os sistemas de negócios que exigem resposta em tempo real.
Convergência de Negócios
Grandes modelos penetraram gradualmente em várias indústrias e campos, tornando-se um importante impulso para a inteligência empresarial. No entanto, fazer com que a tecnologia realmente traga valor para o negócio não é apenas uma questão de implementação de tecnologia, mas mais importante, a estreita integração entre tecnologia e negócios. Para conseguir isso, o modelo grande deve ir fundo nos detalhes do negócio, entender a lógica de negócios e estar totalmente integrado a todo o sistema de negócios. **
Imagine uma grande empresa de e-commerce procurando otimizar seu sistema de recomendação de produtos com um modelo grande. Para fazer isso, não basta que o modelo reconheça o histórico de compras do usuário, ele também precisa entender os hábitos de compra, interesses, preferências, histórico de pesquisa e muitos outros detalhes do usuário. Além disso, o modelo precisa ser capaz de entender estratégias de negócios, como sazonais, festivais e promoções para garantir que o conteúdo gerado seja realmente valioso.
Isso levanta uma questão-chave: como fazer com que o grande modelo entenda e incorpore esses detalhes do negócio? Especificamente, você pode começar a partir dos seguintes aspetos:
**1. A transferência de conhecimento de negócios quebra as limitações dos dados. **
Os dados são, sem dúvida, a entrada central para um grande modelo, mas para alcançar um verdadeiro entendimento de negócios, não basta confiar nos dados. Muito do conhecimento de negócios é implícito e não estruturado, o que dificulta a entrega por meios de dados tradicionais. Por exemplo, os valores fundamentais de uma empresa, seus relacionamentos de longo prazo com os clientes e mudanças sutis no setor podem não ser refletidos diretamente nos dados. Tal conhecimento, se ignorado, pode levar o modelo a tomar decisões que se desviam do cenário real dos negócios.
Por isso, uma estreita cooperação com as unidades de negócio é essencial. As unidades de negócios têm muita experiência e um profundo conhecimento do negócio, e podem fornecer detalhes que os dados não podem cobrir. Não se trata apenas de conhecimento dentro da empresa, mas também do que está acontecendo com parceiros, concorrentes e até mesmo com a indústria como um todo.
Uma abordagem que vale a pena considerar é a criação de uma equipe de conhecimento de negócios específica, que pode ser composta por especialistas em negócios, cientistas de dados e engenheiros de modelos, que trabalham juntos para garantir que grandes modelos recebam treinamento de negócios abrangente e aprofundado.
**2. Adaptar-se a lógicas de negócio complexas e desenvolvimento personalizado de grandes modelos. **
A diversidade de indústrias levou à complexidade da lógica de negócios, e é improvável que um grande modelo para o setor financeiro seja diretamente aplicável aos setores de varejo ou saúde, já que esses setores têm suas próprias regras e lógicas de negócios únicas, o que requer um alto grau de personalização no design e desenvolvimento do modelo grande.
A arquitetura, os parâmetros e até mesmo os algoritmos de um modelo grande podem precisar ser ajustados para serviços específicos. Por exemplo, alguns setores podem colocar mais ênfase no desempenho em tempo real, enquanto outros podem colocar mais ênfase em estratégias de longo prazo, o que pode levar a que os modelos precisem fazer compensações entre a velocidade computacional e a análise aprofundada.
Adaptar-se às mudanças de negócios, à flexibilidade e capacidade de iteração de grandes modelos. **
Os negócios não são estáticos, mudam ao longo do tempo, dos mercados e da tecnologia. Quando a lógica de negócios e as regras mudam, o modelo grande precisa ser ajustado de acordo.
Isso requer não apenas flexibilidade no design do modelo, mas também a capacidade de iterar e otimizar rapidamente em um estágio posterior. O treinamento contínuo do modelo, o feedback de negócios em tempo real e a capacidade de aprendizagem on-line do modelo são fundamentais para garantir que o modelo grande seja sincronizado com o negócio.
No futuro, prevemos que o grande modelo será mais integrado no negócio, deixando de ser apenas uma ferramenta de processamento e análise de dados, mas se tornará o principal impulsionador de todo o processo de negócios. Não se trata apenas de avanços tecnológicos, trata-se de uma transformação completa dos modelos de negócios, estruturas organizacionais e formas de trabalhar.
No entanto, tal transformação não acontece da noite para o dia e requer a combinação de esforços e colaboração de líderes empresariais, equipes de negócios e equipes técnicas. É preciso constante aprendizado, experimentação e otimização para garantir que grandes modelos possam realmente trazer valor ao negócio. No processo, pode haver desafios e dificuldades, mas são essas experiências que irão construir conhecimentos e capacidades valiosas para as empresas para ajudá-las a se destacar da concorrência.
Ver original
Esta página pode conter conteúdos de terceiros, que são fornecidos apenas para fins informativos (sem representações/garantias) e não devem ser considerados como uma aprovação dos seus pontos de vista pela Gate, nem como aconselhamento financeiro ou profissional. Consulte a Declaração de exoneração de responsabilidade para obter mais informações.
Se estes três problemas não forem resolvidos, o desembarque comercial de grandes modelos é uma palavra vazia!
Fonte do artigo: Data Ape
Autor: Uma Chuva de Fumaça e Chuva
Atualmente, os grandes modelos tornaram-se um tema quente no mundo dos negócios a partir da pesquisa de ponta na academia. Atualmente, gigantes da tecnologia nacional e startups emergentes estão explorando ativamente a aplicação comercial do modelo de grande porte, tentando usá-lo para trazer inovação e crescimento aos negócios existentes.
Esta "marcha rápida" manifesta-se em duas vertentes: primeiro, o modelo de grande dimensão está a ser profundamente integrado com os sistemas tradicionais de core business como ERP, CRM, BI, finanças, marketing, operação e atendimento ao cliente para o tornar mais inteligente e automatizado; Em segundo lugar, os grandes modelos começaram a ser amplamente utilizados em muitas indústrias, como finanças, manufatura, varejo, energia e entretenimento, promovendo a inovação e a transformação da indústria.
De acordo com o teste do modo de rede do ChatGPT, Microsoft Bing, Baidu Wenxin Yiyan, Taobao Wenwen e outros produtos, o autor descobriu que ainda existem problemas óbvios no uso comercial de modelos grandes.
Concretamente, para se conseguir a aterragem comercial, é necessário resolver estes três problemas:
Encaixe do sistema
À medida que os grandes modelos são gradualmente integrados nas operações diárias de negócios, suas funções foram além do mero processamento de dados e computação. Este novo tipo de modelo inteligente precisa ser capaz de interagir com uma ampla gama de sistemas de negócios em tempo real e responder a uma variedade de necessidades de negócios. Em teoria, esta é a chave para o verdadeiro valor dos grandes modelos, mas, na prática, é também um grande desafio técnico.
Por exemplo, o sistema ERP inicial pode ter nascido em uma era de recursos de computação limitados e redes imaturas, e seu conceito de design, estrutura de dados e características funcionais estavam intimamente relacionados com o ambiente técnico e de negócios na época. Eles podem ser baseados em bancos de dados relacionais tradicionais e arquiteturas orientadas a serviços, em vez de microsserviços modernos ou tecnologias de contêiner.
Em contraste, as plataformas modernas de automação de marketing cresceram na era da computação em nuvem e do big data, e elas naturalmente têm recursos poderosos de processamento de dados, escalabilidade dinâmica e interfaces de API ricas.
Essa diferença de tecnologia determina fundamentalmente a direção da estratégia de integração entre o modelo de grande porte e esses sistemas. Tentar unificar todos os sistemas sob uma única norma é, sem dúvida, impraticável.
Portanto, a estratégia de integração com o modelo grande deve ser diversificada, e precisa levar em conta as características e necessidades de cada sistema. Especificamente, para sistemas baseados em tecnologias legadas, pode ser necessário introduzir alguns "adaptadores" ou "camadas intermediárias" para transformar dados e lógica de negócios para que possam interagir sem problemas com modelos grandes. Para sistemas que já adotaram tecnologia moderna, a integração pode ser mais direta e simples, mas a consistência e a integridade dos dados ainda precisam ser garantidas.
Além disso, na ampla aplicação das tecnologias da informação, as interfaces desempenham o papel de "pontes", responsáveis pela transmissão e comunicação de informações entre diferentes sistemas. A padronização de interfaces tem sido perseguida no campo de TI há muito tempo, mas devido ao desenvolvimento da tecnologia e ao acúmulo de história, a diversidade de interfaces tornou-se inevitável.
Essa diversidade de interfaces representa um sério desafio para a integração de grandes modelos e, por trás de cada padrão ou protocolo de interface, existem estruturas de dados específicas, métodos de invocação e mecanismos de segurança. Para que modelos grandes interajam perfeitamente com esses sistemas, um adaptador é desenvolvido para cada interface. Isso significa que, além da manutenção do modelo grande em si, esses adaptadores também precisam ser atualizados e otimizados com frequência para lidar com a iteração de sistemas de negócios e mudanças nas interfaces.
Como resolver estes problemas? Gerenciamento de API e arquitetura de microsserviços é um bom caminho de desenvolvimento, adotando ferramentas de gerenciamento de API e arquitetura de microsserviços, as empresas podem modularizar a interação entre grandes modelos e outros sistemas, tornando-os mais flexíveis e escaláveis.
A ideia central de uma arquitetura de microsserviços é decompor um sistema grande e complexo em muitos serviços pequenos e independentes que são executados de forma independente e interagem por meio de APIs bem definidas. Esta arquitetura traz benefícios significativos para a integração de modelos grandes, tornando a interação entre partes individuais e o modelo grande mais flexível, dividindo a funcionalidade de todo o sistema em vários microsserviços.
Cada microsserviço pode ser dimensionado, implantado e mantido de forma independente sem afetar outros serviços. Ao mesmo tempo, as ferramentas de gerenciamento de API fornecem uma plataforma unificada para os desenvolvedores interagirem com cada microsserviço e modelo grande.
Acesso a Dados
Na era atual orientada por dados, os grandes modelos são como um "coração" inteligente gigante que processa, analisa e fornece recomendações e decisões inteligentes para vários sistemas de negócios. Estes sistemas empresariais, do CRM ao ERP, passando pelas finanças e pelo marketing, são como vasos sanguíneos e órgãos, entrelaçados com o grande modelo, e complementam-se. E o sangue que flui através deste sistema são os dados.
Vejamos um exemplo.
Suponhamos que haja uma senhorita Wang, que é uma usuária fiel de uma conhecida plataforma de compras online. Toda vez que ela navega por um produto, adiciona um item ao carrinho de compras ou faz uma compra, o painel registra silenciosamente esses dados de comportamento. Quando os dados de comportamento da Sra. Wang são transmitidos para o modelo grande em tempo real, o modelo conduzirá imediatamente uma análise aprofundada, combinada com seu histórico de compras anteriores e histórico de navegação. A grande modelo rapidamente reconheceu que Miss Wang tinha recentemente um grande interesse em moda feminina de verão e poderia precisar de alguns acessórios para combinar com seu vestido recém-comprado.
Quando ela usa o aplicativo de modelo grande desta plataforma de comércio eletrônico, ela pode interagir com o aplicativo em tempo real e pedir ao modelo grande para recomendar alguns produtos. Neste momento, o modelo grande pode recomendar uma gama de sapatos, bolsas e até mesmo outros acessórios de verão para combinar com vestidos de verão.
Digamos que ela clique em um dos sapatos recomendados, navegue pelos detalhes e, finalmente, decida comprá-los. Desta vez, a compra também é gravada e os dados são alimentados para o modelo grande. Neste processo, podemos ver a importância do fluxo suave de dados entre o modelo de grande porte e o sistema de negócios para fornecer serviços e decisões precisas.
No entanto, o acima exposto é apenas uma situação ideal e, na realidade, pode haver uma grande variedade de problemas. Em primeiro lugar, é um problema difícil conectar os dados entre vários sistemas de negócios e grandes modelos.
Tomando o Taobao Ask como exemplo, agora o Taobao Ask não foi conectado ao sistema Taobao, o Taobao Ask não sabe as preferências do usuário, é como uma ilha de informação embutida no Taobao, e não está organicamente integrado a todo o sistema de dados Taobao. **
Além disso, mesmo que os dados estejam conectados entre o modelo de grande porte e o sistema de negócios, devido aos diferentes antecedentes históricos, arquiteturas técnicas e padrões de dados de cada sistema de negócios, é provável que haja "bloqueios" ou "pontos de vazamento" no processo de circulação de dados. Isso pode levar não apenas à perda de dados, mas também a resultados de análise distorcidos para modelos grandes.
Tomando as plataformas de e-commerce como exemplo, quando os usuários navegam por produtos e fazem compras, esses dados comportamentais serão transmitidos para um grande modelo de análise para recomendar produtos que sejam mais adequados para os usuários. No entanto, se os dados forem perdidos em trânsito ou não corresponderem ao formato de dados de outros sistemas, o modelo grande pode não ser capaz de recomendar produtos com precisão, o que pode afetar a experiência do usuário.
O fluxo de dados entre grandes modelos e vários sistemas de negócios é particularmente importante, não só por causa do aumento na quantidade de dados, mas também porque o papel dos dados em trazer valor para a empresa está mudando. No entanto, não é fácil conseguir um fluxo de dados suave e fidelizado entre o modelo grande e os vários sistemas.
Precisamos entender que o fluxo de dados entre o grande modelo e o sistema de negócios não é uma simples migração ou transferência de dados, é um processo complexo, bidirecional e contínuo. Nesse processo, cada sistema de negócios pode ter interações frequentes com o modelo grande, e o próprio modelo grande está constantemente se atualizando, aprendendo e evoluindo.
Existem inúmeros desafios técnicos e de negócios por trás desse fluxo de dados, como o fato de que os dados no modelo grande podem não ser consistentes com os dados em um sistema de negócios em um determinado momento devido à frequência e tempo diferentes de atualizações de diferentes sistemas. Além disso, diferentes sistemas de negócios podem adotar diferentes arquiteturas técnicas, formatos de dados e padrões de interface, resultando em transformações e ajustes frequentes no fluxo de dados.
As questões de segurança e privacidade de dados não podem ser ignoradas, os dados podem estar sujeitos a várias ameaças no processo de transmissão, armazenamento e processamento, como garantir a integridade, confidencialidade e não repúdio dos dados tornou-se um grande problema enfrentado pelas empresas. Especialmente em ambientes entre regiões e entre redes, a transmissão de dados também pode sofrer atrasos, o que é fatal para os sistemas de negócios que exigem resposta em tempo real.
Convergência de Negócios
Grandes modelos penetraram gradualmente em várias indústrias e campos, tornando-se um importante impulso para a inteligência empresarial. No entanto, fazer com que a tecnologia realmente traga valor para o negócio não é apenas uma questão de implementação de tecnologia, mas mais importante, a estreita integração entre tecnologia e negócios. Para conseguir isso, o modelo grande deve ir fundo nos detalhes do negócio, entender a lógica de negócios e estar totalmente integrado a todo o sistema de negócios. **
Isso levanta uma questão-chave: como fazer com que o grande modelo entenda e incorpore esses detalhes do negócio? Especificamente, você pode começar a partir dos seguintes aspetos:
**1. A transferência de conhecimento de negócios quebra as limitações dos dados. **
Os dados são, sem dúvida, a entrada central para um grande modelo, mas para alcançar um verdadeiro entendimento de negócios, não basta confiar nos dados. Muito do conhecimento de negócios é implícito e não estruturado, o que dificulta a entrega por meios de dados tradicionais. Por exemplo, os valores fundamentais de uma empresa, seus relacionamentos de longo prazo com os clientes e mudanças sutis no setor podem não ser refletidos diretamente nos dados. Tal conhecimento, se ignorado, pode levar o modelo a tomar decisões que se desviam do cenário real dos negócios.
Por isso, uma estreita cooperação com as unidades de negócio é essencial. As unidades de negócios têm muita experiência e um profundo conhecimento do negócio, e podem fornecer detalhes que os dados não podem cobrir. Não se trata apenas de conhecimento dentro da empresa, mas também do que está acontecendo com parceiros, concorrentes e até mesmo com a indústria como um todo.
Uma abordagem que vale a pena considerar é a criação de uma equipe de conhecimento de negócios específica, que pode ser composta por especialistas em negócios, cientistas de dados e engenheiros de modelos, que trabalham juntos para garantir que grandes modelos recebam treinamento de negócios abrangente e aprofundado.
**2. Adaptar-se a lógicas de negócio complexas e desenvolvimento personalizado de grandes modelos. **
A diversidade de indústrias levou à complexidade da lógica de negócios, e é improvável que um grande modelo para o setor financeiro seja diretamente aplicável aos setores de varejo ou saúde, já que esses setores têm suas próprias regras e lógicas de negócios únicas, o que requer um alto grau de personalização no design e desenvolvimento do modelo grande.
A arquitetura, os parâmetros e até mesmo os algoritmos de um modelo grande podem precisar ser ajustados para serviços específicos. Por exemplo, alguns setores podem colocar mais ênfase no desempenho em tempo real, enquanto outros podem colocar mais ênfase em estratégias de longo prazo, o que pode levar a que os modelos precisem fazer compensações entre a velocidade computacional e a análise aprofundada.
Os negócios não são estáticos, mudam ao longo do tempo, dos mercados e da tecnologia. Quando a lógica de negócios e as regras mudam, o modelo grande precisa ser ajustado de acordo.
Isso requer não apenas flexibilidade no design do modelo, mas também a capacidade de iterar e otimizar rapidamente em um estágio posterior. O treinamento contínuo do modelo, o feedback de negócios em tempo real e a capacidade de aprendizagem on-line do modelo são fundamentais para garantir que o modelo grande seja sincronizado com o negócio.
No futuro, prevemos que o grande modelo será mais integrado no negócio, deixando de ser apenas uma ferramenta de processamento e análise de dados, mas se tornará o principal impulsionador de todo o processo de negócios. Não se trata apenas de avanços tecnológicos, trata-se de uma transformação completa dos modelos de negócios, estruturas organizacionais e formas de trabalhar.
No entanto, tal transformação não acontece da noite para o dia e requer a combinação de esforços e colaboração de líderes empresariais, equipes de negócios e equipes técnicas. É preciso constante aprendizado, experimentação e otimização para garantir que grandes modelos possam realmente trazer valor ao negócio. No processo, pode haver desafios e dificuldades, mas são essas experiências que irão construir conhecimentos e capacidades valiosas para as empresas para ajudá-las a se destacar da concorrência.