不解決這三個問題，大模型商業落地就是一句空話！

文章來源：數據猿

作者：一蓑煙雨

圖片來源：由無界 AI生成

目前，大模型已經從學術界的尖端研，究變成了商業界的熱點話題。 目前，國內的科技巨頭和新興創業公司都在積極探索大模型的商業應用，試圖利用它為現有業務帶來創新和增長。

這種「急行軍」的態勢表現在兩個方面：一是大模型正在與傳統的ERP、CRM、BI、財務、營銷、運營和客服等核心業務系統進行深度整合，使其更加智慧化和自動化; 二是大模型開始在金融、製造、零售、能源和娛樂等多個行業得到廣泛應用，推動行業創新和轉型。

根據對ChatGPT的聯網模式、微軟必應、百度文心一言、淘寶問問等產品的試用，筆者發現，目前大模型的商用還存在明顯的問題。

具體來看，要想商業落地，必須解決好這三個問題：

系統對接

隨著大模型逐漸融入日常商業運作，其功能已經超出了單純的數據處理和計算。 這種新型的智慧模型需要能夠與眾多的業務系統即時交互，回應各種業務需求。 從理論上看，這是大模型發揮其真正價值的關鍵所在，但在實際操作中，這也是一個重大的技術挑戰。

我們要認識到，每一個業務系統都有其獨特的歷史背景和技術架構，這為其賦予了獨特的身分標識。 它們之所以存在，並不是偶然的，而是基於特定的時代背景、商業需求和技術趨勢而被設計和開發的。

例如，早期的ERP系統可能是在計算資源有限、網路不夠成熟的時代下誕生的，其設計理念、數據結構和功能特點都與當時的技術和商業環境緊密相關。 它們可能基於傳統的關係資料庫和面向服務的架構，而不是現代的微服務或容器技術。

相對而言，現代的行銷自動化平臺則生長在雲計算和大數據時代，它們天然地擁有強大的數據處理能力、動態擴展性和豐富的API介面。

這種技術上的差異，從根本上決定了大模型與這些系統整合策略的走向。 試圖將所有系統統一到一個標準下，無疑是不切實際的。

因此，與大模型的整合策略必須是多元的，它需要考慮到每一個系統的特性和需求。 具體來說，對於那些基於老舊技術的系統，可能需要引入一些“適配器”或“中間層”來轉化數據和業務邏輯，使其能夠與大模型順暢對接。 而對於那些已經採用了現代技術的系統，整合則可能更為直接和簡單，但仍需確保數據的一致性和完整性。

此外，在資訊技術的廣泛應用中，介面扮演著「橋樑」的角色，負責不同系統間的信息傳遞與溝通。 介面的標準化是IT領域長期以來的追求，但由於技術的發展和歷史的積澱，介面的多樣性變得不可避免。

這種介面的多樣性對於大模型的整合提出了嚴峻的挑戰，每一種介面標準或協議背後，都有其特定的數據結構、調用方式和安全機制。 如果為了讓大模型與這些系統無縫交互，要為每一種介面都開發一個對應的適配器。 這意味著除了大模型本身的維護外，這些適配器也需要經常更新和優化，以應對業務系統的反覆運算和介面的變更。

如何解決這些問題？ API管理和微服務架構是一個不錯的發展路徑，通過採用API管理工具和微服務架構，企業可以將大模型和其他系統的交互模組化，使其更加靈活和可擴展。

微服務架構的核心思想是將一個龐大、複雜的系統分解成許多獨立、小型的服務，這些服務各自獨立運行，並通過明確定義的API進行交互。 這種架構對於大模型的整合帶來了顯著的好處，通過將整個系統的功能劃分為多個微服務，讓各個部分與大模型的交互變得更加靈活。

每個微服務都可以獨立地進行擴展、部署和維護，而不會影響到其他服務。 同時，API管理工具為開發者提供了一個統一的平臺，來讓各個微服務與大模型進行對接。

數據打通

在今天的數據驅動時代，大模型就像是一個巨大的智慧「心臟」，負責處理、分析併為各業務系統提供智慧推薦和決策。 而這些業務系統，從CRM到ERP，再到財務和行銷，它們猶如血管和器官，與大模型相互交織、互為補益。 而流經這個系統的血液，正是數據。

理想情況下，每一筆交易、每一次用戶行為、每一個客戶反饋，都會產生數據。 這些數據從業務系統傳輸到大模型中，經過分析和處理后，再返回到相應的業務系統，為使用者提供更精準的服務或決策。

讓我們來看一個例子。

假設有一個王小姐，她是一家知名在線購物平臺的忠實使用者。 每次當她流覽商品、添加商品到購物車或進行購買，購物平臺的後台都會靜默地記錄下這些行為數據。 當王小姐的行為數據被即時傳輸到大模型中，模型會立刻進行深度分析，結合她過去的購物記錄和瀏覽歷史。 大模型很快識別出王小姐最近對夏季女裝有濃厚的興趣，並可能需要一些配飾來搭配她新購的連衣裙。

當她使用這個電商平臺的大模型應用時，她可以跟該應用即時互動，讓大模型推薦一些商品。 這個時候，大模型可以推薦一系列與夏日連衣裙相搭配的鞋子、包包，甚至還有其他夏季飾品。

假如她點擊了其中一個推薦的鞋子，流覽了詳情，並最終決定購買。 這一次購買行為同樣被記錄，並將數據輸送到大模型。 在這一過程中，可以看到大模型與業務系統之間數據的順暢流動，對於提供精準服務和決策的重要性。

然而，上面只是理想的情況，在現實中可能會出現各種各樣的問題。 首先，各個業務系統與大模型的數據打通就是一個難題。

以淘寶問問為例，**現在淘寶問問就沒有跟淘寶體系進行數據打通，淘寶問問並不知道使用者的偏好，它就像內嵌在淘寶中的一個資訊孤島，並沒有有機融入整個淘寶的數據體系。 **

進一步，即使大模型跟業務系統之間打通了數據，由於各業務系統的歷史背景、技術架構和數據標準都各不相同，數據在流轉過程中很可能會出現“堵點”或“洩露點”。 這不僅可能導致數據的丟失，還可能導致大模型的分析結果出現偏差。

以電商平臺為例，當用戶流覽商品並進行購買時，這些行為數據會被傳輸到大模型中進行分析，以推薦更適合使用者的商品。 但如果數據在傳輸過程中出現丟失，或者與其他系統的數據格式不匹配，那麼大模型可能就無法準確地推薦商品，從而影響到用戶體驗。

大模型與各類業務系統的數據流動顯得尤為重要，這不僅僅是因為數據量的增加，更是因為數據在為企業帶來價值的過程中的角色正在發生變化。 然而，要實現數據在大模型與各個系統間的順暢、保真流動，絕非易事。

我們要理解，**在大模型與業務系統之間的數據流動並不是簡單的數據遷移或轉移，這是一個複雜的、雙向的、持續的過程。 **在這個過程中，每個業務系統都可能與大模型產生頻繁的互動，而大模型本身也在不斷地更新、學習和進化。

這樣的數據流動背後隱藏著數不盡的技術和業務難題，比如，由於不同系統的更新頻率和時機可能不同，可能導致大模型中的數據與某個業務系統的數據在某一時間點不一致。 更甚之，不同的業務系統可能採用了不同的技術架構、數據格式和介面標準，導致數據在流動過程中需要經歷頻繁的轉換和調整。

數據的安全和隱私問題也不能忽視，數據在傳輸、存儲和處理過程中都可能遭受各種威脅，如何確保數據的完整性、保密性和不可否認性成為了企業面臨的一大難題。 尤其是在跨地域、跨網路環境下，數據的傳輸還可能會遭受延遲，這對於需要即時回應的業務系統來說是致命的。

業務融合

大模型逐漸滲透到各種行業和領域，成為企業智慧化的重要助力。 但讓技術真正為業務帶來價值，不僅僅是技術實現的問題，更重要的是，技術和業務的緊密結合。 要實現這一點，**大模型必須深入到業務細節，理解業務邏輯，並完整地融入到整個業務體系中。 **

想像一下，一家大型電商公司希望通過大模型來優化其商品推薦系統。 為了做到這一點，僅僅讓模型識別使用者的購買記錄是不夠的，它還需要理解使用者的購物習慣、興趣偏好、搜索歷史等諸多細節。 而更進一步，大模型還要能夠理解時令、節日、促銷活動等商業策略，才能確保所生成的內容是真正有價值的。

這就帶來了一個關鍵的問題：如何讓大模型理解和融入到這些業務細節中？ 具體來看，可以從以下幾個方面著手：

**1、業務知識的傳遞，打破數據的局限。 **

數據無疑是大模型的核心輸入，但要達到真正的業務理解，僅僅依賴數據是不夠的。 許多業務知識是隱含的，非結構化的，這使得它們難以通過傳統的數據方式來傳遞。 例如，一個公司的核心價值觀、其與客戶之間的長期關係、以及行業的微妙變化，都可能不直接反映在數據中。 這樣的知識，如果被忽視，可能導致模型做出偏離真實業務場景的決策。

因此，與營業單位的緊密合作至關重要。 營業單位具有豐富的經驗和對業務的深入瞭解，他們能提供那些數據無法覆蓋的細節。 這不僅僅是關於公司內部的知識，也涉及到與合作夥伴、競爭對手、甚至整個行業的動態。

設立特定的業務知識團隊是一個值得考慮的方法，這樣的團隊可以由業務專家、數據科學家和模型工程師組成，他們共同工作，確保大模型得到全面而深入的業務培訓。

**2、適應複雜的業務邏輯，大模型的定製化開發。 **

行業的多樣性導致了業務邏輯的複雜性，一個用於金融行業的大模型，不太可能直接適用於零售或醫療行業，因為這些行業有其獨特的業務規則和邏輯，這要求大模型在設計和開發時具有高度的定製性。

大模型的架構、參數、甚至演算法，可能都需要針對特定業務進行調整。 例如，某些行業可能更加重視即時性，而其他行業則更注重長期策略，這可能導致模型需要在計算速度和深度分析之間進行權衡。

**3、適應業務變化，大模型的靈活性和反覆運算能力。 **

業務並不是靜止的，它隨著時間、市場和技術的變化而變化。 當業務邏輯和規則發生變化時，大模型也需要相應地進行調整。

這不僅要求模型在設計時就具備一定的靈活性，還要求在後期能夠快速進行反覆運算和優化。 持續的模型訓練，即時的業務反饋，以及模型的在線學習能力，都是確保大模型與業務同步的關鍵。

在未來，我們預見大模型將進一步與業務緊密結合，不再僅僅是一個數據處理和分析的工具，而是成為整個業務流程的核心驅動。 這不僅僅是技術的進步，更是業務模式、組織結構和工作方式的全面轉型。

然而，這樣的轉型並不是一蹴而就的，它需要企業領導者、業務團隊和技術團隊的共同努力和協作。 需要不斷地學習、嘗試和優化，以確保大模型能夠真正地為業務帶來價值。 在這個過程中，可能會遇到種種挑戰和困難，但正是這些經驗，將為企業積累寶貴的知識和能力，幫助它們在競爭中脫穎而出。