Eine neue Ära der unternehmensweiten Suche in natürlicher Sprache ist angebrochen

Aufgrund der explosiven Veröffentlichung von OpenAIs ChatGPT und dem darauf folgenden Suchmaschinenkrieg zwischen Google und Microsoft sind Large Language Models (LLMs) und ihre Anwendungen plötzlich zu einem heißen Thema geworden. ChatGPT und ähnliche Systeme beleben unsere neuen Erfahrungen und Suchkonzepte neu. Jetzt können Benutzer auf natürliche Weise mit Suchmaschinen interagieren, indem sie die menschliche Sprache verwenden, anstatt sich auf bestimmte Schlüsselwörter oder komplexe Suchabfragesyntax zu verlassen.

Frage-Antwort-Systeme (QA) sind eine Fähigkeit der Verarbeitung natürlicher Sprache (NLP), eine Reihe von Sprachfähigkeiten, die LLM erreichen kann, aber QA-Systeme sind nicht immer ein beliebter Anwendungsfall. Ryan Welsh, CEO des NLP-Suchunternehmens Kyndi, erinnert sich an die Schwierigkeiten, die er hatte, den Ansatz seines Unternehmens bei der NLP-Suche zu erklären: „Ich erinnere mich, dass ich vor drei Jahren Geld gesammelt habe und alle sagten: ‚Hey, cool, du bist NLP, aber diese Suche ist es kein guter Anwendungsfall.“ ein Jahrzehnt Werbung in 90-120 Tagen

Milliarden Dollar werden jetzt in Suchtechnologie der nächsten Generation investiert. Plötzlich bestand ein echter Bedarf an QA-Systemen, die schnell und präzise Fragen von Stakeholdern oder externen Kunden beantworten konnten, die die Website oder das Wissensportal des Unternehmens besuchten, sowie von internen Mitarbeitern, die nach Unternehmensdokumenten suchten.

Allerdings sagte Welsh, dass diese aktuellen Chatbot-Technologien die Bedürfnisse von Unternehmen nicht erfüllen und es oft an der Erklärbarkeit mangelt, die der Schlüssel zum Vertrauen der Endbenutzer ist. Unternehmensanforderungen an große Sprachmodellsysteme bestehen darin, dass die generierten Antworten genau und zuverlässig sind und nicht voller „Chaos“ von Trainingsdaten aus Netzwerkinhalten. Dies ist ein Problem, mit dem große Mainstream-Modelle wie ChatGPT konfrontiert sind (erweiterte Lektüre: ). Aufgrund der statistischen Natur ihrer zugrunde liegenden Technologie können Chatbots eine Fülle von Fehlinformationen erzeugen, da sie die Sprache nicht wirklich verstehen und nur das nächstbeste Wort vorhersagen. Oft sind die Trainingsdaten so umfangreich, dass es nahezu unmöglich ist zu erklären, wie der Chatbot zu den Antworten gelangt ist, die er gegeben hat.

Dieser „Black-Box“-Ansatz für KI, dem es an Erklärbarkeit mangelt, ist für viele Unternehmen einfach nicht geeignet. Welsh führte das Beispiel eines Pharmaunternehmens an, das Gesundheitsdienstleistern oder Patienten, die seine Arzneimittel-Website besuchen, Antworten gibt. Das Unternehmen ist verpflichtet, jedes Suchergebnis, das es dem Fragesteller liefern kann, zu kennen und zu erläutern. Trotz des jüngsten Anstiegs der Nachfrage nach Systemen wie ChatGPT ist es laut Welsh keine leichte Aufgabe, sie an diese strengen Unternehmensanforderungen anzupassen, und der Bedarf bleibt oft unerfüllt.

Welsh sagte, dass sich sein Unternehmen seit vielen Jahren auf diese Unternehmensbedürfnisse konzentriere, aus Erfahrungen lerne und direkt mit Kunden interagiere. Kyndi wurde 2014 vom walisischen Experten für künstliche Intelligenz Arun Majumbar und dem Informatiker John Sowa gegründet, einem Experten für Wissensgraphen, der 1976 bei IBM einen bestimmten Typ namens Concept Maps einführte.

Kyndis Suchanwendung für natürliche Sprache basiert auf Durchbrüchen bei Wissensgraphen und LLM und nutzt neuronale symbolische künstliche Intelligenz, einen semantischen Ansatz, der statistische Techniken des maschinellen Lernens ergänzt. Anstatt nur das nächstwahrscheinlichste Wort in einem Text vorherzusagen, erstellt das System eine symbolische Darstellung der Sprache und nutzt dabei Vektor- und Wissensgraphentechnologie, um Beziehungen zwischen Daten abzubilden. Dies ermöglicht es dem System, die wahre Absicht hinter Endbenutzerfragen zu verstehen und dabei zu helfen, kontextspezifische Antworten zu finden und gleichzeitig häufige Synonyme, semantisch äquivalente Wörter, Abkürzungen und Rechtschreibfehler zu unterscheiden.

Diese Technologie erfordert fast keine Trainingsdaten, um zu funktionieren, was Engpässe lindern kann, die durch einen Mangel an gekennzeichneten Daten und KI-Expertise verursacht werden. Die mit der Datenkennzeichnung verbundenen hohen Kosten machen die Schulung und Feinabstimmung von LLM für viele Unternehmen unerschwinglich. Diese einfache Anpassung ist ein weiterer Unterscheidungsfaktor von Kyndis neurosymbolischem Ansatz. Laut Welsh leiden viele Unternehmenskunden bereits unter langsamen KI-Bereitstellungen. Ein großes Pharmaunternehmen setzte sechs Ingenieure für maschinelles Lernen und Datenwissenschaftler ein, um LLM mehr als sechs Monate lang zu optimieren, bevor es eine Partnerschaft mit Kyndi einging. Welsh sagte, Kyndi benötige nur die Hilfe eines Business-Analysten, um sein Modell an einem Tag zu trainieren und zu optimieren. In mehreren anderen Fällen konnte Kyndi KI-Projekte mit Demos, Sandbox-Validierung und Bereitstellung innerhalb von zwei Wochen abschließen.

„Ich denke, dass irgendwann in den nächsten 10 Jahren jede Suchleiste und jede Chat-Oberfläche in jedem Unternehmen auf der Welt eine Antwortmaschine haben wird. Das wird die größte Veränderung sein, die wir jemals in der Unternehmenssoftware erleben werden.“ sagte Welsh und verglich diesen Moment mit der Umstellung von der Vorverarbeitung auf die Cloud. „Ich glaube nicht, dass es derzeit einen Anbieter gibt, der diesen Markt dominiert.“

Welsh prognostiziert, dass in dieser neuen Ära der Unternehmenssuche diejenigen Unternehmen gewinnen werden, die den Weitblick haben, Produkte auf den Markt zu bringen. Obwohl sich der Wettbewerb derzeit verschärft, hinken einige dieser neuen Unternehmen bereits hinterher. Er schätzt, dass ihnen bis zum Erfolg noch etwa zwei bis drei Jahre Bauarbeiten im Wert von 30 Millionen US-Dollar bevorstehen.

Das obige ist der detaillierte Inhalt vonEine neue Ära der unternehmensweiten Suche in natürlicher Sprache ist angebrochen. Für weitere Informationen folgen Sie bitte anderen verwandten Artikeln auf der PHP chinesischen Website!