Kumpulan Modal: Pelan tindakan untuk memacu masa depan AI generatif
Capital Group telah diasaskan pada tahun 1931 semasa Great Depression dan beribu pejabat di Los Angeles, California. Selepas bertahun-tahun pembangunan, Capital Group kini telah menjadi salah satu syarikat pengurusan pelaburan terbesar di dunia, menguruskan aset kewangan bernilai AS$2.3 trilion. Sebagai sebuah syarikat milik persendirian, Capital Group mempunyai pejabat di seluruh dunia, lebih daripada 9,000 pekerja, dan mengawal dana bersama yang terkenal seperti Americas Fund
Seperti syarikat terkemuka dalam pelbagai industri di seluruh dunia, Capital Group juga telah mengalami kitaran ini generasi Ledakan pesat kecerdasan buatan. Hemingway pernah berkata bahawa perubahan berlaku dalam dua bentuk: beransur-ansur dan tiba-tiba. Sepanjang tahun lalu, kami telah menyaksikan perkembangan pesat dan penggunaan teknologi baharu yang berpotensi mengubah permainan ini. Sejak awal Internet dan transformasi digital lebih dua dekad yang lalu, kami tidak mengalami tahap perhatian, keseronokan, ketakutan dan kebimbangan yang disebabkan oleh teknologi seperti kecerdasan buatan generatif dalam masa yang lama
IDC dan Teradata diumumkan pada bulan Ogos tahun ini Satu tinjauan yang dijalankan pada 1hb menunjukkan bahawa syarikat mempunyai emosi yang bercampur-campur antara keterujaan dan ketakutan tentang AI generatif. Tinjauan menunjukkan bahawa eksekutif di syarikat terbesar dunia menghadapi tekanan yang tidak pernah berlaku sebelum ini untuk menggunakan AI generatif. Walaupun hampir 80% daripada 900 eksekutif global yang dikaji percaya bahawa AI generatif boleh digunakan dalam produk dan operasi masa depan syarikat pada tahap yang besar atau ketara, mereka juga mengatakan bahawa masih banyak kerja yang perlu dilakukan sebelum ia akhirnya dapat dilaksanakan. Tinjauan itu menunjukkan bahawa 86% daripada responden percaya bahawa amalan tadbir urus yang kukuh diperlukan; perkadaran orang yang menganggap mereka bersedia sepenuhnya untuk aplikasi AI generatif hanya 30%
Tinjauan IDC/Teradata jelas menunjukkan bahawa ramai eksekutif masih ragu-ragu tentang AI generatif. AI Generatif benar-benar perlu diberi peluang untuk menunjukkan keupayaan sebenar sebelum nilai komersialnya dapat dibuktikan. Selain itu, sementara 89% eksekutif berkata mereka mempunyai sedikit pemahaman tentang faedah dan potensi AI generatif, 57% berkata minat mereka terhadap AI generatif akan berkurangan dari semasa ke semasa. Sama paradoksnya, walaupun terdapat ketidakpastian, ketakutan dan keraguan, majoriti eksekutif yang ditinjau (56%) berkata mereka akan menghadapi cabaran yang lebih besar menggunakan AI generatif dalam organisasi mereka dalam tempoh enam hingga 12 bulan akan datang
Dalam persekitaran yang kompleks ini , Capital Group telah memulakan program dalaman yang bercita-cita tinggi untuk menyepadukan dan menggunakan teknologi AI generatif untuk memaksimumkan potensi mereka. Inisiatif ini dilancarkan dengan gabungan peluang, cabaran, ketidakpastian dan pengubah permainan
Untuk tujuan ini, kami bercakap dengan CIO Capital Group Marta Zarraga tentang perjalanan penting yang akan bermula. Zarraga bersedia untuk menghadapi cabaran itu, setelah mengetuai usaha transformasi yang dipacu teknologi yang ketara dan menyampaikan nilai perniagaan yang menarik. Zarraga dilahirkan di Bilbao, Sepanyol Dia memulakan kerjayanya dalam industri telekomunikasi, berkhidmat sebagai ketua pegawai maklumat BT Retail, ketua pegawai maklumat Vodafone UK, dan ketua pegawai maklumat global syarikat perkhidmatan kewangan Aviva. Pada tahun 2020, beliau secara rasmi menyandang jawatan sebagai CIO Global Capital Group
Apabila Zarraga bercakap tentang tanggungjawab dan misi AI generatifnya dalam Capital Group, beliau menimbulkan soalan: "Bagaimanakah kita harus melakukannya dengan cara yang bertanggungjawab?" teknologi? Memandangkan realiti dan potensi AI generatif dalam meningkatkan produktiviti, di manakah syarikat harus memberi tumpuan dan bagaimana mereka boleh menguruskan potensi risiko? Bagi firma pelaburan, yang tugas hariannya adalah untuk menguruskan risiko dan menyampaikan hasil, mencari jawapan intuitif kepada soalan-soalan ini adalah satu kemestian
Zarraga menerangkan cara mengimbangi keseronokan yang besar di sekitar AI generatif dengan pendekatan yang bertimbang rasa terhadap pelaksanaan konkrit
Zarraga secara ringkas memperkenalkan idea pengurusan yang kini diterima pakai oleh Capital Group dalam pengembangan dan pembangunan kecerdasan buatan generatif, yang termasuk:
- Percubaan dan pembelajaran aktif
- Merancang kes penggunaan perniagaan yang berkaitan
- Menerbitkan kes penggunaan untuk meluaskan impak, Mengukur hasil
- Memajukan pendidikan dalam lingkungan organisasi
- Mengurus risiko
Bagi Capital Group, ia bermula dengan mengenal pasti peluang yang mencipta nilai dalam perniagaan dan mengutamakan kes penggunaan perniagaan dan teknologi untuk "percubaan dan pembelajaran proaktif" sambil mengurus risiko secara aktif. Sebagai contoh, potensi "peningkatan produktiviti" mesti digabungkan dengan mekanisme kawalan ketepatan, terutamanya dengan mengambil kira masalah "halusinasi" yang mungkin berlaku dalam eksperimen awal dengan kecerdasan buatan generatif
Capital Group sedang berusaha untuk mengeluarkan keupayaan AI generatif untuk menyokong bidang pemasaran yang menjana kandungan baharu, salah satu bidang yang paling berpotensi bernilai. Keupayaan untuk mensintesis sejumlah besar data dengan cepat ini menjanjikan untuk membuka prospek perniagaan yang besar. Pada masa yang sama, terjemahan kandungan juga merupakan satu lagi bidang penyelidikan yang menjanjikan. Selain itu, ia juga termasuk membantu pembangun menjana kod, atau membenamkan AI generatif dalam perisian perusahaan, dsb. Capital Group sedang berusaha untuk mengukur dan menilai kesan perniagaan yang terhasil
Seperti mana-mana inisiatif teknologi yang berjaya, penggunaan dan sokongan untuk AI generatif perlu bermula di bahagian atas organisasi. Inisiatif AI generatif Capital Group ialah inisiatif menyeluruh seluruh syarikat yang turut mendapat sokongan dan pengiktirafan padu daripada lembaga pengarah syarikat
Secara peribadi, Zarraga melihat AI generatif sebagai teknologi baharu yang sangat berkuasa dan mengganggu, penuh keterujaan dan rasa tanggungjawab . Beliau menekankan keperluan mutlak untuk mengekalkan "gelung manusia-mesin" dalam semua aspek GenAI. Pada pandangan beliau, walaupun peningkatan produktiviti mungkin ketara, adalah penting untuk memastikan bahawa semakan dan imbangan dilaksanakan sepenuhnya apabila menggunakan output model AI generatif
Zarraga percaya bahawa kecerdasan buatan (AI) generatif mempunyai kesan revolusioner, yang secara dramatik. meningkatkan kelajuan dan skala analisis data tanpa memerlukan sebarang pengekodan teknikal. AI Generatif boleh digunakan bukan sahaja untuk meringkaskan sejumlah besar bahan, tetapi juga untuk mengutamakannya berdasarkan kepentingan relatifnya. Sebagai contoh, pengendali perkhidmatan pelanggan boleh mendapatkan sokongan maklumat tepat pada masanya melalui antara muka sembang, sekali gus meningkatkan keupayaan dan keberkesanan memberikan bantuan kepada pelanggan
Lebih penting lagi, Zarraga menegaskan bahawa pasukan keselamatan, undang-undang dan risiko syarikat harus terlibat secara langsung dalam proses pembenaman keselamatan Setiap pautan menyelesaikan masalah asas "robot tidak boleh menyimpan rahsia". Zarraga menyimpulkan, “Kami percaya AI generatif akan mengubah cara kami bekerja secara berperingkat-peringkat Teknologi ini berkuasa dan berkembang pesat, dan kami teruja untuk merealisasikan potensi penuhnya caranya. Kami akan terus belajar.”
Kumpulan Modal mengambil pelajaran dalam pengurusan peluang dan risiko sejak penubuhannya 92 tahun lalu, menggunakan skala dan kuasa baharu yang diwakili oleh AI generatif dengan cara yang bertimbang rasa, sistematik dan tegas untuk terus membangunkan perniagaan pengurusan Pelaburannya dan menyediakan perkhidmatan pengurusan berkualiti tinggi kepada pelabur global, dengan itu bergerak teguh ke arah satu lagi perjalanan kumpulan yang berusia berabad-abad.
Atas ialah kandungan terperinci Kumpulan Modal: Pelan tindakan untuk memacu masa depan AI generatif. Untuk maklumat lanjut, sila ikut artikel berkaitan lain di laman web China PHP!

Alat AI Hot

Undresser.AI Undress
Apl berkuasa AI untuk mencipta foto bogel yang realistik

AI Clothes Remover
Alat AI dalam talian untuk mengeluarkan pakaian daripada foto.

Undress AI Tool
Gambar buka pakaian secara percuma

Clothoff.io
Penyingkiran pakaian AI

AI Hentai Generator
Menjana ai hentai secara percuma.

Artikel Panas

Alat panas

Notepad++7.3.1
Editor kod yang mudah digunakan dan percuma

SublimeText3 versi Cina
Versi Cina, sangat mudah digunakan

Hantar Studio 13.0.1
Persekitaran pembangunan bersepadu PHP yang berkuasa

Dreamweaver CS6
Alat pembangunan web visual

SublimeText3 versi Mac
Perisian penyuntingan kod peringkat Tuhan (SublimeText3)

Topik panas



Laman web ini melaporkan pada 27 Jun bahawa Jianying ialah perisian penyuntingan video yang dibangunkan oleh FaceMeng Technology, anak syarikat ByteDance Ia bergantung pada platform Douyin dan pada asasnya menghasilkan kandungan video pendek untuk pengguna platform tersebut Windows , MacOS dan sistem pengendalian lain. Jianying secara rasmi mengumumkan peningkatan sistem keahliannya dan melancarkan SVIP baharu, yang merangkumi pelbagai teknologi hitam AI, seperti terjemahan pintar, penonjolan pintar, pembungkusan pintar, sintesis manusia digital, dsb. Dari segi harga, yuran bulanan untuk keratan SVIP ialah 79 yuan, yuran tahunan ialah 599 yuan (nota di laman web ini: bersamaan dengan 49.9 yuan sebulan), langganan bulanan berterusan ialah 59 yuan sebulan, dan langganan tahunan berterusan ialah 499 yuan setahun (bersamaan dengan 41.6 yuan sebulan) . Di samping itu, pegawai yang dipotong juga menyatakan bahawa untuk meningkatkan pengalaman pengguna, mereka yang telah melanggan VIP asal

Tingkatkan produktiviti, kecekapan dan ketepatan pembangun dengan menggabungkan penjanaan dipertingkatkan semula dan memori semantik ke dalam pembantu pengekodan AI. Diterjemah daripada EnhancingAICodingAssistantswithContextUsingRAGandSEM-RAG, pengarang JanakiramMSV. Walaupun pembantu pengaturcaraan AI asas secara semulajadi membantu, mereka sering gagal memberikan cadangan kod yang paling relevan dan betul kerana mereka bergantung pada pemahaman umum bahasa perisian dan corak penulisan perisian yang paling biasa. Kod yang dijana oleh pembantu pengekodan ini sesuai untuk menyelesaikan masalah yang mereka bertanggungjawab untuk menyelesaikannya, tetapi selalunya tidak mematuhi piawaian pengekodan, konvensyen dan gaya pasukan individu. Ini selalunya menghasilkan cadangan yang perlu diubah suai atau diperhalusi agar kod itu diterima ke dalam aplikasi

Model Bahasa Besar (LLM) dilatih pada pangkalan data teks yang besar, di mana mereka memperoleh sejumlah besar pengetahuan dunia sebenar. Pengetahuan ini dibenamkan ke dalam parameter mereka dan kemudiannya boleh digunakan apabila diperlukan. Pengetahuan tentang model ini "diperbaharui" pada akhir latihan. Pada akhir pra-latihan, model sebenarnya berhenti belajar. Selaraskan atau perhalusi model untuk mempelajari cara memanfaatkan pengetahuan ini dan bertindak balas dengan lebih semula jadi kepada soalan pengguna. Tetapi kadangkala pengetahuan model tidak mencukupi, dan walaupun model boleh mengakses kandungan luaran melalui RAG, ia dianggap berfaedah untuk menyesuaikan model kepada domain baharu melalui penalaan halus. Penalaan halus ini dilakukan menggunakan input daripada anotasi manusia atau ciptaan LLM lain, di mana model menemui pengetahuan dunia sebenar tambahan dan menyepadukannya

Untuk mengetahui lebih lanjut tentang AIGC, sila layari: 51CTOAI.x Komuniti https://www.51cto.com/aigc/Translator|Jingyan Reviewer|Chonglou berbeza daripada bank soalan tradisional yang boleh dilihat di mana-mana sahaja di Internet memerlukan pemikiran di luar kotak. Model Bahasa Besar (LLM) semakin penting dalam bidang sains data, kecerdasan buatan generatif (GenAI) dan kecerdasan buatan. Algoritma kompleks ini meningkatkan kemahiran manusia dan memacu kecekapan dan inovasi dalam banyak industri, menjadi kunci kepada syarikat untuk kekal berdaya saing. LLM mempunyai pelbagai aplikasi Ia boleh digunakan dalam bidang seperti pemprosesan bahasa semula jadi, penjanaan teks, pengecaman pertuturan dan sistem pengesyoran. Dengan belajar daripada sejumlah besar data, LLM dapat menjana teks

Pembelajaran mesin ialah cabang penting kecerdasan buatan yang memberikan komputer keupayaan untuk belajar daripada data dan meningkatkan keupayaan mereka tanpa diprogramkan secara eksplisit. Pembelajaran mesin mempunyai pelbagai aplikasi dalam pelbagai bidang, daripada pengecaman imej dan pemprosesan bahasa semula jadi kepada sistem pengesyoran dan pengesanan penipuan, dan ia mengubah cara hidup kita. Terdapat banyak kaedah dan teori yang berbeza dalam bidang pembelajaran mesin, antaranya lima kaedah yang paling berpengaruh dipanggil "Lima Sekolah Pembelajaran Mesin". Lima sekolah utama ialah sekolah simbolik, sekolah sambungan, sekolah evolusi, sekolah Bayesian dan sekolah analogi. 1. Simbolisme, juga dikenali sebagai simbolisme, menekankan penggunaan simbol untuk penaakulan logik dan ekspresi pengetahuan. Aliran pemikiran ini percaya bahawa pembelajaran adalah proses penolakan terbalik, melalui sedia ada

Editor |ScienceAI Question Answering (QA) set data memainkan peranan penting dalam mempromosikan penyelidikan pemprosesan bahasa semula jadi (NLP). Set data QA berkualiti tinggi bukan sahaja boleh digunakan untuk memperhalusi model, tetapi juga menilai dengan berkesan keupayaan model bahasa besar (LLM), terutamanya keupayaan untuk memahami dan menaakul tentang pengetahuan saintifik. Walaupun pada masa ini terdapat banyak set data QA saintifik yang meliputi bidang perubatan, kimia, biologi dan bidang lain, set data ini masih mempunyai beberapa kekurangan. Pertama, borang data adalah agak mudah, kebanyakannya adalah soalan aneka pilihan. Ia mudah dinilai, tetapi mengehadkan julat pemilihan jawapan model dan tidak dapat menguji sepenuhnya keupayaan model untuk menjawab soalan saintifik. Sebaliknya, Soal Jawab terbuka

Editor |. KX Dalam bidang penyelidikan dan pembangunan ubat, meramalkan pertalian pengikatan protein dan ligan dengan tepat dan berkesan adalah penting untuk pemeriksaan dan pengoptimuman ubat. Walau bagaimanapun, kajian semasa tidak mengambil kira peranan penting maklumat permukaan molekul dalam interaksi protein-ligan. Berdasarkan ini, penyelidik dari Universiti Xiamen mencadangkan rangka kerja pengekstrakan ciri berbilang mod (MFE) novel, yang buat pertama kalinya menggabungkan maklumat mengenai permukaan protein, struktur dan jujukan 3D, dan menggunakan mekanisme perhatian silang untuk membandingkan ciri modaliti yang berbeza penjajaran. Keputusan eksperimen menunjukkan bahawa kaedah ini mencapai prestasi terkini dalam meramalkan pertalian mengikat protein-ligan. Tambahan pula, kajian ablasi menunjukkan keberkesanan dan keperluan maklumat permukaan protein dan penjajaran ciri multimodal dalam rangka kerja ini. Penyelidikan berkaitan bermula dengan "S

Menurut berita dari laman web ini pada 1 Ogos, SK Hynix mengeluarkan catatan blog hari ini (1 Ogos), mengumumkan bahawa ia akan menghadiri Global Semiconductor Memory Summit FMS2024 yang akan diadakan di Santa Clara, California, Amerika Syarikat dari 6 hingga 8 Ogos, mempamerkan banyak produk penjanaan teknologi baru. Pengenalan kepada Sidang Kemuncak Memori dan Penyimpanan Masa Depan (FutureMemoryandStorage), dahulunya Sidang Kemuncak Memori Flash (FlashMemorySummit) terutamanya untuk pembekal NAND, dalam konteks peningkatan perhatian kepada teknologi kecerdasan buatan, tahun ini dinamakan semula sebagai Sidang Kemuncak Memori dan Penyimpanan Masa Depan (FutureMemoryandStorage) kepada jemput vendor DRAM dan storan serta ramai lagi pemain. Produk baharu SK hynix dilancarkan tahun lepas
