U ovom podcastu razgovaramo sa Borisom Bialek, potpredsjednikom i terenskim glavnim tehnološkim oficirom (CTO) na Mongodbu, o tome kako umjetna inteligencija (AI) može pomoći u otkrivanju i upravljanju nestrukturiranim podacima.
Bialek je izlaže kako AI može pomoći u okupljanju različitih razreda informacija da bi organizacija mogla održati o kupcima kako bi procesi mnogo brže i efikasniji.
Također govori o tome kako više AI agenata može raditi zajedno kako bi ti procesi trebali raditi na agenciji.
Kako AI može pomoći u otkrivanju i upravljanju nestrukturiranim podacima?
Oporavak i identifikacija nestrukturiranih podataka jedan su od najstarijih zadataka u njemu.
Počelo je s skeniranjem papira i pokušavajući napraviti slike iz njih, a onda su ljudi zapravo upisali stvari. Zamislite da dobijete rukom pisani dokument o opisu nesreće i pokušate to imati smisla. Danas Ai to može učiniti za vas u nula vremena.
I izvan toga može razumjeti i razlog u vezi s podacima. Može podići intelektualni nivo od “Imam sliku” da “imam tekst i mogu izdvojiti rečenice koje se sastoje od” nesreće “,” bicikla “,” ulica “i” planina je bila strpljiva nego što sam mislio “.
Dakle, tu Ai zaista može pomoći. Može biti slike, može biti tekst, može biti zvuk.
Klasični model baze podataka, RDBMS iz 1970-ih, odličan je za strukturirane podatke. Ali ti takozvani strukturirani podaci znači uglavnom tekstualne podatke, što mogu biti brojevi, ali bilo šta u strukturi koju možemo staviti u proračunsku tablicu. Sve drugo se smatra nestrukturiranim, što je malo nepravedno.
Ono što sada radimo sa AI-om podiže ove podatke na sljedeći nivo i mogu ga protumačiti na razuman način.
Koji pristupi korištenju AI-a za otkrivanje i upravljanje nestrukturiranim podacima postoje za kupce?
Ako postavite bilo koji pokretan, reći će vam da su jedini odgovor za to.
Ali kad uzmemo inteligentniji pogled, postoje dva glavna načina. Jedno je pogledati kakve podatke imate i izgradite rješenje oko njega. I najvažnija je kombinacija svježih podataka, gdje dobijam nestrukturirane podatke – video, zvuk, takve stvari – i stavljaju ga u kontekst s drugim poznatim informacijama.
Na primjer, Boris ima broj osiguranja, a Boris ima ugovor sa Antoninom osiguravajućem društvu. Dakle, takve vrste mashupa između, na primjer, operativnih podataka, metapodataka i referentnih podataka, zajedno s onim što nazivamo “signalima”, prvi je pristup da se te stvari povode zajedno.
Ali druga opcija je kako to učiniti inteligentnije i prekinuti ga u pristup konjima – za kurseve, najbolji konj za najbolju trkalište?
Ovdje postoje rješenja. Jedan je encorecloudai ili Purplefabricai iz drugog dobavljača.
Ta rješenja omogućavaju nam da podatke stavimo u inteligentni obrazac, tako da ne trebam početi od nule. Dakle, mogu dobiti svoje podatke, donijeti ga u operativnu trgovinu podataka, izvući svoje zaostavštine i podići podatke odatle, što bi moglo biti, na primjer, dokumenti, fizički papiri. Oni bi mogli biti u naslijeđenim arhivima dokumenata ili sistemima upravljanja dokumentima.
To je po mom mišljenju najbrži način da to uradite.
To je reklo, ima dovoljno dobrih razloga za izgradnju vlastite. U mnogim slučajevima, ako imate određene potrebe, poput ako imate određene video informacije koje trebate obrađivati u vrlo specifičnom obliku. Na primjer, neko se vozi kroz vrata puta na autoputu i želite biti sigurni da plaćaju cestarinu.
Postoje specifični slučajevi u kojima pisanje vlastitog koda ima puno smisla. Ali sve se radi o dobivanju podataka iz postojećih podataka i novih podataka, nestrukturiranim podacima.
To je stvarno ono što obavještava obavještaja.
Koje su ključne prednosti primene ovih vrsta tehnika u podatke?
Ključne prednosti su da mogu izgraditi potpuno drugačiju sliku svog okruženja. U klasičnoj relacijskoj bazi podataka, poput ERP-a [enterprise resource planning] Sistem, koji poznaje vaše prodajne brojeve, znate koliko prodajete.
Možda imate CRM [customer relationship management] Sistem i on vam kaže: “Boris je sjajan klijent” i “Boris je trenutno na mojoj web stranici”. Ali šta Boris zaista želi? Mogao bih napraviti klasični pristup bi [business intelligence] Sistem i recite: “Boris pada u kategoriju bijelog muškog, srednjeg staraca, a možda traži novi bicikl. Dajmo mu bicikl.”
Ali to nije baš ono što biste mogli potencijalno znati o Borisu. Boris je možda kupio bicikl od tebe prošle sedmice i možda sada traži novu kacigu.
Dakle, kad donesete ove stvari zajedno, želite voziti više inteligencije prema svojim potrošačima u maloprodajnom prostoru. U pozitivnom smislu, u onome što želite biti relevantni i želite im pomoći. Ne želite da kažu: “Zašto mi pokazuje ove stvari? Ne zanima me ovo.”
Takođe, recimo da imamo slučaj osiguranja, neko je naletio moj bicikl, bio je parkiran ispred kuće, a sada imam slučaj za popravku. Dakle, idem na svoje osiguranje. Ako osiguranje može imati smisla iz podataka koje pružam vrlo brzo, mogu imati vrlo brzo preokret u upravljanju zahtjevima.
A ako to učine, to mi pomaže da budem sretan klijent i ne zabrinut je da je moj bicikl oštećen, ko ga plaća itd. Sada dobijem odgovor na sat kasnije: “Da, bicikl je osiguran. To ćemo popraviti, ne brini.”
Dakle, to su dijelovi rezoniranja koji prije nisu bili mogući. Niste mogli staviti toliko podataka u kontekst.
Drugo, postoji prirodna obrada jezika. Boris može razgovarati s osiguravajućim druzom i reći: “Moj bicikl se oštetio. Moj bicikl bio je parkiran ispred vrata. Udario ga je traktor.”
U tom trenutku, sustav to već može tumačiti kao “bicikl, bicikl – ima bicikl, osiguran je, vjerovatno govori o svojim kućanskim vratima”.
To je rezonovanje, tako da može preuzeti puno stvari i reći: “Hej Boris, je li ovo bicikl o kojem govorite? Da li je parkiran ispred vaše kuće u ovom selu? Možete li mi reći malo više o tome?”
Ovo je sve o intelektualnom povezivanju, a ne nužno i o razbijanju procesa. Uvijek mogu tražiti da razgovaram sa agentom, ali ovo je mnogo brže za mene i nema vremena čekanja. Mogu se riješiti moj problem i krenuti dalje.
Dakle, ova automatizacija rutinskih zadataka, označavanjem stvari, unosa stvari, sve te stvari mogu se vrlo lijepo obaviti sistem AI. I najvažnije, to je ponovljivo, isto tako i isto tako i istim sistemom.
Znam da postoji puno diskusija o halucinacijama, ali današnjim modelima ugradnje, poput Voyageaija, sada su tako dobri u pogledu njihovih sistema kvalitete i ponovnog ranga, koji omogućavaju da se odgovori budu strukturirani kao dobri, loši i ružni na temelju mojih podataka.
Postoji li uloga za agenta AI u tome i kako bi to radilo?
Agentic AI je poput igrača na nogometnom polju, ali da biste imali zaista dobar tim, trebate 11 igrača. To je poput različitih pozicija u fudbalskom timu – agenti izvode zaista određene funkcije.
Ako razmotrimo slučaj osiguranja, jedan agent provjerava koji ugovori Boris ima, jedan sistem može shvatiti Borisovu adresu i odakle potječe ovaj traktor? Da li je ovo realan opis događaja?
Različiti agenti su sarađuju kao digitalni stručnjaci za stvaranje okvira, nogometnog tima agenata koji se okupljaju kako bi vozeo iskustvo za mene kao potrošača, kao i za osiguravajuće društvo.
Taj sustav može doći do vrlo dobrih odgovora na vrlo osnovna pitanja i donijeti ih sve zajedno i voziti rezoluciju. Dakle, tu se tu nejas agencija Ai.