在 2010 年与零售业高管交谈时得出了两点认识。首先，尽管为客户提供个性化推荐的零售系统受到了极大的关注，但这些系统通常为零售商带来的回报很少。其次，对于许多公司来说，大多数客户每年只购物一两次，因此公司对他们的了解并不多。

但是，通过非常努力地记下客户与零售商或电子商务网站的互动，我们可以创建一个非常漂亮且详细的用户画像，显示该人所做的事情以及他们关心的事情。一旦掌握了这一点，你就可以应用机器学习中经过验证的算法。

了解人工智能类型

人工智能的目标是让计算机具备执行通常只有人类才能完成的认知任务的能力。

传统的人工智能方法基本上是通过应用从人类那里学到的 if/then 规则来解决问题，但事实证明，它对于相对较少的任务是有用的。“一个原因是我们可以毫不费力地做很多事情，但如果被要求解释我们是如何做的，我们实际上无法清楚地表达我们是如何做的，”拉马克里什南评论道。此外，这些系统可能会因不符合软件中规定的规则的新情况而感到困惑。

机器学习采用了截然不同的方法，软件从根本上通过示例进行学习。“你给它大量的输入和输出、问题和答案、任务和响应的例子，然后让计算机自动学习如何从输入到输出”。信用评分、贷款决策、疾病预测和需求预测是机器学习解决的众多任务之一。

但机器学习只有在输入数据结构化时才能发挥作用，例如在电子表格中。“如果输入数据是非结构化的，例如图像、视频、音频、心电图或 X 射线，那么它就不太擅长从这些数据到预测的输出”。这意味着人类必须手动构建非结构化数据来训练系统。

2010 年左右，深度学习开始克服这一限制，提供了直接处理非结构化输入数据的能力。基于被称为神经网络的长期人工智能策略，由于全球数据洪流、称为图形处理单元（最初为视频游戏发明）的极其强大的并行处理硬件的可用性以及算法和数学的进步，深度学习变得实用。

最后，在深度学习中，去年出现的生成式人工智能软件包可以创建非结构化输出，例如人类发音的文本、狗的图像和三维模型。OpenAI 的 ChatGPT 等大型语言模型 (LLM) 从文本输入到文本输出，而 OpenAI 的 DALL-E 等文本到图像模型可以生成逼真的图像。

生成式人工智能可以做什么，不能做什么

LLM接受过互联网上难以想象的海量文本资源的培训，其“基本能力是预测下一个最有可能、最可信的单词”。“然后它将这个单词附加到原始句子中，再次预测下一个单词，并继续这样做。”

“令许多人（包括许多研究人员）感到惊讶的是，LLM可以做一些非常复杂的事情，”他说。“它可以创作优美连贯的诗歌，写岳飞传的片段，并解决某些推理问题。下一个单词预测如何带来这些惊人的功能，这确实非常了不起。”

“但你必须始终记住，它所做的与其说是为你的问题找到正确的答案，不如说是为你的问题找到一个合理的答案”。其内容可能事实上不准确、不相关、有毒、有偏见或令人反感。

这给用户带来了确保输出正确、相关且对于手头任务有用的负担。你必须确保有某种方法可以检查其输出是否有错误，并在输出之前修复它们。目前正在进行深入研究，寻找解决这些缺点的技术，他预计许多创新工具都可以做到这一点。

为LLM寻找合适的企业角色

鉴于LLM取得的惊人进展，业界应该如何考虑将软件应用于生成内容等任务？

首先，考虑成本：与你创建整个作品相比，修改草稿是否要便宜得多？”其次，如果LLM犯了一个漏掉的错误，并且错误的内容被发布到外界，你能忍受这个后果吗？

如果您有一个应用程序满足这两个考虑因素，那么最好进行一个试点项目，看看这些技术是否真的可以帮助您完成该特定任务。 需要将试点视为一次实验，而不是一个普通的 IT 项目。

目前，软件开发是最成熟的企业LLM应用。ChatGPT 和其他LLM都是文本输入、文本输出，而软件程序只是文本输出。程序员可以从英语文本输入转到 Python 文本输出，也可以从英语到英语或英语到德语。有很多工具可以帮助您使用这些技术编写代码。

当然，程序员必须确保结果正确地完成工作。幸运的是，软件开发已经提供了用于测试和验证代码的基础设施。这是一个漂亮的甜蜜点。让技术为你编写代码要便宜得多，因为你可以非常快速地检查和验证它。

LLM的主要用途是内容生成

例如撰写营销文案或电子商务产品描述。再说一遍，修复 ChatGPT 的草稿可能比你编写整个内容要便宜得多。但是，公司必须非常小心，以确保有人参与其中。

LLM也可以作为搜索企业文档的内部工具

与传统的搜索算法不同，LLM 聊天机器人可以提供对话式搜索体验，因为它会记住您提出的每个问题。就面向外部客户的聊天机器人而言，现在还处于早期阶段，因为存在向客户说错话的风险。

总体而言，我们生活在一个非凡的时代，需要应对人工智能快速发展的潜力和陷阱。公司需要弄清楚如何采用这些极具变革性的技术并将其付诸实践，使产品和服务更加智能，员工更加高效，流程更加高效。