ChatGPT 的使用量持续增长，截至撰写本文时，每月访问量超过 1 亿次，每日查询量达到 8 万次。它运行在GPT-10上，这是一个大型语言模型（LLM），它有几个竞争对手，包括Google Lamda，Hugging Face的BLOOM，Nvidia的NeMO LLM等。
围绕ChatGPT，LLM和其他生成AI功能存在巨大的兴奋，恐惧，炒作和投资。人们和企业都在进行试验，尽管其中许多功能可用还不到一年，但至少值得问两个关键问题：ChatGPT 和 LLM 在哪里提供业务价值，哪些活动有风险或超出当今的能力？
答案并不简单，因为生成式人工智能能力正在迅速发展。例如，GPT-4 于 2023 年 <> 月首次宣布，并于 <> 月成为所有 ChatGPT 用户的 LLM。此外，对一个人和公司有效的方法可能不会很好地推广到其他人，特别是现在我们有快速工程的新技能需要掌握。
但企业很难袖手旁观，忽视机遇和风险。“ChatGPT和LLM可以改变商业的基本等式，”Rasgo的首席技术官兼联合创始人Patrick Dougherty说。“与其说企业产出受到人力时间投资的瓶颈，你唯一的限制就是战略决策的质量。
什么是炒作，什么是真实的，以及未来几年可能会演变什么？以下是一些需要考虑的准则，可以考虑ChatGPT可以做什么和不能做什么，以及你应该做什么和不应该用LLM做什么。
1. 不要在公共LLM上共享专有信息
“如果你能控制人工智能，那就太好了，”K2 Global Communications的首席运营官兼联合创始人Amy Kenigsberg说。“虽然我们大多数人只是点击’我同意’的条款和条件页面，但你需要非常仔细地阅读人工智能工具的条款。
许多公司正在起草 ChatGPT 政策，主要关注的是共享业务敏感信息的风险。在最近的一个例子中，工程师通过将专有代码粘贴到 ChatGPT 中来寻求调试帮助。
Kenigsberg继续说道：“ChatGPT和许多其他AI工具的问题在于，您粘贴的任何信息都将成为其训练数据集的一部分。如果有人输入专有数据，该信息可能会出现在竞争对手的材料中。如果输入个人身份信息（PII）来分析客户，公司可能会违反GDPR，CCPA或许多隐私法规中的任何一项。
因此，在试验和探索用例之前，请查看公司的 AI 和数据治理策略，并在合规性要求时披露您的目标。
2. 查看主要工作流工具中的 LLM 功能
在过去的几个月里，许多技术供应商宣布了其平台中内置的新AI和LLM功能。如果您正在寻找业务价值，请查看这些功能如何提高生产效率、简化信息访问或提供其他新的运营优势。以下是最近发布的几个公告的示例：
- Microsoft 365 Copilot嵌入在Word，Excel，PowerPoint，Outlook和Teams中。
- Adobe Firefly是一个生成AI，可以插入Photoshop，Illustrator和Adobe Express。
- Salesforce宣布将AI Cloud集成到其核心CRM产品Slack和Tableau中。
- GitHub Copilot 与 IDE 集成并提供代码建议。
- Google Duet AI for Google Cloud 包括代码帮助、聊天帮助和 AppSheet 功能。
- Atlassian Intelligence 汇总了 Jira Software、Jira Service Management 和 Confluence 中的信息并回答了问题。
- ServiceNow宣布与Microsoft Azure OpenAI Service和OpenAI API LLM集成，并增强AI驱动的搜索。
- Crowdstrike引入了Charlotte AI，以帮助阻止违规行为，同时降低安全操作的复杂性。
- Coveo Relevance Generative Answering将LLM功能添加到其智能搜索平台中。
3. 快速获得答案，但要知道LLM的局限性
ChatGPT 和 LLM 的一个主要用例是快速获得答案，而无需进行成为专家所需的所有基础研究或学习。例如，营销人员可能会寻求帮助来措辞客户电子邮件;技术人员可能希望定义技术术语;或者人力资源部门可能会寻求帮助来重新措辞政策。
基于企业内容开发的LLM还提供了许多好处，使员工能够提出问题以加速入职，了解公司福利，查找产品信息或确定主题专家。
换句话说，ChatGPT 和其他 LLM 可以成为生产力的助推器，提高人们的技能，并协助创建内容。
“生成式人工智能在帮助企业通过搜索政府、经济和金融数据等开源情报来生成快速分析和报告方面非常有用，”DataBank 首席执行官 Raul Martynek 说。“人工智能已经在帮助我们快速了解数据中心的环境、客户的意图以及员工的情绪，以确保我们在业务的各个方面快速做出明智的决策。
Persado首席执行官Alex Vratskides说：“OpenAI首席执行官Sam Altman说，当他说ChatGPT给人一种’误导性的伟大印象’时，他说ChatGPT给人一种’误导性的伟大印象’。如果您正在寻找生产力快速入门，ChatGPT 是一个令人印象深刻的工具。但仅靠ChatGPT仍然未经证实，不足，并且可能具有误导性。
Vratskides认为，当人工智能使人们能够改善决策时，伟大就会到来。“当变压器模型在企业通信中的行为数据上进行训练时，语言可以个性化，以激励人们参与和行动，从而产生业务影响。
人们还必须期待人工智能的偏见，因为模型是在包含相互矛盾的信息、虚假和偏见意见的来源上进行训练的。Semaphore CI/CD联合创始人Marko Anastasov说：“虽然功能强大，但语言模型最终受到训练数据中根深蒂固的偏见和人类交流的复杂性的约束。
最后，虽然 ChatGPT 是一个很棒的研究工具，但用户必须查看它上次训练的数据。“ChatGPT不知道最新的事件或新闻，”Precisely首席产品官Anjan Kundavaram说。“它还在基于文本的人类对话上进行训练，使用可能不准确、不真实或误导性的数据。为人工智能模型提供动力的数据的完整性直接影响其性能和可靠性。
昆达瓦拉姆建议寻求业务效率。“它非常适合面向客户的部门，有助于自动执行简单的对话任务，以便员工可以专注于增加价值。
4. 简化对复杂信息的理解
在公司的技术和信息堆栈中，有许多地方很难从复杂的内容和数据源中识别关键信息。我希望许多公司探索使用人工智能搜索来改善客户和员工体验，因为关键字搜索框比自然语言查询和提示落后几代人。
查找信息是一个用例，另一个用例是快速解决操作问题。例如，多用途数据库中的性能问题可能需要站点可靠性工程师、数据库管理员和 DevOps 工程师团队花费大量时间来找到根本原因。“生成式人工智能将使管理和优化数据库性能变得更加容易，”EDB副总裁兼数据库基础设施首席架构师Dave Page说。人工智能驱动的工具可以自动监控数据库、检测问题并提出优化建议，为数据库管理员腾出宝贵的时间专注于更复杂的任务。
但是，佩奇承认，“数据库问题可能很复杂，可能有一些人工智能无法考虑的因素。
另一个用例是简化对大型复杂非结构化信息源（如产品手册和操作培训指南）的访问。“我们的客户生成了大量文档，这些文档可能难以理解、不容易搜索或超出普通用户的范围，”IFS 北美首席技术官 Kevin Miller 说。“我们认为LLM是一种很好的方式，可以帮助以新的方式为我们的用户提供上下文，包括释放服务手册的力量，并展示其他用户如何解决类似的问题。
但Moogsoft的首席执行官兼联合创始人Phil Tee警告说，知识和理解之间存在错误的等同性。“ChatGPT和其他LLM提供技术提示，并在更人性化的层面上解释复杂的过程，这是非常有价值的 – 没有行话，只有信息，尽管我们当然已经学会了事实检查信息，”他说。“但是，知道一组步骤将解决问题并不等同于理解这些步骤现在是否正确适用，如果我们过分依赖LLM而不质疑其输出，这将变得有害。
如果您正在考虑将LLM功能插入您的应用程序之一，Honeycomb的首席产品经理Phillip Carter分享了一个建议。“挑战自己，思考人们今天在你的产品中最挣扎的地方，先问问没有人工智能可以解决什么问题，只有在减少辛劳或教新用户有助于解决这些问题时，才使用LLM。他补充说，“不要自欺欺人地认为你可以将聊天UI打到产品UI的某个侧边栏上，并期望人们感到兴奋。
5. 准备在专有数据产品上构建LLM
人们今天可以使用像ChatGPT这样的开放式LLM，利用嵌入在他们的软件平台中的LLM功能，或者尝试来自初创公司的生成AI工具。开发专有的LLM目前很昂贵，因此对于大多数企业来说，这不是一个选择。使用现有的LLM来创建专有功能是一些公司开始探索的选择。
Orson首席执行官John Ehrhard表示：“最大的机会是具有特定领域专业知识的企业，他们在LLM之上构建上下文和知识层，并将其用作翻译人员，与每个用户进行个性化互动。
特定领域的LLM包括Intuit GenOS，这是一个操作系统，具有经过定制培训的金融LLM，专门解决财务挑战。另一个例子是BloombergGPT，这是一个50亿参数的LLM，使用来自英语财务文档和公共数据集的700亿个代币进行训练。
“LLM已经在部署中，并推动了今天的商业价值，但它们看起来不像ChatGPT，”Domino数据科学战略和传播主管Kjell Carlsson说。“生物技术公司正在加速开发用于新疗法的蛋白质，而各行各业的组织都使用LLM来了解客户对话并优化客户服务运营。
正如Carlsson所解释的那样，将LLM功能集成到现有的商业模式中并不是一件容易的事。“这些模型的生成功能是目前推动业务价值最困难的方法，因为业务用例未经尝试，并且存在巨大的限制，包括成本、隐私、安全性和对作为服务使用的类 ChatGPT 模型的控制。”
从大型，专有和非结构化数据集中拥有创收业务模型的企业应考虑将其数据合并到LLM中的机会。 “企业可以在自己的安全边界内运行和管理专用模型，从而控制数据访问和使用，”Tabnine联合创始人兼首席执行官Dror Weiss说。.“最重要的是，企业可以使用自己的数据定制专门的模型，这对于机器学习模型产生准确的结果至关重要。
在具有丰富数据源的行业（如金融服务、医疗保健、教育和政府）中构建 LLM 的机会非常重要。颠覆的可能性也是如此，这是企业领导者探索在其产品和运营中应用LLM的机会和风险的原因之一。
