作者：Jared Pane

通过将你大学的数据与公共 LLMs 和 Elasticsearch 安全集成来找到你需要的答案。

根据 2023 年 4 月 EDUCAUSE 的一项调查，83% 的受访者表示，生成式人工智能将在未来三到五年内深刻改变高等教育。

学术界很快就询问和想象生成式人工智能对教学的影响。 学者和决策者正在探索生成式人工智能对于个性化学习、诚信和道德以及学术研究的意义，并帮助学生为人工智能驱动的工作场所做好准备。

除了教学影响之外，生成式人工智能还具有改变大学 IT 格局的潜力。 具体来说，当生成式人工智能应用程序与大学的内部数据结合使用时，它们可以产生高度相关、上下文丰富的输出，从而提高生产力和工作满意度，并带来更好的学生成绩。 让我们探讨大学如何利用生成式人工智能来造福于学生和教职员工以及 IT 基础设施。

通过生成式 AI + 私有数据为大学 IT 运营提供动力

利用生成式人工智能的力量进行大学 IT 运营的关键是将其与你自己的数据安全地集成。 学生和教育工作者可能熟悉使用公开的生成式人工智能应用程序，例如 ChatGPT，这些应用程序是在教学和学习中根据公开数据构建和训练的。 但要查看运营和个性化结果，使用这些私人数据至关重要。

当生成式人工智能根据你自己的数据而不是公开数据形成输出时，它可以更加准确和个性化。 Elasticsearch® 等平台可以充当你选择的大型语言模型 (LLM) 和你的私有数据之间的安全桥梁。 建立此链接后，可以根据你的目标和优先级启用许多用例。

Elasticsearch + 生成式 AI + 你的私人数据可以为你的数据提供上下文，帮助你快速找到所需的答案。 这体现在大学的多个领域，包括：

• 提高生产力和员工满意度。 想想大学员工花了多少时间来寻找信息，无论是文档、学生数据、资源利用、课程安排，还是更全面的数据驱动的见解和模式。 这是帮助他们完成工作的重要信息，但这可能不是他们想要度过的时间。 当你将数据提取到 Elasticsearch 并将其连接到生成应用程序时，你可以显着减少以前手动搜索 Intranet 和共享硬盘深度所花费的时间。 生成式人工智能还可以帮助自动化 IT 工作流程并创建有关流程和事件的文档。
• 个性化数字支持服务。 除了内部员工外，大学还有大量学生、教育工作者、未来的学生和家长浏览其面向外部的数字资产，以获取有关申请流程、课程目录、入学说明、经济援助、体育赛事安排等信息。 利用大学的数据启用生成人工智能功能可以显示针对特定受众或请求定制的详细信息，从而增加利益相关者快速找到他们需要的内容的可能性（并减少支持团队的工作）。
• 战略性地跟踪和分配资源。 使用你的数据和生成式人工智能，你可以检测和可视化整个大学的数据模式，跟踪物理设备的使用情况、物联网设备空间资源利用率、虚拟学习连接等。 这些汇总数据可以使正确的人员实时做出正确的决策，最终实现更具战略性和明智的资源分配。
• 简化网络安全。 大学也可以将生成式人工智能用于网络安全目的。 安全团队可以启用 Elastic® AI Assistant，为警报调查、事件响应和查询生成等任务提供个性化帮助。 Elastic AI Assistant 为用户提供预构建的推荐提示以及 LLMs 的特定上下文。

通过加强你的 IT 基础开始使用生成式 AI

随着生成式人工智能席卷全球，人们很容易被各种可能性所吸引，却很难采取具体步骤将可能性转化为行动。 当你希望在大学的技术堆栈中实施生成式人工智能时，一个好的起点是做一些准备数据的跑腿工作。

全球技术战略公司麦肯锡最近发布了一份新的生成式人工智能指南，为有兴趣开始使用生成式人工智能的领导者提供了一些实用的见解。 麦肯锡建议首席信息官、首席数据官和首席技术官应共同关注三个步骤 —— 所有这些都可以通过 Elasticsearch 平台来完成。

1. 为生成人工智能准备数据

与 IT 现代化和流程增强的许多方面一样，重大变革始于数据。 麦肯锡团队建议，在将生成式人工智能应用到他们的技术环境之前，技术领导者应该“对数据进行分类和组织，以便生成式人工智能模型可以使用它。 技术领导者 “需要开发一个涵盖结构化和非结构化数据源的全面数据架构。 这需要制定标准和指南来优化生成人工智能使用的数据。”

Elasticsearch 是一个统一的数据平台，可以摄取所有数据类型并将它们关联起来以进行集成查询、分析和可视化。 一旦你的数据进入平台，你就可以使用 API 将其连接到你选择的 LLM，以在你的私人数据之上获得生成人工智能的好处。

2. 保证系统的可扩展性

此外，麦肯锡建议技术领导者确保他们的系统能够扩展，以处理生成式人工智能实施不可避免地带来的不断增加的数据量。

这是另一个领域，拥有像 Elasticsearch 这样强大的平台可以提供坚实的基础。 Elastic 定期与处理 PB 级数据的组织合作，为美国政府的连续监控和诊断 (CDM) 仪表板提供支持，该仪表板从数百个联邦机构以及一些世界上最大的超级计算机收集数据。

3. 考虑向量搜索

麦肯锡对技术领导者提出的加速生成式人工智能的第三个优先事项是 “优先开发数据管道，将生成式人工智能模型连接到提供‘上下文理解’ 的相关数据源。” 其中一种方法是使用向量数据库。

同样，鉴于向量搜索技术，Elasticsearch 平台本质上适合在这方面提供帮助。 Elastic 的向量搜索利用机器学习 (ML)来捕获非结构化数据（例如文本和图像）的含义和上下文，然后将其转换为数字表示形式。 向量搜索使用户能够在不知道确切关键字的情况下搜索他们的意思，并根据相似性搜索提供答案。 这种灵活性提高了应用于生成式人工智能应用程序时的准确性和相关性。

本文中描述的任何特性或功能的发布和时间安排均由 Elastic 自行决定。 当前不可用的任何特性或功能可能无法按时交付或根本无法交付。

在这篇博文中，我们可能使用或引用了第三方生成人工智能工具，这些工具由其各自所有者拥有和运营。 Elastic 对第三方工具没有任何控制权，我们对其内容、操作或使用不承担任何责任，也不对你使用此类工具可能产生的任何损失或损害负责。 使用人工智能工具处理个人、敏感或机密信息时请务必谨慎。 你提交的任何数据都可能用于人工智能培训或其他目的。 无法保证你提供的信息将得到安全或保密。 在使用之前，你应该熟悉任何生成式人工智能工具的隐私惯例和使用条款。

Elastic、Elasticsearch、ESRE、Elasticsearch Relevance Engine 和相关标记是 Elasticsearch N.V. 的商标、徽标或注册商标。 在美国和其他国家。 所有其他公司和产品名称均为其各自所有者的商标、徽标或注册商标。

原文：The role of generative AI in higher ed IT | Elastic Blog