一文解读 AIGC 驱动高绩效商业的落地与思考

news2024/12/24 8:19:48

10a9ed7531cf4ec4217477789236448c.gif

eab0cf37da44d916c1e2201973e5f6bf.png

本文根据神策数据智能业务负责人郭荣锋《AIGC 驱动高绩效商业的实践》的主题演讲整理所得,主要围绕神策对 AIGC (即 AI-Generated Content,人工智能生成内容)业务应用的理解、AIGC 的落地实践及心得体会等方面展开。

以下为本文的要点:

  • 懂业务并且能够与 AI 进行对话的人,将成为公司的超级个体,发挥更大的价值

  • 神策数据通过构建数据分析 copilot 和用户运营 copilot,为公司的关键角色提供支持,使其成为超级个体

  • 提升 AIGC 应用效果的关键点是企业数据,AIGC 时代下,企业数据愈发重要

一、对 AIGC 业务应用的理解

关于 AIGC 的范式,我们认为一方面是 LUI(即 Language User Interface,自然语言用户界面),另一方面是专家模型。比如画画,我们想画一幅“美丽的清晨”,LUI 理解需求「美丽的清晨」,画画模型把图画出来;比如让 AI 模仿孙燕姿的嗓音演唱 XX 歌曲,LUI 理解需求「演唱 XX 歌曲」,唱歌模型完成演唱。现在的大模型能比较好地理解自然语言,LUI 相对比较成熟;但目前并不是所有行业或场景都有对应的 AI 专家模型,也有一些通过传统方法来实现。随着 AIGC 能力的发展,各种 AI 专家模型会越来越成熟。引用陆奇博士的话,现在正处于「模型」无处不在的新范式拐点上,接下来的时代就是模型的世界。

从企业经营的角度看, LUI + 专家模型将带来什么样的影响?确实,它可以提升员工在特定场景下的工作效率,比如自动写会议纪要等;但从其他的视角看,有没有可能有更大的价值?

我先分享一个故事。我有个出版行业的朋友,主要给书做插画,她是自己这个小公司的 CEO,没有经过一天画画训练的她,应用 AIGC 以后成为公司里最有创造力、最有生产力的人。我问她为什么,她说:画画分成两个环节,第一个环节是设计,即要画成什么样,第二步是画出来,利用训练有素的肌肉记忆把想要的画画出来。她虽然不懂画画技巧,但多年的行业经验让她很懂客户需求和插画设计,又因为她拥有丰富的绘画知识,因此她能清晰地把设计需求表达出来给 AI,然后由 AI 完成具体创作。既懂业务又具备和 AI 对话的能力,让她变成了最厉害的生产力和最棒的创作人员。

在这个故事里,LUI + 专家模型代替了只能提供基础技能价值的画师,懂业务 & 懂得和 AI 对话的业务负责人或者资深画师和 AI 互通,直接开展业务,发挥了更大价值,成为公司内的超级个体,公司业务的效率和质量自然也有了提升。

因此,从企业经营角度看,可以通过构建 LUI + 专家模型来服务公司内关键角色,打造企业内超级个体,提升业务经营效率和质量。

二、AIGC 的落地实践

关于 AIGC 业务的落地,一方面是在普通场景下如何提升工作人效?另一方面是如何赋能公司中有业务能力的人,发挥其价值,让他们成为公司的超级个体,驱动业务发展。

在感知、决策、行动、反馈构成的业务闭环中,业务负责人员作为关键角色比较关注和能发挥价值的是感知和决策,我们将这两个环节设为 AIGC 应用的重点,以帮助他们发挥价值,成就超级个体。

当前企业的工作流程大多是由分析师产出数据报表和报告,业务负责人看到数据报表,针对异常数据表现,数据分析师再进行分析和汇报,业务人员难以直接接触数据,从而限制了他们对业务全局的洞察力。此外,洞察数据后进行用户运营决策时,如何更好地理解过往策略,并基于当下目标制定新的运营策略,也有较高的门槛。针对这些情况,我们可以通过 AIGC 去赋能业务负责人。

0ab7036d2cecad73e89930445dd84af4.png

在感知环节,重点是数据分析模型与 AI 深度融合,构建数据分析专家模型,支持对话式指标查询,在一问一答中快速查看想要的数据,帮助超级个体便捷获取数据,理解业务现状(what);支持对话式数据分析,专家模型对指标及形成进行解读,帮助进行业务归因(why)。在决策环节,重点是营销模型和 AI 融合,构建营销专家模型,支持会话式受众圈选和营销策略生成。

我们构建了一个智能助手,目前是 Demo 阶段,从数据分析场景开始,现在是浏览器插件的形式。以事件分析场景为例,在输入框中用自然语言输入要获取的数据指标,比如最近 7 天搜索点击的用户数,GPT 模型将自然语言转化为请求查询 JSON 并发起查询,并进行图形化展示。我们为什么采用 text2json 而不是 text2sql?因为这样有两个好处,一方面更容易理解,便于业务人员判断查询;另一方面更容易进行人为干预,比如生成的查询 JSON 不对,想换种计算方式或查询条件看看指标怎么样,都可以快速调整。

1b906f5a1ff92a0ae8731c4afb166b2b.png

这个要怎么实现?首先要让 GPT 理解我们数据的 schema 以及任务,所以我们要做的事情是把我们 schema 传给 GPT,但因为存在长度限制,我们要解决的第一个问题就是如何让 prompt 更短,我们先从报表的上千个字段中筛选出进入到 prompt 的字段。其次,筛选出来的 schema 会有很多的字段,字段多了也会影响 GPT 的正确率和精准度,因此需要跟 GPT 进行交互,让它挑选出哪些字段与产品有关。最后再通过 GPT 进行 JSON 的生成,而对于复杂的查询,可以先让它生成一个结构,在这个结构下把内容填充进去。因此,这个查询的过程相对比较复杂。

1d78f9b6d26f81ac77aea8c9d2c7f8cb.png

此外,还可以辅助进行 SQL 的编写,有些分析用 JSON 查询不好做,就用 SQL 来做自定义查询。在输入框中用自然语言写入想要的查询,GPT 模型将自然语言转化为 SQL,并发起查询。如果 SQL 不对的话,还可以做修改,或是通过多轮对话的方式对其进行优化。

在分析模型外,我们还做了帮助问答助手,帮助业务人员更快速学会用产品。用户可以用自然语言问一些产品问题,GPT 基于我们的产品帮助手册来回答问题。比如输入 Session 分析可以做什么,上面就列出了回答,并引用了我们产品帮助文档的参考。GPT 做查询并基于查询做摘要生成,摘要效果和相关性比传统的搜索效果要好。比如:查询「概览和书签有什么关系」,在这个场景中,GPT 摘要详细对比描述了概览和书签的定义以及关系,而普通的搜索没有这样的能力。

124c1d29c71d229c55bb2333cf3965af.png

三、关于 AIGC 实践的认知总结

上面介绍了我们围绕 AIGC 开展的一些应用,接下来探讨一下我们遇到的问题和实践过程中得到的认知。

首先来谈谈模型精准性。相比于摘要生成模型、图片生成模型,数据分析模型非常要求精准性。摘要生成的好坏、图片生成的好坏可以直观判断,而数据指标的对错难以直观判断,因此对精准性要求很高。而影响模型精准性的因素有哪些呢?

第一,模型的应用方式,我们要知道 prompt 怎么写影响性能和效果,比如要不要 step by step,要不要自我校准,JSON 生成要不要先生成结构等。

第二,模型的推理能力。最常见的有最近 7 天、同比、环比以及一些聚合统计的逻辑不对,比如「在过去 7 天做过成功拍照事件行为且次数超过 10 次的用户数」这一类的查询。

第三, prompt 长度约束问题。我们的事件、属性等组合起来可能有大几百,甚至上千个字段,不能将所有的表信息塞到 prompt 中,要先进行一次事件和属性的选择。

第四,字段理解问题。要让 GPT 理解事件和属性,就要给模型足够的信息,比如事件 show_take_photo_guide_popup,我们要让模型知道这是「首次拍照后弹窗引导」。

第五,业务理解问题。业务理解有两类,一类是业务指标的理解,比如转化率,不同公司的转化率定义(分子、分母)不一样,需要让模型知道业务指标的含义;另一方面是具体字段和属性的选择,有些元数据的描述很相近,比如统计照片上传成功数量,需要确定用「照片上传成功」事件还是用「服务端照片上传成功」事件。

如何解决以上问题?一方面我们需要等大模型能力的提升,或是自己去做某个领域的模型。另一方面关于字段理解和业务理解,如何积累数据变得很关键。在 LUI 的情况下,数据完备性非常重要。除了更多的数据积累,还需要知识,比如语义相近的两个字段到底选哪一个?这不是数据,而是需要知识才能解决的问题,因此要构建企业的元数据知识图谱。比如企业中已有的 1000 张报表,到底哪些字段和属性已经用过,这些字段、属性、指标之间构成了什么关系?这些可以构建出来,并用来做事件和属性的选择推理。

我们再来看看产品的设计与评估。LUI 之后,产品的设计将从场景和功能驱动,变成用户问题驱动。这随之带来两方面的影响,一方面是用户引导的方式发生改变,需要引导用户变得会问问题、正确地问问题,用户引导贯穿提问前、提问中、提问后;另一方面产品的评估方式发生变化,由「有没有某个功能」变成「能否正确回答某些问题」。这些问题的解决一方面要提高对用户的引导能力,另一方面需要建设行业问题以及相关问题的知识库。

基于前面的讨论,我们总结了 AIGC 应用方法。企业在进行决策时,是由技术可行性和业务需求双向决定的。从业务上来说,不能因为要做 AIGC 而做 AIGC,一定要有业务上的抓手,需从场景和业务应用出发。从技术上来说,数据是重要的,它可以提升大模型在特定场景下的精准性。总结起来就是:应用场景是抓手,数据是核心,大模型是支撑。

✎✎✎

更多内容

数据智能如何助力销售效能提升?

10 页速览「生成式 AI」能力边界与商业化

神策数据宣布接入百度文心一言能力

9fa54ac0ed25fe7a8b36fe187d0e8057.png

▼ 点击“阅读原文”,了解神策数据

本文来自互联网用户投稿,该文观点仅代表作者本人,不代表本站立场。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。如若转载,请注明出处:http://www.coloradmin.cn/o/591761.html

如若内容造成侵权/违法违规/事实不符,请联系多彩编程网进行投诉反馈,一经查实,立即删除!

相关文章

运行 100 万个并发任务究竟需要多少内存?

Laf 公众号已接入了 AI 绘画工具 Midjourney&#xff0c;可以让你轻松画出很多“大师”级的作品。同时还接入了 AI 聊天机器人&#xff0c;支持 GPT、Claude 以及 Laf 专有模型&#xff0c;可通过指令来随意切换模型。欢迎前来调戏&#x1f447; <<< 左右滑动见更多 &…

Tomcat文件夹属性

Tomcat安装完成后&#xff0c;其安装目录下包含bin、conf、lib、logs、temp、webapps、work等子目录&#xff0c;各个子目录简介如下&#xff1a; &#xff08;1&#xff09;bin目录。主要存放Tomcat的命令文件。&#xff08;解压缩版点击bin下的startup.bat&#xff0c;即可运…

4.2 字节流与字符流

在Java中&#xff0c;有两种基本的数据流类型&#xff1a;字节流和字符流。字节流处理原始二进制数据&#xff0c;而字符流处理Unicode字符。本章节我们将学习字节流与字符流的基本概念以及如何使用它们进行文件的输入输出操作。 4.2.1 字节流 字节流处理原始二进制数据&…

打造音视频极致消费体验

在观看视频时&#xff0c;用户最看重的是什么呢&#xff1f;清晰度&#xff1f;流畅度&#xff1f;还是播放时的稳定性&#xff1f;作为视频厂商&#xff0c;不仅要考虑到常见的指标&#xff0c;一些关乎用户体验的隐藏性指标也需要重点关注。如何持续升级优化代码并在成本和用…

JointJS+ v3.7 Crack

JointJS v3.7 改进了对 SVG 上下文中的外部对象的支持。 2023 年 5 月 30 日 - 16:00 新版本 特征 改进了对外部对象 (HTML) 的支持- 外部对象已成为 Web 开发的标准&#xff0c;JointJS 现在已经在 SVG 上下文中引入了对外部对象的全面且功能齐全的支持。这意味着您现在可以在…

工作积极主动分享,善于业务沟通

工作积极主动分享&#xff0c;善于业务沟通 目录概述需求&#xff1a; 设计思路实现思路分析1.工作积极主动承担责任2.善于沟通3.一起常常lauch 参考资料和推荐阅读 Survive by day and develop by night. talk for import biz , show your perfect code,full busy&#xff0c;…

【JavaSE】Java基础语法(三十九):网络编程入门

文章目录 1. 网络编程概述2. 网络编程三要素3. IP地址4. InetAddress5. 端口和协议 1. 网络编程概述 计算机网络 是指将地理位置不同的具有独立功能的多台计算机及其外部设备&#xff0c;通过通信线路连接起来&#xff0c;在网络 操作系统&#xff0c;网络管理软件及网络通信协…

MyBatis 环境搭建+基本使用

目录 MyBatis创建MyBatis环境搭建MyBatis模式开发MyBatis 获取动态参数&#xff08;查询操作&#xff09;${} 直接替换#{} 占位符模式替换like查询&#xff08;模糊查询&#xff09;多表查询一对一的表映射一对多的表映射 增、删、改操作改操作删除操作增加操作添加用户添加用户…

chatgpt赋能python:Python中的英文单词

Python中的英文单词 Python是一种流行的编程语言&#xff0c;它具有人类易读性、功能强大、支持多种编程范例等特点。Python中包含着大量的英文单词&#xff0c;这些单词在Python编程中极为重要&#xff0c;因为它们直接影响代码的可读性和理解难度。本文将介绍一些最常用的Py…

Go开发学习 | 如何使用Gomail.v2模块包发送邮箱验证码消息及附件学习记录

欢迎关注「全栈工程师修炼指南」公众号 点击 &#x1f447; 下方卡片 即可关注我哟! 设为「星标⭐」每天带你 基础入门 到 进阶实践 再到 放弃学习&#xff01; “ 花开堪折直须折&#xff0c;莫待无花空折枝。 ” 作者主页&#xff1a;[ https://www.weiyigeek.top ] 博客&…

vulhub-Jarbas(易)

打靶练习Jarbas 0x00 部署0x01 信息收集&#xff1a;端口扫描、服务发现0x02 路径爬取0x03 反弹shell0x04 内网信息收集0x05 crontab定时任务提权0x06 总结 0x00 部署 靶机&#xff1a;下载地址 宿主机&#xff1a;kali2021版本 0x01 信息收集&#xff1a;端口扫描、服务发现…

《计算机组成原理》唐朔飞 第9章 控制单元的功能 - 学习笔记

写在前面的话&#xff1a;此系列文章为笔者学习计算机组成原理时的个人笔记&#xff0c;分享出来与大家学习交流。使用教材为唐朔飞第3版&#xff0c;笔记目录大体与教材相同。 网课 计算机组成原理&#xff08;哈工大刘宏伟&#xff09;135讲&#xff08;全&#xff09;高清_…

git (本地仓库)和(远程仓库)之间的代码推送:013

这里先说明一下循序&#xff1a; 1. 创建(远程仓库)和(本地仓库) 2. 创建(远程仓库)和(本地仓库)之间的链接 3. 将(本地仓库)的代码推通过命令送到(远程仓库)&#xff1b;将(本地仓库)的代码通过(TortoiseGit小乌龟)推送到(远程仓库) 1. 创建(远程仓库)和(本地仓库)&#xff0c…

PHP异步:在PHP中使用 fsockopen curl 实现类似异步处理的功能

PHP从主流来看&#xff0c;是一门面向过程的语言&#xff0c;它的最大缺点就是无法实现多线程管理&#xff0c;其程序的执行都是从头到尾&#xff0c;按照逻辑一路执行下来&#xff0c;不可能出现分支&#xff0c;这一点是限制php在主流程序语言中往更高级的语言发展的原因之一…

C++实现sqlite单表增删改查的详细步骤

1.环境准备 coding之前需要先安装好C的集成开发环境&#xff0c; 我这里选择的是Visual Studio 2022&#xff0c;本来想使用CLion的&#xff0c; 但是破解太麻烦&#xff0c;懒得整了。 Visual Studio 2022 2.项目创建及编码 启动visual studio, 点击创建项目&#xff0c;选…

《MYSQL必知必会》读书笔记1

目录 行 主键 MYSQL工具 使用MYSQL 连接 检索数据 检索&#xff08;SELECT&#xff09; 限制结果&#xff08;LIMIT&#xff09; 排序检索&#xff08;ORDER BY&#xff09; 过滤数据&#xff08;WHERE&#xff09; 过滤数据&#xff08;AND、OR&#xff09; 通配符…

软件测试总结

软件生命周期(SDLC)的六个阶段 1、问题的定义及规划 此阶段是软件开发方与需求方共同讨论&#xff0c;主要确定软件的开发目标及其可行性。 2、需求分析 在确定软件开发可行的情况下&#xff0c;对软件需要实现的各个功能进行详细分析。需求分析阶段是一个很重要…

ML | 6 支持向量机

ML | 6 支持向量机 文章目录 ML | 6 支持向量机SVM介绍线性不可分数据线性可分数据 寻找最大间隔分类器求解的优化问题 SMO高效优化算法简化版SMO处理小规模数据集伪代码程序清单 完整Platt SMO 算法加速优化完整 Platt SMO的支持函数完整Platt SMO算法中的优化例程完整Platt S…

记录--Vue3自定义一个Hooks,实现一键换肤

这里给大家分享我在网上总结出来的一些知识&#xff0c;希望对大家有所帮助 核心 使用CSS变量, 准备两套CSS颜色, 一套是在 light模式下的颜色,一套是在dark模式下的颜色dark模式下的 CSS 权重要比 light 模式下的权重高, 不然当我们给html添加自定义属性[data-themedark]的时候…

CVPR 2023 | 南大王利民团队提出LinK:用线性核实现3D激光雷达感知任务中的large kernel...

点击下方卡片&#xff0c;关注“CVer”公众号 AI/CV重磅干货&#xff0c;第一时间送达 点击进入—>【Transformer】微信交流群 【CVPR 2023】LinK&#xff1a;用线性核实现3D激光雷达感知任务中的large kernel 本文介绍我们媒体计算研究组&#xff08;MCG&#xff09;在3D激…