CHAT MET EEN
BUSINESS ADVISOR
-
Generatieve AI
Generatieve AI is hier:
Bent u er klaar voor?Ingebouwde innovatie van Intel®
-
-
-
Waar te beginnen
Een nieuw tijdperk met Generative AI
Generatieve AI (GenAI) wordt op grote schaal gebruikt door organisaties en individuen, dit veroorzaakt een aanzienlijke maatschappelijke impact. AI van consumentenklasse, zoals ChatGPT en DALL-E, spreekt tot ieders verbeelding met de mogelijkheid om content te genereren. Toch belooft GenAI no meer waarde aan organisaties, waaronder verhoogde productiviteit, kostenreductie en een transformatie in de manier waarop we werken.
-
van de IT-leiders gelooft dat GenAI belangrijk, zo niet transformerend zal zijn voor hun organisatie.76%
GenAI zal organisaties transformeren
GenAI brengt beloningen met zich mee, maar ook nieuwe uitdagingen en risico's. Als organisaties beginnen aan hun GenAI-traject, hoeven ze het vertrouwen van klanten en de hoge waarde van hun data niet in gevaar te brengen om als eerste voorbij de finish te komen.
van de IT-leiders gelooft dat GenAI belangrijk, zo niet transformerend zal zijn voor hun organisatie.76%
-
-
-
De essentiële rol van uw data in generatieve AI
Data en risico gaan hand in hand. Data zullen uw GenAI-projecten vooruit helpen, maar u moet ook de potentiële risico's van het hosten van GenAI-modellen in public clouds in kaart brengen, waaronder: verlies van intellectueel eigendom, datalekkage, privacyproblemen, nalevingsschendingen, geloofwaardigheid- en integriteitsverlies, vooroordelen en IP-inbreuk.
-
-
Beheer van risico's en het verhogen van waarde
Wanneer u begint met uw reis, is het essentieel om investeringen in technologie en training op elkaar af te stemmen om de operationele groei te versnellen, risico's te verminderen, controle te verbeteren en de waarde voor uw organisatie te maximaliseren. Met genAI die geschikt is voor ondernemingen, krijgt u de controle over wie toegang heeft tot uw data.
-
-
Risico versus operationele groei van nieuwe generatieve AI en bedrijfsklare generatieve AI.
-
-
-
Succes behalen met generatieve AI
Hoewel ondernemingen in elke verticale sector honderden gebruiksscenario's hebben ontdekt, is het cruciaal om de juiste gebruiksscenario's te vinden.
-
Personen en teams
Bereid uw organisatie voor op het aanpakken van GenAI-kansen, waarbij IT-organisaties zich naar binnen richten en het bedrijf naar buiten kijkt.
-
Processen en beleidsregels
Definieer en communiceer hoe uw organisatie AI zal benutten en maak er een cruciaal aspect van uw bedrijf van om werknemers te betrekken.
-
Technologie
Zorg voor veilige toegang tot GenAI binnen uw organisatie, waarbij schaduw-AI-instanties worden vermeden om data-integriteit en naleving te garanderen.
-
Strategie
Leg de huidige status van uw omgeving vast om de strategische visie en richtlijnen voor toekomstige GenAI-projecten te bepalen.
-
-
-
-
-
-
Betrek AI in uw data
Maak gebruik van de juiste data
De beste gebruiksscenario's maken gebruik van uw rijke data en vertrouwen op uw AI-gereedheid en vereisen ook de juiste mix van vaardigheden, budget en middelen om ze te ondersteunen. Het is belangrijk dat bedrijfs- en IT-teams samenwerken om prioriteiten vast te stellen.
Bij de implementatie van privé-instanties van grote GenAI taalmodellen (LLM's), zoals Llama 2 of Falcon, bieden ze voordelen op het gebied van snelheid en implementatie, maar kunnen ze ook hogere kosten en andere nadelen met zich meebrengen. Hoe dan ook, in-house GenAI biedt waarschijnlijk de meeste waarde voor uw vroege inspanningen.
-
-
-
Content maken
-
Zoeken in natuurlijke taal
-
Codegeneratie
-
Support-assistent
-
Ontwerp en datacreatie
-
Documentautomatisering
-
-
-
-
Behoud generatieve AI-modellen dicht bij uw data
-
-
Op het gebied van het plaatsen van workloads, is GenAI niet anders dan welke andere workload dan ook. Om de beste resultaten te behalen, plaatst u deze in de omgeving die het meest zinvol is op basis van uw zakelijke vereisten en technische behoeften.
Het onderstaande diagram bevat concepten en frameworks die van toepassing zijn bij het bepalen van de plaatsing van genAI-workloads.
-
-
-
5 redenen om AI naar uw data te betrekken
-
-
Plaatsing van generatieve AI-workloads in privé versus public clouds.
-
-
Databeheer voor generatieve-AI
De meeste organisaties hanteren een tweezijdige benadering van hun GenAI-strategie. Ze experimenteren met tactische implementaties om te leren en te voorkomen dat ze achterlopen, tegelijkertijd ontwikkelen ze een langetermijnstrategie om te voldoen aan de vele gebruiksscenario's die na verloop van tijd ontstaan. Voor deze aanpak is een strategie voor databeheer met twee lagen vereist.
DATAVOORBEREIDINGDATA-ENGINEERING -
-
-
Datavoorbereiding
-
Data-ontdekking
Datasets identificeren en datavereisten definiëren
-
Ontdekking- en verrijking van data
Ontwerp en implementatie van datapijplijn voor taggen, opschonen, labelen en anonimiseren van data
-
Korte termijn: Datavoorbereiding
Datavoorbereiding omvat het identificeren van datasets en het definiëren van datavereisten, gevolgd door het opschonen, labelen en anonimiseren van de data en het daarna normaliseren over databronnen. Het vereist ook het bouwen van datapijplijnen om de data in een model te integreren.
-
-
-
Data-engineering
-
Opname van data
Bedrijfsdata integreren in grote taalmodellen
-
Waarneembaarheid en prestaties
Controleren of getransformeerde data voldoen aan de doelstellingen
-
Lange termijn: Data-engineering
Organisaties hebben een goed gestructureerde datarepository nodig, zoals een data lake of data lakehouse, om hun data te integreren met GenAI-modellen. Overweeg het data lake iteratief te bouwen om de mogelijkheden van de GenAI-datarepository geleidelijk uit te breiden, terwijl het team hun databeheer en GenAI-vaardigheden verbetert.
-
-
-
-
-
-
“Deze samenwerking [met Dell Technologies] stelt bedrijven in staat hun eigen AI-systemen te bouwen die gebruikmaken van de ongelooflijke innovatie van de open source-community en tegelijkertijd profiteren van de beveiliging, naleving en prestaties van Dell systemen.”
-
-
-
-
-
-
AI VAN HET JUISTE FORMAAT
Infrastructuur en AI van het juiste formaat definiëren
Met uw unieke data kunt u gebruik maken van domein- en ondernemingsspecifieke gebruiksscenario's, waardoor industriewaarde wordt gerealiseerd door taken of functies waarvoor u exclusief eigenaar bent van de data. Verschillende soorten GenAI hebben bijbehorende toegangspunten en investeringen die nodig zijn om succes te garanderen. LLM's die zijn getraind op grote hoeveelheden tekst zijn als encyclopedieën, handig voor algemeen gebruik, maar zijn mogelijk niet geschikt voor het beantwoorden van specifieke vragen met betrekking tot uw organisatorische data.
-
-
-
Uw data verbeteren de efficiëntie en waarde van GenAI aanzienlijk
-
Een vergelijking van modeltypen, met inbegrip van bedrijfsspecifieke, domeinspecifieke en grote taalmodellen (LLM's).
-
-
-
AI-implementatiemodellen: Kosten en waarden afwegen
De eerste drie typen implementatiemodellen die hieronder worden weergegeven, zijn wat de meeste organisaties momenteel implementeren, te beginnen met 'model augmentation' en uiteindelijk over op 'modellen afstemmen'. Het AI-model dat u kiest, hangt af van het niveau van de gereedheid van datawetenschappen van uw organisatie, de implementatiepatronen en de implicaties hiervan.
-
Vooraf getraind model
Deze benadering wordt 'prompt engineering' genoemd en omvat het stellen van een vraag aan een vooraf getraind model en het ontvangen van een resultaat.
Voorbeeld: ChatGPT
Model augmentation
Verbeter uw GenAI-model door uw data toe te voegen om aanvullende context te bieden voor de antwoorden, zoals inferencing, met gebruiksscenario's zoals Retrieval-augmented generation (RAG).
Modellen afstemmen
Hierbij moet de grootte van het model worden aangepast en uw data worden opgenomen. Hoewel het leidt tot verbeterde resultaten, vereist het ook meer inspanning tijdens het creatieproces.
Modeltraining
Dit omvat het bouwen van een specifiek model en het trainen met een dataset. Dit vereist vaak het meeste werk en middelen en is wordt vaak gebruikt voor het oplossen van complexe problemen.
Inspanning 
Kosten 
Waarde en
differentiatie
Data-integratie Infrastructuur Client – server Client – server GPU geoptimaliseerd Grote GPU-implementatie Vaardigheden IT-ops Ontwikkelaar Datawetenschapper(s) Datawetenschapper(s)
-
Kies de juiste infrastructuur voor uw model
De infrastructuur die uw GenAI-implementatie ondersteunt, is grotendeels afhankelijk van de computervereisten, afhankelijk van het modeltype, de grootte van het model en het aantal gebruikers. Aanvullende overwegingen omvatten de benodigde storagecapaciteit voor data die worden gebruikt tijdens implementatie, training en afstemmen van het model.
-
Hoe modeltype, modelgrootte en het aantal gebruikers invloed hebben op de generatieve AI-infrastructuur voor uw implementatie.
-
-
-
-
-
Versnel uw AI-traject
Begin met een voorsprong
Retrieval-augmented generation (RAG) is een ideaal vroeg gebruiksscenario voor veel organisaties die gebruik maken van extra bronnen, zoals uw eigen data, om een model uit te breiden zonder het opnieuw te moeten trainen. Ontdek hoe u RAG-gebruiksscenario's kunt opzetten die kunnen worden toegepast om uw bedrijf en data te verbeteren.
-
RAG-gebruiksscenario
Pas RAG toe op een aangepaste PDF-dataset
-
DOOR DELL GEVALIDEERD ONTWERP VOOR RAG
Implementeer een digitale assistent op het Dell APEX Cloud Platform voor Red Hat OpenShift
-
-
Laat ons u helpen uw traject te versnellen
Dell Technologies helpt barrières weg te nemen en de acceptatie van GenAI in de hele onderneming mogelijk te maken door middel van een end-to-end holistische aanpak, van bureau tot datacenter.
-