• 生成式 AI

    生成式 AI 时代已经来临：
    您准备好了吗？

    英特尔®集成创新加速

      • 从何处着手

        迈入全新生成式 AI 时代

        组织和个人都在大规模利用生成式 AI (GenAI)，由此产生了巨大的社会影响。消费者级别的 AI（如 ChatGPT 和 DALL-E）凭借其生成内容的能力，俘获了所有人的想象力。与此同时，GenAI 给组织带来的影响有望创造更大的价值，包括提高工作效率、降低成本以及转变我们的工作方式。

      • 76%

        的 IT 主管认为，GenAI 即使不会对其组织产生变革性影响，也将具有重要意义。

        GenAI 将推动组织转型

        GenAI 不只带来回报，也带来了新的挑战和风险。随着组织竞相踏上 GenAI 旅程，他们不能为了抢先抵达终点，而将客户的信任和组织数据的重大价值置于风险之中，这样容易得不偿失。

        76%

        的 IT 主管认为，GenAI 即使不会对其组织产生变革性影响，也将具有重要意义。

      • 数据在生成式 AI 中的关键作用

        数据和风险形影相随。在数据的推动之下，您的 GenAI 项目将继续向前发展，但您还需要评估在公有云中托管 GenAI 模型的潜在风险，包括：知识产权损失、数据泄露、隐私问题、违反合规性、信誉和诚信损失、偏见和 IP 侵权。

        • 管理风险并提升价值

          在开始您的旅程时，有必要调整技术和培训方面的投资，以提高运营成熟度，降低风险，增强控制，并更大限度地提升组织价值。借助企业就绪型 GenAI，您可以控制谁可以访问您的数据。

      • 不成熟的生成式 AI 与企业就绪型生成式 AI 的风险与运营成熟度。

        不成熟的生成式 AI 与企业就绪型生成式 AI 的风险与运营成熟度。

      • 成功利用生成式 AI

        尽管企业已经在每个垂直行业发掘了数以百计的应用场景，但找到合适的应用场景依然至关重要。

      • People and teams

        人员和团队

        让您的组织做好准备，抓住 GenAI 带来的机遇，IT 组织重点关注内部需求，同时业务部门积极了解外部市场。

      • Processes and policies

        流程和政策

        明确并传达您的组织将如何利用 AI，使其成为业务领域的一项关键因素，以此提升员工参与度。

      • Technology

        科技

        在整个组织中提供安全可靠的 GenAI 访问，避免出现影子 AI 实例，从而确保数据完整性和合规性。

      • Strategy

        战略

        捕捉环境的当前状况，以确定未来 GenAI 项目的战略愿景和指导原则。

        • 将 AI 融入您的数据

          利用正确的数据

          出色的应用场景不仅利用您丰富的数据，依赖 AI 就绪性，同时还需要适当的技能、预算和资源组合为其提供支持。业务和 IT 团队必须合作确定优先事项，这一点很重要。

          虽然建立 GenAI 大型语言模型 (LLM)（如 Llama 2 或 Falcon）的专用实例可以在速度和部署方面带来优势，但也可能面临更高的成本和其他缺点。无论哪种方式，相对于您的早期投入，内部 GenAI 都有可能带来更大价值。

        • Content Creation

          内容创建

        • Natural Language Search

          自然语言搜索

        • Code Generation

          代码生成

        • Support Assistant

          支持助理

        • Design & Data Creation

          设计和数据创建

        • Document Automation

          文档自动化

      • 让生成式 AI 模型贴近您的数据

        • 在工作负载放置方面，GenAI 与任何其他工作负载并无不同。为取得更好的结果，应根据业务要求和技术需求，将工作负载置于最合适的环境中。

          下图描述了在确定 GenAI 工作负载放置时需要应用的概念和框架。

      • 私有云与公有云中的生成式 AI 工作负载放置。

        私有云与公有云中的生成式 AI 工作负载放置。

        • 面向生成式 AI 的数据管理

          大多数组织都在采取双管齐下的方法来实施其 GenAI 战略。他们尝试通过战术部署来开展学习，避免落后他人，同时制定长期战略，以适应随着时间推移而涌现的众多应用场景。这种方法需要双层数据管理策略。

        数据准备
        数据工程

        • 数据准备

        • GEN AI Data discovery

          数据发现

          识别数据集并定义数据要求

        • GEN AI Data exploration and enrichment

          数据探索和扩充

          设计和实施数据管道，对数据进行标注、清理、标记和匿名化处理

        • 短期：数据准备

          数据准备包括识别数据集和定义数据要求，之后进行数据清理、标记和匿名化处理，然后在数据源之间实现数据规范化。它还需要构建数据管道，以便将数据集成到模型中。

        • 数据工程

        • GEN AI Data ingestion

          数据接收

          将企业数据集成到大型语言模型中

        • GEN AI Observability and performance

          可观察性和性能

          验证转换后的数据是否符合目标

        • 长期：数据工程

          组织需要结构合理的数据存储库（如数据湖或数据湖仓），以便将其数据与 GenAI 模型集成。可以考虑采用迭代方式构建数据湖，以逐步扩展 GenAI 数据存储库的功能，同时团队也能增强其数据管理和 GenAI 技能。

        • “我们与 Dell Technologies 在此领域展开合作，助力公司利用开源社区的出色创新来构建自己的 AI 系统，同时还能受益于戴尔系统的安全性、合规性和性能。”

          Jeff Boudier, Hugging Face 产品和发展主管

      • 调整 AI 规模

        界定基础架构并调整 AI 规模

        凭借您特有的数据，您可以利用特定于领域和企业的应用场景，通过拥有数据专属所有权的任务或功能来创造行业价值。对于不同类型的 GenAI，必须满足相应的门槛和投资要求，才能确保成功。接受过大量文本训练的 LLM 就像百科全书，就一般用途而言很有帮助，但可能并不适合回答关于组织数据的具体问题。

      •  

         

      • 您的数据可大幅提高 GenAI 的效率和价值

      • 模型类型的比较，包括企业特定模型、领域特定模型和大型语言模型 (LLM)。

        模型类型的比较，包括企业特定模型、领域特定模型和大型语言模型 (LLM)。

      • AI 部署模型：评估成本和价值权衡

        下面显示的前三种部署模型是大多数组织当前正在实施的模型，从“模型增强”开始，到最终确定“微调模型”。您选择的 AI 模型将取决于组织的数据科学就绪程度、部署模式及各自的影响。

      • 预先训练的模型

        预先训练的模型

        此方法称为“提示工程”，涉及向预先训练的模型提出问题并获得结果。
        示例：ChatGPT

        		 模型增强

        模型增强

        通过添加您的数据（例如推理）为 GenAI 模型的答案提供更多上下文，以增强您的 GenAI 模型，其中包括检索增强生成 (RAG) 等应用场景。

        		 微调模型

        微调模型

        这涉及调整模型加权并整合您的数据。虽然它有助于改进结果，但在设置过程中也需要投入更多精力。

        		 模型训练

        模型训练

        它包括构建特定的模型并使用数据集进行训练。这通常需要投入更多的工作和资源，并且往往用于解决复杂的问题。
        工作量 较少工作量 中等工作量 较多工作量 巨大工作量
        成本 低成本 中等成本 高成本 巨大成本
        价值和
        差异化优势        		 最小价值和差异化优势 中等价值和差异化优势 较高价值和差异化优势 重大价值和差异化优势
        数据集成 无数据集成 数据集成度较高 数据集成度较高 数据集成度非常高
        基础架构 客户端 — 服务器 客户端 — 服务器 GPU 优化 大型 GPU 部署
        技能 IT 运营 开发人员 数据科学家 数据科学家

      • 选择适当的基础架构，打造专属模型

        为 GenAI 部署提供支持的基础架构在很大程度上取决于计算要求，这些要求则会受模型类型、模型规模和用户数量的影响。其他考量因素包括在部署、训练和模型优化期间使用的数据所需要的存储容量。

      • 模型类型、模型规模和用户数量如何影响您部署的生成式 AI 基础架构。

        模型类型、模型规模和用户数量如何影响您部署的生成式 AI 基础架构。

      • 加速您的 AI 之旅

        先人一步，旗开得胜

        对于许多组织来说，检索增强生成 (RAG) 是一个理想的早期应用场景，因为组织可以利用额外的资源（例如您自己的数据）来增强模型，而无需重新训练模型。探索可用于增强您的业务和数据的 RAG 应用场景的设置。

      • RAG Use Case

        RAG 应用场景

        将 RAG 应用于自定义 PDF 数据集

      • Retrieval augmented generation

        戴尔经验证的 RAG 设计

        在 Dell APEX Cloud Platform for Red Hat OpenShift 上部署数字助理

    • 让我们助力您加快旅程

      戴尔通过从桌面端到数据中心的端到端整体方法，帮助消除障碍并在企业范围内采用 GenAI。

    • 面向 AI 的 PowerEdge 服务器

    • 面向 AI 的存储

    • 面向 AI 的数据管理

    • Precision 工作站

    • 面向 AI 的专业服务