-
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。
-
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。
-
-
-
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。
-
-
-
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。
-
-
-
-
-
-
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。
-
-
-
内容创建
-
自然语言搜索
-
代码生成
-
支持助理
-
设计和数据创建
-
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。
-
-
-
将 AI 融入您的数据的 5 大理由
-
-
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
-
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
-
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。”
-
-
-
-
-
-
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)。
-
-
-
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
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
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
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
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 成本 价值和
差异化优势数据集成 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。
-
-
-
-
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。
-